蘇海軍，侯坤福，高敬更，王 琨，王治國

（1.國網(wǎng)甘肅省電力公司營銷服務(wù)中心，甘肅 蘭州 730300 ；2.蘭州理工大學(xué)電氣工程與信息工程學(xué)院，甘肅 蘭州 730050）

1 概述

非侵入式負(fù)荷分解(Nonintrusive Load Monitoring，NILM) 是指通過安裝智能電表獲得居民一段時(shí)間內(nèi)的總用電信息，然后在算法層面推算出該用戶各用電器的用電情況[1]，通常獲得的設(shè)備用電信息用于用戶制定較為經(jīng)濟(jì)的用電計(jì)劃[2]以及電力服務(wù)商需求側(cè)精細(xì)化管理配置[3]。

現(xiàn)有的非侵入式負(fù)荷分解問題研究集中于負(fù)荷分解精度的提高，代表性的研究包括利用隱馬爾可夫模型、深度學(xué)習(xí)的方式進(jìn)行非侵入式負(fù)荷分解。其中因子隱馬爾可夫模型[4]在一定程度上改善了負(fù)荷分解精度，但較為復(fù)雜的用電情況下，模型的分解精度會下降。此外，伴隨著人工智能發(fā)展的浪潮，利用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷分解的方式也逐漸被研究者重視起來，此類方法的優(yōu)勢在于不需要進(jìn)行其他方法所必須要完成的特征提取工作，同時(shí)這類方法也表現(xiàn)出了較好的效果，代表的研究如2014 年Jack 所提出的利用循環(huán)神經(jīng)網(wǎng)絡(luò)和降噪自編碼器的seq2seq 方法[5]以及2018 年Zhong 所提出的基于卷積神經(jīng)網(wǎng)絡(luò)的seq2point 方法[6]，都表現(xiàn)出了良好的負(fù)荷分解效果。

基于神經(jīng)網(wǎng)絡(luò)的負(fù)荷分解方法需要大量的先驗(yàn)數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過大量先驗(yàn)數(shù)據(jù)訓(xùn)練的模型往往只能在某地區(qū)某家庭某種設(shè)備上表現(xiàn)出良好的效果，一旦將訓(xùn)練好的模型用于非訓(xùn)練數(shù)據(jù)下的設(shè)備時(shí)，模型的負(fù)荷分解精度迅速下降，極大的影響著非侵入式技術(shù)的大規(guī)模部署。因此如何提高模型的泛化能力，以此期望對任意家庭設(shè)備進(jìn)行負(fù)荷分解達(dá)到最佳效果，是亟待解決的一個(gè)重要問題。

本文針對非侵入式負(fù)荷分解提出一種域適應(yīng)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型（Domain Adaptation Neural Network，DANN）。與以往的普通神經(jīng)網(wǎng)絡(luò)模型不同，該模型將混合基準(zhǔn)家庭數(shù)據(jù)（源域，有標(biāo)簽）和目標(biāo)家庭數(shù)據(jù)（目標(biāo)域，無標(biāo)簽）進(jìn)行網(wǎng)絡(luò)訓(xùn)練，極大的改善了模型的泛化能力，在目標(biāo)域家庭中取得了較好的分解效果。同時(shí)在實(shí)驗(yàn)中進(jìn)行了論證，對于運(yùn)行特征較為簡單的設(shè)備有著較高的分解精度，對于較為復(fù)雜的運(yùn)行特征的設(shè)備，本文所提方法也表現(xiàn)出了較大的研究潛力。

2 非侵入式負(fù)荷分解問題

負(fù)荷分解的任務(wù)是利用入戶智能電表信息恢復(fù)單個(gè)設(shè)備的功率信息。通常情況下，通過智能電表可以獲得用戶一段時(shí)間內(nèi)總的用電信息，如有功功率，視在功率。設(shè)住戶某段時(shí)間T 內(nèi)的用電功率信息為：

n 種用電設(shè)備，單個(gè)設(shè)備用電信息為：

非侵入式負(fù)荷分解方法在算法層面構(gòu)建分解模型，從主表功率序列Y 中恢復(fù)出用電設(shè)備功率序列Xe，目前該問題主要的研究集中于提高負(fù)荷分解的精度，本文將在前人的研究基礎(chǔ)上重點(diǎn)關(guān)注模型的泛化性能研究。

2.1 跨地區(qū)設(shè)備負(fù)荷分解問題

目前各類國家之間關(guān)于非侵入式負(fù)荷分解問題的研究進(jìn)度并不一致，關(guān)于數(shù)據(jù)集的制作，國外已經(jīng)領(lǐng)先國內(nèi)許多，國內(nèi)還沒有一個(gè)用于非侵入式負(fù)荷分解任務(wù)的標(biāo)準(zhǔn)數(shù)據(jù)集，所以存在跨地區(qū)的非侵入式負(fù)荷分解任務(wù)需求，但隨著國內(nèi)研究的推進(jìn)，針對我國的居民用戶用電行為研究加速，必然會發(fā)布用于我國本地的非侵入式負(fù)荷分解數(shù)據(jù)集，針對跨地域的設(shè)備負(fù)荷分解存在一定的實(shí)際意義。

2.2 跨用戶及跨設(shè)備間負(fù)荷分解問題

相較于跨地區(qū)間的負(fù)荷分解任務(wù)而言，同地區(qū)不同家庭之間的同種設(shè)備或者不同設(shè)備的負(fù)荷分解任務(wù)更具有實(shí)際意義，首先，目前已經(jīng)存在一定數(shù)量的用于非侵入式負(fù)荷分解任務(wù)的數(shù)據(jù)集，存在的實(shí)際問題是，利用同一個(gè)家庭的不同時(shí)間段設(shè)備運(yùn)行作為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，以此在同一用戶家庭中完成負(fù)荷分解，可以取得較高的負(fù)荷分解精度，但是一旦利用A 家庭的訓(xùn)練數(shù)據(jù)對模型展開訓(xùn)練，利用B 家庭去驗(yàn)證，負(fù)荷分解精度會立馬大幅下降，模型的泛化性能備受考驗(yàn)，然而在未來實(shí)際應(yīng)用當(dāng)中，數(shù)據(jù)集一旦定制完成，將會是一個(gè)標(biāo)準(zhǔn)的用戶用電數(shù)據(jù)，但是數(shù)據(jù)集所包含的用戶畢竟是有限的，居民的用電行為及家用電器型號卻是千差萬別，利用標(biāo)準(zhǔn)數(shù)據(jù)集訓(xùn)練得到的模型不能完全匹配每個(gè)家庭的用電特征。

因此，本文提出模型域自適應(yīng)學(xué)習(xí)，對于每一個(gè)家庭都會在基準(zhǔn)的負(fù)荷分解模型上做一定量的域自適應(yīng)訓(xùn)練，這樣就可以利用標(biāo)準(zhǔn)數(shù)據(jù)集展開個(gè)性化的模型訓(xùn)練，以少量的數(shù)據(jù)集訓(xùn)練各類用戶負(fù)荷分解模型，以此提高模型的泛化能力，助力非侵入式負(fù)荷分解的實(shí)際推廣。

3 域適應(yīng)學(xué)習(xí)

3.1 DANN 網(wǎng)絡(luò)概述

深度學(xué)習(xí)的模型訓(xùn)練往往需要大量的帶標(biāo)簽數(shù)據(jù)，這類訓(xùn)練所得模型在指定任務(wù)中能夠取得較好的成績，但是更多任務(wù)是無標(biāo)簽數(shù)據(jù)的，或者說大量的標(biāo)簽工作需要繁雜的標(biāo)定工作，這極大的阻礙著該研究領(lǐng)域的發(fā)展[7]。

近年來，出現(xiàn)了一種新的深度學(xué)習(xí)模式：遷移學(xué)習(xí)。遷移學(xué)習(xí)是運(yùn)用已存有的知識對不同但相關(guān)領(lǐng)域問題進(jìn)行求解的一種新的機(jī)器學(xué)習(xí)方法。它放寬了傳統(tǒng)機(jī)器學(xué)習(xí)中的兩個(gè)基本假設(shè)：用于學(xué)習(xí)的訓(xùn)練樣本與新的測試樣本滿足獨(dú)立同分布的條件;必須有足夠可利用的訓(xùn)練樣本才能學(xué)習(xí)得到一個(gè)好的分類模型。而最終的目的則是遷移已有的知識來解決目標(biāo)領(lǐng)域中僅有少量標(biāo)簽樣本數(shù)據(jù)甚至沒有標(biāo)簽的學(xué)習(xí)問題[8]。目前遷移學(xué)習(xí)的研究已經(jīng)在文本分類[9]、情感分類[10]、圖像分類[11]等相關(guān)領(lǐng)域展開。

域適應(yīng)（Domain Adaption）是遷移學(xué)習(xí)中一個(gè)重要的分支，目的是把具有不同分布的源域（Source Domain）和目標(biāo)域（Target Domain）中的數(shù)據(jù)，映射到同一個(gè)特征空間，尋找某一種度量準(zhǔn)則，使其在這個(gè)空間上的“距離”盡可能近。然后，在源域（帶標(biāo)簽）上訓(xùn)練好的分類器或者預(yù)測器，可以直接用于目標(biāo)域數(shù)據(jù)的分類或預(yù)測。

本文利用域自適應(yīng)學(xué)習(xí)，遷移數(shù)據(jù)集中已訓(xùn)練好的模型，用于未知數(shù)據(jù)標(biāo)簽的設(shè)備負(fù)荷分解。數(shù)據(jù)來源仍然是公開的數(shù)據(jù)集，在處理時(shí)，將一部分?jǐn)?shù)據(jù)處理為有標(biāo)簽數(shù)據(jù)，一部分?jǐn)?shù)據(jù)被處理為無標(biāo)簽數(shù)據(jù)，根據(jù)不同任務(wù)要求完成數(shù)據(jù)構(gòu)造。圖1 展示利用DANN 網(wǎng)絡(luò)的非侵入式負(fù)荷分解過程。

圖1 基于DANN 域適應(yīng)學(xué)習(xí)的非侵入式負(fù)荷分解流程圖

3.2 域適應(yīng)學(xué)習(xí)原理

假設(shè)存在兩個(gè)分布S（x，y）和T（x，y），將其稱為源分布和目標(biāo)分布，其中源分布數(shù)據(jù)有完整的數(shù)據(jù)標(biāo)簽，目標(biāo)分布無數(shù)據(jù)標(biāo)簽，兩種分布都是復(fù)雜且未知的，這兩種分布相似卻又存在差別，如何求同存異，利用源分布數(shù)據(jù)幫助目標(biāo)分布數(shù)據(jù)展開任務(wù)（分類、預(yù)測）？

域適應(yīng)學(xué)習(xí)或是一種解決方案，Yaroslav Ganin在其關(guān)于域適應(yīng)學(xué)習(xí)的論文中指出：高性能的深度架構(gòu)接受了大量標(biāo)記數(shù)據(jù)的培訓(xùn)，在沒有針對某項(xiàng)任務(wù)的標(biāo)記數(shù)據(jù)的情況下，如果使用性質(zhì)相似但來自不同域的標(biāo)記數(shù)據(jù)（例如合成圖像），則域自適應(yīng)通常會提供一個(gè)有吸引力的選擇[12]。該方法可以在源域中的大量標(biāo)記數(shù)據(jù)和目標(biāo)域中的大量未標(biāo)記數(shù)據(jù)上進(jìn)行訓(xùn)練（不需要標(biāo)記的目標(biāo)域數(shù)據(jù)）。隨著訓(xùn)練的進(jìn)行，該方法促進(jìn)了“深度”功能的出現(xiàn)，這些特征區(qū)分源域上的主要學(xué)習(xí)任務(wù)，并且在目標(biāo)域?qū)崿F(xiàn)了自適應(yīng)。

在域適應(yīng)網(wǎng)絡(luò)訓(xùn)練期間，可以訪問大量來自源域和目標(biāo)域的訓(xùn)練樣本{x1，x2，x3，...，xn}，其中源域數(shù)據(jù)帶有標(biāo)簽{y1，y2，y3，...，yn}，目標(biāo)域不帶有標(biāo)簽。對于第i 個(gè)示例，用di表示域標(biāo)簽，該二進(jìn)制變量指示xi屬于源域分布還是目標(biāo)域分布，如果di=0，則xi～S（x），如果di=1，則xi～T（x）。對于源分布中di=0 的示例，在訓(xùn)練時(shí)已知相應(yīng)的標(biāo)簽yi∈Y。對于目標(biāo)域中的示例，在訓(xùn)練時(shí)不知道標(biāo)簽，且希望在測試時(shí)預(yù)測這些標(biāo)簽。

針對這種任務(wù)，定義一種深度前饋架構(gòu)，該架構(gòu)針對每個(gè)輸入xi預(yù)測其標(biāo)簽yi和其域標(biāo)簽di∈{0,1}。將這種映射分解為三個(gè)部分，輸入x 首先通過映射Gf（特征提取器）映射到D 維特征向量f∈RD，將所有層的參數(shù)向量表示為θf，即f=Gf(x;θf)。然后，特征向量f 通過映射Gf（標(biāo)簽預(yù)測變量）映射到標(biāo)簽y，用θy表示該預(yù)測器的參數(shù)。最后，相同的特征向量f 通過帶有系數(shù)的θd映射Gd（域分類器）映射到域標(biāo)簽d。

在學(xué)習(xí)階段，訓(xùn)練目標(biāo)是使訓(xùn)練集（即源分布部分）上的標(biāo)簽預(yù)測損失最小化，因此，特征提取器和標(biāo)簽預(yù)測器的參數(shù)都得到了優(yōu)化，以使損失最小化用于源域樣本。這確保了特征的可辨別性以及特征提取器和標(biāo)簽預(yù)測器在源域上的組合的總體良好預(yù)測性能。另一方面，要使訓(xùn)練所得的特征是域不變的，則分布S（f）={Gf（x;θf）│x～S（x）}T（f）={Gf（x;θf）│x～T（x）}相似。

要使訓(xùn)練所得的特征是域不變的，假定學(xué)習(xí)的效果夠好，則域分類將會無法判別數(shù)據(jù)來源，換個(gè)說法就是此時(shí)的域分類損失函數(shù)會比較大，因此，為了獲得域不變特征，尋找特征映射的參數(shù)，該參數(shù)映射使域分類器的損失最大化，尋找域分類器的參數(shù)θd，在訓(xùn)練過程中，使域分類的盡可能無法區(qū)分開源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)，所以它的梯度更新方向應(yīng)當(dāng)向域分類損失增大的方向更新。整個(gè)特征層的參數(shù)更新由兩部分的損失函數(shù)決定，在不斷的迭代訓(xùn)練過程中，一方面需要將預(yù)測器損失不斷減小，一方面需要將域分類器損失向增大的方向更新，這種對抗性的訓(xùn)練促進(jìn)了域不變特征的出現(xiàn)。

3.3 DANN 網(wǎng)絡(luò)結(jié)構(gòu)

DANN 網(wǎng)絡(luò)（Domain Adaption Nerual Network）分為3 個(gè)模塊，特征提取器，分類器或者預(yù)測器（根據(jù)不同任務(wù)而定）和域分類器。

特征提取器（feature extractor）用來將數(shù)據(jù)映射到特定的特征空間，供標(biāo)簽預(yù)測器和域判別器做進(jìn)一步的數(shù)據(jù)處理。

標(biāo)簽預(yù)測器（label predictor）對來自源域的數(shù)據(jù)進(jìn)行預(yù)測，盡可能預(yù)測出正確的標(biāo)簽。

域判別器（domain classifier）對特征空間的數(shù)據(jù)進(jìn)行分類，盡可能分出數(shù)據(jù)來自哪個(gè)域。

其中，特征提取器和標(biāo)簽分類器構(gòu)成了一個(gè)前饋神經(jīng)網(wǎng)絡(luò)。在特征提取器后面，加上一個(gè)域判別器，中間通過一個(gè)梯度反轉(zhuǎn)層（Gradient reversal layer,GRL）連接，該層用于特征提取網(wǎng)絡(luò)與域分類網(wǎng)絡(luò)之間，反向傳播過程中實(shí)現(xiàn)梯度取反。在訓(xùn)練的過程中，對來自源域的帶標(biāo)簽數(shù)據(jù)，網(wǎng)絡(luò)不斷最小化標(biāo)簽預(yù)測器的損失（loss）。對來自源域和目標(biāo)域的全部數(shù)據(jù)，網(wǎng)絡(luò)不斷最大化域判別器的損失。

非侵入式負(fù)荷分解任務(wù)在于學(xué)習(xí)主表數(shù)據(jù)與設(shè)備數(shù)據(jù)之間的映射關(guān)系，本文中采用序列到點(diǎn)的映射學(xué)習(xí)模式，5 層卷積層作為特征提取器，兩層全連接層作為預(yù)測器，兩層全連接層作為域分類器，網(wǎng)絡(luò)選擇Adam 優(yōu)化器進(jìn)行梯度更新，學(xué)習(xí)率0.001，在預(yù)測器中添加了Dropout 層[13]用于防止過擬合，具體網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2 所示。

圖2 DANN 域適應(yīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3.4 DANN 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

從域適應(yīng)網(wǎng)絡(luò)的參數(shù)更新來看：定義整個(gè)網(wǎng)絡(luò)目標(biāo)損失函數(shù)為：

其中θf是特征提取層需要訓(xùn)練的網(wǎng)絡(luò)參數(shù)，θy，θd是預(yù)測器和域分類器的所要訓(xùn)練的參數(shù)，整個(gè)、網(wǎng)絡(luò)的損失函數(shù)分為兩部分，前面部分為預(yù)測器損失Ly，也就是域標(biāo)簽di=0 時(shí)，數(shù)據(jù)為源域數(shù)據(jù)時(shí)的預(yù)測損失函數(shù)；后面部分為域分類器損失函數(shù)。

計(jì)算整個(gè)網(wǎng)絡(luò)的前向傳播過程完成后，接著進(jìn)行網(wǎng)絡(luò)的參λ 數(shù)更新，利用梯度下降法進(jìn)行網(wǎng)絡(luò)參數(shù)更新，由于這種對抗訓(xùn)練需要將域分類損失最大，故而整體利用梯度下降方法訓(xùn)練時(shí)，需要將域分類器損失取反。

利用優(yōu)化器進(jìn)行反向傳播，訓(xùn)練過程參數(shù)的更新過程如下：

式中因子λ的大小決定了域分類器所能影響到特征提取器的參數(shù)更新的范圍，μ 是學(xué)習(xí)率。圖3 詳細(xì)展示了DANN 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練流程。

防治措施以藥劑防治為主。對于炭疽病、斑點(diǎn)落葉病、銹病等真菌性病害，可用43%戊唑醇5 000倍液，或者其他三唑類藥劑，或者用25%吡唑醚菌酯2 500～3 000倍液等甲氧基丙烯酸類藥劑進(jìn)行防治；對于綠盲蝽、桃小食心蟲等，可用2.5%高效氯氟氰菊酯1 000～1 500倍液、2%甲維鹽12 000倍液等進(jìn)行防治；對于紅蜘蛛、螨類等，可用20%螺螨酯2 500倍液等進(jìn)行防治。

圖3 DANN 神經(jīng)網(wǎng)絡(luò)算法流程圖

（1）設(shè)定DANN 神經(jīng)網(wǎng)絡(luò)參數(shù)，訓(xùn)練輪次50，預(yù)測器及域分類器損失函數(shù)定義，分別為均方誤差損失函數(shù)、負(fù)對數(shù)似然函數(shù)損失函數(shù)，訓(xùn)練數(shù)據(jù)批量大?。?56，Adam 優(yōu)化器學(xué)習(xí)率：0.001 等參數(shù)；

（2）加載已處理完成的源域訓(xùn)練數(shù)據(jù)（帶預(yù)測標(biāo)簽），目標(biāo)域數(shù)據(jù)（不帶預(yù)測標(biāo)簽標(biāo)簽），定義域標(biāo)簽，源域數(shù)據(jù)標(biāo)簽為0，目標(biāo)域數(shù)據(jù)標(biāo)簽為1；

（3）將源域與目標(biāo)域數(shù)據(jù)訓(xùn)練數(shù)據(jù)送入卷積層特征提取器；

（4）將提取到的特征數(shù)據(jù)送入由全連接神經(jīng)網(wǎng)絡(luò)構(gòu)成的預(yù)測器，計(jì)算預(yù)測損失函數(shù)；

（5）將提取到的特征數(shù)據(jù)送入梯度反轉(zhuǎn)層，進(jìn)行梯度反轉(zhuǎn)；

（6）將梯度反轉(zhuǎn)后的特征數(shù)據(jù)送入由全連接神經(jīng)網(wǎng)絡(luò)的構(gòu)成的域判別器，計(jì)算源域域目標(biāo)域域分類損失函數(shù)；

（7）損失函數(shù)求和，用于統(tǒng)一利用梯度下降法更新參數(shù)；

（9）判斷迭代次數(shù)是否達(dá)到設(shè)定值，未達(dá)到轉(zhuǎn)至步驟2）繼續(xù)迭代訓(xùn)練，達(dá)到則訓(xùn)練結(jié)束。

4 數(shù)據(jù)處理

4.1 數(shù)據(jù)集

數(shù)據(jù)集采用UKERC 能源數(shù)據(jù)中心2015 年公開發(fā)布的UKdale 數(shù)據(jù)集[14]。

Ukdale 數(shù)據(jù)集記錄了從2012 年11 月到2015年1 月份的5 個(gè)家庭的用電數(shù)據(jù)，每6 秒鐘采集一次用電數(shù)據(jù)。數(shù)據(jù)集包含10 多種類型的電器的測量值。本文中，僅關(guān)注冰箱，洗衣機(jī)，這類電器均具有較為明顯的運(yùn)行特征，如冰箱的運(yùn)行特征具有周期運(yùn)行的特點(diǎn)，洗衣機(jī)的工作模式更為豐富，相比冰箱運(yùn)行特征更為復(fù)雜。

4.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理分為實(shí)驗(yàn)數(shù)據(jù)提取，處理異常值，劃分實(shí)驗(yàn)數(shù)據(jù)。通過nilmtk工具包將原始數(shù)據(jù)轉(zhuǎn)化為可用于科學(xué)計(jì)算的數(shù)據(jù)格式。同時(shí)，設(shè)置相應(yīng)的實(shí)驗(yàn)數(shù)據(jù)時(shí)間段并進(jìn)行重新采樣，部分時(shí)間段存在數(shù)據(jù)缺失，會被直接刪除。利用滑動(dòng)窗口方法擴(kuò)充數(shù)據(jù)，滑動(dòng)窗口在給定的樣本數(shù)據(jù)上進(jìn)行步長為1的滑動(dòng)，可以獲得大量主表功率序列及對應(yīng)設(shè)備運(yùn)行值，最后采用零均值歸一化方法歸一化數(shù)據(jù)以便于神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

在制作訓(xùn)練數(shù)據(jù)集時(shí)，將源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)數(shù)據(jù)同時(shí)送入網(wǎng)絡(luò)訓(xùn)練，預(yù)測器根據(jù)傳入的源域數(shù)據(jù)計(jì)算預(yù)測損失，域分類器根據(jù)源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)計(jì)算域分類損失，然后進(jìn)行梯度更新，完成網(wǎng)絡(luò)訓(xùn)練。

5 算例分析

5.1 實(shí)驗(yàn)環(huán)境

本文硬件環(huán)境為Intel（R）CoreTM i7-7700 CPU@3.6GHz，16G DDR4 內(nèi)存及GeForce GTX 1070（8GB 顯存）的64 位計(jì)算機(jī)。軟件平臺為WINDOWS-10 專業(yè)版操作系統(tǒng)，Python 3.6.2（64 位）及Pytorch 深度學(xué)習(xí)框架。在訓(xùn)練深度學(xué)習(xí)模型時(shí)使用GPU 進(jìn)行硬件加速。

5.2 實(shí)驗(yàn)設(shè)計(jì)

本次所提網(wǎng)絡(luò)主要針對非侵入式負(fù)荷分解模型泛化能力的提升展開研究，因此，會對模型的泛化能力做全面的比較，測試從2 個(gè)角度展開：

（1）UKdale 數(shù)據(jù)集同一家庭中的不同設(shè)備之間的分解精度對比；

（2）UKdale 數(shù)據(jù)集不同家庭之間的同一設(shè)備之間的分解精度對比。

其中：（1）代表的可能實(shí)際應(yīng)用情況是某家庭新購置一種家電，利用家庭中已有設(shè)備分解模型對其進(jìn)行負(fù)荷分解；（2）代表的是在某一地區(qū)下，存在標(biāo)準(zhǔn)分解模型，由于家庭之間的設(shè)備及用電行為差異，導(dǎo)致模型分解能力波動(dòng)，也是最具有研究意義的一點(diǎn)。此外，在一定程度上跨地域設(shè)備負(fù)荷分解與跨家庭設(shè)備負(fù)荷分解屬于同一類問題，均屬于不同家庭之間的設(shè)備負(fù)荷分解問題，考量到問題的同質(zhì)性及文章篇幅限制，本文測試了Ukdale 數(shù)據(jù)間的不同家庭同種設(shè)備的負(fù)荷分解效果，不再展開跨地域設(shè)備負(fù)荷分解。表1 所示為算例分析測試跨家庭負(fù)荷分解所用數(shù)據(jù)配置情況，表中“S”代表源域數(shù)據(jù)，“T”代表目標(biāo)域數(shù)據(jù)，“H”代表家庭。

表1 數(shù)據(jù)分配表

由于不存在同類型域自適應(yīng)研究方法和非侵入式負(fù)荷分解模型泛化能力的研究，故本次實(shí)驗(yàn)的對比，將在采用DANN 方法與其他僅對源域數(shù)據(jù)進(jìn)行訓(xùn)練的模型中展開對比，分別為文獻(xiàn)[5]所提DAE與LSTM 方法和文獻(xiàn)[6]所提基于CNN 的Seq2point方法，以及組合優(yōu)化法、FHMM 方法[15]，所用對比算法的具體實(shí)現(xiàn)參考文獻(xiàn)[15]。

5.3 評價(jià)指標(biāo)

評價(jià)指標(biāo)采用MAE，F(xiàn)1score。MAE 可以驗(yàn)證所提方法得出的分解預(yù)測值跟實(shí)際設(shè)備運(yùn)行值的差距，F(xiàn)1score 更加側(cè)重于評價(jià)設(shè)備運(yùn)行狀態(tài)（設(shè)備開啟或關(guān)閉）而不是設(shè)備實(shí)際運(yùn)行的功率值大小，分?jǐn)?shù)越高代表性能越好。計(jì)算公式如(7)(8)所示。

其中PRE 與REC 的計(jì)算方式如（9）（10）所示，PRE 為準(zhǔn)確率，REC 為召回率。TP 表示負(fù)荷在真實(shí)數(shù)據(jù)中打開而在預(yù)測中也是打開時(shí)的總數(shù)；FP 表示負(fù)荷在真實(shí)數(shù)據(jù)中關(guān)閉而在預(yù)測中打開時(shí)的總數(shù)；TN 表示負(fù)荷在真實(shí)數(shù)據(jù)中關(guān)閉而在預(yù)測中也是關(guān)閉時(shí)的總數(shù)；FN 表示負(fù)荷在真實(shí)數(shù)據(jù)中打開而在預(yù)測中關(guān)閉時(shí)的總數(shù)。

5.4 設(shè)備分解結(jié)果對比

5.4.1 跨家庭設(shè)備負(fù)荷分解結(jié)果對比

對比冰箱實(shí)驗(yàn)結(jié)果圖4、圖5，冰箱的運(yùn)行特點(diǎn)較為簡單，各類算法對于冰箱的功率變換時(shí)刻有著較好的預(yù)測效果，而其他5 種方法僅僅能夠預(yù)測設(shè)備的啟停狀態(tài)，對設(shè)備的運(yùn)行功率值預(yù)測較差，評價(jià)指標(biāo)見表2。

表2 冰箱跨家庭實(shí)驗(yàn)評價(jià)指標(biāo)對比

圖4 CNN 冰箱跨家庭實(shí)驗(yàn)結(jié)果

圖5 DANN 冰箱跨家庭實(shí)驗(yàn)結(jié)果

對比洗衣機(jī)實(shí)驗(yàn)結(jié)果圖6、圖7，洗衣機(jī)作為一種工作方式復(fù)雜的設(shè)備，在5 種對比方法中，卷積神經(jīng)網(wǎng)絡(luò)類方法僅預(yù)測了一個(gè)功率波動(dòng)時(shí)刻，反觀本文所提方法，精準(zhǔn)的預(yù)測了3 個(gè)設(shè)備運(yùn)行功率有較大波動(dòng)的時(shí)刻，對于設(shè)備功率值也相對更為接近，對于各類細(xì)節(jié)把握也比上述方法更為精準(zhǔn)，如在小功率運(yùn)行時(shí)刻，較為精細(xì)的預(yù)測了洗衣機(jī)運(yùn)行的功率值，其他方法預(yù)測的結(jié)果較為粗糙，同時(shí)也不存在較大的誤判情況，評價(jià)指標(biāo)對比見表3。

表3 洗衣機(jī)跨家庭負(fù)荷分解評價(jià)指標(biāo)對比

圖6 CNN 洗衣機(jī)跨家庭負(fù)荷分解結(jié)果

圖7 DANN 洗衣機(jī)跨家庭負(fù)荷分解結(jié)果

5.4.2 跨設(shè)備負(fù)荷分解結(jié)果對比

圖8 展示了源域水壺與目標(biāo)域微波爐的負(fù)荷分解結(jié)果，表4 為評價(jià)指標(biāo)對比。分別利用運(yùn)行特點(diǎn)最為復(fù)雜的洗衣機(jī)和利用運(yùn)行特點(diǎn)最為簡單的水壺作為源域數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其他用電設(shè)備作為目標(biāo)域數(shù)據(jù)，發(fā)現(xiàn)所有利用洗衣機(jī)作為源域數(shù)據(jù)進(jìn)行訓(xùn)練的方法來分解其他設(shè)備負(fù)荷時(shí)效果非常差，相反利用水壺作為源域數(shù)據(jù)時(shí)，所有方法對設(shè)備的啟停能夠較好預(yù)測，但對于功率值的預(yù)測不是很準(zhǔn)確；同時(shí)發(fā)現(xiàn)，利用水壺作為訓(xùn)練數(shù)據(jù)時(shí)，能夠較好的完成微波爐的負(fù)荷分解效果，其中RNN方法效果最好，本文所提方法表現(xiàn)較好。該跨設(shè)備測試效果較好的可能原因是兩者工作運(yùn)行的模式比較接近，都是短時(shí)運(yùn)行大功率與性能，功率值兩者也比較接近。如何利用RNN 作為特征提取器，實(shí)現(xiàn)域適應(yīng)學(xué)習(xí)，改善跨設(shè)備負(fù)荷分解效果，這也將是接下來的研究重點(diǎn)。

表4 微波爐跨家庭實(shí)驗(yàn)評價(jià)指標(biāo)對比

圖8 DANN 微波爐跨設(shè)備實(shí)驗(yàn)結(jié)果

6 結(jié)語

本文將遷移學(xué)習(xí)中的域適應(yīng)學(xué)習(xí)方法引入非侵入式負(fù)荷分解問題，用以解決目前模型普遍存在的泛化能力不足問題以及適應(yīng)未來無標(biāo)簽任務(wù)的需求，提出一種域適應(yīng)負(fù)荷分解模型，該方法利用源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)共同訓(xùn)練網(wǎng)絡(luò)，使得特征提取網(wǎng)絡(luò)所獲得的的特征更具有代表性，考慮到不同家庭之間的用電行為差異，用于非侵入式負(fù)荷分解模型的網(wǎng)路必須擁有更好的網(wǎng)絡(luò)泛化能力，所提方法從多個(gè)角度出發(fā)設(shè)計(jì)了驗(yàn)證試驗(yàn)。綜合考量本文所提方法的性能，其在跨家庭同種設(shè)備負(fù)荷分解任務(wù)中，對于簡單運(yùn)行特征的設(shè)備，本文所提方法相較于其他未利用源域與目標(biāo)域數(shù)據(jù)混合訓(xùn)練的方法而言，有著對設(shè)備運(yùn)行功率值負(fù)荷分解精度較高的優(yōu)勢；對于有著復(fù)雜運(yùn)行特點(diǎn)的設(shè)備，本文所提方法更能獲取源域與目標(biāo)域數(shù)據(jù)的共同特征。所以在不同家庭之間同種設(shè)備的負(fù)荷分解精度相較于其他未利用目標(biāo)域數(shù)據(jù)的方法而言，對于設(shè)備的運(yùn)行特征（開啟或關(guān)閉）把握的更好，對于設(shè)備運(yùn)行功率值的預(yù)測有一定的提升。