基于优化卷积神经网络的非侵入式负荷识别方法

贾云翔,迟长春

(上海电机学院 电气学院,上海 201306)

随着经济发展步伐逐渐加快,国民生活质量与消费水平不断提高,各类家用电器得到广泛使用[1-3],这给人们日常生活带来众多便利。但随之而来的是使用电器的一些安全隐患,电器长时间高负荷运行、使用不当产生高温、内部器件复杂或质量不合格短路燃烧等都会引发火灾甚至爆炸等危险事故[4]。如今负荷特征越加复杂,挖掘提取特征信息难度加大,导致识别准确率下降,难以维持用电环境安全。因此,采用非侵入式负荷监测方法来监测电器使用情况,可以及时预警和处理,避免事故的发生,从而使人们的生命财产得到保护[5-6]。

非侵入式负荷识别方法[7],是在供电入口处安装智能电表对居民内部家用电器进行识别监测,对用电器负荷特征信息提取来识别。国内外对于非侵入式负荷识别技术做了很多深入研究。文献[8]基于稳态特征中最为传统的有功功率特征,提取其序列特征值和轮廓奇异值,利用多特征序列融合算法识别较大功率类负荷;文献[9]基于稳态电压、电流特征,建立线性和非线性负荷模型数据库,对新增负荷通过模型匹配进行识别;文献[10]对U-I轨迹颜色编码,采样迁移学习辨别负荷,防止新增负荷轨迹的唯一性。近几年自学习人工智能技术不断发展,出现了对电压-电流轨迹的自学习提取特征识别技术[11-14],对特征信息进行训练,得到稳定的分类模型,设别效果获得众多肯定。

卷积神经网络分类模型可对负荷特征自学习提取识别分类,但人工操作获得的分类模型分类性能具有不确定性,难以应对越加复杂的负荷识别工作。因此,采用粒子群优化算法[15],对卷积神经网络超参数进行优化,使优化卷积神经网络分类模型获得更好自学习特征提取能力,识别家用电器准确率更高,这对非侵入式负荷监测发展意义深远。

1 基于卷积神经网络的负荷识别过程

1.1 U-I轨迹负荷特征

U-I轨迹负荷特征,是依据家用电器内部构造和器件的差异,将电器稳定运行时的电压、电流数据归一化处理转换为二维轨迹图像,直观展现不同电器轨迹形状差异。从而依据此负荷特征,来识别图像辨别电器类型,如图1所示。

图1 家用电器U-I轨迹图

1.2 卷积神经网络自学习提取特征

卷积神经网络是针对二维图像识别设计的多层感知器,卷积层权值共享、池化层降采样和神经元间局部连接,是其主要特点。将其应用在识别分类U-I轨迹图时,展现出可缩放、平移、维持轨迹特征图不变性等优势。卷积神经网络主要由卷积层、池化层组合的特征提取层,以及全连接层、Softmax层组合的分类层组建而成。

(1) 卷积层是卷积神经网络核心层,采用离散卷积的方式,对家用电器U-I轨迹图自学习提取特征。卷积核作为共享存在的离散二维滤波器,对二维U-I轨迹图局部区域内像素点做内积运算,滤除无用信息生成滤波图,并利用偏置组合成众多同尺寸特征映射图。轨迹特征图输出为

卷积核卷积流程如图2所示。

图2 卷积核卷积流程

(2) 池化层主要是压缩特征映射图空间大小,进行降采样减少网络参数。通过最大或平均池化提取轨迹图局部区域内像素值,并能够保持轨迹图特征数据信息不变,从而降低计算量提高网络训练速度,池化过程公式为

平均池化、最大池化如图3、图4所示。

图3 平均池化

图4 最大池化

(3) 全连接层用来整合已提取轨迹特征图中区分性的局部特征信息,且常会在其前放置DropOut层,防止过拟合出现。在U-I轨迹图初始数据特征映射到隐含特征空间后,通过全连接层整合汇总特征映射到样本标记空间,最终通过Softmax分类器以分类概率形式,输出电器识别分类结果。分类概率为

式中:c为轨迹图总数;aj为电器归属类别j的特征值。

2 优化卷积神经网络

2.1 粒子群优化算法

粒子群优化算法是基于鸟群启发式搜索觅食原理,依据粒子自身与群体存储的初始食物范围信息,将鸟看作粒子,确定初始速度矢量Vi(0)和初始位置Xi(0)。接着在粒子搜索寻优过程中,通过权值系数ω的粒子搜索能力与学习因子c可调整粒子靠近极值变化速度的能力,粒子间相互合作分享信息,不断更新粒子种群N中的局部极值pbest(i)与全局极值gbest(i),直至最终得到粒子最优解的速度矢量与位置信息。Vi、Xi和V′i、X′i为粒子速度、位置调整前后信息,分别为

式中:Vmax、Vmin为初始化速度的上下限;Rs为(-1,1)随机值;G为经验值;c1、c2为局部极值与全局极值学习因子;r、r1、r2为极值影响度扰动因子。

在优化确认最优速度和位置信息过程中,需要计算所有粒子的适应度值,根据其优劣程度筛选出带有更好速度矢量与位置的粒子种群。适应度值表达式为

式中:M为更新后的输出数量为期望输出与实际输出状态值。当两者状态值之间误差趋于小于最终期待的误差值,则优化过程结束。

2.2 优化卷积神经网络流程

不同超参数配置的卷积神经网络分类模型,分类效果参差不齐,人工操作的不确定性会使得分类性能局部最优。因此,采用粒子群优化算法优化其网络结构,搜寻最优超参数,使负荷分类模型分类性能趋向最优。

首先,依据超参数取值范围,通过粒子群优化算法进行优化,将超参数看作粒子来开展寻优过程。其次,根据超参数的适应度值,不断代入优化后的超参数,筛选出分类性能趋于最优化的超参数群体。最后,得到优化卷积神经网络负荷分类模型,测试其分类性能,并对分类结果进行评估。

为更好地对卷积神经网络进行优化,避免网络重复训练产生过拟合问题,采用波动率来评价优化卷积神经网络负荷分类模型的分类性能稳定程度。在波动率趋向于稳定后,负荷分类性能差异缩小,则粒子群优化算法对超参数的寻优工作结束,最终得到稳定分类性能的优化卷积神经网络负荷分类模型。波动率为

式中:ak[i]为k阶段第i个粒子分类精度;ak[k]为k阶段第k个粒子分类精度。

3 负荷分类实验结果

通过Matlab搭建卷积神经网络负荷分类模型,结合粒子群优化算法优化其超参数配置,选取主要影响分类性能的超参数,并确定其取值范围,其中卷积核、学习率等超参数与分类性能有着直接联系,具体被选取的超参数如表1所示。超参数寻优过程中,为更好地寻找到最优超参数值,设置粒子群优化算法中局部和全局学习因子为1.49445,惯性权重设置为0.8,迭代次数为500,对网络进行训练更新超参数。

表1 超参数取值范围

在粒子群优化算法寻找卷积神经网络超参数最优值过程中,惯性权值可加速粒子群优化算法收敛速度,使其具备很好的搜索能力,快速寻找局部和全局超参数极值。学习因子可控制局部和全局极值之间的变化加速关系,更快地寻找靠近更优超参数。这一过程中,超参数的适应度值逐渐收敛,直至趋向于稳定,则最优超参数寻找工作结束,适应度值变化曲线如图5所示。

图5 适应度值变化曲线

粒子群优化算法寻找卷积神经网络超参数最优值工作结束后,具体超参数寻优结果如表2所示,其中不同卷积层的超参数选取差异较为明显。

表2 超参数优化结果

多回合训练优化下,学习因子与惯性权值自学习式搜寻到超参数最优值,从局部最优到全局最优。随着训练深入,波动率逐渐下降趋于平缓,优化卷积神经网络整体分类性能则得到稳定,如图6所示。

图6 波动率变化曲线

将每个负荷测试集陆续输入后,最后通过Softmax分类器输出和为一的特征向量,其中每一数值为预测电器类型的概率,取最大概率为识别准确率。根据测试结果分析,优化后分类精度有着很好的提升,整体电器识别准确率得到进一步提高,如表3所示。

表3 家用电器识别结果

4 结语

针对家用电器用电环境安全,采用非侵入式负荷监测模式下,研究一种基于优化卷积神经网络的负荷识别方法。该方法基于二维U-I轨迹图,通过粒子群优化算法对卷积神经网络超参数配置进行优化,可很好地提升分类模型整体分类性能。针对非侵入式负荷监测中负荷识别方法研究,优化卷积神经网络可精确辨别出电器类型,完善负荷监测技术,保障居民生命财产安全。