朱煒昕，王亞剛

（上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093）

引 言

隨著全球變暖，世界各國(guó)越來越重視能源大量消耗對(duì)環(huán)境帶來的負(fù)面影響。在2008年全球氣候峰會(huì)上，多國(guó)政府承諾逐步降低碳排放量，并推動(dòng)能源效率提升。在用電方面，實(shí)時(shí)采集電器能耗信息有助于用戶和電廠合理安排用電時(shí)間，從而提高用電效率[1]。采集電器能耗信息的方法通常分為侵入式負(fù)載監(jiān)測(cè)和非侵入式負(fù)載監(jiān)測(cè)兩大類方法，其中：侵入式負(fù)載監(jiān)測(cè)方法是對(duì)每個(gè)電器安裝獨(dú)立分電表來獲取其能耗信息，而非侵入式負(fù)載監(jiān)測(cè)方法是從總電表數(shù)據(jù)提取電路中每個(gè)電器能耗信息[2]。雖然侵入式負(fù)載監(jiān)測(cè)在測(cè)量單個(gè)電器信息的準(zhǔn)確度上有優(yōu)勢(shì)，但由于經(jīng)濟(jì)成本和可行性等因素，非侵入式負(fù)載監(jiān)測(cè)成為更受歡迎的方法[3-4]。非侵入式負(fù)載監(jiān)測(cè)的分解問題最先由Hart提出，主要圍繞聚類算法進(jìn)行分解[5]，隨后出現(xiàn)了組合優(yōu)化[6]、稀疏編碼[7-8]，隱馬爾可夫模型[9-10]、動(dòng)態(tài)時(shí)間規(guī)整[11]，特征庫匹配[12]、深度神經(jīng)網(wǎng)絡(luò)[13-17]等方法。

非侵入式負(fù)載監(jiān)測(cè)（NILM）一般用于電器分類、狀態(tài)辨別、能耗分解等任務(wù)，其步驟一般分為數(shù)據(jù)采集、特征提取、信號(hào)分離等步驟。數(shù)據(jù)采集有高低頻之分，一般高頻可以達(dá)到100 MHz，低頻則低于1 kHz。特征提取包括電器自身運(yùn)行時(shí)的瞬時(shí)特征和穩(wěn)態(tài)特征，比如電流、有功功率、無功功率等[4]。為了能夠有效量化和比較各個(gè)算法的效果，分析算法的有效性和通用性，REDD[18]、UK-DALE[19]等公開的數(shù)據(jù)集提供了不同天數(shù)的多種家用電器的用電數(shù)據(jù)。

在近幾年的研究中，主要針對(duì)低頻特征的神經(jīng)網(wǎng)絡(luò)方法被不斷地應(yīng)用到NILM中。文獻(xiàn)[13]對(duì)比了3種人工神經(jīng)網(wǎng)絡(luò)的模型來實(shí)現(xiàn)NILM的效果：1）長(zhǎng)短時(shí)記憶循環(huán)神經(jīng)網(wǎng)絡(luò)（LSTM），用來對(duì)單個(gè)電器的時(shí)序功率數(shù)據(jù)做序列到序列的估計(jì)；2）去噪自編碼器（dAE），用來對(duì)單個(gè)電器的時(shí)序功率數(shù)據(jù)做序列到序列的估計(jì)；3）卷積神經(jīng)網(wǎng)絡(luò)（CNN），又稱為Rectangle Net，用來對(duì)電器啟停時(shí)刻和平均運(yùn)行功率做序列到點(diǎn)的估計(jì)。文獻(xiàn)[14]則進(jìn)一步在文獻(xiàn)[13]提出的dAE網(wǎng)絡(luò)基礎(chǔ)上進(jìn)行了大量的實(shí)驗(yàn)，較為全面地挖掘了dAE在電能分解上的能力，驗(yàn)證了卷積層數(shù)、池化層、采樣頻率等結(jié)構(gòu)性因素對(duì)dAE網(wǎng)絡(luò)分解效果的影響，并且對(duì)比了基于隱馬爾可夫模型的AFAMAP算法[11]，說明了dAE方法在強(qiáng)噪音環(huán)境下的分解效果優(yōu)于AFAMAP算法，此外還使用了神經(jīng)網(wǎng)絡(luò)以外的輔助手段來提高負(fù)荷分解的準(zhǔn)確度。文獻(xiàn)[15]提出了一種結(jié)合高頻特征的神經(jīng)網(wǎng)絡(luò)來對(duì)電器進(jìn)行分類。文獻(xiàn)[16]提出了一種LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)，結(jié)合非因果結(jié)構(gòu)與貝葉斯參數(shù)優(yōu)化框架對(duì)電器功率進(jìn)行回歸估計(jì)。文獻(xiàn)[17]從電器狀態(tài)聚類出發(fā)，將狀態(tài)和功率等信息輸入深度神經(jīng)網(wǎng)絡(luò)以估計(jì)下一時(shí)刻的電器狀態(tài)和功率。

在分解混合電器能耗的任務(wù)中，dAE作為一種序列到序列的信號(hào)重建的方法，在重建信息的分辨率上比序列到點(diǎn)估計(jì)方法有優(yōu)勢(shì)。并且dAE在文獻(xiàn)[13]中表現(xiàn)的準(zhǔn)確度比LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)和Rectangle Net更有潛力。雖然文獻(xiàn)[14]針對(duì)dAE方法已做了較為全面的研究，但是dAE的準(zhǔn)確度仍然有較大的提升空間。因此，本文提出一種改進(jìn)型dAE方法，對(duì)網(wǎng)絡(luò)結(jié)構(gòu)適當(dāng)增加卷積層，結(jié)合批歸一化（batch normalization, BN）和修正線性單元（ReLU），并創(chuàng)新性地對(duì)半運(yùn)行訓(xùn)練樣本標(biāo)簽做零值化預(yù)處理，以提高負(fù)荷分解的準(zhǔn)確度。

1 自編碼器方法

自編碼器（AE）由編碼器（Encoder）和解碼器（Decoder）兩個(gè)部分組成。編碼器將輸入信息轉(zhuǎn)換成一個(gè)能夠表達(dá)輸入信息的表示向量。解碼器則把這個(gè)表示向量還原成輸入信息。圖1是卷積自編碼器結(jié)構(gòu)，其中間部分是表示向量，其左邊部分至輸入層是編碼器，其右邊部分至輸出層是解碼器。為了使模型能夠更好地泛化，中間表示向量的維度會(huì)被設(shè)為低于輸入信息的維度，以促使表示向量只保留主要的信息。dAE在AE的基礎(chǔ)上通過對(duì)帶噪音的輸入數(shù)據(jù)訓(xùn)練，使其能夠重建干凈信號(hào)，達(dá)到去除噪音的效果[20]。

圖1 卷積自編碼器結(jié)構(gòu)Fig.1 Convolutional dAE topology

如果將電器的時(shí)序用電功率視為干凈的信號(hào)，其他電器的用電功率視為噪音，則可以將dAE應(yīng)用于電能分解，并可將分解問題表述為

式中：y(t) 為所有電器在t時(shí)刻的混合功率；yi(t)為目標(biāo)電器i在t時(shí)刻的功率；是其他電器在t時(shí)刻的功率和。NILM的表述中一般會(huì)包含一個(gè)隨機(jī)誤差項(xiàng)[4]，但由于其他電器的功率和本身是噪音且遠(yuǎn)遠(yuǎn)大于隨機(jī)誤差，因此可忽略此隨機(jī)誤差項(xiàng)。

由于不同電器用電模式的變化，會(huì)使其功率產(chǎn)生起伏變化，類似一維圖像，因此在dAE中采用卷積層來幫助模型提取圖像特征。圖1中的編碼器和解碼器分別包含3個(gè)卷積層和1個(gè)全連接層。網(wǎng)絡(luò)的輸入為固定長(zhǎng)度的混合功率，輸出為目標(biāo)電器的干凈運(yùn)行功率。由于每種電器的典型運(yùn)行長(zhǎng)度不一，且太大或太小的輸入長(zhǎng)度在實(shí)驗(yàn)中顯示出降低網(wǎng)絡(luò)分解效果的問題，本文針對(duì)不同電器的典型運(yùn)行時(shí)長(zhǎng)選取不同的網(wǎng)絡(luò)輸入長(zhǎng)度。此外，由于最終目的是從一段不固定長(zhǎng)度的混合功率y(t) （圖1最左邊豎直放置的波形圖）中分離出單個(gè)電器的干凈功率yi(t) （圖1最右邊豎直放置的波形圖），而dAE網(wǎng)絡(luò)僅僅是對(duì)一小段固定長(zhǎng)度的混合信號(hào)進(jìn)行分解，所以要把網(wǎng)絡(luò)產(chǎn)生的局部估計(jì)值拼接起來，以得到最終的完整且干凈的單電器功率。

由于網(wǎng)絡(luò)的輸入樣本可能包含重疊的部分，因此輸出結(jié)果也有重疊，如圖2所示，窗口109 300～109 900的分解結(jié)果分別和窗口108 950～109 550與窗口109 650～110 250的分解結(jié)果有部分重疊。為了從重疊的估計(jì)中確定最終的估計(jì)值，文獻(xiàn)[13]使用了所有估計(jì)值的算數(shù)平均數(shù)，但文獻(xiàn)[14]指出算數(shù)平均數(shù)不能有效解決估計(jì)值低估的問題，因此采用中位數(shù)。而本文針對(duì)本文的訓(xùn)練方法提出并使用了修正中位數(shù)。文獻(xiàn)[13]、文獻(xiàn)[14]的訓(xùn)練樣本是直接截取原始數(shù)據(jù)中的混合樣本和干凈樣本作為訓(xùn)練數(shù)據(jù)的樣本和標(biāo)簽，因此使用平均數(shù)和中位數(shù)是合理的。但本文提出將包含不完整運(yùn)行區(qū)間的樣本作為負(fù)樣本，使其標(biāo)簽值為零。這樣能夠提高模型（指本文提出的網(wǎng)絡(luò)結(jié)構(gòu)）對(duì)非零值的估計(jì)準(zhǔn)確度，但同時(shí)會(huì)人為地造成過多的零估計(jì)值，因此需要引入修正中位數(shù)來消除這些零估計(jì)值的影響。修正邏輯是剝離零估計(jì)值后，再取中位數(shù)，因此修正中位數(shù)不再是0.5，而是位于0.5和1之間。中位數(shù)的表達(dá)式為

式中：r和w分別為目標(biāo)電器的平均運(yùn)行時(shí)長(zhǎng)和窗口長(zhǎng)度，且r＜w。

圖2 3 個(gè)重疊的分解窗口Fig.2 Three overlapping disaggregation windows

2 實(shí) 驗(yàn)

2.1 評(píng)價(jià)指標(biāo)

本文采用文獻(xiàn)[14]使用的針對(duì)能量估計(jì)的Precision 指標(biāo)（Pi），Recall指標(biāo)（Ri），F(xiàn)1指標(biāo)和 NEP（normalized error in assigned power）指標(biāo)（Ei）。Precision指標(biāo)反映了實(shí)際功率占分解出的功率的比例，其表達(dá)式為

式中：i為目標(biāo)電器編號(hào)；y?i(t) 、yi(t) 分別為電器i在t時(shí)刻的估計(jì)功率和實(shí)際功率；T為測(cè)試數(shù)據(jù)的總時(shí)長(zhǎng)，按采樣點(diǎn)個(gè)數(shù)計(jì)。

Recall指標(biāo)反映了分解出的功率占實(shí)際功率的比例，其表達(dá)式為

F1指標(biāo)是Precision指標(biāo)和Recall指標(biāo)的調(diào)和平均數(shù)，其表達(dá)式為

NEP指標(biāo)度量分解誤差占真實(shí)功率的比例，其表達(dá)式為

2.2 數(shù)據(jù)集

REDD數(shù)據(jù)集[18]包含了6個(gè)美國(guó)家庭且每個(gè)家庭大約20種電器的單獨(dú)數(shù)據(jù)和總電表的數(shù)據(jù)，單個(gè)電器的采樣間隔為3 s。其中一個(gè)實(shí)驗(yàn)是對(duì)某個(gè)家庭的用電情況進(jìn)行了約為30 d的采樣，約70萬個(gè)采樣點(diǎn)，由于總電表的部分?jǐn)?shù)據(jù)存在明顯異常，所以采用了所有電器數(shù)據(jù)的疊加來代替總電表數(shù)據(jù)。實(shí)驗(yàn)在3種運(yùn)行特征較為獨(dú)特的電器上進(jìn)行，分別是洗碗機(jī)、微波爐、冰箱。冰箱的運(yùn)行功率相對(duì)較低，功率變化單調(diào)，運(yùn)行時(shí)長(zhǎng)相對(duì)固定，但經(jīng)常啟動(dòng)。洗碗機(jī)是不常用電器，運(yùn)行時(shí)功率起伏變化較為獨(dú)特，運(yùn)行時(shí)長(zhǎng)相對(duì)固定。微波爐經(jīng)常啟動(dòng)，功率高但變化比較單調(diào)，運(yùn)行時(shí)長(zhǎng)差異大。

首先，通過閾值的方法在原始時(shí)序數(shù)據(jù)上定位電器的運(yùn)行區(qū)間。從零時(shí)刻開始掃描每個(gè)采樣點(diǎn)，如果連續(xù)多個(gè)采樣點(diǎn)的功率達(dá)到運(yùn)行功率閾值以上，且個(gè)數(shù)達(dá)到運(yùn)行時(shí)長(zhǎng)閾值以上，則記為開始運(yùn)行。如果出現(xiàn)多個(gè)連續(xù)采樣點(diǎn)的功率達(dá)到運(yùn)行功率閾值以下，且個(gè)數(shù)達(dá)到停止時(shí)長(zhǎng)閾值以上，則記為運(yùn)行結(jié)束，并將運(yùn)行開始到運(yùn)行結(jié)束的這段采樣點(diǎn)記為一個(gè)運(yùn)行區(qū)間。

然后，從下一個(gè)采樣點(diǎn)開始重復(fù)以上判定。運(yùn)行區(qū)間的判定閾值見表1。各電器的運(yùn)行區(qū)間統(tǒng)計(jì)信息見表2。表中原始數(shù)據(jù)是由電表按固定時(shí)間間隔采集的，因此時(shí)長(zhǎng)和采樣點(diǎn)個(gè)數(shù)是等價(jià)的。

2.3 網(wǎng)絡(luò)輸入

每個(gè)電器生成5 000個(gè)正樣本和5 000個(gè)負(fù)樣本并分別作為訓(xùn)練集和驗(yàn)證集。正樣本為包含完整運(yùn)行區(qū)間的樣本，標(biāo)簽為目標(biāo)電器的單電器功率。負(fù)樣本為不包含完整運(yùn)行區(qū)間的樣本。與已有方法不同的是，本方法要求所有負(fù)樣本的標(biāo)簽被零值化，即不包含運(yùn)行區(qū)間和只包含部分運(yùn)行區(qū)間的樣本標(biāo)簽均被置為零向量。訓(xùn)練集和驗(yàn)證集的比例為8∶2，其中真實(shí)樣本和合成樣本各占一半。訓(xùn)練集和驗(yàn)證集樣本產(chǎn)生于60萬個(gè)采樣點(diǎn)（約21 d），測(cè)試樣本產(chǎn)生于另外10萬個(gè)采樣點(diǎn)（約3.5 d）。樣本長(zhǎng)度（即窗口長(zhǎng)度），見表2。

表1 運(yùn)行區(qū)間的判定閾值Tab.1 Criteria of the active segment

表2 電器運(yùn)行區(qū)間的統(tǒng)計(jì)信息以及窗口長(zhǎng)度Tab.2 Statistics of active sections and window length

此外，合成樣本和標(biāo)簽的方法如下：

1）針對(duì)目標(biāo)電器生成標(biāo)簽，將目標(biāo)電器的運(yùn)行樣本放入一個(gè)窗口的隨機(jī)位置，但保證運(yùn)行區(qū)間完整。

2）其他電器分別有25%的幾率被放入窗口中的任意位置作為噪聲，將標(biāo)簽和噪聲疊加起來合成一個(gè)正樣本。同時(shí)，合成對(duì)應(yīng)的負(fù)樣本，即生成噪聲部分，并使其對(duì)應(yīng)的標(biāo)簽為零向量。

3）對(duì)每個(gè)電器的輸入數(shù)據(jù)進(jìn)行歸一化，使用的均值和方差來自于所有原始混合數(shù)據(jù)。對(duì)每個(gè)電器的標(biāo)簽數(shù)據(jù)進(jìn)行最小、最大規(guī)范化，其最小值設(shè)為0，其最大值設(shè)為表2中最高功率的最小值。

2.4 網(wǎng)絡(luò)結(jié)構(gòu)

本文采用的網(wǎng)絡(luò)結(jié)構(gòu)如表3所示，由3層卷積（Conv），2層全連接（Fc），3層反卷積（Deconv）組成。第1層全連接的輸出維度固定為128。卷積層和反卷積層的卷積核維數(shù)為4，步長(zhǎng)數(shù)為1，填充數(shù)為0。輸入輸出維數(shù)匹配各電器的窗口長(zhǎng)度（N個(gè)采樣點(diǎn)）。此外，每個(gè)卷積層（除最后一層）和全連接層包含批歸一化層和修正線性單元激活層。表4為各個(gè)電器模型的參數(shù)量統(tǒng)計(jì)信息，可見本文采用的網(wǎng)絡(luò)比較輕型，有利于實(shí)時(shí)檢測(cè)。

表3 網(wǎng)絡(luò)結(jié)構(gòu)Tab.3 Network structure

表4 3 種電器的模型統(tǒng)計(jì)數(shù)據(jù)Tab.4 Statistics of models for three devices

2.5 網(wǎng)絡(luò)訓(xùn)練

網(wǎng)絡(luò)搭建在PyTorch平臺(tái)上，使用CPU（Intel i5-7200U 2.5 GHz）訓(xùn)練，操作系統(tǒng)是Windows 10。用平均平方誤差作為網(wǎng)絡(luò)訓(xùn)練的損失函數(shù)，使用ADAM優(yōu)化器進(jìn)行迷你批梯度下降。網(wǎng)絡(luò)的主要超參數(shù)設(shè)置見表5，其他設(shè)置采用PyTorch默認(rèn)值。通過預(yù)實(shí)驗(yàn)發(fā)現(xiàn)，學(xué)習(xí)率小于0.01時(shí)對(duì)模型的收斂無明顯影響，因此固定學(xué)習(xí)率為0.01。預(yù)實(shí)驗(yàn)還顯示，訓(xùn)練集的損失值隨著訓(xùn)練的進(jìn)行會(huì)不斷減小，但驗(yàn)證集的損失值在50個(gè)迭代期數(shù)（Epoch）內(nèi)會(huì)出現(xiàn)下降并反彈的情況，因此設(shè)置訓(xùn)練的最大迭代期數(shù)為50，最后從50個(gè)迭代期數(shù)中選擇使驗(yàn)證集損失最小的作為最終的模型參數(shù)。此外，采用端到端一次性訓(xùn)練，不進(jìn)行逐層預(yù)訓(xùn)練，不綁定編碼器和解碼器的權(quán)重，因?yàn)檫@些操作沒用對(duì)模型的準(zhǔn)確度產(chǎn)生明顯的影響。

表5 超參數(shù)Tab.5 Hyperparameters

2.6 分解

采用滑動(dòng)窗口方式，按時(shí)序截取固定長(zhǎng)度的采樣點(diǎn)作為網(wǎng)絡(luò)輸入，窗口長(zhǎng)度見表2?；瑒?dòng)步長(zhǎng)統(tǒng)一采用10個(gè)采樣點(diǎn)，約合30 s。由于滑動(dòng)步長(zhǎng)小于窗口的長(zhǎng)度，每個(gè)時(shí)刻會(huì)出現(xiàn)多個(gè)估計(jì)值，最終的估計(jì)值則由計(jì)算重復(fù)預(yù)測(cè)值中的修正中位數(shù)來得到。

2.7 對(duì)比實(shí)驗(yàn)

本文方法是在文獻(xiàn)[13]和文獻(xiàn)[14]方法的基礎(chǔ)上對(duì)網(wǎng)絡(luò)進(jìn)行了2點(diǎn)改進(jìn)。1）表6和表7分別是文獻(xiàn)[13]和本文網(wǎng)絡(luò)結(jié)構(gòu)，文獻(xiàn)[13]使用單層卷積和單層反卷積，中間使用了3個(gè)全連接層，而本文在使用相同卷積核和相同中間表示向量的情況下，去除了 一個(gè)全連接層，再增加了2對(duì)卷積層和反卷積層，并且對(duì)每層附加批歸一化和ReLU激活，使模型訓(xùn)練更對(duì)稱，訓(xùn)練更穩(wěn)定、快速，結(jié)果更準(zhǔn)確。2）在滑動(dòng)窗口分解結(jié)果集成上，文獻(xiàn)[13]使用了簡(jiǎn)單的算術(shù)平均數(shù)，文獻(xiàn)[14]將其改進(jìn)為中位數(shù)以減少半運(yùn)行窗口產(chǎn)生的低估值的影響，而本文在計(jì)算中位數(shù)時(shí)直接排除半運(yùn)行窗口產(chǎn)生的低估值，并配合訓(xùn)練標(biāo)簽零值化預(yù)處理，同時(shí)減少低估值和高估值。

表7 本文中的網(wǎng)絡(luò)結(jié)構(gòu)Tab.7 Network structure in this paper

本文按文獻(xiàn)[13]的方法對(duì)本文的數(shù)據(jù)進(jìn)行訓(xùn)練和分解，由于文獻(xiàn)[14]是在文獻(xiàn)[13]的基礎(chǔ)上對(duì)卷積層數(shù)、表示層寬度、滑動(dòng)步長(zhǎng)等進(jìn)行的組合實(shí)驗(yàn)，并配合了中位數(shù)集成方法，雖然得到了更高的準(zhǔn)確度，但沒有提供其具體網(wǎng)絡(luò)配置。因此，本文不是文獻(xiàn)[14]方法的復(fù)現(xiàn)，而僅選取其提供的在REDD數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果來與本文結(jié)果相比較。

2.8 實(shí)驗(yàn)結(jié)果

本文使用3層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)配合以半運(yùn)行樣本為負(fù)樣本的方法，能夠有效地確定目標(biāo)電器的運(yùn)行區(qū)間和功率。圖3是3種電器功率的分解結(jié)果，（a）、（b）分別為洗碗機(jī)和微波爐一個(gè)完整運(yùn)行區(qū)間的分解結(jié)果，（c）為冰箱多個(gè)完整運(yùn)行區(qū)間的分解結(jié)果。

圖3 3 種電器的功率分解結(jié)果Fig.3 Disaggregation results of three electric appliances

本方法的運(yùn)行步驟如下：1）通過神經(jīng)網(wǎng)絡(luò)對(duì)每個(gè)滑動(dòng)窗口進(jìn)行局部預(yù)測(cè)；2）通過集成的方式對(duì)重疊窗口的預(yù)測(cè)值選取修正中位數(shù)，從而得到原始混合數(shù)據(jù)的分解結(jié)果。表8顯示了每個(gè)電器在每個(gè)步驟上所需時(shí)間，數(shù)據(jù)長(zhǎng)度為100 000個(gè)采樣點(diǎn)（約合3.5 d）。由于模型結(jié)構(gòu)簡(jiǎn)單，運(yùn)行時(shí)間非常短，按本實(shí)驗(yàn)的設(shè)置，每隔1 s采集一次功率，每隔10個(gè)采樣點(diǎn)產(chǎn)生一個(gè)滑動(dòng)窗口，按單次分解平均耗時(shí)3.54 ms計(jì)算，最多可以同時(shí)對(duì)2 824個(gè)電器進(jìn)行功率分解，表明本文方法具有實(shí)時(shí)性。

表8 本文方法對(duì)測(cè)試數(shù)據(jù)的分解耗時(shí)Tab.8 Disaggregation time on test data using the method in this paper

表9顯示了本文模型和文獻(xiàn)[13]、文獻(xiàn)[14]模型在測(cè)試數(shù)據(jù)上的準(zhǔn)確度。在本文的模型中，洗碗機(jī)的結(jié)果最好，F(xiàn)1指標(biāo)可達(dá)到0.83，NEP指標(biāo)可達(dá)到0.37，這是由于其完整運(yùn)行包含的功率變化較復(fù)雜，使其模式較為明顯，而且其他未展示的運(yùn)行區(qū)間差別不大。冰箱的分解效果也比較好，F(xiàn)1指標(biāo)達(dá)到0.72，NEP指標(biāo)達(dá)到0.52，模型可以準(zhǔn)確辨識(shí)大多數(shù)噪音較小的運(yùn)行區(qū)間，估計(jì)值和實(shí)際值幾乎重合。微波爐的F1和NEP指標(biāo)比洗碗機(jī)和冰箱差，分別僅達(dá)到0.65和0.69?？赡苡捎谖⒉t的每次工作時(shí)長(zhǎng)差異太大，且分布較為分散，測(cè)試集中容易出現(xiàn)與訓(xùn)練集差異較大的樣本，導(dǎo)致其分解準(zhǔn)確度次于洗碗機(jī)和冰箱。

表9 算法準(zhǔn)確度對(duì)比Tab.9 Accuracy comparison of algorithms

與文獻(xiàn)[13]、文獻(xiàn)[14]的方法相比，本文的方法在F1和NEP指標(biāo)上對(duì)不同電器都有不同程度的提高?？傮w上，本文方法的F1指標(biāo)和NEP指標(biāo)平均值比文獻(xiàn)[13]提高了35%和51%，比文獻(xiàn)[14]提高了13%和12%。

3 結(jié) 論

針對(duì)分解混合電器能耗的任務(wù)，提出了一種包含改進(jìn)型去噪自編碼器的神經(jīng)網(wǎng)絡(luò)方法。本方法使用3層卷積、2層全連接和3層反卷積的網(wǎng)絡(luò)結(jié)構(gòu)，搭配批標(biāo)準(zhǔn)化處理和ReLU激活，在減少參數(shù)個(gè)數(shù)并提高模型效率的同時(shí)，保證甚至加強(qiáng)了模型提取圖像信息的能力。此外，本文還采用了零值化所有半運(yùn)行訓(xùn)練樣本的創(chuàng)新方法，促使模型更有效地利用神經(jīng)網(wǎng)絡(luò)有限的容量，從而提高模型分解各種電器能耗的準(zhǔn)確度。

由于本文模型僅限于單電器的分解，沒有綜合考慮各種電器單獨(dú)功率和混合功率的關(guān)系，所以還存在較多的不足。未來將開展更多的研究，如研究模型分解小功率電器的能力，在更多的數(shù)據(jù)集上進(jìn)行驗(yàn)證，并嘗試把不同電器的分解網(wǎng)絡(luò)統(tǒng)一到一個(gè)神經(jīng)網(wǎng)絡(luò)中。