DAE模型(NILM的应用)

phoenixlxl

已于 2023-03-16 19:29:57 修改

阅读量2.9k

点赞数 9

CC 4.0 BY-SA版权

分类专栏： NILM 文章标签：深度学习机器学习

于 2023-03-03 20:51:33 首次发布

本文链接：https://blog.youkuaiyun.com/phoenixlxl/article/details/129290013

NILM 专栏收录该内容

4 篇文章

订阅专栏

文章介绍了去噪自编码器(DenoisingAutoencoders,DAE)在能源分解任务中的应用，该任务旨在从其他电器的背景噪声中恢复目标电器的清洁电力需求信号。DAE模型包括1D卷积层和全连接层，通过训练优化参数以减小重建损失。针对窗口重叠导致的低估问题，文章提出了使用中值滤波来改进处理方法，以更准确地保留和重建信号。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、DAE（Denoising Autoencoders)

去噪自编码器

将能量分解任务看作一个去噪任务，即试图从其他电器产生的背景“噪声”中恢复目标电器的“清洁”电力需求信号

自编码器首先将带有噪声的输入x^~映射到一个隐藏的代理层y：

其中x为目标电器的电力信号，x^~为总信号（带有噪声的信号），其余电器的电力信号被看作需要消除的噪声

在解码过程中，将之前获得的隐藏代理y映射回，在输入空间中重构一个d维向量z

$\large z=g_{\theta^{'} }(y)=s(W^{'}y+b^{'})$

LH（x，z）为重建损失，用于测量重建误差。通过训练优化θ和θ’以减小损失

使用一个比输入维度更小的代码层来实现

一种DAE：

1. Input (length determined by appliance duration)

2. 1D conv (filter size=4, stride=1, number of filters=8, activation function=linear, border mode=valid)

3. Fully connected (N=(sequence length) ×8, activation function=ReLU)

4. Fully connected (N=128; activation function=ReLU)

5. Fully connected (N= (sequence length) ×8, activation function=ReLU)

6. 1D conv (filter size=4, stride=1, number of filters=1, activation function=linear, border mode=valid)

第一层使用卷积是希望网络学习低级的特征检测器，能够均衡的应用于整个输入窗口

最后一层是做一个“反褶积( deconvolution)”重建数据

参考：

Neural NILM: Deep Neural Networks Applied to Energy Disaggregation

python代码实现：

        # Creates the DAE model
        model = Sequential()        #搭建神经网络
        # 1D Conv
        model.add(Conv1D(8, 4, activation="linear", input_shape=(time_stamp, 1), padding="same", strides=1))        #第一层要写input_shape
        model.add(Flatten())
        # Fully Connected Layers
        model.add(Dropout(0.2))         #选择一定数量神经元停止工作，增强泛化，减少过拟合
        regu_l1 = l1(1e-4)
        model.add(Dense((time_stamp-0)*16, activation='relu', activity_regularizer=regu_l1))
        model.add(Dropout(0.2))
        model.add(Dense(512, activation='relu'))
        model.add(Dropout(0.2))
        model.add(Dense((time_stamp-0)*16, activation='relu'))
        model.add(Dropout(0.2))
        model.add(Dense((time_stamp-0)*8, activation='relu'))
        # 1D Conv
        model.add(Reshape(((time_stamp-0), 8)))
        model.add(Conv1D(1, 4, activation="linear", padding="same", strides=1))