摘要：本次研究提出一種以新型卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的監(jiān)測技術(shù)，結(jié)合非侵入式負載監(jiān)測的優(yōu)勢，采取實驗驗證的方式分析監(jiān)測方法的有效性。

關(guān)鍵詞：新型卷積神經(jīng)網(wǎng)絡(luò)；非侵入式負載監(jiān)測；對抗網(wǎng)絡(luò)

一、基于新型卷積神經(jīng)網(wǎng)絡(luò)的非侵入式負載監(jiān)測方法

（一）監(jiān)測模型

1.負載監(jiān)測問題的描述

在構(gòu)建監(jiān)測模型的過程中，首先要了解負載監(jiān)測的具體問題。在本次研究過程中，假設(shè)一個負載集群的總耗電量為 =（x1，…， xt），=（y1i，…， yti）和 =（u1，…，ut），分別屬于考慮范圍內(nèi)的第i個設(shè)備的功耗以及剩余設(shè)備的總功耗。

在公式中：Na代表的是設(shè)備數(shù)量，ε代表的是噪聲。

假設(shè)給定信號 ，非入侵式負載監(jiān)測的主要目的是讓正在運用的設(shè)備的功耗需求能以最快的速度恢復(fù)，具體的功耗序列為 。

在實際研究過程中，為保證最終研究結(jié)果的客觀性與合理性，在數(shù)據(jù)信息的選擇和運用方面，不考慮采樣時間之外的各類信息。并且，在保證采樣時間一致的基礎(chǔ)上，準(zhǔn)確預(yù)測負載消耗信號長度。同時，設(shè)備在實際運行過程中，功率的消耗序列呈現(xiàn)出復(fù)雜的特點，所以研究期間不對此方面進行輸入考慮。針對輸入聚合序列，在實際監(jiān)測過程中，可以在兩側(cè)位置對長度w的采樣時間進行適當(dāng)增加，具體的序列為xt=（xt-w，…， xt+s+w-1，），yti=（yti，…， yit+s-1，），代表的是第i個設(shè)備的輸出序列。在任務(wù)yti=f （x）執(zhí)行過程中，可以采取對卷積層直接堆疊的方式，同時加強對全連接層序列的構(gòu)建，規(guī)范建立神經(jīng)網(wǎng)絡(luò)模型。在整個模型中，預(yù)測序列可以用yti表示。

2.合理設(shè)計監(jiān)測模型

在設(shè)計監(jiān)測模型的過程中，所涵蓋的子網(wǎng)絡(luò)分別是fpow和fon。其中，代表的是第i個設(shè)備的開關(guān)狀態(tài)下的輔助序列。在預(yù)測開關(guān)狀態(tài)的過程中， 是主要的序列，可以看出，模型最終的輸出結(jié)果是：

在設(shè)計完成監(jiān)測模型后，要及時提取模型的尺度感知特征。此環(huán)節(jié)是監(jiān)測期間的重要一環(huán)，會對最終的研究結(jié)果產(chǎn)生直接影響。在此期間，可以充分利用原始網(wǎng)絡(luò)，以此為前提，對不同擴張率進行合理分析，明確各個分支的分布情況并適當(dāng)添加。同時借助簡單的門控機制，對子網(wǎng)絡(luò)的分支進行有效整合與連接，確?；貧w網(wǎng)絡(luò)只能對關(guān)鍵部分進行保留。

在提取尺度感知特征的過程中，在保證層數(shù)和參數(shù)相同的基礎(chǔ)上，如果擴張率增大，輸出節(jié)點所對應(yīng)的時間會發(fā)生改變，輸出時間會延長，所產(chǎn)生的影響也會進一步增大，因此擴張率的不同，在分支輸出和輸入的過程中，尺度元素能以直觀的方式反映出來。此外，如果擴張率不同，且處在比較大的狀態(tài)，輸入端的元素將會對更多輸出節(jié)點產(chǎn)生影響[3]。

門控機制在運行期間，可以將各個擴張率作為基礎(chǔ)，實現(xiàn)控制的獨立性。所以在時間存在差異，且尺度不一致的條件下，各個特征的組合率會提高，能夠?qū)⒏鱾€點連接在一起，最后生成的卷積層可以看成自我關(guān)注模塊的輸入。

針對自我關(guān)注模塊的輸出定義，具體為：z+γr。

其中，z代表的是映射輸入；γ代表的是初始化0，r代表的是特征圖。

在對模型進行實際訓(xùn)練的階段，可以達到對各個數(shù)據(jù)信息優(yōu)化與更新的目的。在模型運行期間，可以將布局之前和布局之后的信息作為基礎(chǔ)，對各類信息的關(guān)聯(lián)性進行合理分析，通過深入學(xué)習(xí)，找出其中有價值的信息。

（二）提升模型訓(xùn)練準(zhǔn)確度的方法

為保證模型準(zhǔn)確度能整體提高，在實際訓(xùn)練過程中，可以結(jié)合模型的具體情況，將對抗性損失適當(dāng)增加，保證監(jiān)測模型的性能可以達到最佳。在本次研究過程中，將一個對抗網(wǎng)絡(luò)添加到模型中，確保模型能夠部分訓(xùn)練成帶有梯度懲罰的模型。在原始模型中，具體地表述如下：

在上述公式中：pr代表的是數(shù)據(jù)的分布情況；pg代表的是產(chǎn)生的數(shù)據(jù)分布情況。

在研究過程中，主要應(yīng)用的模型是WGAN-GP模型。模型在應(yīng)用過程中，主要借助 Wasserstein距離對穩(wěn)定模型展開訓(xùn)練[4]。在模型中，梯度懲罰是D[5]。

二、基于新型卷積神經(jīng)網(wǎng)絡(luò)的非侵入式負載監(jiān)測結(jié)果分析

（一）實驗參數(shù)與方法

本次研究主要以兩個真實的數(shù)據(jù)集REDD和UKDALE作為基礎(chǔ)，對本次提出的模型的性能進行合理且科學(xué)的評價。其中，REDD的數(shù)據(jù)集來源于某地區(qū)六個家庭的測量數(shù)據(jù)，各個家庭在測量過程中，針對數(shù)據(jù)的采集，時間在23～28d之間。在電力消耗量記錄過程中，時間間隔為1s，在電器消耗量記錄過程中，時間間隔為3s。UKDALE的數(shù)據(jù)集涵蓋的是另一個地區(qū)5個家庭的測量數(shù)據(jù)，在記錄一次總消耗和電器消耗期間，間隔的時間為6秒。針對REDD的數(shù)據(jù)集中的家庭，1號家庭的監(jiān)測時間點在600天以上，其余的房屋監(jiān)測時間在39天到234天之間。本文在具體研究期間，主要以2號、3號、4號、5號、6號家庭的數(shù)據(jù)為基礎(chǔ)，對訓(xùn)練集進行合理創(chuàng)建，并對1號家庭的數(shù)據(jù)進行保留，將其作為測試集。家用電器包括微波爐、冰箱等。對于UKDALE的數(shù)據(jù)集，在研究期間，主要的訓(xùn)練家庭有1號家庭和5號家庭，同時將2號家庭作為測試集。為保證數(shù)據(jù)能夠?qū)崿F(xiàn)集成化和統(tǒng)一化，在具體研究過程中，將兩個數(shù)據(jù)集的功耗值除以612，此數(shù)據(jù)為REDD數(shù)據(jù)集中2號、3號、4號、5號房屋總功耗的標(biāo)準(zhǔn)差。

在實驗過程中，針對REDD的數(shù)據(jù)集，將步長設(shè)置為2，將微波爐的步長設(shè)置為4，將洗碗機的步長設(shè)置為8，將冰箱的步長設(shè)置為32，將洗衣機的步長設(shè)置為32，將UKDALE數(shù)據(jù)集的步長設(shè)置為32。若想保證卷積神經(jīng)網(wǎng)絡(luò)模型性能不發(fā)生變化，設(shè)置的步長需要具備合理性。一個步長為2的滾動采樣周期生成輸入樣本，最后產(chǎn)生最終輸出。在實驗過程中，為保證模型能夠?qū)崿F(xiàn)，本文給出一個簡單的對抗網(wǎng)絡(luò)，其中包含4個卷積層，每個卷積層包含的濾波器共有32個，隱藏節(jié)點一共有256個。REDD和UKDALE的每個時間對應(yīng)的分別是1h、2h。

（二）實驗結(jié)果分析

最終的實驗結(jié)果如表1、表2所示。從表中的各項指標(biāo)數(shù)據(jù)來看，本文所提出的模型在全部設(shè)備上，特別是UKDALE的數(shù)據(jù)集，提升比例較高，具體在10%左右。

結(jié)合圖1的對比情況來看，數(shù)據(jù)時間的跨度較大，在100h左右。并且從圖1中數(shù)據(jù)的變化情況可以看出，本文所構(gòu)建的模型，在功耗水平方面具有較強的精準(zhǔn)度，其間不會有太大的誤差產(chǎn)生。

在本次實驗過程中，通過對本文所構(gòu)建的模型和子任務(wù)網(wǎng)絡(luò)下的樣本分解結(jié)果對比了解，結(jié)果具有較強的精準(zhǔn)性。圖2、3所示為冰箱的對比。針對這一情況，主要在于通態(tài)增強，在捕捉冰箱通態(tài)功耗不足的過程中，精準(zhǔn)性也會隨之提升。

針對實驗結(jié)果的分析如下：

1.從實驗獲取的各項數(shù)據(jù)的變化情況來看，兩個子網(wǎng)絡(luò)分支末端能夠被激活，并且在可視化的樣板中，時間步長的數(shù)量為256個，其中含有通道50個。結(jié)合最終的結(jié)果了解，在不同的分支中，各個負載信號的上升、下降能快速反應(yīng)，并且特征圖的激活程度偏低。同時，通過對分類子網(wǎng)絡(luò)中的關(guān)注矩陣進行可視化，結(jié)合最終的數(shù)據(jù)結(jié)果來看，本文所構(gòu)建的模型，將重點放在一定時間范圍內(nèi)的邊的位置上，尤其是將重點放在上升的邊。

2.損失函數(shù)及誤差在損失函數(shù)和誤差方面，本文提出的模型在訓(xùn)練過程中的具體表現(xiàn)情況如圖4所示。其中，平均曲線為圖中的實線，圖中的虛線代表的是冰箱數(shù)據(jù)的曲線。從圖中的各項數(shù)據(jù)變化情況來看，在網(wǎng)絡(luò)迭代次數(shù)不斷增多的情況下，模型在各個電器上的訓(xùn)練損失函數(shù)會有所收斂，尤其是冰箱，損失函數(shù)的收斂始終處在穩(wěn)定狀態(tài)，而這一情況也充分表明，損失函數(shù)對神經(jīng)網(wǎng)絡(luò)的超參數(shù)優(yōu)化有較為顯著的效果，模型成參數(shù)能夠?qū)崿F(xiàn)自動化尋優(yōu)。并且，在迭代次數(shù)逐漸增多的情況下，絕對值和平均值的誤差會有下降的趨勢，各類指標(biāo)均有所提高，這表明，在模型的分解下，實際功率和分解獲取的功率值之間有一定差距，且這個差距與網(wǎng)絡(luò)迭代次數(shù)有緊密聯(lián)系。若網(wǎng)絡(luò)迭代次數(shù)變少，二者之間的差距會相應(yīng)縮短。由此能夠判斷出，本研究提出的基于新型卷積神經(jīng)網(wǎng)絡(luò)的非侵入式負載監(jiān)測模型效果良好，并且如果提取性能有所上升，負載識別率也會隨之上升，與之相對的，功率分解性能也會跟隨其提高。

三、結(jié)束語

綜上所述，通過對大規(guī)模負載能耗的分析了解，其具有較強的復(fù)雜性。因此，為保證非侵入式負載監(jiān)測精準(zhǔn)度的整體提高，本文提出一種基于新型卷積神經(jīng)網(wǎng)絡(luò)的非侵入式負載監(jiān)測方法。實驗證明，本文所提出的方法能夠讓設(shè)備功耗的估計精準(zhǔn)度提高，將誤差控制在合理范圍內(nèi)。同時，在研究過程中，本文采取增加對抗性損失、通態(tài)增強方式進行驗證，最終結(jié)果表明，本文提出的方法可以對用能設(shè)備進行高效且精準(zhǔn)的監(jiān)測，且監(jiān)測效果良好。相較于其他的監(jiān)測方式，本文提出的基于新型卷積神經(jīng)網(wǎng)絡(luò)的非侵入式負載監(jiān)測方法，可以讓負載的分解準(zhǔn)確度提高，也能讓監(jiān)測的精度增強。為了進一步強化本文所提方法的適用性，未來，還需加強對監(jiān)測方法的優(yōu)化與改進，以保證負載分解效果達到最佳狀態(tài)。

作者單位：肖卓凡 中國海洋大學(xué)信息科學(xué)與工程學(xué)部

參考文獻

[1]何苑儒，張金江，趙強.基于卷積注意力的非侵入式負荷辨識算法[J].水電能源科學(xué)，2024，42（01）：206-210.

[2]賈云翔，遲長春.基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的非侵入式負荷識別方法[J].上海電機學(xué)院學(xué)報，2023，26（05）：288-292+298.