(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111616875.0 (22)申请日 2021.12.27 (71)申请人 上海梦象智能科技有限公司 地址 201206 上海市浦东 新区临港新片区 环湖西二路8 88号2幢1区5 026室 (72)发明人 张珊珊　 (74)专利代理 机构 上海正旦专利代理有限公司 31200 专利代理师 陆飞　陆尤 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种基于深度学习的设备开关状态检测方 法 (57)摘要 本发明属于非侵入式负荷识别技术领域， 具 体为一种基于深度学习的设备开关状态检测方 法。 本发明对序列 ‑点处理方式进行改进， 即将对 单个点的预测变成对一定目标序列长的预测， 该 目标序列更靠近中点以及中点附近的值， 在保证 较好预测性能的前提下提高预测的效率； 同时引 入用于原始音频信号建模的网络模块， 采用堆叠 空洞卷积来扩 大网络的接收域， 实现对长数据序 列的高效建模并预测输出； 网络模块包括： 回归 网络， 用于对聚合负载数据进行负荷分解， 得到 不同设备的负载数据； 分类网络， 得到相应设备 的负荷状态， 整体输出综合两部分的信息， 得到 更加准确的设备开关状态预测结果。 本发明在非 侵入式设备开关状态 识别方面具有显著优 越性。 权利要求书3页 说明书6页 附图3页 CN 114510992 A 2022.05.17 CN 114510992 A 1.一种基于深度 学习的设备开关状态检测方法， 其特征在于， 在序列 ‑点处理方式基础 上进行改进， 即将对单个点的预测变成对一定目标序列长的预测， 该目标序列更靠近中点 以及中点附近的值， 在保证较好预测性能的前提下提高预测的效率； 同时引入用于原始音 频信号建模的网络模块结构， 采用堆叠空洞卷积来扩大网络的接 收域， 整个网络因为改进 的序列‑点的处理方式而进行并行计算处理， 能够实现对长数据序列的高效建模并预测输 出； 其中， 搭建的网络模块分为两个部分： 一是回归网络， 用于对聚合负载数据进行负荷分 解， 得到不同设备 的负载数据； 一是分类网络， 分类网络的结果得到相应设备 的负荷状态， 网络的整体输出综合两 部分的信息， 得到更加准确的设备开关状态预测结果。 2.根据权利要求1所述的基于深度学习的设备开关状态检测方法， 具体步骤为： 步骤1： 确定 输入数据； 基于采用的网络模型针对的数据为设备运行时所记录的总功率， 固为输入数据采用低 频采样的数据， 包括设备运行时的电流、 电压以及功率相关数据； 网络模型的输入数据为采用滑动 窗口的方式来从长序列数据中获取， 具体是在序列 ‑ 点处理方式上采用改进的方式， 即将对单个点的预测变成对一定目标序列长的预测， 该目 标序列更靠 近中点以及中点附近的值； 步骤2： 数据预处 理； 步骤2.1： 首先， 对于频射问题导致的数据缺失， 采用前向填充， 即将缺失数据段后所记 录的数据复制填充缺失段， 填充的数据段长度不超过三分钟； 对于设备开关所导致的数据 缺失， 采用零 填充， 即将该 段缺失的数据填充为0， 填充的数据长度超过三分钟； 步骤2.2： 准备训练数据， 用于对神经网络进行训练， 训练数据包括长时间序列的聚合 负载数据， 以及对应时间序列的特定设备负载数据， 以便在训练的过程中采用对应的评估 指标来衡量回归网络的性能， 从而调整网络参数， 提升网络的负荷分解能力； 步骤3： 确定网络结构； 网络结构主要由两部分组成， 分为回归子网络和分类子网络， 两部分的主要组成部分 为空洞卷积残差模块， 两部分的输出结果在最后做一个筛选操作， 最终得到与输入长度相 同的序列数据， 序列中每 个时间节点的输出 结果为空或为某一设备开启/关闭状态； 步骤4： 确定 评估指标， 训练网络模型； 步骤4.1： 回归网络模块用于对聚合负载数据进行负荷分解， 网络训练过程中评估的标 准是生成的数据与真实的数据之间的误差， 具体采用平均绝对误差MAE和归一化的信号聚 合误差， 数值越小表示模型分解效果越好； 设T为时间节点数， 和yt分别为时间节点t时的 预测功率和真实功率， r＝∑tyt分别表示某一设备在一定时间段内的预测功率 和真实功率之和， 有： 步骤4.2： 分类网络模块用于对设备开光状态的检测， 在网络的训练过程中所采用的数 据为家庭的负载数据 记录， 由于大多 数家庭电器的使用时间相对于总能耗时间来说分布十 分不均匀， 因此采用基于状态的度量F1分数来衡量模块预测设备状态的能力， 在每个时间 步长中， 如果设备的电源超过预先设定好的功 率阈值， 则考虑其处于开启状态； F1分数可以 看作是精准率P和召回率R的调和平均值， 设TP为预测正确的正样本数， FP为预测为正的负权　利　要　求　书 1/3 页 2 CN 114510992 A 2样本数， FN 为预测为负的正样本数， 则： 步骤5： 得到负荷分解结果， 判断设备开关状态； 经过训练得到的网络模型， 功率数据输入回归 网络， 输出等时间长的负载信号， 即为重 构的目标设备负载信号， 根据该负载信号， 可以判断该设备当前的运行状态， 超过设定阈值 的部分则认定该时间段内设备启动运行； 回归网络模块得到的负荷分解结果是对分类网络 模块分类结果的一个辅助， 对于一些特定 设备的预测负载值大于对应聚合负载值的错误情 况进行过滤， 将该段时间的状态预测结果记为 错误， 从而提升分类结果预测的准确率。 3.根据权利要求2所述的基于深度学习的设备开关状态检测方法， 其特征在于， 步骤1 中所述采用滑动窗口的方式来从长序列数据中获取输入数据， 具体为： 感受野记为L， 目标 域记为r， 每次输入的数据长为L+r ‑1个节点数据； 感受野L大小为255， 目标域r大小为100， 每次输入的数据为354个节点数据； 同时r也为滑动窗口大小， 针对T 时间长度的数据序列， 以r为步长划分出多段数据， 输出为同T长度相同的序列数据， 序列中每个时间节点的输出 结果为空或为某一设备开启/关闭状态。 4.根据权利要求2所述的基于深度学习的设备开关状态检测方法， 其特征在于， 步骤 2.2中所述准备训练数据， 包括： 删除特定设备负载值大于对应聚合负载值的数据段， 减少 监测错误的数据段对网络的影响； 通过确定的设备功率阈值对设备负载数据序列进行二值 化处理， 负载值大于阈值的时间段记 为开启状态， 反之记为关闭状态， 得到对应时间序列的 设备开关状态记录； 在训练的过程中采用对应的评估指标来衡量分类网络的性能， 从而调 整网络参数， 提升网络的状态检测能力。 5.根据权利要求2所述的基于深度学习的设备开关状态检测方法， 其特征在于， 步骤3 中所述空洞卷积残差模块， 其中空洞卷积层由一层空洞卷积构成， 相对于传统的卷积多了 一项超参为空洞率， 即卷积核之间的间隔数量； 输入经过空洞卷积层后得到的输出分为两 部分， 一部分经过tanh函数， 一部分经过sigmoid函数， 然后两部分计算结果进行矩阵对应 位相乘操作后经过一层1x1卷积， 输出同样分为两部分， 一部分直接输出为跨步输出， 一部 分与残差模块 最初的输入相加得到残差 输出； 所述回归子网络， 自输入端至输出端首先有堆叠6层空洞卷积残差模块， 由空洞卷积残 差模块的结构可知， 除最后一层残差模块， 每一层 模块的残差输出输入到下一层 模块， 同时 除第一层残差模块， 每一层模块的跨步输出都与上一层的跨步输出相加传递至下一层； 最 后一层相加的跨步输出结果先经过ReLU函数， 再经过一层1x1卷积， 随后经过一层 全连接层 得到回归子网络的最终输出； 所述分类子网络， 网络的前半部分同回归子网络相同， 自输入端至输出端首先有堆叠6 层空洞卷积残差模块， 由空洞卷积残差模块的结构可知， 除最后一层残差模块， 每一层 模块 的残差输出输入到下一层模块， 同时除第一层残差模块， 每一层模块的跨步输出都与上一 层的跨步输出相加传递至下一层； 最后一层相加的跨步输出结果先经过ReLU函数， 再经过 一层1x1卷积； 后接两层门控循环单元， 门控循环单元是简化参数数量的长短期记忆网络， 用来对序列前后信息获取依赖； 随后接一层 全连接层， 最后经过Sigmoid函数得到 分类子网 络的最终输出。权　利　要　求　书 2/3 页 3 CN 114510992 A 3