[发明专利]基于对抗生成网络的家用设备电器指纹数据生成方法

说明书

本发明属于用电负荷监测技术领域，具体为一种基于对抗生成网络的家用设备电器指纹数据生成方法。本发明采用对抗生成网络PowerTransGan，生成真正随机的、贴近真实的家用设备电器指纹数据，作为训练非侵入式负荷监测方法的数据增强手段。具体包括：明确PowerTransGan的整体结构，包含七组以Transformer编码器为基础的生成器和判别器模块，引入对生成器和判别器的限制条件，并且针对性设计不同的损失函数，以实现更好的优化，最后在网络的训练过程中采用基于模块融合的阶段性学习过程，依据训练轮次交替进行生成器和判别器的训练，最终得到生成器能够生成接近真实样本的、判别器也无法辨别的电力数据。

技术领域

本发明属于用电负荷监测技术领域，具体涉及一种基于对抗生成网络的家用设备电器指纹数据生成方法。

背景技术

获得家庭用户的用电功耗特性，能够使得能源供货商更好的预测用户未来的需求，更好的进行能源的调度，同时也能够允许用户对家用电器的电力消耗有更好的了解，减少能源的浪费。非侵入式负荷监测(NILM)只使用一个家庭的智能电表读数，通过一些机器学习或优化算法能推断电器功耗分布的近似值。

这些方法的性能很大程度上取决于训练数据代表真实分布的程度，NILM需要更多的电力数据集来进行训练和测试，所以电力数据的收集一直是NILM主要的研究内容之一，目前有一些数据集推动着NILM的发展，但这些数据集都只涵盖了电力消耗分布状况中的一部分，如持续时间、采样频率等。造成这种现象的主要原因在于数据不易收集以及负荷分解困难，通过电表的家庭用电数据杂乱充满变数导致电力数据繁杂难以收集，且存在的噪音干扰较大，对收集的数据进行分解提取电器指纹十分困难。

发明内容

为解决现有技术存在的电力数据收集不易以及提取电器指纹困难等问题，本发明提供一种基于对抗生成网络的家用设备电器指纹数据生成方法。

本发明提供的基于对抗生成网络的家用设备电器指纹数据生成方法，采用生成数据的方法来丰富用于训练NILM的数据，避开了数据收集和电器指纹提取的步骤，从而可以解决上述技术中存在的困难。

本发明提供的利用对抗生成网络来生成家用设备的电器指纹数据生成方法，具体步骤为：

步骤1：新增PowerTransGan的生成器(G)和判别器(D)模块；

步骤2：现有模块与新增模块的融合，即将已有模块与新增模块的输出按照一定比重计算进行联合输出；具体根据训练迭代次数是否小于N_f来判断是否需要进行模块融合步骤，N_f为根据实际情况设定的常数；

步骤3：训练生成器，根据噪声代码合成生成的信号数据，并与训练样本的信号数据一同输入判别器中，对判别器进行训练；

步骤4：交替进行生成器和判别器的损失计算，以及对应的优化；

步骤5：阶段性学习，即采用阶段性学习的方法；每一阶段，即新的模块的加入时会经历N_e轮次的训练，所使用的对抗生成网络共有N_m组生成器和判别器模块；因此，每一阶段训练迭代次数未达N_e次时，返回步骤2；若生成器和判别器模块数未达N_m组时，返回步骤1；N_e以及N_m根据实际情况确定，一般地，分别为3000以及7；

步骤6：经过上述步骤1到步骤5的网络训练，得到PowerTransGan，无需再对样本数据进行手动建模，即可用于合成相似于样本数据分布的家用设备电器指纹数据。

下面对各步骤作进一步的具体说明。

步骤1.新增生成器和判别器模块