亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于域適應(yīng)學(xué)習(xí)的非侵入式負(fù)荷分解問題研究

        2021-09-03 14:15:58蘇海軍侯坤福高敬更王治國
        甘肅科技 2021年14期
        關(guān)鍵詞:預(yù)測器源域分類器

        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。

        猜你喜歡
        預(yù)測器源域分類器
        多源域適應(yīng)方法綜述
        輸入延遲系統(tǒng)的切換偽預(yù)測鎮(zhèn)定控制器
        基于參數(shù)字典的多源域自適應(yīng)學(xué)習(xí)算法
        一種改進(jìn)型TAGE分支預(yù)測器的實(shí)現(xiàn)
        BP-GA光照分類器在車道線識別中的應(yīng)用
        電子測試(2018年1期)2018-04-18 11:52:35
        加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
        結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器
        可遷移測度準(zhǔn)則下的協(xié)變量偏移修正多源集成方法
        基于LLE降維和BP_Adaboost分類器的GIS局部放電模式識別
        商務(wù)英語學(xué)習(xí)過程中的“預(yù)測器”
        甘肅教育(2012年24期)2012-04-29 00:44:03
        日本视频在线观看二区| 亚洲国产天堂av成人在线播放 | 日本高清不卡一区二区三区| 中文字幕文字幕一区二区 | 亚洲午夜精品一区二区麻豆av | 在线欧美精品二区三区| 亚洲欧美成人在线免费| 丰满人妻被猛烈进入中文字幕护士| 全亚洲最大的私人影剧院在线看| 尤物在线观看一区蜜桃| 99国产精品自在自在久久| 亚洲精品无码久久久久av麻豆| 欧美伊人网| 粉嫩国产白浆在线播放| 久久婷婷国产色一区二区三区| 少妇一区二区三区久久| 日本真人做爰免费视频120秒| 国产99久久精品一区二区| 制服丝袜天堂国产日韩| 中文字幕日本韩国精品免费观看| 中文字幕亚洲精品专区| 亚洲精品无码永久中文字幕| 色妞ww精品视频7777| 国内揄拍国内精品| 久久99久久99精品免视看国产成人| 蜜桃国产精品视频网站| 久青草影院在线观看国产| 国产中文字幕乱人伦在线观看| 欧美色五月| 亚洲黄色大片在线观看| 国产在线观看自拍av| 亚洲精品v欧洲精品v日韩精品| 精品人人妻人人澡人人爽牛牛| 91福利国产在线观一区二区| 亚洲av色香蕉第一区二区三区| 二区免费在线视频观看| 97久久精品人妻人人搡人人玩| 五十路熟妇高熟无码视频| 久久久AV无码精品免费| 在线精品亚洲一区二区三区| 色欲色香天天天综合网www|