基于條件生成對(duì)抗網(wǎng)絡(luò)的非侵入式負(fù)荷分解

成貴學(xué)，陳博野，趙晉斌，費(fèi)敏銳

（1.上海電力大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，上海 200090；2.上海電力大學(xué)電氣工程學(xué)院，上海 200090；3.上海大學(xué)機(jī)電工程與自動(dòng)化學(xué)院，上海 200072）

構(gòu)建智能用電策略是智能電網(wǎng)[1]適應(yīng)新時(shí)代生產(chǎn)生活的迫在需求，智能用電策略對(duì)于改善居民用戶用電方式，減少電能消耗具有重要作用。智能用電策略制定的關(guān)鍵是了解用電用戶電器設(shè)備的耗能分配與使用習(xí)慣。傳統(tǒng)的負(fù)荷分解采用在各用電器接口處安裝傳感器的方式直接監(jiān)測(cè)用電情況。1992 年，Hart 提出非侵入式負(fù)荷監(jiān)測(cè)技術(shù)NILM（non-intrusive load monitoring），相比之下，這是一種經(jīng)濟(jì)便利的監(jiān)測(cè)方法[2]。隨著大數(shù)據(jù)技術(shù)、人工智能算法的進(jìn)步，以及智能電網(wǎng)、能源互聯(lián)網(wǎng)[3]戰(zhàn)略的推進(jìn)，非侵入式負(fù)荷分解NILD（non-intru?sive load disaggregation）作為需求側(cè)精細(xì)化能量管理的關(guān)鍵技術(shù)逐漸成為研究熱點(diǎn)。

國(guó)內(nèi)外研究者針對(duì)非侵入式負(fù)荷分解問題已經(jīng)做了大量的研究。按照負(fù)荷數(shù)據(jù)的采樣頻率，可分為高頻數(shù)據(jù)和低頻數(shù)據(jù)兩大類，其中高頻數(shù)據(jù)包含總諧波畸變率、電壓噪聲和V-I軌跡這些狀態(tài)信息。文獻(xiàn)[4]將總諧波失真系數(shù)作為特征，提出一種改進(jìn)的動(dòng)態(tài)粒子群尋優(yōu)算法，解決了過(guò)早收斂的缺陷，負(fù)荷辨識(shí)準(zhǔn)確率顯著提升；文獻(xiàn)[5]采用主成分分析法對(duì)電網(wǎng)絡(luò)數(shù)據(jù)降維后，利用Fisher 有監(jiān)督判別算法對(duì)負(fù)荷數(shù)據(jù)實(shí)現(xiàn)有效分離。然而獲取高頻數(shù)據(jù)必須安裝多個(gè)量測(cè)設(shè)備獲取監(jiān)測(cè)數(shù)據(jù)[6]，這會(huì)大大加重用戶的使用成本。

有學(xué)者結(jié)合機(jī)器學(xué)習(xí)的方法，提出了K近鄰[6]、支持向量機(jī)[8]、隱馬爾可夫模型HMM（hidden Mar?kov model）[9]等分解方法。文獻(xiàn)[10]以電器電流序列與總電流序列的歐式距離為目標(biāo)，對(duì)鳥群算法進(jìn)行改進(jìn)，達(dá)到識(shí)別負(fù)荷以及估測(cè)電器電流的目的，但是對(duì)于電流幅值較小的電器效果并不理想。2014年Batra 和Kelly 等對(duì)模型進(jìn)行組合，實(shí)現(xiàn)了組合優(yōu)化CO（combinatorial optimization）方法和因子隱馬爾可夫模型FHMM（factorial hidden Markov model）算法以提高非侵入式監(jiān)測(cè)準(zhǔn)確率，并做成了工具包NILMTK 作為非侵入式監(jiān)測(cè)準(zhǔn)確率的對(duì)比算法[11]，但是組合模型的計(jì)算效率不高，無(wú)法處理復(fù)雜數(shù)據(jù)。

隨著人工智能的不斷發(fā)展，已經(jīng)有學(xué)者將一些已經(jīng)在圖像識(shí)別、自然語(yǔ)言處理中成熟使用的深度學(xué)習(xí)模型應(yīng)用到負(fù)荷分解的研究中。文獻(xiàn)[12]應(yīng)用了長(zhǎng)短期記憶LSTM（long short term memory）網(wǎng)絡(luò)、去噪自編碼器DAE（denoising autoencoder）以及卷積神經(jīng)網(wǎng)絡(luò)CNN（convolutional neural network），是深度學(xué)習(xí)在非侵入式負(fù)荷分解中的開創(chuàng)性應(yīng)用，其效果較傳統(tǒng)方法大有提升；文獻(xiàn)[13]對(duì)去噪自編碼器的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行了研究，通過(guò)使用中值濾波器重新組合負(fù)荷分解的輸出來(lái)改進(jìn)算法；文獻(xiàn)[14]使用滑動(dòng)窗口的方法，提出了一種序列到點(diǎn)的卷積神經(jīng)網(wǎng)絡(luò)模型，能使神經(jīng)網(wǎng)絡(luò)將其表征能力集中在窗口中點(diǎn)，從而產(chǎn)生更準(zhǔn)確的分解；文獻(xiàn)[15]提出采用深度卷積生成對(duì)抗網(wǎng)絡(luò)進(jìn)行負(fù)荷分解，并且使用有類別判斷的輔助分類器生成對(duì)抗網(wǎng)絡(luò)進(jìn)行改進(jìn)，盡管效果沒有明顯提升，但是表明了生成對(duì)抗網(wǎng)絡(luò)在負(fù)荷分解中的應(yīng)用前景。

為了進(jìn)一步提高深度學(xué)習(xí)方法在非侵入式負(fù)荷分解領(lǐng)域的效果，本文將圖像翻譯模型Pix2pix 引入到負(fù)荷分解算法中，提出一種基于條件生成對(duì)抗網(wǎng)絡(luò)的非侵入式負(fù)荷分解方法。該模型包含兩個(gè)相互競(jìng)爭(zhēng)的神經(jīng)網(wǎng)絡(luò)模型，不斷學(xué)習(xí)真實(shí)樣本分布的生成器，判斷訓(xùn)練樣本來(lái)自真實(shí)樣本還是生成樣本的判別器。通過(guò)兩個(gè)模型不斷地對(duì)抗訓(xùn)練，最終生成器產(chǎn)生令判別器無(wú)法辨別真?zhèn)蔚呢?fù)荷序列，從而達(dá)到負(fù)荷分解的目的。利用英國(guó)UK-dale數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練與測(cè)試，并與DAE，LSTM，Seq2point幾種算法進(jìn)行比較，驗(yàn)證本文所提模型的優(yōu)越性。

1 生成對(duì)抗網(wǎng)絡(luò)

1.1 原始生成對(duì)抗網(wǎng)絡(luò)

2014 年，Goodfellow 等[16]提出了一種通過(guò)對(duì)抗訓(xùn)練來(lái)評(píng)估生成模型的新框架——生成對(duì)抗網(wǎng)絡(luò)GAN（generative adversarial network）。GAN的主要構(gòu)思來(lái)源于博弈論中零和博弈的思想，由一個(gè)生成器G（generator）和一個(gè)判別器D（discriminator）構(gòu)成，如圖1所示。生成器的目的是學(xué)習(xí)真實(shí)樣本的分布，生成相似度逼近真實(shí)樣本的生成樣本，而判別器的作用則是判斷輸入的樣本是生成樣本還是真實(shí)樣本。生成器和判別器不斷地對(duì)抗訓(xùn)練，盡可能地提高判別器準(zhǔn)確判斷出數(shù)據(jù)是生成樣本還是真實(shí)樣本的能力，最終目的是達(dá)到生成器的生成數(shù)據(jù)與真實(shí)數(shù)據(jù)的相似度最大化。訓(xùn)練過(guò)程可以看作是關(guān)于函數(shù)V(G,D)的極小化極大的博弈問題，表示為

圖1 GAN 網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.1 Architecture of GAN model

式中：Pdata(x)為真實(shí)數(shù)據(jù)分布；D(x)為判別器判斷輸入數(shù)據(jù)為真實(shí)數(shù)據(jù)的概率；x為真實(shí)樣本；z為輸入生成器中的隨機(jī)噪聲；Pz(z)為生成數(shù)據(jù)分布；G(z)為生成器在隨機(jī)噪聲作用下的生成數(shù)據(jù)。

訓(xùn)練流程通常是先初始化判別器和生成器的參數(shù)，生成器生成樣本后固定生成器，訓(xùn)練判別器盡可能地準(zhǔn)確判別真實(shí)數(shù)據(jù)和生成數(shù)據(jù)。對(duì)判別器更新若干次后，固定判別器，更新生成器參數(shù)，訓(xùn)練生成器盡可能減小生成數(shù)據(jù)與真實(shí)數(shù)據(jù)之間的差異。如此交替迭代，直至模型趨于穩(wěn)定。

Goodfellow等[16]證明了當(dāng)且僅當(dāng)Pz=Pdata時(shí)，極大極小化的雙方博弈問題存在全局最優(yōu)解，即達(dá)到納什均衡，此時(shí)生成器學(xué)會(huì)了與真實(shí)樣本Pdata的近似的概率分布，使得判別器的準(zhǔn)確率穩(wěn)定停留在1/2上。

1.2 條件生成對(duì)抗網(wǎng)絡(luò)

原始GAN 對(duì)于生成器幾乎沒有任何約束，使得生成過(guò)程過(guò)于自由。條件生成對(duì)抗網(wǎng)絡(luò)CGAN（conditional generative adversarial network）改善了GAN過(guò)于自由的問題，使網(wǎng)絡(luò)朝著既定的方向生成樣本，是個(gè)對(duì)GAN 進(jìn)行條件約束的GAN 變種網(wǎng)絡(luò)[17]。CGAN 的網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示，其生成器和判別器的輸入多了一個(gè)約束項(xiàng)y，該約束項(xiàng)可以是一個(gè)類別標(biāo)簽，也可以是部分?jǐn)?shù)據(jù)屬性。CGAN 目標(biāo)函數(shù)為

圖2 CGAN 網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.2 Architecture of CGAN model

2 Pix2pix 框架下的非侵入式負(fù)荷分解模型

2.1 Pix2pix 框架結(jié)構(gòu)

Phillip 于2017 年 提 出 一 種Pix2pix 的 網(wǎng) 絡(luò) 架構(gòu)[18]，在圖像翻譯的任務(wù)中取得較好的效果。Pix2pix即像素點(diǎn)（輸入信息）對(duì)像素點(diǎn)做出預(yù)測(cè)，達(dá)到圖像與圖像之間不同形式風(fēng)格的轉(zhuǎn)換，生成器使用U-net 網(wǎng)絡(luò)，判別器使用馬爾可夫判別器模型。負(fù)荷分解問題也可以看成輸入的總負(fù)荷序列對(duì)某電器負(fù)荷做出預(yù)測(cè)。本文根據(jù)負(fù)荷數(shù)據(jù)是一維序列的特點(diǎn)，對(duì)Pix2pix 框架中生成器和判別器做針對(duì)性改進(jìn)，神經(jīng)網(wǎng)絡(luò)卷積層從二維改成一維，使之能接受負(fù)荷數(shù)據(jù)。在U-net 網(wǎng)絡(luò)中使用批大小為1的實(shí)例歸一化，保持樣本之間的獨(dú)立性。

Pix2pix 框架下的負(fù)荷分解模型如圖3 所示。將用戶用電總表負(fù)荷序列a作為生成器模型的輸入，通過(guò)在生成器模型的解碼器部分加入Drop?out 來(lái)模擬噪聲，生成一個(gè)類似某電器真實(shí)負(fù)荷序列b的生成序列G（a，c），判別器則把a(bǔ)與b或者a與G（a，c）的成對(duì)序列作為輸入進(jìn)行判別，即將總表負(fù)荷序列a作為CGAN的條件信息。生成器與判別器以對(duì)抗的方式不斷進(jìn)行訓(xùn)練，從而優(yōu)化總表負(fù)荷序列和生成的某電器負(fù)荷序列之間的映射關(guān)系，最后得到近乎穩(wěn)定的模型，其中生成器網(wǎng)絡(luò)G為可以對(duì)未知總負(fù)荷序列進(jìn)行分解的最終目標(biāo)模型。

圖3 Pix2pix 框架下的負(fù)荷分解模型Fig.3 Load disaggregation model under Pix2pix framework

Pix2pix目標(biāo)函數(shù)為

2.2 生成器U-net

U-net網(wǎng)絡(luò)[19]相較于普通的先降采樣到低維度，再上采樣到原始維度的編碼-解碼網(wǎng)絡(luò)（encoder-de?coder）有所不同，其具有跳躍連接結(jié)構(gòu)，對(duì)應(yīng)的特征圖和解碼之后的同樣大小的特征圖按通道拼接在一起。淺層網(wǎng)絡(luò)會(huì)保留明顯的內(nèi)容信息，網(wǎng)絡(luò)層越深，內(nèi)容信息會(huì)減少，U-net網(wǎng)絡(luò)具有的跳躍連接結(jié)構(gòu)能將在編碼網(wǎng)絡(luò)靠近輸入的淺層提取到簡(jiǎn)單特征和靠近輸出的深層提取到復(fù)雜特征裁剪復(fù)制到解碼器。通過(guò)整合多尺度信息，可以使得解碼階段恢復(fù)的特征細(xì)節(jié)更加豐富，并且降低生成器學(xué)習(xí)的難度。

生成器U-net 結(jié)構(gòu)如圖4 所示，序列上方的數(shù)字代表通道數(shù)，左下方數(shù)字表示序列的長(zhǎng)度。網(wǎng)絡(luò)左半邊為收縮路徑，使用4×1的一維卷積核進(jìn)行卷積操作后添加實(shí)例歸一化[20]，激活函數(shù)Leaky Relu[21]的負(fù)區(qū)間斜率取0.2，來(lái)提高網(wǎng)絡(luò)訓(xùn)練速度。網(wǎng)絡(luò)右邊為擴(kuò)張路徑，使用4×1的一維反卷積核進(jìn)行上采樣操作。解碼器部分Dropout 的參數(shù)keep_prob設(shè)置為0.5，即隨機(jī)丟掉50%網(wǎng)絡(luò)節(jié)點(diǎn)。

圖4 生成器U-net 結(jié)構(gòu)Fig.4 U-net structure of generator

2.3 馬爾可夫判別器

普通的GAN 判別器一般只需輸出一個(gè)真或假的標(biāo)量。本文采用馬爾可夫判別器[18]，相比直接判斷生成的序列是否為真，馬爾可夫判別器在判別過(guò)程中將生成序列分為若干片段，對(duì)每個(gè)片段做真假判別，將所有片段的判別結(jié)果取平均作為輸出。這種方法實(shí)現(xiàn)了局部序列特征的提取和表征，能夠?qū)崿F(xiàn)相比單標(biāo)量輸出更為精確的整體差異表示，從而提高生成對(duì)抗網(wǎng)絡(luò)的效率和效果。

本文的判別器網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)如表1 所示。輸出序列的每個(gè)值代表一個(gè)片段序列與真實(shí)序列的相似度，取平均值后，即為判別器的最終輸出。

表1 判別器結(jié)構(gòu)及參數(shù)Tab.1 Structure of discriminator and its parameters

2.4 模型訓(xùn)練

訓(xùn)練過(guò)程中，生成器和判別器循環(huán)交替地進(jìn)行梯度下降，針對(duì)生成器使用自適應(yīng)矩估計(jì)Adam（adaptive moment estimation）[22]作為優(yōu)化器，學(xué)習(xí)率設(shè)置為0.000 2，β1= 0.5，β2= 0.999。針對(duì)判別器使用隨機(jī)梯度下降SGD（stochastic gradient de?scent）作為優(yōu)化器，學(xué)習(xí)率設(shè)置為0.001。

3 數(shù)據(jù)及處理方法

3.1 數(shù)據(jù)集及電器選取

本文使用英國(guó)能源研究中心發(fā)布的UK-dale公開數(shù)據(jù)集[23]作為源數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。該數(shù)據(jù)集通過(guò)電流傳感器、功率記錄儀等設(shè)備共記錄5戶英國(guó)家庭的負(fù)荷數(shù)據(jù)，包括有功功率、電流信息、以及電器開關(guān)狀態(tài)。采樣時(shí)間跨度從2012 年11 月持續(xù)到2015 年1 月，采樣頻率為1/6 Hz。每個(gè)住宅的負(fù)荷數(shù)據(jù)包含1 個(gè)總表功率記錄和5～52 個(gè)數(shù)量不等的電器每個(gè)時(shí)刻單獨(dú)功率記錄。

本文選取水壺、冰箱、洗衣機(jī)、微波爐以及洗碗機(jī)這5 種在該數(shù)據(jù)集中各住宅內(nèi)均存在的電器作為研究對(duì)象，暫未考慮同類負(fù)荷存在多個(gè)的情況下進(jìn)行負(fù)荷分解。用于訓(xùn)練和用于測(cè)試的數(shù)據(jù)并不來(lái)自于同一住宅，可以滿足深度學(xué)習(xí)泛化性的要求。另外，這5 種用電器具有不同的運(yùn)行特性：水壺和冰箱的負(fù)荷只有兩種狀態(tài)，且冰箱有周期性，洗衣機(jī)和洗碗機(jī)的負(fù)荷變化具有狀態(tài)多時(shí)間長(zhǎng)的特點(diǎn)，而微波爐運(yùn)行時(shí)間短且功率變化頻繁。因而可以全面地驗(yàn)證本文所提模型的分解性能。

3.2 數(shù)據(jù)預(yù)處理

對(duì)5 種用電器，其訓(xùn)練集與測(cè)試集的設(shè)置如表2所示。

表2 訓(xùn)練、測(cè)試住宅分配Tab.2 Distribution of residences used for training and testing

對(duì)于因?yàn)樵O(shè)備原因?qū)е碌臄?shù)據(jù)缺失，短于3 min的做正向填充，長(zhǎng)于3 min的做0填充。為了避免文獻(xiàn)[12]的等長(zhǎng)度序列到序列模型導(dǎo)致的收斂難度大，以及文獻(xiàn)[14]的序列到點(diǎn)模型導(dǎo)致的預(yù)測(cè)過(guò)程運(yùn)算量偏大。本文采用輸出序列長(zhǎng)度為輸入序列一半的構(gòu)造方式，通過(guò)更長(zhǎng)的輸入信息來(lái)提升生成器模型對(duì)目標(biāo)序列前后特征信息的感知能力。

數(shù)據(jù)集中用電器大多數(shù)時(shí)間處于無(wú)功耗待機(jī)狀態(tài)，因此可以用作訓(xùn)練樣本的有效數(shù)據(jù)比例有限。通過(guò)定步長(zhǎng)順序滑動(dòng)窗口和隨機(jī)位置滑動(dòng)窗口兩種方式來(lái)合成數(shù)據(jù)，以1∶1的比例從合成數(shù)據(jù)中提取包含負(fù)荷激活的正樣本和不包含負(fù)荷激活的負(fù)樣本。

4 算例分析與結(jié)果

本文實(shí)驗(yàn)環(huán)境為Intel（R）Core（TM）i5-8300H CPU@2.30GHz 處理器，16 GB 運(yùn)行內(nèi)存，NVIDIA GeForce GTX 1060顯卡。整體模型在TensorFlow深度學(xué)習(xí)框架實(shí)現(xiàn)。

4.1 負(fù)荷分解結(jié)果可視化分析

圖5 為各負(fù)荷真實(shí)功率與經(jīng)模型分解后功率的直觀對(duì)比。可以看出：通過(guò)所設(shè)計(jì)的生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)多次的對(duì)抗訓(xùn)練后，生成器的分解效果可以滿足對(duì)于用電器功率切換特征的學(xué)習(xí)；分解所得的負(fù)荷功率曲線與真實(shí)功率曲線有一定重合度；對(duì)于洗衣機(jī)、冰箱、水壺，本文的模型分解準(zhǔn)確度較高；對(duì)于洗碗機(jī)和微波爐，因?yàn)槭褂玫哪Ｊ胶蜁r(shí)間隨機(jī)性較大，模型并不能特別好地進(jìn)行分解，分解的起始或終止位置容易出現(xiàn)偏差，但對(duì)于負(fù)荷狀態(tài)切換能做出有效識(shí)別，且分解功率值也較為準(zhǔn)確。以上實(shí)驗(yàn)結(jié)果表明，某一住宅使用經(jīng)其他住宅數(shù)據(jù)訓(xùn)練后的模型進(jìn)行負(fù)荷分解，也能獲得良好的分解效果，證明了條件生成對(duì)抗網(wǎng)絡(luò)分解模型具有較強(qiáng)的穩(wěn)定性與魯棒性。

圖5 各用電器真實(shí)功率與分解功率對(duì)比Fig.5 Comparison between real and disaggregated powers of each electric appliance

4.2 評(píng)價(jià)指標(biāo)及分解結(jié)果對(duì)比

本文選取召回率、精確率、F1分?jǐn)?shù)、準(zhǔn)確率以及平均絕對(duì)誤差（MAE）[12]對(duì)所提模型的分解效果做出量化評(píng)價(jià)，具體計(jì)算方法表示為

式中：TP為分解數(shù)據(jù)和真實(shí)數(shù)據(jù)都是運(yùn)行狀態(tài)的序列點(diǎn)數(shù)目；FP為分解數(shù)據(jù)中運(yùn)行而真實(shí)數(shù)據(jù)中關(guān)閉的序列點(diǎn)數(shù)目；TN 為分解數(shù)據(jù)和真實(shí)數(shù)據(jù)都是運(yùn)行狀態(tài)的序列點(diǎn)數(shù)目；FN 為分解數(shù)據(jù)中關(guān)閉而真實(shí)數(shù)據(jù)中運(yùn)行的序列點(diǎn)數(shù)目；P為真實(shí)數(shù)據(jù)中運(yùn)行的序列點(diǎn)總數(shù)；N為真實(shí)數(shù)據(jù)中關(guān)閉的序列點(diǎn)總數(shù)；yt為t時(shí)刻用電器真實(shí)功率，y?t為t時(shí)刻模型分解功率。

以上指標(biāo)經(jīng)由前期研究者提出并多次評(píng)價(jià)驗(yàn)證，可很好地反映非侵入式負(fù)荷分解的性能。準(zhǔn)確率以及F1分?jǐn)?shù)可以反映生成對(duì)抗網(wǎng)絡(luò)分解模型對(duì)于用電設(shè)備工作狀態(tài)判斷的準(zhǔn)確度。平均絕對(duì)誤差反映分解得到的負(fù)荷與真實(shí)值之間的偏離程度。

文獻(xiàn)[12]和文獻(xiàn)[24]是非侵入式負(fù)荷分解領(lǐng)域應(yīng)用深度學(xué)習(xí)方法比較成功的研究。本文以文獻(xiàn)[12]和文獻(xiàn)[24]中使用的DAE、LSTM 和Seq2point 的分解模型作為對(duì)照模型，3 種模型的負(fù)荷分解效果對(duì)比如圖6所示。對(duì)于所選取的用電設(shè)備，本文提出的模型負(fù)荷分解能力具有較高可靠性。負(fù)荷工作模式較為規(guī)律的水壺，冰箱和洗碗機(jī)已經(jīng)在其他神經(jīng)網(wǎng)絡(luò)模型中有不錯(cuò)效果，相較之下本文模型提升不明顯。對(duì)于微波爐和洗衣機(jī)，對(duì)照模型的分解效果一般，本文模型在F1分?jǐn)?shù)和平均絕對(duì)誤差上均提升明顯。說(shuō)明了本文所提的條件生成對(duì)抗網(wǎng)絡(luò)模型在非侵入式負(fù)荷分解問題上具有適用性。

圖6 本文模型與文獻(xiàn)[12]和[24]模型負(fù)荷分解效果對(duì)比Fig.6 Comparison of load disaggregation performance among the proposed model and those in Refs.[12]and[24]

5 結(jié) 語(yǔ)

本文采用深度學(xué)習(xí)的方法，借鑒Pix2pix 模型在圖像翻譯中的使用，提出了一種基于條件生成對(duì)抗網(wǎng)絡(luò)的非侵入式負(fù)荷分解方法。根據(jù)數(shù)據(jù)特征，針對(duì)性優(yōu)化了生成器U-net 網(wǎng)絡(luò)和馬爾可夫判別器。利用U-net網(wǎng)絡(luò)模型能保留潛在序列特征的優(yōu)點(diǎn)，通過(guò)生成器和判別器對(duì)抗式地進(jìn)行訓(xùn)練，構(gòu)建用戶總負(fù)荷和用電器負(fù)荷之間的映射關(guān)系，最終生成可以用于對(duì)總負(fù)荷進(jìn)行分解的模型，從而實(shí)現(xiàn)非侵入式負(fù)荷分解的目的。通過(guò)真實(shí)數(shù)據(jù)集驗(yàn)證，本文模型的F1分?jǐn)?shù)和平均絕對(duì)誤差指標(biāo)均不同程度優(yōu)于目前非侵入式負(fù)荷分解領(lǐng)域熱門的幾種深度學(xué)習(xí)分解模型。

本文所提模型雖然在分解效果上有優(yōu)勢(shì)，但是因?yàn)樯疃葘W(xué)習(xí)對(duì)模型訓(xùn)練的數(shù)據(jù)量以及計(jì)算機(jī)內(nèi)存、運(yùn)算能力要求較高，該方法的實(shí)際計(jì)算速度較慢。下一步將繼續(xù)對(duì)生成對(duì)抗網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)進(jìn)行優(yōu)化，在提升分解效率方面展開研究。