基于对比学习与孪生网络的非侵入式负荷检测方法

本发明涉及非侵入式负荷检测方法领域，具体是一种基于对比学习与孪生网络的非侵入式负荷检测方法。

背景技术：

1、传统的负荷监测方法常常需要在用户端安装传感器设备，这不仅增加了用户的负担，还提高了监测的复杂性和成本。为了解决这一问题，一种基于非侵入式负荷监测(non-intrusive load monitoring,nilm)技术的创新方法被提出。该方法通过在电力入口处安装智能监测设备，实现对电压、电流等信号的捕获和分析，从而识别和监测负载集群中的单个负载的种类和运行情况。然而，当前的nilm技术还存在一些挑战，其中最主要的问题之一是如何提高负荷监测的准确性和效率。

2、深度学习作为机器学习领域的一个新兴分支，在图像识别、自然语言处理等领域展现了巨大的潜力和成就。其核心目标是通过学习样本数据的内在规律和表示层次，赋予机器类似于人类的分析学习能力，使其能够有效地处理和识别文字、图像、声音等多种数据形式。这种强大的学习方法为负荷监测领域带来了全新的解决方案，为提高负荷监测的准确性和效率提供了有力支持。如何利用先进的深度学习技术来改进nilm方法，成为当前研究的热点之一。

技术实现思路

1、本发明提供了一种基于对比学习与孪生网络的非侵入式负荷检测方法，以解决现有技术nilm技术存在的准确性差和效率低的问题。

2、为了达到上述目的，本发明所采用的技术方案为：

3、基于对比学习与孪生网络的非侵入式负荷检测方法，包括以下步骤：

4、步骤1、获取一段时间输入至所有目标电器的总功率信号，以及该段时间每个目标电器的自身功率数据；根据该段时间每个目标电器的功率数据，得到该段时间内每个目标电器的所有可能的使用状态；

5、步骤2、采用滑动窗口方法处理所述总功率信号，以将总功率信号分成若干个长度相同的窗口；通过自监督对比学习方法，得到每个目标电器在每个窗口下的使用状态的正样本对、负样本对；

6、步骤3、以每个目标电器在所有窗口下的使用状态的正样本对、负样本对构建训练集，并生成孪生神经网络，通过训练集对孪生神经网络进行训练，由训练好的孪生神经网络判断对应的目标电器在每一个时间窗口的总功率信号下的当前使用状态。

7、进一步的，步骤1中，采用均值漂移聚类算法，得到每个目标电器的多个使用状态。

8、进一步的，步骤2自监督对比学习方法过程如下：

9、基于常规事件检测方法，按窗口对每个目标电器的使用状态进行活跃体检测，得到每个目标电器在每个窗口下对应的若干活跃体，然后对每个目标电器在每个窗口下的若干活跃体进行排序和数据抖动，得到每个目标电器在每个窗口下的具有强相关性的多个活跃体，作为该目标电器在每个窗口下使用状态的正样本对、负样本对。

10、本发明利用基于事件检测的对比学习数据增强方法对每个目标电器(即负荷)的使用状态构建正负样本对，并通过孪生神经网络结构分别对正负样本进一步建模与训练，最终通过融合层将两个分支的输出进行整合，得到每个目标电器的检测结果。

11、本发明提供的技术方案的有益效果是：

12、1、通过这种基于对比学习的数据增强方法，本发明能够利用丰富的事件数据来训练模型，从而提高了负荷检测的准确性和泛化能力，具有较高的应用价值。

13、2、在一些难以进行侵入式检测的场所(例如涉及场所隐私权，高复杂高危险场所等)，本发明可以提供解决方法，在非侵入式的方式下能够实现较好的检测结果。

技术特征：

1.基于对比学习与孪生网络的非侵入式负荷检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于对比学习与孪生网络的非侵入式负荷检测方法，其特征在于，步骤1中，采用均值漂移聚类算法，得到每个目标电器的多个使用状态。

3.根据权利要求1所述的基于对比学习与孪生网络的非侵入式负荷检测方法，其特征在于，步骤2自监督对比学习方法过程如下：

技术总结本发明公开了一种基于对比学习与孪生网络的非侵入式负荷检测方法，包括以下步骤：步骤1、获取一段时间输入至所有目标电器的总功率信号，以及该段时间每个目标电器的功率数据，并得到每个目标电器的多个使用状态；步骤2、采用滑动窗口方法将总功率信号分成若干个长度相同的窗口；通过自监督对比学习方法，得到每个目标电器在每个窗口下的使用状态的正样本对、负样本对；步骤3、以每个目标电器在所有窗口下的使用状态的正样本对、负样本对构建训练集，对孪生神经网络进行训练，由训练好的孪生神经网络判断对应的目标电器在步骤1所述时间段的总功率信号下的真实使用状态。本发明在非侵入式的方式下能够实现较好的检测结果。技术研发人员：刘易镨,王征,孙美君,胡清华受保护的技术使用者：天津大学合肥创新发展研究院技术研发日：技术公布日：2024/11/14