基于時(shí)間卷積神經(jīng)網(wǎng)絡(luò)的非侵入式居民用電負(fù)荷分解方法

劉仲民，侯坤福，高敬更，王治國(guó)

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

0 引 言

非侵入式負(fù)荷監(jiān)測(cè)技術(shù)(non-intrusive load monitoring，NILM)也稱為負(fù)荷分解(load disaggregation)，可將用戶總負(fù)荷信息分解為各用電設(shè)備信息[1]。通過分析用電設(shè)備能耗情況與用戶用電規(guī)律等用電信息，可為用戶提供用能狀況分析、用能方案優(yōu)化等多種服務(wù)，從而實(shí)現(xiàn)用戶內(nèi)部用能行為的間接管理，對(duì)提高用能效率、節(jié)省電能資源具有重要的意義[2]。此外，利用非侵入式負(fù)荷分解技術(shù)得到的用戶用電信息對(duì)于精細(xì)配電工作[3]、分時(shí)電價(jià)服務(wù)[4]、異常用電行為監(jiān)測(cè)[5]等任務(wù)具有一定的數(shù)據(jù)參考價(jià)值。

非侵入式負(fù)荷分解由G. W. Hart教授在20世紀(jì)80年代提出[6]。主流方法是利用隱馬爾可夫模型進(jìn)行研究[7-9]，該類方法包括模型學(xué)習(xí)和解碼2個(gè)階段，在學(xué)習(xí)階段根據(jù)訓(xùn)練數(shù)據(jù)估計(jì)模型參數(shù)，使得在該模型下觀測(cè)序列概率最大；解碼階段根據(jù)已估計(jì)得到的模型及輸入的觀測(cè)序列，求取給定觀測(cè)序列條件概率最大的狀態(tài)序列。由于設(shè)備數(shù)量及各設(shè)備狀態(tài)數(shù)目的不斷增加，模型所須處理的狀態(tài)數(shù)量及運(yùn)算量呈指數(shù)級(jí)增加，因此模型計(jì)算復(fù)雜度大大增加[10]。近年的研究表明，非侵入式負(fù)荷分解問題又可以看做是單通道盲源分離問題，為此英國(guó)學(xué)者Kelly在2015年首次將神經(jīng)網(wǎng)絡(luò)模型用于解決非侵入式負(fù)荷分解問題[11]。該模型將輸入序列(主表功率序列)通過神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性映射學(xué)習(xí)能力映射到輸出序列(設(shè)備功率序列)，取得了較高的負(fù)荷分解精度。相比隱馬爾可夫模型，神經(jīng)網(wǎng)絡(luò)模型計(jì)算更為簡(jiǎn)單，但模型訓(xùn)練效率較低，并且輸出序列中的元素被多次預(yù)測(cè)，邊緣將被平滑，也一定程度上影響了分解精度。文獻(xiàn)[12]在前人的工作基礎(chǔ)上，提出了序列到點(diǎn)(sequence-to-point，Seq2point)的學(xué)習(xí)方式，該方法利用了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)輸入序列和輸出點(diǎn)的映射關(guān)系，雖然一定程度上提高了分解精度，但仍存在網(wǎng)絡(luò)模型訓(xùn)練效率低、分解精度不夠的問題。

基于上述分析，本文提出一種基于Seq2point的改進(jìn)非侵入式負(fù)荷分解方法。首先，利用Nilmtk工具包對(duì)公開數(shù)據(jù)集進(jìn)行預(yù)處理，并利用滑動(dòng)窗口方法(窗口長(zhǎng)度由對(duì)比實(shí)驗(yàn)對(duì)比得出)生成訓(xùn)練數(shù)據(jù)，采用零均值歸一化完成訓(xùn)練數(shù)據(jù)歸一化。然后，考慮卷積運(yùn)算并行處理數(shù)據(jù)更高效的優(yōu)勢(shì)[13]，針對(duì)用電設(shè)備的運(yùn)行特點(diǎn)，采用時(shí)間卷積神經(jīng)網(wǎng)絡(luò)(temporal convolutional neural network，TCN)架構(gòu)[14]搭建網(wǎng)絡(luò)。不同于普通卷積的Seq2point方法，帶膨脹系數(shù)的因果卷積可以擴(kuò)大卷積核感受野，可提取更為豐富的特征；同時(shí)引入權(quán)重歸一化技術(shù)進(jìn)一步提升網(wǎng)絡(luò)訓(xùn)練效率。最后，將生成的訓(xùn)練數(shù)據(jù)用于訓(xùn)練改進(jìn)后的人工神經(jīng)網(wǎng)絡(luò)得到負(fù)荷分解模型。實(shí)驗(yàn)結(jié)果表明，本文提出的非侵入式負(fù)荷分解方法在提高負(fù)荷分解精度的同時(shí)，能進(jìn)一步減少網(wǎng)絡(luò)訓(xùn)練的時(shí)間。

1 非侵入式負(fù)荷分解模型

1.1 非侵入式負(fù)荷分解定義

負(fù)荷分解是指從入戶智能電表信息恢復(fù)出單個(gè)用電設(shè)備功率信息的過程。一般情況下，可以通過智能電表獲得用戶一段時(shí)間內(nèi)總的用電信息，如有功功率、視在功率等，但無(wú)法獲得單個(gè)用電設(shè)備的用電信息。設(shè)某住戶某段時(shí)間T內(nèi)的主表功率序列Y與單個(gè)用電設(shè)備用電序列Xe分別為：

Y=(y1,y2,y3,…,yt),t∈T

(1)

Xe=(xe1,xe2,xe3,…,xet),e∈N,t∈T

(2)

式中：yt為t時(shí)刻的主表功率值；xet為用電設(shè)備e在t時(shí)刻的功率值。

非侵入式負(fù)荷分解在算法層面構(gòu)建分解模型，從主表功率序列Y中分解出單個(gè)用電設(shè)備的功率序列Xe，目前主要的研究集中于提高負(fù)荷分解的精度和獲得較高的分解速率。

1.2 非侵入式負(fù)荷分解流程

基于時(shí)間卷積神經(jīng)網(wǎng)絡(luò)的非侵入式負(fù)荷分解流程如圖1所示。整個(gè)過程分為模型訓(xùn)練和調(diào)用模型進(jìn)行負(fù)荷分解。

圖1 基于時(shí)間卷積神經(jīng)網(wǎng)絡(luò)的負(fù)荷分解流程Fig.1 The process of NILM based on temporal convolutional neural network

在模型訓(xùn)練階段：首先利用公開數(shù)據(jù)集制作訓(xùn)練樣本，主表功率作為特征數(shù)據(jù)，用電設(shè)備功率作為標(biāo)簽，將處理完成的數(shù)據(jù)用于時(shí)間卷積神經(jīng)網(wǎng)絡(luò)的有監(jiān)督訓(xùn)練，并保存多次迭代訓(xùn)練后的模型。

在負(fù)荷分解階段：將待分解的主表功率序列經(jīng)數(shù)據(jù)處理后送入訓(xùn)練得到的模型并輸出預(yù)測(cè)值，經(jīng)反歸一化后得到最終的設(shè)備功率值。對(duì)于不同的用電設(shè)備，本文分別構(gòu)建神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，但神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)完全相同，不同之處在于用電設(shè)備間訓(xùn)練數(shù)據(jù)本身各不相同。

1.3 擴(kuò)張因果卷積

為提取更加豐富的特征，本文改進(jìn)了Seq2point特征提取器的設(shè)計(jì)，采用擴(kuò)張因果卷積構(gòu)建特征提取器，具有適應(yīng)時(shí)間序列預(yù)測(cè)規(guī)律及感受野更廣大的優(yōu)點(diǎn)。

Seq2point采用的普通卷積與本文所提擴(kuò)張因果卷積的感受野對(duì)比如圖2所示。從圖2可以看到，同樣卷積核大小為3時(shí)，普通卷積第3層的卷積提取的特征僅與輸入序列的7個(gè)時(shí)刻相關(guān)，且引入了未來時(shí)刻信息去預(yù)測(cè)當(dāng)前時(shí)刻信息，所能提取到的特征極為有限，且不符合時(shí)間序列預(yù)測(cè)規(guī)律，因此有必要對(duì)特征提取器進(jìn)行改進(jìn)。

圖2 普通卷積與擴(kuò)張因果卷積感受野對(duì)比Fig.2 Comparison of the receptive field between ordinary convolution and dilated causal convolution

擴(kuò)張因果卷積相對(duì)于普通卷積有兩點(diǎn)不同，由于這種不同才使得擴(kuò)張因果卷積在時(shí)間序列問題上表現(xiàn)更好。

首先，因果卷積t時(shí)刻的輸出只與t時(shí)刻以及前幾個(gè)時(shí)刻的輸入信息相關(guān)，嚴(yán)格遵守時(shí)間先后順序，這意味著在時(shí)間卷積神經(jīng)網(wǎng)絡(luò)中不會(huì)摻雜當(dāng)前時(shí)刻之后的任意信息，確保未來時(shí)刻信息不會(huì)向待預(yù)測(cè)的當(dāng)前時(shí)刻點(diǎn)泄露。已知主表功率序列為式(1)，則序列中任意時(shí)刻點(diǎn)t的因果卷積F(t)被定義為：

(3)

式中：f代表卷積核；k為卷積核尺寸；i代表卷積核中的元素；t為主表功率序列中的第t個(gè)時(shí)刻；Y[t-i]為與卷積核做運(yùn)算的主表功率值。

實(shí)際應(yīng)用中，當(dāng)前時(shí)刻用電設(shè)備的運(yùn)行狀態(tài)大致會(huì)跟前一個(gè)或幾個(gè)時(shí)刻的運(yùn)行狀態(tài)相關(guān)。以冰箱為例，冰箱運(yùn)行特性如圖3所示，冰箱的壓縮機(jī)在啟動(dòng)時(shí)會(huì)具有較大的沖擊電流，該時(shí)刻的功率會(huì)瞬間增加，然后是較為平穩(wěn)的運(yùn)行階段，在工作一段時(shí)間后，壓縮機(jī)停止運(yùn)行，一段時(shí)間后，壓縮機(jī)重新啟動(dòng)，再次產(chǎn)生沖擊點(diǎn)，設(shè)備周期運(yùn)行，具有典型的時(shí)間先后順序。利用因果卷積進(jìn)行特征提取時(shí)，會(huì)學(xué)習(xí)出這種先沖擊后平穩(wěn)再關(guān)閉的運(yùn)行特征，便于從主表功率中分解出設(shè)備的功率信息。

圖3 冰箱運(yùn)行特性Fig.3 Refrigerator operating characteristic

另一方面，因果卷積雖然能更好地對(duì)時(shí)間序列問題進(jìn)行建模，但該方式與普通卷積存在同樣的問題：所提取的特征僅考慮了鄰近前幾個(gè)時(shí)刻的信息，長(zhǎng)時(shí)運(yùn)行設(shè)備(如洗衣機(jī)具有2～3 h的運(yùn)行時(shí)間)在更久遠(yuǎn)時(shí)刻也具有特征信息，但限于感受野不足，故無(wú)法提取這類信息，影響分解精度。為改善感受野不足問題，在因果卷積中注入“空洞”，從而可以追溯到更久遠(yuǎn)時(shí)刻的功率信息。在Y處的擴(kuò)張因果卷積[15]被定義為：

(4)

式中：d是膨脹系數(shù)，通過向卷積核中注入“空洞”，可以與之前時(shí)刻的時(shí)序點(diǎn)做卷積操作。當(dāng)d=1時(shí)，膨脹卷積等效于普通因果卷積；當(dāng)d=2時(shí)，濾波器所能接受的輸入相較于普通因果卷積從1*3擴(kuò)大到1*5，同時(shí)對(duì)比普通卷積，第三卷積層提取到的特征點(diǎn)可以追溯至輸入序列的前14個(gè)時(shí)刻，對(duì)時(shí)間維度上的信息回溯更久遠(yuǎn)。因此，本文采用擴(kuò)張因果卷積對(duì)原有特征提取器進(jìn)行改進(jìn)。

1.4 權(quán)重歸一化技術(shù)

利用神經(jīng)網(wǎng)絡(luò)對(duì)非侵入式負(fù)荷分解建模時(shí)，需要訓(xùn)練的參數(shù)數(shù)量龐大，極其耗費(fèi)計(jì)算機(jī)資源，有必要引入一系列的優(yōu)化手段加速網(wǎng)絡(luò)訓(xùn)練。

利用歸一化技術(shù)重寫神經(jīng)網(wǎng)絡(luò)中的參數(shù)可使模型目標(biāo)損失函數(shù)更加平滑，加速隨機(jī)梯度下降優(yōu)化算法的收斂過程，因而能提升網(wǎng)絡(luò)訓(xùn)練效率[16]。權(quán)重歸一化技術(shù)是一種重寫權(quán)重向量w的參數(shù)重寫方法。

標(biāo)準(zhǔn)神經(jīng)元中的計(jì)算為：

y=φ(w·x+b)

(5)

式中：w為k維權(quán)重向量；b為標(biāo)量偏差項(xiàng)；x為輸入特征的k維向量；φ(·)表示非線性激活函數(shù)；y表示神經(jīng)元的標(biāo)量輸出。在將損失函數(shù)與一個(gè)或多個(gè)神經(jīng)元輸出相關(guān)聯(lián)之后，通常通過隨機(jī)梯度下降，在每個(gè)神經(jīng)元的參數(shù)w、b中訓(xùn)練神經(jīng)網(wǎng)絡(luò)。為了加快此優(yōu)化過程的收斂速度，利用參數(shù)向量v和標(biāo)量參數(shù)g重新參數(shù)化每個(gè)權(quán)重向量w，則有：

(6)

根據(jù)新參數(shù)表示權(quán)重向量，其中v是k維向量，g是標(biāo)量且‖w‖=g，‖v‖表示v的歐幾里得范數(shù)。

將權(quán)重向量w重新參數(shù)化以后，梯度下降將更新v與g，不再是w，該推導(dǎo)過程及原理限于篇幅不再贅述，具體可參考文獻(xiàn)[16]。

1.5 網(wǎng)絡(luò)構(gòu)建

文獻(xiàn)[14]中所提結(jié)構(gòu)為通用時(shí)間序列問題建模模型，通用模型中，時(shí)間卷積神經(jīng)網(wǎng)絡(luò)輸入層采用一維全卷積，采用雙層擴(kuò)張因果卷積組成一個(gè)殘差塊，卷積層之間添加權(quán)重歸一化層、Dropout層[17]。殘差塊作為基本單元用于搭建時(shí)間卷積神經(jīng)網(wǎng)絡(luò)，為了防止訓(xùn)練中梯度消失，在殘差塊之間引入跳層連接[18]。

經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)通用結(jié)構(gòu)用于負(fù)荷分解時(shí)，模型較為復(fù)雜，耗費(fèi)計(jì)算資源，且分解效果不佳，因此本文簡(jiǎn)化通用結(jié)構(gòu)，通過大量測(cè)試，設(shè)計(jì)了適于非侵入式負(fù)荷分解任務(wù)的簡(jiǎn)化時(shí)間卷積神經(jīng)網(wǎng)絡(luò)。

首先采用擴(kuò)張因果卷積為基本層構(gòu)建特征提取器提取主表功率序列特征，在每層卷積層之間引入權(quán)重歸一化層，保留Dropout層，同時(shí)在網(wǎng)絡(luò)中引入殘差連接，然后采用全連接神經(jīng)網(wǎng)絡(luò)完成用電設(shè)備功率的預(yù)測(cè)。圖4給出了本文所提簡(jiǎn)化時(shí)間卷積神經(jīng)網(wǎng)絡(luò)的具體結(jié)構(gòu)及參數(shù)。

2 數(shù)據(jù)獲取及處理

2.1 數(shù)據(jù)集

數(shù)據(jù)集采用英國(guó)能源研究中心(UK Energy Research Center, UKERC)2015年公開發(fā)布的UKdale數(shù)據(jù)集[19]。UKdale數(shù)據(jù)集記錄了從2012年11月到2015年1月中5個(gè)家庭的用電數(shù)據(jù)。數(shù)據(jù)集包含了10多種類型的電器，每6 s采集一次用電數(shù)據(jù)。家用電器種類繁多，為了驗(yàn)證模型對(duì)于不同運(yùn)行特性電器設(shè)備的有效性，在本文設(shè)計(jì)的實(shí)驗(yàn)中，選取水壺、電視機(jī)、冰箱、洗碗機(jī)和洗衣機(jī)這5類設(shè)備。這是因?yàn)椋罕涞倪\(yùn)行特征具有周期性特點(diǎn)；相比冰箱，洗衣機(jī)、洗碗機(jī)的工作模式更為豐富，運(yùn)行特征較為復(fù)雜；水壺運(yùn)行功率大、時(shí)間周期短；電視機(jī)功率小，單次運(yùn)行時(shí)間較長(zhǎng)。表1為算例分析所用設(shè)備及其具體采樣時(shí)間段。

2.2 數(shù)據(jù)預(yù)處理及生成

數(shù)據(jù)預(yù)處理過程分為實(shí)驗(yàn)數(shù)據(jù)提取和處理缺失值。利用Nilmtk工具包[20]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)間段并重新采樣，如果部分時(shí)間段數(shù)據(jù)缺失，將被刪除。為進(jìn)一步提高模型訓(xùn)練效率，本文利用滑動(dòng)窗口的方法擴(kuò)充數(shù)據(jù)，制定相對(duì)應(yīng)的主表功率序列以及用電設(shè)備功率標(biāo)簽。滑動(dòng)窗口在給定的樣本數(shù)據(jù)上進(jìn)行步長(zhǎng)為1的滑動(dòng)，每一次滑動(dòng)窗口將會(huì)產(chǎn)生一組數(shù)據(jù)。

圖4 時(shí)間卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Structure of temporal convolutional neural network

表1 數(shù)據(jù)分配表Table 1 Data configuration

本文重點(diǎn)關(guān)注了窗口長(zhǎng)度對(duì)模型訓(xùn)練及負(fù)荷分解精度的影響，通過大量實(shí)驗(yàn)發(fā)現(xiàn)，較大和較小的窗口會(huì)影響負(fù)荷分解效果與模型訓(xùn)練效率。文獻(xiàn)[12]所提的Seq2point方法全設(shè)備采用了窗口長(zhǎng)度為599的設(shè)定，本文方法依據(jù)大量實(shí)驗(yàn)結(jié)果擇優(yōu)重新設(shè)定滑動(dòng)窗口的長(zhǎng)度，選取每種設(shè)備的平均絕對(duì)誤差(mean absolute error，MAE)Mmae值最小的窗口長(zhǎng)度用于生成數(shù)據(jù)(如洗碗機(jī)窗口長(zhǎng)度為99)，從而保證在不影響分解精度的情況下，進(jìn)一步減少模型訓(xùn)練時(shí)間。表2展示了各類設(shè)備20次迭代訓(xùn)練中不同窗口長(zhǎng)度Seq2point方法的訓(xùn)練時(shí)間及Mmae指標(biāo)。

表2 不同窗口長(zhǎng)度實(shí)驗(yàn)結(jié)果對(duì)比Table 2 Experimental results of different window lengths

圖5展示了滑動(dòng)窗口的工作過程。數(shù)據(jù)完全生成后利用零均值歸一化方式對(duì)數(shù)據(jù)做歸一化處理，便于神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練。計(jì)算方法為：

(7)

(8)

式中：T1、T2分別為歸一化后的主表功率和用電設(shè)備功率；Mdata為主表原始數(shù)據(jù)；Mmean為主表功率序列的均值；Mstd為主表功率序列的標(biāo)準(zhǔn)差；Adata為用電設(shè)備原始數(shù)據(jù)；Amean為用電設(shè)備功率的均值；Astd為用電設(shè)備序列和功率的標(biāo)準(zhǔn)差。

3 實(shí)例分析

3.1 實(shí)驗(yàn)環(huán)境

本文硬件環(huán)境為Intel(R)CoreTM i7-7700CPU@3.6 GHz，16 GB DDR4內(nèi)存及GeForce GTX 1070(8 GB顯存)的64位計(jì)算機(jī)。軟件平臺(tái)為WINDOWS-10專業(yè)版操作系統(tǒng)，Python 3.6.2(64位)及TensorFlow1.8.0深度學(xué)習(xí)框架。在訓(xùn)練深度學(xué)習(xí)模型時(shí)使用TensorFlow的GPU版本，利用GPU進(jìn)行硬件加速。

圖5 滑動(dòng)窗口數(shù)據(jù)擴(kuò)充示意圖Fig.5 Schematic diagram of sliding window for data augmentation

3.2 實(shí)驗(yàn)設(shè)計(jì)

為了驗(yàn)證本文方法的效果，與基于循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)方法、降噪自編碼器(denoising autoencoder，DAE)方法以及Seq2point方法進(jìn)行對(duì)比；實(shí)驗(yàn)中所提模型均按照原論文作者所提結(jié)構(gòu)搭建，包括輸入序列長(zhǎng)度、卷積核個(gè)數(shù)及卷積核大小、卷積層數(shù)等。為了客觀對(duì)比各類算法的性能，采取了多類設(shè)備進(jìn)行算法性能測(cè)試，包含驗(yàn)證模型的分解性能、模型的泛化性能、模型的訓(xùn)練耗時(shí)。

3.3 評(píng)價(jià)指標(biāo)

本文所使用的評(píng)價(jià)指標(biāo)包括：F1分?jǐn)?shù)(F1 score)FScore、均方根誤差(root mean square error，RMSE)Mrmse、Mmae和總能量相關(guān)誤差(relative error，RE)Mre，具體計(jì)算方法為：

(9)

(10)

(11)

(12)

(13)

(14)

Mmae可以驗(yàn)證所提方法得出的分解預(yù)測(cè)值跟實(shí)際設(shè)備運(yùn)行值的差距；Mrmse與Mmae相似，但對(duì)異常的預(yù)測(cè)值更為敏感，當(dāng)出現(xiàn)某個(gè)時(shí)刻分解預(yù)測(cè)值與實(shí)際運(yùn)行值相差較大時(shí)，Mrmse的值會(huì)更大；FScore更加側(cè)重于評(píng)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；Mre用于評(píng)價(jià)該段時(shí)間內(nèi)預(yù)測(cè)誤差占預(yù)測(cè)總能量的比值。

3.4 分解效果對(duì)比

圖6為利用1號(hào)家庭的3個(gè)月用電數(shù)據(jù)進(jìn)行訓(xùn)練，并且在1號(hào)家庭中進(jìn)行測(cè)試所得結(jié)果。

從圖6中可以看出，本文所提基于時(shí)間卷積神經(jīng)網(wǎng)絡(luò)負(fù)荷分解方法相比其他方法更加接近冰箱實(shí)際的運(yùn)行效果，雖然在部分時(shí)間采樣點(diǎn)有一定的偏差，但是相較于其他方法，本文所提方法在整體上較好地預(yù)測(cè)了電器運(yùn)行的規(guī)律及趨勢(shì)。1號(hào)家庭冰箱負(fù)荷分解評(píng)價(jià)指標(biāo)對(duì)比見表3。由表3可以看出，本文所提TCN方法的Mmae、Mrmse及Mre都處于較小的范圍，誤差值大小反映了通過算法分解得到的設(shè)備功率值與真實(shí)功率值之間的差距。洗衣機(jī)、洗碗機(jī)、電視機(jī)與水壺的負(fù)荷實(shí)驗(yàn)結(jié)果及評(píng)價(jià)指標(biāo)對(duì)比見附錄A。

表3 1號(hào)家庭冰箱負(fù)荷分解評(píng)價(jià)指標(biāo)對(duì)比Table 3 Comparison of evaluation indices of refrigerator load monitoring in household 1

3.5 模型泛化性能對(duì)比

圖7為利用2、4、5號(hào)家庭的數(shù)據(jù)訓(xùn)練并且在1號(hào)家庭中測(cè)試冰箱設(shè)備所得結(jié)果，表4為模型泛化能力測(cè)試的評(píng)價(jià)指標(biāo)對(duì)比。對(duì)比圖7和表4，所有分解模型負(fù)荷分解精度均有所下降，但本文所提方法仍然較好地預(yù)測(cè)了功率變化的趨勢(shì)，但是由于每個(gè)家庭之間的冰箱運(yùn)行耗能情況存在差異，因此對(duì)于整個(gè)設(shè)備的具體功率預(yù)測(cè)存在一定偏差，屬于可以接受的范圍。

圖6 家庭1冰箱負(fù)荷分解實(shí)驗(yàn)結(jié)果對(duì)比Fig.6 Comparison of experimental results of refrigerator load monitoring in household 1

圖7 跨家庭模型泛化能力實(shí)驗(yàn)結(jié)果對(duì)比Fig.7 Comparison of experimental results of generalization ability of models across households

表4 跨家庭冰箱負(fù)荷分解評(píng)價(jià)指標(biāo)對(duì)比Table 4 Comparison of evaluation indices of refrigerator load monitoring across households

3.6 時(shí)間復(fù)雜度分析

模型的訓(xùn)練將會(huì)極大地消耗計(jì)算資源，出于環(huán)保角度和運(yùn)行效率的考慮，有必要對(duì)模型訓(xùn)練的時(shí)間進(jìn)行分析。表5給出了利用家庭1中3個(gè)月訓(xùn)練數(shù)據(jù)的訓(xùn)練時(shí)間。從表5可以看出，同等訓(xùn)練迭代次數(shù)情況下，本文所提方法在不損失負(fù)荷分解精度情況下，相比RNN方法訓(xùn)練消耗的時(shí)間減少50%，這是因?yàn)镽NN方法采用的循環(huán)神經(jīng)網(wǎng)絡(luò)在處理時(shí)序問題時(shí)需要嚴(yán)格控制時(shí)序，嚴(yán)重影響訓(xùn)練效率，而卷積神經(jīng)網(wǎng)絡(luò)可以并行處理時(shí)間序列，可提高訓(xùn)練效率；相比于DAE方法，TCN模型訓(xùn)練時(shí)間并不占優(yōu)，這是由于DAE方法模型更為簡(jiǎn)單，但TCN方法分解效果更好；相比Seq2point方法，TCN訓(xùn)練時(shí)間減少59.5%，這是因?yàn)樵诰W(wǎng)絡(luò)設(shè)計(jì)中引入了權(quán)重歸一化技術(shù)對(duì)網(wǎng)絡(luò)訓(xùn)練加速，同時(shí)本文采用了最優(yōu)窗口長(zhǎng)度的滑動(dòng)窗口方法生成訓(xùn)練數(shù)據(jù)，相比Seq2point方法計(jì)算量大幅下降，從而提高了模型訓(xùn)練效率。

表5 訓(xùn)練時(shí)間(利用家庭1中3個(gè)月訓(xùn)練數(shù)據(jù))Table 5 Comparison of training time (3 months training data from household 1)

4 結(jié) 論

1)針對(duì)現(xiàn)有模型分解精度不高的問題，本文采用擴(kuò)張因果卷積構(gòu)建特征提取器，通過向卷積核注入“空洞”擴(kuò)大了單個(gè)卷積核的感受野，由于因果卷積不會(huì)夾雜未來時(shí)刻信息去預(yù)測(cè)未來，而普通卷積會(huì)引入未來信息預(yù)測(cè)未來時(shí)刻，不符合預(yù)測(cè)的實(shí)際認(rèn)知，因此因果卷積比普通卷積更符合時(shí)間序列問題，能提取更加豐富的特征，提高負(fù)荷分解精度。

2)針對(duì)現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練耗時(shí)較長(zhǎng)的缺陷，本文提出以下兩點(diǎn)改進(jìn)措施：

(1)將權(quán)重歸一化技術(shù)應(yīng)用于優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，使得目標(biāo)損失函數(shù)更加平滑，加速了網(wǎng)絡(luò)訓(xùn)練的收斂過程，從而提高了模型的訓(xùn)練效率。該加速技術(shù)可作為基準(zhǔn)方法推廣于其他基于神經(jīng)網(wǎng)絡(luò)模型的非侵入式負(fù)荷分解方法。

(2)經(jīng)過大量的窗口長(zhǎng)度對(duì)比實(shí)驗(yàn)，重新設(shè)置窗口序列長(zhǎng)度，不同設(shè)備采用了最優(yōu)的窗口長(zhǎng)度生成訓(xùn)練數(shù)據(jù)，在不損失負(fù)荷分解精度的情況下，極大提高了模型的訓(xùn)練效率。

仿真實(shí)驗(yàn)表明：本文提出的模型在訓(xùn)練速度上比RNN模型提高了50%，比未改進(jìn)的Seq2point提高了59.5%，同時(shí)本文所提方法在評(píng)價(jià)指標(biāo)Mmae、Mrmse、Mre、Fscore方面也優(yōu)于其他方法。