基于上采样金字塔结构的卷积神经网络的非侵入负荷辨识算法

doi:10.11772/j.issn.1001-9081.2021081512

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (10): 3300-3306.DOI: 10.11772/j.issn.1001-9081.2021081512

• 前沿与综合应用 • 上一篇

基于上采样金字塔结构的卷积神经网络的非侵入负荷辨识算法

杜宇, 严萌, 武昕

华北电力大学电气与电子工程学院，北京 102206

收稿日期:2021-08-25 修回日期:2021-11-08 接受日期:2021-11-19 发布日期:2022-01-07 出版日期:2022-10-10
通讯作者: 武昕
作者简介:第一联系人：杜宇（1992—），男，河北保定人，硕士研究生，主要研究方向：智能用电与电力系统信息处理、大数据智能分析
严萌（1997—），女，河北唐山人，硕士研究生，主要研究方向：非侵入式负荷监测、智能信息处理
武昕（1986—），女，北京人，副教授，博士，主要研究方向：物联网、智能感知、能源互联网智能信息处理。wuxin07@ncepu.edu.cn
基金资助:
中央高校基本科研业务费专项资金资助项目(2020MS002)

Non-intrusive load identification algorithm based on convolutional neural network with upsampling pyramid structure

Yu DU, Meng YAN, Xin WU

School of Electrical and Electronic Engineering，North China Electric Power University，Beijing 102206，China

Received:2021-08-25 Revised:2021-11-08 Accepted:2021-11-19 Online:2022-01-07 Published:2022-10-10
Contact: Xin WU
About author:DU Yu， born in 1992， M. S. candidate. His research interests include intelligent power consumption and power system information processing， big data intelligent analysis.
YAN Meng， born in 1997， M. S. candidate. Her research interests include non-intrusive load monitoring， intelligent information processing.
WU Xin， born in 1986， Ph. D. ， associate professor. Her research interests include internet of things， intelligent sensing， energy internet intelligent information processing.
Supported by:
Fundamental Research Funds for Central Universities(2020MS002)

摘要/Abstract

摘要：

非侵入式负荷监测（NILM）技术为需求侧管理提供了技术支撑，而非侵入负荷辨识是负荷监测过程中的关键环节。在负荷数据采样过程中无法实现长期的实时高频采集，得到的负荷数据还存在缺乏时序性的问题；同时，卷积神经网络（CNN）存在对低级信号特征表现不足的缺陷。针对以上两个问题，提出了一种基于上采样金字塔结构的CNN非侵入负荷辨识算法。所提算法直接面向采集到的负荷电流信号，利用上采样网络扩展数据在时间维度上的相关信息弥补数据的时序性，并通过双向金字塔一维卷积提取负荷信号的高级与低级特征，以对负荷特征进行全面利用，从而实现对未知负荷信号进行识别的目的。实验结果表明，基于上采样金字塔结构的CNN非侵入负荷辨识算法的识别准确率能够达到95.21%，且具有良好的泛化能力，可有效实现负荷辨识。

关键词: 非侵入负荷辨识, 需求侧管理, 数据上采样, 双向金字塔结构, 卷积神经网络, 自动特征提取

Abstract:

Non-Intrusive Load Monitoring （NILM） technology provides technical support for demand side management， and non-intrusive load identification is the key link in the process of load monitoring. The long-term sampling process of load data cannot be carried out in real time and high frequency， and the time sequence of the obtained load data is lost. At the same time， the defect of insufficient representation of low-level signal features occurs in Convolution Neural Network （CNN）. In view of the above two problems， a CNN based non-intrusive load identification algorithm with upsampling pyramid structure was proposed. In the proposed algorithm， with direct orientation to the collected load current signals， the time sequence of the data was compensated by the relevant information in the time dimension of the upsampling network expanded data， and the high-level and low-level features of load signals were extracted by the bidirectional pyramid one-dimensional convolution， so that the load characteristics were fully utilized. As a result， the purpose of identifying unknown load signals can be achieved. Experimental results show that the recognition accuracy of non-intrusive load identification algorithm based on CNN with upsampling pyramid structure can reach 95.21%， indicating that the proposed algorithm has a good generalization ability， and can effectively realize load identification.

Key words: non-intrusive load identification, demand side management, data upsampling, bidirectional pyramid structure, Convolution Neural Network (CNN), automatic feature extraction

中图分类号:

TM933

杜宇, 严萌, 武昕. 基于上采样金字塔结构的卷积神经网络的非侵入负荷辨识算法[J]. 计算机应用, 2022, 42(10): 3300-3306.

Yu DU, Meng YAN, Xin WU. Non-intrusive load identification algorithm based on convolutional neural network with upsampling pyramid structure[J]. Journal of Computer Applications, 2022, 42(10): 3300-3306.

图/表 12

图1 一维卷积核特征提取过程

Fig. 1 Feature extraction process of one-dimensional convolution kernel

图2 非侵入式负荷监测系统

Fig. 2 Non-intrusive load monitoring system

图3 双向特征金字塔结构

Fig. 3 Bidirectional feature pyramid structure

图4 特征融合过程

Fig. 4 Feature fusion process

图5 数据上采样网络结构

Fig. 5 Data upsampling network structure

图6 双向特征金字塔的1D-CNN结构

Fig. 6 One dimensional-CNN structure of bidirectional feature pyramid

图7 九种负荷单独运行时的电流波形

Fig. 7 Current waveforms of 9 kinds of loads in separate operation

图8 模型损失值收敛曲线对比

Fig. 8 Comparison of model loss value convergence curve

图9 神经网络内部参数迭代过程

Fig. 9 Iterative process of internal parameters of neural network

图10 双向特征金字塔1D-CNN的混淆矩阵

Fig. 10 Confusion matrix of bidirectional feature pyramid 1D-CNN

图11 不同算法的准确率对比

Fig. 11 Comparison of accuracy of different algorithms

表1 不同算法的评价指标对比 ( %)

Tab. 1 Comparison of evaluation indexes of different algorithms

算法	准确率	召回率	精确率	F⁃score
上采样双向金字塔-1D-CNN	95.21	94.11	94.00	94.93
LeNet-1D-CNN^［19］	88.14	88.46	92.00	90.19
MPHMM^［20］	80.71	75.52	90.00	82.13
CNN^［15］	88.70	87.59	91.84	90.83
改进CNN^［13］	91.35	90.61	93.36	92.48

参考文献 20

1	陈刚，王世磊. 能源市场化运作方向的分析研究［J］. 电力需求侧管理， 2016， 18（5）：32-34. 10.3969/j.issn.1009-1831.2016.05.008
	CHEN G， WANG S L. The analysis and research of the energy internet market-oriented operation［J］. Power Demand Side Management， 2016， 18（5）：32-34. 10.3969/j.issn.1009-1831.2016.05.008
2	祁兵，程媛，武昕. 基于Fisher有监督判别的非侵入式居民负荷辨识方法［J］. 电网技术， 2016， 40（8）：2484-2491. 10.13335/j.1000-3673.pst.2016.08.034
	QI B， CHENG Y， WU X. Non-intrusive household appliance load identification method based on fisher supervised discriminant［J］. Power System Technology， 2016， 40（8）： 2484-2491. 10.13335/j.1000-3673.pst.2016.08.034
3	陈振宇，黄莉，杨斌，等. 非侵入终端负荷辨识能力测评系统设计方法研究［J］. 电力需求侧管理， 2019， 21（5）：68-74. 10.3969/j.issn.1009-1831.2019.05.014
	CHEN Z Y， HUANG L， YANG B， et al. Research on design method of non-intrusive terminal load identification ability evaluation test system［J］. Power Demand Side Management， 2019， 21（5）：68-74. 10.3969/j.issn.1009-1831.2019.05.014
4	HART G W. Nonintrusive appliance load monitoring［J］. Proceedings of the IEEE， 1992， 80（12）：1870-1891. 10.1109/5.192069
5	祁兵，董超，武昕，等. 基于DTW算法与稳态电流波形的非侵入式负荷辨识方法［J］. 电力系统自动化， 2018， 42（3）：70-76. 10.7500/AEPS20170103001
	QI B， DONG C， WU X， et al. Non-intrusive load identification method based on DTW algorithm and steady-state current waveform［J］. Automation of Electric Power Systems， 2018， 42（3）：70-76. 10.7500/AEPS20170103001
6	牛卢璐，贾宏杰. 一种适用于非侵入式负荷监测的暂态事件检测算法［J］. 电力系统自动化， 2011， 35（9）：30-35.
	NIU L L， JIA H J. Transient event detection algorithm for non-intrusive load monitoring［J］. Automation of Electric Power Systems， 2011， 35（9）： 30-35.
7	董哲，陈玉梁，薛同来，等. 基于全局与滑动窗口结合的Attention机制的非侵入式负荷分解算法［J/OL］. 电测与仪表（2020-10-20）［2021-11-04］..
	DONG Z， CHEN Y L， XUE T L， et al. Non-intrusive load monitoring algorithm based on attention mechanism combined with global and sliding window［J/OL］. Electrical Measurement and Instrumentation （2020-10-20）［2021-11-04］..
8	CHANG H H， LIN L S， CHEN N M， et al. Particle-swarm-optimization-based nonintrusive demand monitoring and load identification in smart meters［J］. IEEE Transactions on Industry Applications， 2013， 49（5）：2229-2236. 10.1109/tia.2013.2258875
9	CHANG H H. Non-intrusive demand monitoring and load identification for energy management systems based on transient feature analyses［J］. Energies， 2012， 5（11）： 4569-4589. 10.3390/en5114569
10	ROOS J G， LANE I E， BOTHA E C， et al. Using neural networks for non-intrusive monitoring of industrial electrical loads［C］// Proceedings of the 1994 IEEE Instrumentation and Measurement Technology Conference. Piscataway： IEEE， 1994：115-118.
11	刘一铭，李惠民，王乐挺，等. 基于卷积神经网络的非侵入式负荷监测方法［J］. 电测与仪表， 2022， 59（1）：148-154.
	LIU Y M， LI H M， WANG L T， et al. Non-intrusive load monitoring method based on convolutional neural network［J］. Electrical Measurement and Instrumentation， 2022， 59（1）：148-154.
12	FIGUEIREDO M， DE ALMEIDA A， RIBEIRO B. Home electrical signal disaggregation for Non-Intrusive Load Monitoring （NILM） systems［J］. Neurocomputing， 2012， 96：66-73. 10.1016/j.neucom.2011.10.037
13	李莉，黄友金，熊炜，等. 基于改进卷积神经网络的非侵入负荷辨识方法研究［J/OL］. 电测与仪表. （2021-04-22）［2021-05-10］.. 10.3390/en14030684
	LI L， HUANG Y J， XIONG W， et al. Study on non intrusive load identification method based on improved convolutional neural network［J/OL］. Electrical Measurement and Instrumentation. （2021-04-22）［2021-05-10］.. 10.3390/en14030684
14	李如意，张鹏，刘永光，等. 基于随机森林的非侵入式家庭负荷辨识方法［J］. 电测与仪表， 2021， 58（4）：9-16. 10.19753/j.issn1001-1390.2021.04.002
	LI R Y， ZHANG P， LIU Y G， et al. Non-intrusive household load identification method based on random forest［J］. Electrical Measurement and Instrumentation， 2021， 58（4）：9-16. 10.19753/j.issn1001-1390.2021.04.002
15	张玉天，邓春宇，刘沅昆，等. 基于卷积神经网络的非侵入负荷辨识算法［J］. 电网技术， 2020， 44（6）：2038-2044. 10.13335/j.1000-3673.pst.2019.0653
	ZHANG Y T， DENG C Y， LIU Y K， et al. Non-intrusive load identification algorithm based on convolution neural network［J］. Power System Technology， 2020， 44（6）：2038-2044. 10.13335/j.1000-3673.pst.2019.0653
16	赵康宁，蒲天骄，王新迎，等. 基于改进贝叶斯神经网络的光伏出力概率预测［J］. 电网技术， 2019， 43（12）：4377-4386. 10.13335/j.1000-3673.pst.2019.1461
	ZHAO K N， PU T J， WANG X Y， et al. Probabilistic forecasting for photovoltaic power based on improved Bayesian neural network［J］. Power System Technology， 2019， 43（12）： 4377-4386. 10.13335/j.1000-3673.pst.2019.1461
17	高佳豪，郭瑜，伍星. 基于SANC和一维卷积神经网络的齿轮箱轴承故障诊断［J］. 振动与冲击， 2020， 39（19）：204-209， 257. 10.13465/j.cnki.jvs.2020.19.030
	GAO J H， GUO Y， WU X. Gearbox bearing fault diagnosis based on SANC and 1-D CNN［J］. Journal of Vibration and Shock， 2020， 39（19）： 204-209， 257. 10.13465/j.cnki.jvs.2020.19.030
18	金列俊，詹建明，陈俊华，等. 基于一维卷积神经网络的钻杆故障诊断［J］. 浙江大学学报（工学版）， 2020， 54（3）：467-474. 10.3785/j.issn.1008-973X.2020.03.006
	JIN L J， ZHAN J M， CHEN J H， et al. Drill pipe fault diagnosis method based on one-dimensional convolutional neural network［J］. Journal of Zhejiang University （Engineering Science）， 2020， 54（3）： 467-474. 10.3785/j.issn.1008-973X.2020.03.006
19	REN Z R， TANG B， WANG L F， et al. Household appliance identification based on a novel load signature processing framework［C］// Proceedings of the IEEE 3rd Conference on Energy Internet and Energy System Integration. Piscataway： IEEE， 2019： 2076-2080. 10.1109/ei247390.2019.9062041
20	张丽，张涛，张宏伟，等. 一种基于多参量隐马尔可夫模型的负荷辨识方法［J］. 电力系统保护与控制， 2019， 47（20）：81-90.
	ZHANG L， ZHANG T， ZHANG H W， et al. Research on a method of load identification based on multi parameter hidden Markov model［J］. Power System Protection and Control， 2019， 47（20）：81-90.

[1]	衡红军, 徐天宝. 基于多尺度卷积和门控机制的注意力情感分析模型[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2674-2679.
[2]	刘月峰, 张小燕, 郭威, 边浩东, 何滢婕. 基于优化混合模型的航空发动机剩余寿命预测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2960-2968.
[3]	王宇航, 周永霞, 吴良武. 基于高斯函数的池化算法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2800-2806.
[4]	刘汉卿, 康晓东, 张福青, 赵秀圆, 杨靖怡, 王笑天, 李梦凡. 改进的Libra区域卷积神经网络的脑动脉狭窄影像学检测算法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2909-2916.
[5]	张显杰, 张之明. 基于卷积神经网络和Transformer的手写体英文文本识别[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2394-2400.
[6]	程南江, 余贞侠, 陈琳, 乔贺辙. 基于领域自适应的多源多标签行人属性识别[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2401-2406.
[7]	邓杰航, 郭文权, 陈汉杰, 顾国生, 刘景建, 杜宇坤, 刘超, 康晓东, 赵建. 融合多尺度多头自注意力和在线难例挖掘的小样本硅藻检测[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2593-2600.
[8]	徐成霞, 阎庆, 李腾, 苗开超. 基于联合注意力机制的单幅图像去雨算法[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2578-2585.
[9]	吕振虎, 许新征, 张芳艳. 基于挤压激励的轻量化注意力机制模块[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2353-2360.
[10]	靳华中, 张修洋, 叶志伟, 张闻其, 夏小鱼. 基于近似U型网络结构的图像去噪模型[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2571-2577.
[11]	谭湘粤, 胡晓, 杨佳信, 向俊将. 基于递进式特征增强聚合的伪装目标检测[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2192-2200.
[12]	董宁, 程晓荣, 张铭泉. 基于物联网平台的动态权重损失函数入侵检测系统[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2118-2124.
[13]	王震宇, 张雷, 高文彬, 权威铭. 基于渐进式神经网络架构搜索的人体运动识别[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2058-2064.
[14]	王海起, 王志海, 李留珂, 孔浩然, 王琼, 徐建波. 基于网格划分的城市短时交通流量时空预测模型[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2274-2280.
[15]	刘万军, 王佳铭, 曲海成, 董利兵, 曹欣宇. 基于频谱空间域特征注意的音乐流派分类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2072-2077.

基于上采样金字塔结构的卷积神经网络的非侵入负荷辨识算法

Non-intrusive load identification algorithm based on convolutional neural network with upsampling pyramid structure

RichHTML

PDF

PDF (Mobile)

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 20

相关文章 15

编辑推荐

Metrics