1.一种基于Transformer模型和迁移学习的非侵入式负荷监测方法,其特征在于,所述方法包括:步骤1:将采集到的电力信号进行数据预处理;
步骤2:建立基于Transformer的NILM模型,利用所述基于Transformer的NILM模型预测某一负荷的功率;
所述基于Transformer的NILM模型输入为总线功率序列所述总线功率序列
所述位置编码层使用正余弦函数进行位置编码,为每个位置产生一个唯一的编码向量;
所述Transformer编码器包括多头注意力机制,所述多头注意力机制通过并行地执行多次注意力函数,每次使用不同的线性变换得到的查询所述全连接层通过线性层和tanh激活函数组合,对展平后的一维张量进行特征变换和非线性映射以学习复杂的特征表示,最后得到NILM预测结果;
步骤3:利用迁移学习技术优化所述基于Transformer的NILM模型在不同地域或者负荷类型任务上的预测性能,获取非侵入式负荷监测结果。
2.根据权利要求1所述的一种基于Transformer模型和迁移学习的非侵入式负荷监测方法,其特征在于,步骤2中,所述多头注意力机制通过并行地执行多次注意力函数,每次使用不同的线性变换得到的查询其中,
3.根据权利要求1所述的一种基于Transformer模型和迁移学习的非侵入式负荷监测方法,其特征在于,步骤2中,所述全连接层通过线性层和tanh激活函数组合,对展平后的一维张量进行特征变换和非线性映射以学习复杂的特征表示,最后得到NILM预测结果,具体为:其中,
4.根据权利要求1所述的一种基于Transformer模型和迁移学习的非侵入式负荷监测方法,其特征在于,步骤3中,所述利用迁移学习技术优化所述基于Transformer的NILM模型在不同地域或者负荷类型任务上的预测性能,包括源任务选择,具体为:计算负荷
5.根据权利要求4所述的一种基于Transformer模型和迁移学习的非侵入式负荷监测方法,其特征在于,所述源任务选择还包括结合负荷的电力负荷特征、周期性和阶段性确定源任务。
6.根据权利要求5所述的一种基于Transformer模型和迁移学习的非侵入式负荷监测方法,其特征在于,步骤3中,所述利用迁移学习技术优化所述基于Transformer的NILM模型在不同地域或者负荷类型任务上的预测性能,包括迁移微调策略,具体为:在预训练阶段,在源地域
其中,
将预训练后的模型参数
其中,
7.根据权利要求1所述的一种基于Transformer模型和迁移学习的非侵入式负荷监测方法,其特征在于,步骤1,具体包括:对总线以及各家用负荷的功率进行可视化来检查数据是否完整;观察功率波形,删除其中持续时间超过半小时的缺失数据,对于仅有几秒或几分钟缺失的数据仍然保留作为噪声来正则化模型;
对总线数据和各家用负荷的功率进行采样率统一以实现时间步长对齐;
数据标准化,具体包括:
时间点
其中,
在数据同步后,将功率数据进行标准化,标准化的数据用作模型的训练、验证和测试;
标准化后的总线功率
其中,
8.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,当所述处理器运行所述存储器存储的计算机程序时执行权利要求1至7中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有多条计算机指令,所述多条计算机指令用于使计算机执行权利要求1至7中任一项所述的方法。
10.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述的方法。