本發(fā)明涉及負(fù)荷識(shí)別的，尤其是指一種基于特征自編碼與多任務(wù)學(xué)習(xí)的負(fù)荷識(shí)別方法。
背景技術(shù)：
1、在電網(wǎng)數(shù)字化、智能化改造的推動(dòng)下，負(fù)荷側(cè)資源價(jià)值挖掘逐漸受到電力行業(yè)的關(guān)注。負(fù)荷識(shí)別技術(shù)通過采集負(fù)荷運(yùn)行數(shù)據(jù)并從中識(shí)別單個(gè)負(fù)荷的類型信息，為節(jié)能策略與需求響應(yīng)提供依據(jù)。此外，更有人員探索負(fù)荷識(shí)別技術(shù)在機(jī)械健康狀態(tài)監(jiān)測(cè)、高火災(zāi)隱患設(shè)備監(jiān)控、老年人監(jiān)護(hù)等更為廣泛的應(yīng)用。
2、其中，負(fù)荷特征提取是從負(fù)荷運(yùn)行數(shù)據(jù)中提取出能夠直觀反映負(fù)荷電路結(jié)構(gòu)及工作狀態(tài)等信息的指標(biāo)體系。其是負(fù)荷識(shí)別的關(guān)鍵步驟，直接影響負(fù)荷識(shí)別的性能。現(xiàn)有技術(shù)已逐步應(yīng)用多元的特征提取方法，旨在強(qiáng)化特征的表征能力以獲取更好的識(shí)別性能，如公開號(hào)為cn114709926a的中國(guó)專利從負(fù)荷的穩(wěn)態(tài)及暫態(tài)波形中提取了功率、諧波等指標(biāo)用作特征；公開號(hào)為cn112560601a的中國(guó)專利從負(fù)荷的vi軌跡中提取了平均曲線中間段近零點(diǎn)的斜率、順或逆時(shí)針平均曲率等特征；公開號(hào)為cn119669941a的中國(guó)專利將瞬時(shí)功率、電流變化率、多周期電流有效值等信息嵌入vi軌跡中構(gòu)成彩色編碼vi軌跡圖像，用于負(fù)荷識(shí)別。然而，上述方法依賴手工涉及的特征提取規(guī)則，特征提取的過程中關(guān)鍵信息易受損壞，影響了識(shí)別模型的學(xué)習(xí)效率與識(shí)別能力。因此，如何高效、靈活地提取具有高表征能力的特征，成為值得重點(diǎn)關(guān)注的問題。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明的目的在于克服現(xiàn)有負(fù)荷識(shí)別技術(shù)提取的特征表征能力不足導(dǎo)致識(shí)別性能受限的問題，提供了一種基于特征自編碼與多任務(wù)學(xué)習(xí)的負(fù)荷識(shí)別方法，實(shí)現(xiàn)從負(fù)荷的電流數(shù)據(jù)中自動(dòng)提取特征，并引入數(shù)據(jù)重構(gòu)、度量學(xué)習(xí)任務(wù)強(qiáng)化特征的表征能力，提升識(shí)別的性能與可靠性。
2、為實(shí)現(xiàn)上述目的，本發(fā)明所提供的技術(shù)方案為：基于特征自編碼與多任務(wù)學(xué)習(xí)的負(fù)荷識(shí)別方法，包括以下步驟：
3、步驟s1、對(duì)多類負(fù)荷的高頻采樣電流數(shù)據(jù)進(jìn)行異常值剔除、缺失值補(bǔ)充及按電壓正向過零點(diǎn)分段，得到長(zhǎng)度及相位一致的單周波電流數(shù)據(jù)及其對(duì)應(yīng)的識(shí)別類型標(biāo)簽；
4、步驟s2、對(duì)步驟s1得到的單周波電流數(shù)據(jù)隨機(jī)添加噪聲，形成添加噪聲后的單周波電流數(shù)據(jù)，隨后基于添加噪聲后的單周波電流數(shù)據(jù)、步驟s1得到的單周波電流數(shù)據(jù)及其對(duì)應(yīng)的識(shí)別類型標(biāo)簽構(gòu)建負(fù)荷數(shù)據(jù)集；
5、步驟s3、構(gòu)建基于特征自編碼與多任務(wù)學(xué)習(xí)的負(fù)荷識(shí)別模型，該負(fù)荷識(shí)別模型包括特征自編碼模塊及兩個(gè)任務(wù)模塊：特征解碼模塊與特征識(shí)別模塊；其中，所述特征編碼模塊用于提取編碼特征；所述特征解碼模塊僅在訓(xùn)練過程中被使用，用于輔助模型更好地提取編碼特征；所述特征識(shí)別模塊用于實(shí)現(xiàn)最終的負(fù)荷識(shí)別；
6、步驟s4、基于步驟s2所述負(fù)荷數(shù)據(jù)集，對(duì)步驟s3構(gòu)建的負(fù)荷識(shí)別模型進(jìn)行訓(xùn)練；模型訓(xùn)練時(shí)，以添加噪聲后的單周波電流數(shù)據(jù)輸入至特征自編碼模塊得到編碼特征，隨后將編碼特征分別輸入至兩個(gè)任務(wù)模塊，特征解碼模塊輸出還原后的負(fù)荷電流數(shù)據(jù)，計(jì)算重構(gòu)任務(wù)損失l1，特征識(shí)別模塊輸出負(fù)荷的識(shí)別類型，計(jì)算識(shí)別任務(wù)損失l2，對(duì)編碼特征計(jì)算度量學(xué)習(xí)損失l3，分別為l1、l2、l3設(shè)置可學(xué)習(xí)的權(quán)重w1、w2、w3，w1、w2、w3隨訓(xùn)練過程自動(dòng)調(diào)整，將l1、l2、l3乘以w1、w2、w3并相加，同時(shí)添加正則項(xiàng)防止w1、w2、w3小于閾值，得到多任務(wù)損失ltotal指導(dǎo)模型優(yōu)化，訓(xùn)練完成后得到訓(xùn)練好的負(fù)荷識(shí)別模型；
7、步驟s5、將待識(shí)別的負(fù)荷電流數(shù)據(jù)輸入訓(xùn)練好的負(fù)荷識(shí)別模型，由該負(fù)荷識(shí)別模型的特征自編碼模塊得到編碼特征，再將編碼特征輸入至特征識(shí)別模塊，得到最終的識(shí)別類型。
8、進(jìn)一步，在步驟s1，所述高頻采樣電流數(shù)據(jù)為采樣頻率為1khz以上的負(fù)荷電流數(shù)據(jù)；所述電壓正向過零點(diǎn)是指擁有以下特征的電流數(shù)據(jù)采樣點(diǎn)，該電流數(shù)據(jù)采樣點(diǎn)對(duì)應(yīng)時(shí)刻的電壓采樣值大于或等于0，而上一電流數(shù)據(jù)采樣點(diǎn)對(duì)應(yīng)時(shí)刻的電壓采樣值小于0。
9、進(jìn)一步，在步驟s2，所述添加噪聲后的單周波電流數(shù)據(jù)的構(gòu)建過程為：按照指定概率隨機(jī)選擇高斯白噪聲及脈沖噪聲添加至步驟s1得到的單周波電流數(shù)據(jù)中；
10、其中，添加高斯白噪聲的步驟為：
11、計(jì)算單周波電流數(shù)據(jù)的信號(hào)功率psignal，隨后給定目標(biāo)信噪比βsnr，計(jì)算噪聲功率pnoise：
12、
13、式中，x[n]為單周波電流數(shù)據(jù)x的第n個(gè)采樣值，nl為單周波電流數(shù)據(jù)采樣值；
14、從零均值、單位方差的正態(tài)分布中采樣得到噪聲序列，并按噪聲功率縮放，獲得目標(biāo)噪聲功率的噪聲序列：
15、g[n]～normal(0,1)
16、
17、式中，normal(·)表示正態(tài)分布，g[n]為縮放前噪聲序列g(shù)的第n個(gè)采樣值；ξgwn[n]為目標(biāo)噪聲功率的高斯白噪聲序列ξgwn的第n個(gè)采樣值；
18、將目標(biāo)噪聲功率的高斯白噪聲序列疊加至單周波電流數(shù)據(jù)中，獲得添加了高斯白噪聲的單周波電流數(shù)據(jù)：
19、xgwn[n]＝x[n]+ξgwn[n]
20、式中，xgwn[n]為添加了高斯白噪聲的單周波電流數(shù)據(jù)xgwn的第n個(gè)采樣值；
21、添加脈沖噪聲的步驟為：
22、給定脈沖噪聲出現(xiàn)概率pt，對(duì)單周波電流數(shù)據(jù)的每個(gè)采樣點(diǎn)生成伯努利隨機(jī)變量與拉德馬赫隨機(jī)變量：
23、m[n]～bernoulli(pt)
24、
25、式中，bernoulli(·)表示伯努利分布，pr(·)表示內(nèi)部表達(dá)式為真的概率，m[n]表示伯努利隨機(jī)變量序列m的第n個(gè)采樣值，值為1表示相應(yīng)電流數(shù)據(jù)采樣點(diǎn)出現(xiàn)脈沖噪聲，值為0表示相應(yīng)電流數(shù)據(jù)采樣點(diǎn)未出現(xiàn)脈沖噪聲，r[n]表示拉德馬赫隨機(jī)變量序列r的第n個(gè)采樣值，值為1表示相應(yīng)電流數(shù)據(jù)采樣點(diǎn)脈沖為正，值為0表示相應(yīng)電流數(shù)據(jù)采樣點(diǎn)脈沖為負(fù)；
26、構(gòu)造脈沖噪聲序列，并按設(shè)定的噪聲幅值a縮放：
27、ξimp[n]＝a×m[n]×r[n]
28、式中，ξimp[n]為脈沖噪聲序列ξimp的第n個(gè)采樣值；
29、將脈沖噪聲序列疊加至單周波電流數(shù)據(jù)中，獲得添加了脈沖噪聲的單周波電流數(shù)據(jù)：
30、ximp[n]＝x[n]+ξimp[n]
31、式中，ximp[n]為添加了脈沖噪聲的單周波電流數(shù)據(jù)ximp的第n個(gè)采樣值。
32、進(jìn)一步，在步驟s3，所述特征自編碼模塊包含一維卷積層、lstm層及全連接層，用于將負(fù)荷電流數(shù)據(jù)轉(zhuǎn)換成編碼特征；在特征自編碼模塊中，添加噪聲的負(fù)荷電流數(shù)據(jù)首先通過一維卷積層，以低計(jì)算開銷實(shí)現(xiàn)了對(duì)負(fù)荷電流數(shù)據(jù)的高效局部特征捕獲；隨后特征輸入至lstm層，進(jìn)一步提取時(shí)序依賴特征；隨后通過全連接層完成特征的壓縮與編碼，獲得編碼特征，保證了信息表示的緊湊性與判別性；
33、所述特征解碼模塊包含全連接層及一維轉(zhuǎn)置卷積層，僅在訓(xùn)練過程中被使用，用于將編碼特征還原至負(fù)荷電流數(shù)據(jù)，在訓(xùn)練過程中輔助模型更好地提取編碼特征；在特征解碼模塊中，編碼特征首先經(jīng)過全連接層對(duì)壓縮的特征維度進(jìn)行擴(kuò)展，隨后通過一維轉(zhuǎn)置卷積層恢復(fù)負(fù)荷電流數(shù)據(jù)的時(shí)序結(jié)構(gòu)，最后輸出重構(gòu)的負(fù)荷電流數(shù)據(jù)；所述特征解碼模塊引入數(shù)據(jù)重構(gòu)任務(wù)，旨在通過多任務(wù)間的相互引導(dǎo)與約束強(qiáng)化特征表示的判別能力與泛化能力，以提升負(fù)荷識(shí)別的準(zhǔn)確性與可靠性；
34、所述特征識(shí)別模塊為一個(gè)多層感知器，用于將編碼特征映射至識(shí)別類型，實(shí)現(xiàn)最終的負(fù)荷識(shí)別。
35、進(jìn)一步，在步驟s4，所述負(fù)荷識(shí)別模型訓(xùn)練過程涉及的損失函數(shù)計(jì)算方法為：
36、重構(gòu)任務(wù)損失l1為經(jīng)特征解碼模塊還原后的負(fù)荷電流數(shù)據(jù)與對(duì)應(yīng)的單周波電流數(shù)據(jù)的均方誤差，計(jì)算公式如下：
37、
38、式中，為負(fù)荷數(shù)據(jù)集第i個(gè)樣本經(jīng)特征解碼模塊還原后的負(fù)荷電流數(shù)據(jù)，xi為其對(duì)應(yīng)的單周波電流數(shù)據(jù)樣本，||·||2為l2范數(shù)，nb為一個(gè)批次的樣本數(shù)量；
39、識(shí)別任務(wù)損失l2為經(jīng)特征識(shí)別模塊輸出的識(shí)別類型結(jié)果與對(duì)應(yīng)的識(shí)別類型標(biāo)簽的交叉熵?fù)p失函數(shù)，計(jì)算公式如下：
40、
41、式中，yij為第i個(gè)樣本關(guān)于識(shí)別類型j的真實(shí)標(biāo)簽指示，如果第i個(gè)樣本的真實(shí)識(shí)別類型為j時(shí)yij的值取1，否則yij的值取0；為第i個(gè)樣本經(jīng)特征識(shí)別模塊輸出的結(jié)果屬于識(shí)別類型j的概率；nc為識(shí)別類型總數(shù)；
42、度量學(xué)習(xí)損失l3選用circle?loss，在模型的學(xué)習(xí)過程中拉近同類數(shù)據(jù)，即正樣本的特征相似性，疏遠(yuǎn)不同類數(shù)據(jù)，即負(fù)樣本的特征相似性，計(jì)算公式如下：
43、
44、式中，sp、sn為正、負(fù)樣本對(duì)集合，為第k個(gè)負(fù)樣本對(duì)的余弦相似度與權(quán)重，為第h個(gè)正樣本對(duì)的余弦相似度與權(quán)重，δp、δn為正、負(fù)樣本對(duì)的邊界，γ為縮放因子，用于調(diào)節(jié)損失函數(shù)的梯度大小；
45、根據(jù)下式得到多任務(wù)損失ltotal，用于指導(dǎo)模型優(yōu)化：
46、ltotal＝w1l1+w2l2+w3l3+lreg
47、
48、式中，lreg為正則化項(xiàng)，以避免w1、w2、w3小于閾值導(dǎo)致l1、l2、l3在ltotal中失去貢獻(xiàn)。
49、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)與有益效果：
50、1、本發(fā)明設(shè)計(jì)的特征自編碼模塊能夠?qū)崿F(xiàn)從負(fù)荷電流數(shù)據(jù)到編碼特征的自動(dòng)提取，顯著提升了特征提取的靈活性，并有效降低了信息損失風(fēng)險(xiǎn)。其中，卷積層以較低的計(jì)算開銷實(shí)現(xiàn)了對(duì)電流數(shù)據(jù)的高效局部特征捕獲，lstm層進(jìn)一步增強(qiáng)了對(duì)時(shí)序依賴特征的刻畫能力，而全連接層則完成特征的壓縮與編碼，保證了信息表示的緊湊性與判別性。
51、2、在傳統(tǒng)負(fù)荷識(shí)別任務(wù)的基礎(chǔ)上，本發(fā)明引入數(shù)據(jù)重構(gòu)與度量學(xué)習(xí)的多任務(wù)聯(lián)合優(yōu)化框架，即通過多任務(wù)間的相互引導(dǎo)與約束，顯著強(qiáng)化了特征表示的判別能力與泛化能力，從而全面提升了識(shí)別的準(zhǔn)確性與可靠性。
52、3、在模型訓(xùn)練過程中，本發(fā)明通過對(duì)輸入數(shù)據(jù)進(jìn)行加噪處理，引導(dǎo)模型專注于提取關(guān)鍵判別信息而非依賴細(xì)微噪聲，從而有效提升了識(shí)別結(jié)果在真實(shí)環(huán)境下的魯棒性與穩(wěn)定性。