裘 星, 尹仕紅, 張之涵, 謝智偉,江敏豐, 郭興林, 楊建明, 鄭建勇

(1.深圳供電局有限公司, 廣東 深圳 440304;2.東南大學(xué) 電氣工程學(xué)院, 江蘇 南京 210096)

0 引 言

隨著電網(wǎng)智能化發(fā)展的要求,以及響應(yīng)國(guó)家能源發(fā)展“碳達(dá)峰,碳中和”的戰(zhàn)略部署。非侵入式負(fù)荷識(shí)別在電網(wǎng)智能化發(fā)展和降低電能消耗,實(shí)現(xiàn)能源最大化利用方面有著重要的作用,利用非侵入式負(fù)荷識(shí)別技術(shù)能夠預(yù)測(cè)居民用戶(hù)在不同時(shí)刻的用電負(fù)荷,有利于電網(wǎng)系統(tǒng)上游發(fā)電節(jié)點(diǎn)做出預(yù)處理。在用電高峰時(shí),根據(jù)負(fù)荷預(yù)測(cè)的結(jié)果制定分時(shí)電價(jià)引導(dǎo)居民錯(cuò)峰用電,以達(dá)到電網(wǎng)“削峰填谷”的效果。但是在非侵入式負(fù)荷預(yù)測(cè)的研究過(guò)程中發(fā)現(xiàn),在對(duì)于居民用戶(hù)的用電負(fù)荷的采集過(guò)程中,由于用戶(hù)的生活方式?jīng)Q定了有些負(fù)荷屬于常用負(fù)荷,有些負(fù)荷屬于非常用負(fù)荷,所以對(duì)于常用負(fù)荷其采集到的樣本數(shù)量較為豐富,而對(duì)于非常用負(fù)荷其樣本數(shù)量自然相對(duì)較少[1-2]。這會(huì)導(dǎo)致在利用神經(jīng)網(wǎng)絡(luò)算法對(duì)其進(jìn)行訓(xùn)練過(guò)程中出現(xiàn)過(guò)擬合和欠擬合的現(xiàn)象,對(duì)于負(fù)荷的識(shí)別效果產(chǎn)生不利影響。為了解決該問(wèn)題,本文提出了一種基于改進(jìn)輔助分類(lèi)器的生成對(duì)抗網(wǎng)絡(luò)(Auxiliary Classifier Generative Adversarial Networks,ACGAN)樣本擴(kuò)充模型,用于提高非常用負(fù)荷的樣本數(shù)量以此改善非侵入式負(fù)荷識(shí)別樣本質(zhì)量[3]。

生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networks,GAN)通過(guò)對(duì)比生成的圖片與真實(shí)圖片的相似性,不斷優(yōu)化生成器和判別器的質(zhì)量,從而產(chǎn)生越來(lái)越接近真實(shí)樣本的數(shù)據(jù)[4-5]。文獻(xiàn)[6]基于一種改進(jìn)的LMV-GCGAN模型,用于動(dòng)漫頭像生成,并且產(chǎn)生樣本以外的頭像。文獻(xiàn)[7]通過(guò)將真實(shí)圖片分解為RGB三通道,并通過(guò)GAN將三通道對(duì)比清晰圖像進(jìn)行噪點(diǎn)優(yōu)化。文獻(xiàn)[8]利用DCGAN對(duì)風(fēng)機(jī)軸承故障樣本進(jìn)行擴(kuò)充,解決樣本不均衡問(wèn)題,并運(yùn)用擴(kuò)充后的樣本對(duì)軸承進(jìn)行故障檢測(cè)。在非侵入式負(fù)荷分解方面,文獻(xiàn)[9]用卷積神經(jīng)網(wǎng)絡(luò)對(duì)居民用戶(hù)的用電樣本進(jìn)行訓(xùn)練和預(yù)測(cè),具有不錯(cuò)的識(shí)別效果。文獻(xiàn)[10]對(duì)負(fù)荷的電壓、電流等用電單數(shù)進(jìn)行預(yù)處理生成V-I軌跡圖形,并運(yùn)用神經(jīng)網(wǎng)絡(luò)對(duì)負(fù)荷的V-I軌跡特征進(jìn)行辨識(shí),達(dá)到不錯(cuò)的識(shí)別效果。上述方法雖然能夠利用現(xiàn)有的樣本集對(duì)負(fù)荷進(jìn)行訓(xùn)練和預(yù)測(cè),但是對(duì)于樣本數(shù)量較少的負(fù)荷識(shí)別效果仍然不佳,而且在利用原始ACGAN模型對(duì)樣本數(shù)據(jù)進(jìn)行擴(kuò)充過(guò)程訓(xùn)練過(guò)程中,由于模型的損失函數(shù)的關(guān)系在迭代過(guò)程中容易發(fā)生梯度消失等問(wèn)題,故需要花費(fèi)大量的計(jì)算資源去調(diào)整模型參數(shù)來(lái)優(yōu)化模型結(jié)構(gòu)。

本文受到ACGAN能夠?qū)颖具M(jìn)行擴(kuò)充的啟發(fā),在非侵入式負(fù)荷識(shí)別中,利用ACGAN模型對(duì)居民用戶(hù)用電負(fù)荷中樣本數(shù)量相對(duì)較少的樣本集進(jìn)行擴(kuò)充,并運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)對(duì)擴(kuò)充后的樣本進(jìn)行負(fù)荷的訓(xùn)練和分類(lèi)。針對(duì)原始ACGAN模型在訓(xùn)練過(guò)程中容易出現(xiàn)梯度消失的問(wèn)題,提出一種在模型判別器的損失函數(shù)中添加一類(lèi)梯度懲罰函數(shù),在模型的訓(xùn)練過(guò)程中更容易達(dá)到納什均衡,生成的樣本更接近真實(shí)樣本數(shù)據(jù)。最后,利用非侵入式負(fù)荷識(shí)別的公共數(shù)據(jù)集PLAID對(duì)本文所提方法進(jìn)行驗(yàn)證,證實(shí)了該方法的有效性[11-12]。

1 改進(jìn)ACGAN算法

1.1 CGAN網(wǎng)絡(luò)

GAN自提出以來(lái)得到廣泛的應(yīng)用以及對(duì)該神經(jīng)網(wǎng)絡(luò)的改進(jìn)優(yōu)化[13-14]。GAN屬于無(wú)監(jiān)督學(xué)習(xí)模型,模型主要由兩個(gè)部分構(gòu)成:生成器G和判別器D,兩個(gè)模塊的作用可理解為一種相互博弈的過(guò)程,其博弈過(guò)程的目標(biāo)函數(shù)為

Ez～Pz[log2(1-D(G(z)))]

(1)

式中:V(D,G)——優(yōu)化的目標(biāo)函數(shù);

x——真實(shí)數(shù)據(jù)(真實(shí)圖片);

z——生成器生成的數(shù)據(jù)(圖片);

Pdata——真實(shí)圖片的分布函數(shù);

Pz——生成圖片的分布函數(shù);

D(x)——真實(shí)圖片的概率分布函數(shù);

G(z)——生成圖片的概率分布函數(shù)。

AGN的訓(xùn)練過(guò)程中,首先通過(guò)生成器G生成一組隨機(jī)的噪聲,然后判別器通過(guò)比較與真實(shí)數(shù)據(jù)之間的差異判斷生成器當(dāng)前所生成的是否為真實(shí)值。在優(yōu)化迭代的過(guò)程中先固定判別器,通過(guò)生成器不斷產(chǎn)生的生成數(shù)據(jù)與真實(shí)數(shù)據(jù)的差異來(lái)優(yōu)化生成器,然后通過(guò)固定生成器來(lái)不斷優(yōu)化判別器,是一個(gè)優(yōu)化迭代過(guò)程[15-17]。當(dāng)生成器隨機(jī)生成的一組數(shù)據(jù)通過(guò)判別器判定之后,與真實(shí)值的差異達(dá)到一定閾值可判定優(yōu)化成功,在優(yōu)化迭代的過(guò)程中生成器和判別器的損失函數(shù)分別為

式中:LG、LD——生成器的損失函數(shù)和判別器的損失函數(shù)。

盡管GAN不需要復(fù)雜的馬爾可夫鏈,且能夠產(chǎn)生比較貼近真實(shí)的樣本數(shù)據(jù),但是GAN的訓(xùn)練不穩(wěn)定容易存在梯度消失等問(wèn)題[18]。條件GAN(Conditional Generative Adversarial Networks,CGAN)作為一種GAN的變體,在GAN的基礎(chǔ)上加了一個(gè)條件信息,從而實(shí)現(xiàn)條件生成模型,損失函數(shù)的目標(biāo)函數(shù)為

Ez～Pz[log2(1-D(G(z|y)))]

(4)

由式(4)可見(jiàn),CGAN是在生成器和判別器上分別增加了條件信息y,在生成器中采用類(lèi)別標(biāo)簽和進(jìn)行組合作為生成器的輸入;在判別器中通用采用類(lèi)別標(biāo)簽和圖像數(shù)據(jù)進(jìn)行組合作為判別器的輸入。原始的GAN神經(jīng)網(wǎng)絡(luò)輸入無(wú)監(jiān)督學(xué)習(xí),CGAN在GAN基礎(chǔ)上加入條件信息后可視為有監(jiān)督學(xué)習(xí),能夠改善GAN神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中的不穩(wěn)定性和梯度消失的問(wèn)題[19-20]。

1.2 改進(jìn)ACGAN網(wǎng)絡(luò)

ACGAN的核心思想就是在原有的GAN模型的基礎(chǔ)上添加了分類(lèi)損失,其判別器的損失為

LD=LS+LC

(5)

真假判斷損失和分類(lèi)損失為

式中:LS、LC——真假判斷損失和分類(lèi)損失;

real|xreal——當(dāng)為真實(shí)數(shù)據(jù)時(shí)C的值;

c|xfake——生成數(shù)據(jù)時(shí)C的值。

而生成器的損失函數(shù)為

LD=LC-LS

(8)

其真假判斷損失和分類(lèi)損失的計(jì)算式為

LS=E[logP(S=fake|xfake)]

(9)

LC=E[logP(C=c|xfake)]

(10)

為了解決原始ACGAN在訓(xùn)練過(guò)程中梯度容易消失的問(wèn)題[21],本文引入了梯度懲罰的概念,在原始損失函數(shù)的基礎(chǔ)上添加一個(gè)梯度懲罰公式。該梯度懲罰公式定義為

(11)

因此在原有ACGAN模型的損失函數(shù)基礎(chǔ)上,改進(jìn)后損失的ACGAN模型的損失函數(shù)為

在判別真假損失函數(shù)上,添加梯度懲罰函數(shù)之后,判別器和生成器在相互優(yōu)化過(guò)程中梯度下降更快,更容易達(dá)到納什均衡[22]。

2 模型的框架及訓(xùn)練

2.1 模型框架

使用ACGAN模型作為生成非侵入式負(fù)荷識(shí)別中不同負(fù)荷的樣本,補(bǔ)充負(fù)荷中補(bǔ)償用負(fù)荷的樣本數(shù)量,以改善其樣本不均衡問(wèn)題。在非侵入式負(fù)荷識(shí)別過(guò)程中,通過(guò)智能裝備(如智能電表)檢測(cè)并獲取居民用戶(hù)用電負(fù)荷的相關(guān)數(shù)據(jù),并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理、提取特征,然后運(yùn)用神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)等方法對(duì)特征負(fù)荷特征進(jìn)行辨識(shí),從而達(dá)到負(fù)荷辨識(shí)的效果。但是在實(shí)際的數(shù)據(jù)采集過(guò)程中,由于居民用戶(hù)用電習(xí)慣的原因,存在常用負(fù)荷和非常用負(fù)荷之分,如冰箱、微波爐等為常用負(fù)荷,吹風(fēng)機(jī)、烤箱等為非常用負(fù)荷。因此,在實(shí)際檢測(cè)到的居民用電數(shù)據(jù)中存在數(shù)據(jù)樣本不均衡問(wèn)題,本文通過(guò)采用ACGAN對(duì)樣本進(jìn)行擴(kuò)充,原始的GAN對(duì)于居民用戶(hù)樣本數(shù)據(jù)的擴(kuò)充過(guò)程如圖1所示。

圖1 原始的GAN對(duì)于居民用戶(hù)樣本數(shù)據(jù)的擴(kuò)充過(guò)程

CGAN中第一代生成器G1隨機(jī)生成一組質(zhì)量較差的圖片,隨之第一代判別器D1把生成的圖片與真實(shí)圖片進(jìn)行比較后進(jìn)行分類(lèi),可以將判別器視為二分類(lèi)器,對(duì)于真實(shí)的圖片輸入為1,生成的圖片輸出為0,接著開(kāi)始生成第二輪的圖片,相較于第一輪生成器生成的圖片更加接近于真實(shí)圖片,直至迭代n次后生成器Gn生成的圖片判別器Dn無(wú)法判別生成圖片的真假。本文通過(guò)實(shí)際居民用電數(shù)據(jù)運(yùn)用CGAN生成的樣本數(shù)據(jù),在訓(xùn)練過(guò)程中發(fā)現(xiàn)相同參數(shù)條件下訓(xùn)練過(guò)程不穩(wěn)定,最終生成的樣本數(shù)據(jù)較真實(shí)樣本圖片數(shù)據(jù)差距明顯,即使增加Epoch次數(shù)改善效果依然不明顯。因此,本文采用ACGAN模型并在ACGAN基礎(chǔ)上進(jìn)行一定改進(jìn),以適應(yīng)居民用戶(hù)用電負(fù)荷的樣本數(shù)據(jù)。改進(jìn)ACGAN模型如圖2所示。

圖2 改進(jìn)ACGAN模型

該模型中生成器生成的圖片由隨機(jī)噪聲Z和預(yù)分類(lèi)器C產(chǎn)生一組隨機(jī)數(shù)據(jù),在生成器G中經(jīng)過(guò)一系列逆卷積運(yùn)算將一維的隨機(jī)噪聲生成二維的圖片,逆卷積的過(guò)程也可成為采樣過(guò)程,是提高樣本精度的一種重要方法。其中生成器中卷積核的大小和卷積次數(shù)根據(jù)所需要生成樣本的大小和樣本像素要求決定。本文選取的PLAID樣本數(shù)據(jù)集中生成的樣本圖片大小要求為226×226×3,經(jīng)過(guò)總結(jié),逆卷積運(yùn)算輸出圖片大小的計(jì)算公式為Hout=(Hin-1)·stride-2·padding+kernel_size。本文設(shè)置4個(gè)卷積核,其中前3個(gè)卷積核的參數(shù)相同,stride為1,kernel為3,padding為1;最后一個(gè)卷積核大小根據(jù)樣本大小(226×226×3)調(diào)整為stride為1,kernel為5,padding為1。本文所用的樣本最終要轉(zhuǎn)換成帶有顏色空間的電壓-電流軌跡的顏色空間圖片,經(jīng)過(guò)MATLAB自帶的Pcolor顏色編碼器處理的數(shù)據(jù)必須是0～1的數(shù)據(jù),因此對(duì)于生成器生成的圖片數(shù)據(jù)要進(jìn)行歸一化處理。本文對(duì)于ACGAN網(wǎng)絡(luò)的訓(xùn)練采用Python語(yǔ)言Pytorch包中自帶的歸一化函數(shù)Sigmoid。判別器與生成器的網(wǎng)絡(luò)結(jié)構(gòu)呈現(xiàn)對(duì)稱(chēng)結(jié)構(gòu),其中卷積核大小stride、paddding等完全相同,判別器中圖片大小必須保持與生成器中圖片相同,不同在于生成器所使用的計(jì)激活函數(shù)為ReLU,而判別器使用的激活函數(shù)為L(zhǎng)eakyReLU。

2.2 模型訓(xùn)練

在ACGAN模型結(jié)構(gòu)的基礎(chǔ)上,對(duì)模型進(jìn)行訓(xùn)練,主要分為兩個(gè)部分:生成器的訓(xùn)練和判別器的訓(xùn)練。在對(duì)生成器訓(xùn)練時(shí),需要固定判別器的參數(shù);在訓(xùn)練判別器時(shí),需要固定生成器的參數(shù)。

(1)在訓(xùn)練判別器時(shí),用Pytorch包中detach函數(shù)進(jìn)行計(jì)算圖截?cái)?目的是為了在方向傳播過(guò)程中不把梯度傳遞到生成器中,這是由于在訓(xùn)練判別器時(shí)要求生成器的所有結(jié)構(gòu)和參數(shù)保持不變,因此過(guò)程中不需要生成器的梯度。

(2)在訓(xùn)練判別器時(shí),需要進(jìn)行兩次反向傳播,如果判別器判定圖片為假時(shí)輸出為0,判定為真時(shí)輸出為1;或者將兩次判別數(shù)據(jù)傳遞到bantch中。然后bantch對(duì)輸入的數(shù)據(jù)分別做向前傳播和向后傳播。

在完成對(duì)模型的訓(xùn)練后,需要對(duì)結(jié)果進(jìn)一步可視化處理。在數(shù)據(jù)可視化的過(guò)程中,對(duì)于初始輸入的隨機(jī)噪聲數(shù)據(jù)都是固定的,在完成上述步驟后就完成一次迭代過(guò)程,通過(guò)嘗試選取500次迭代以及生成器和判別器的學(xué)習(xí)率都為0.000 1,經(jīng)過(guò)訓(xùn)練后產(chǎn)生的樣本數(shù)據(jù)滿(mǎn)足非侵入式負(fù)荷識(shí)別中電壓-電流軌跡圖的精度要求。

3 實(shí)驗(yàn)分析

3.1 樣本分析

本文選取的數(shù)據(jù)集為非侵入式負(fù)荷識(shí)別公共數(shù)據(jù)集PLAID。該數(shù)據(jù)集記錄了美國(guó)55個(gè)家庭居民用戶(hù)用電數(shù)據(jù),包含1 793組用電數(shù)據(jù)和11種不同電器。在對(duì)樣本數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析時(shí)發(fā)現(xiàn),樣本集中不同用電器的數(shù)量分布不均,對(duì)于進(jìn)一步的負(fù)荷識(shí)別造成一定影響。樣本種類(lèi)及數(shù)量分布如圖3所示。

圖3 樣本種類(lèi)及數(shù)量分布

圖3中,該11類(lèi)負(fù)荷中平均樣本數(shù)量為160,冰箱、加熱器、吸塵器、洗衣機(jī)等電器的樣本數(shù)量相對(duì)較少。在采用樣本擴(kuò)充之前,本文采用深度學(xué)習(xí)及神經(jīng)網(wǎng)絡(luò)對(duì)該模型進(jìn)行訓(xùn)練和測(cè)試,對(duì)比不同神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中的訓(xùn)練集和測(cè)試集的擬合情況,并將該擬合情況作為判定樣本數(shù)據(jù)在采用神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)樣本不均衡的判斷依據(jù)。本文通過(guò)卷積神經(jīng)網(wǎng)絡(luò)(CNN)和改進(jìn)性卷積神經(jīng)網(wǎng)絡(luò)(Alexnet)對(duì)該樣本集進(jìn)行訓(xùn)練和測(cè)試。樣本集在神經(jīng)網(wǎng)絡(luò)中的訓(xùn)練過(guò)程如圖4所示。

圖4 樣本集在神經(jīng)網(wǎng)絡(luò)中的訓(xùn)練過(guò)程

由圖4可見(jiàn),該樣本集在訓(xùn)練過(guò)程中驗(yàn)證曲線與訓(xùn)練曲線之間的擬合情況較差。為了測(cè)試本文所提方法的有效性,接下來(lái)對(duì)該樣本數(shù)量進(jìn)行訓(xùn)練擴(kuò)充,并對(duì)比原始ACGAN訓(xùn)練方法擴(kuò)充的樣本質(zhì)量,證明該方法的有效性。本文仿真計(jì)算的硬件配置為Intel(R)Core(TM)i5-10210U CPU@1.60 GHz 2.11 GHz內(nèi)存16 GB,軟件采用Python公共平臺(tái)Pycharm以及公共數(shù)據(jù)資源包Pytorch進(jìn)行仿真分析。

3.2 樣本擴(kuò)充過(guò)程

本文參考文獻(xiàn)[26]的方法對(duì)PLAID數(shù)據(jù)集進(jìn)行負(fù)荷特征的構(gòu)建,構(gòu)建后樣本負(fù)荷的V-I軌跡特征圖如圖5所示。

圖5 構(gòu)建后樣本負(fù)荷的V-I軌跡特征圖

為了將具有該V-I軌跡特征的樣本圖片數(shù)量進(jìn)行擴(kuò)充并驗(yàn)證本文所提方法的有效性,通過(guò)CGAN模型和改進(jìn)ACGAN模型對(duì)樣本進(jìn)行訓(xùn)練。訓(xùn)練過(guò)程中兩種模型的相關(guān)參數(shù)保持一致。訓(xùn)練模型相關(guān)參數(shù)如表1所示。

表1 訓(xùn)練模型相關(guān)參數(shù)

訓(xùn)練過(guò)程中,對(duì)兩種模型的訓(xùn)練效果作對(duì)比。本文選取其中第1次噪聲以及第100次迭代后和第200次迭代后生成器生成的圖進(jìn)行對(duì)比。CGAN樣本訓(xùn)練過(guò)程如圖6所示;改進(jìn)ACGAN樣本訓(xùn)練過(guò)程如圖7所示。

圖6 CGAN樣本訓(xùn)練過(guò)程

圖7 改進(jìn)ACGAN樣本訓(xùn)練過(guò)程

由生成的樣本數(shù)據(jù)圖片可見(jiàn),生成器產(chǎn)生的初始噪聲一致,但是在迭代運(yùn)算過(guò)程中由于改進(jìn)ACGAN網(wǎng)絡(luò)添加了一個(gè)梯度懲罰過(guò)程,其梯度下降過(guò)程會(huì)更加顯著,識(shí)別的準(zhǔn)確率上升過(guò)程更加快速。ACGAN模型和改進(jìn)ACGAN模型樣本訓(xùn)練過(guò)程如圖8所示。由圖8可見(jiàn)判別器識(shí)別準(zhǔn)確率的變化過(guò)程。

圖8 ACGAN模型改進(jìn)ACGAN模型樣本訓(xùn)練過(guò)程

3.3 樣本擴(kuò)充后識(shí)別效果對(duì)比

運(yùn)用上述方法將PLAID數(shù)據(jù)集的樣本擴(kuò)充完后,對(duì)擴(kuò)充后的樣本采用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷的辨識(shí),采用原始ACGAN網(wǎng)絡(luò)生成的樣本集和本文所提改進(jìn)ACGAN網(wǎng)絡(luò)生成的樣本集進(jìn)行比較分析。本文采用混淆矩陣對(duì)負(fù)荷辨識(shí)的結(jié)果進(jìn)行評(píng)判,在混淆矩陣中定義:準(zhǔn)確率ACC為分類(lèi)正確的數(shù)量占總分類(lèi)數(shù)量比值,即

(14)

式中:N——樣本的總數(shù)量;

m——被神經(jīng)網(wǎng)絡(luò)分類(lèi)正確的數(shù)量。

準(zhǔn)確率P和召回率R的計(jì)算式分別為

(15)

(16)

式中:TP——被神經(jīng)網(wǎng)絡(luò)判斷為正確的樣本,而且實(shí)際上是正確樣本的數(shù)量;

FP——被神經(jīng)網(wǎng)絡(luò)識(shí)別為正確的樣本,但實(shí)際上是非正確樣本的數(shù)量;

TN——被神經(jīng)網(wǎng)絡(luò)識(shí)別為非正確的樣本,而且實(shí)際上是非正確樣本的數(shù)量;

FN——被神經(jīng)網(wǎng)絡(luò)識(shí)別為非正確樣本,但實(shí)際上是正確樣本的數(shù)量[23-25]。

為了對(duì)識(shí)別的效果有更加客觀評(píng)價(jià),引入準(zhǔn)確率和召回率的調(diào)和平均數(shù)Fscore,即

(17)

將ACGAN原始模型生成的樣本和本文提供的改進(jìn)ACGAN模型生成的樣本,通過(guò)AlexNet神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試。原始ACGAN樣本的辨識(shí)結(jié)果如圖9所示;改進(jìn)ACGAN樣本的辨識(shí)結(jié)果如圖10所示。

圖9 原始ACGAN樣本的辨識(shí)結(jié)果

圖10 改進(jìn)ACGAN樣本的辨識(shí)結(jié)果

由圖9和圖10可見(jiàn),改進(jìn)后的ACGAN生成的樣本在經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的辨識(shí),其效果比原始ACGAN模型生成的樣本的識(shí)別效果更好,對(duì)于樣本數(shù)量較少負(fù)荷(冰箱、洗衣機(jī)、加熱器、吸塵器)的改善效果尤甚。

4 結(jié) 語(yǔ)

本文針對(duì)非侵入式負(fù)荷識(shí)別中樣本分布不均衡問(wèn)題,提出了一種改進(jìn)ACGAN模型對(duì)樣本的數(shù)據(jù)進(jìn)行擴(kuò)充,該模型在原有CGAN和ACGAN的基礎(chǔ)上對(duì)模型的損失函數(shù)作出改進(jìn),使用梯度懲罰來(lái)代替權(quán)值剪切,避免了在模型訓(xùn)練過(guò)程中容易出現(xiàn)的梯度消失等問(wèn)題,并運(yùn)用擴(kuò)充后的樣本進(jìn)行特征的提取,然后進(jìn)行負(fù)荷的識(shí)別,對(duì)比分析擴(kuò)充樣本之前和擴(kuò)充樣本后的識(shí)別效果,實(shí)驗(yàn)證明了本文所提方法的有效性。