一种非接触式电力负荷分解感知的方法及系统

摘要

本发明公开了一种非接触式电力负荷分解感知的方法及系统，其主要包括：基于非接触式获得的原始电流、有功电流和非功电流训练获得第一神经网络单元；以及，基于所述第一神经网络单元从其输入数据中提取的信息和所述原始电流训练获得第二神经网络单元；并将所述第二神经网络单元部署于电力系统中用于进行电力负荷分解感知的监测操作。本发明实施例可以在不切断、不改装已有的用电线路的前提下，仅通过感应电流输入的方式分析电路中用电设备的工作状态。且可以在仅依靠感应电流输入的限制下最大化算法的识别精度。

权利要求

1.一种非接触式电力负荷分解感知方法，其特征在于，包括：

通过非接触式感应电流采集端获取电力系统中的感应电流参数，并基于所述感应电流参数确定电力系统的原始电流、有功电流和非功电流；

基于所述原始电流、有功电流和非功电流训练获得第一神经网络单元；以及，基于所述第一神经网络单元从其输入数据中提取的信息和所述原始电流训练获得第二神经网络单元，所述第一神经网络单元和第二神经网络单元均分别包括卷积神经网络和循环神经网络两部分；

通过训练获得的第二神经网络单元进行电力负荷分解感知处理，具体为通过第二神经网络单元的卷积神经网络对所述原始电流进行处理获得电力系统的电流数据的特征信息的序列，并通过第二神经网络单元的循环神经网络从所述电流数据的特征信息的序列中提炼出电力系统中用电设备的工作状态，所述电流数据是指根据感应电流参数确定的原始电流；

所述训练获得第一神经网络单元和训练获得第二神经网络单元的过程为基于蒸馏模块损失函数实现，且：所述蒸馏模块损失函数为：

其中，α+β≤1，α≥0，β≥0是两个用于调节第二神经网络单元从第一神经网络单元以及电力系统的电流数据中的学习速率的参数；LO，LA，LD分别代表第一神经网络单元、第二神经*网络单元和蒸馏的损失函数值，X，X ，Y分别代表电流数据、非功及有功电流和设备的工作状态标识，fO，fA代表第一神经网络单元和第二神经网络单元，WO，WA代表第一神经网络单元和第二神经网络单元的权重。

2.根据权利要求1所述的方法，其特征在于，该方法还包括：

监测电力系统的交流电的相邻交流周期的电流数据间的欧氏距离是否超过设定的阈值，并在确定超过所述阈值后触发所述获取电力系统中的感应电流参数的处理。

3.一种非接触式电力负荷分解感知系统，其特征在于，包括：

前端模块，与非接触式感应电流采集端连接，用于获取电力系统中的感应电流参数，并基于所述感应电流参数确定电力系统的原始电流、有功电流和非功电流；

蒸馏模块，用于基于所述前端模块确定的原始电流、有功电流和非功电流训练获得第一神经网络单元；以及，基于所述第一神经网络单元从其输入数据中提取的信息和所述原始电流训练获得第二神经网络单元，所述第一神经网络单元和第二神经网络单元均分别包括卷积神经网络和循环神经网络两部分；

第二神经网络单元，用于进行电力负荷分解感知处理，具体为通过卷积神经网络对所述原始电流进行处理获得电力系统的电流数据的特征信息的序列，并通过循环神经网络从所述电流数据的特征信息的序列中提炼出电力系统中用电设备的工作状态，所述电流数据是指根据感应电流参数确定的原始电流；

所述蒸馏模块基于蒸馏模块损失函数训练所述第一神经网络单元和所述第二神经网络单元，其中：所述蒸馏模块损失函数为：

其中，α+β≤1，α≥0，β≥0是两个用于调节第二神经网络单元从第一神经网络单元以及电力系统的电流数据中的学习速率的参数；LO，LA，LD分别代表第一神经网络单元、第二神经*网络单元和蒸馏的损失函数值，X，X ，y分别代表电流数据、非功及有功电流和设备的工作状态标识，fO，fA代表第一神经网络单元和第二神经网络单元，WO，WA代表第一神经网络单元和第二神经网络单元的权重。

4.根据权利要求3所述的系统，其特征在于，所述前端模块还包括：用于监测交流电的相邻交流周期的电流数据间的欧氏距离是否超过设定的阈值，并在确定超过所述阈值后触发所述获取电力系统中的感应电流参数的处理。

说明书

一种非接触式电力负荷分解感知的方法及系统

技术领域

[0001] 本发明涉及电子技术领域，尤其涉及一种非接触式电力负荷分解感知的方法及系统。

背景技术

[0002] 随着智能电网及人工智能物联网技术的高速发展，家庭能源消耗分析和基于用电情况的用户行为理解逐渐成为一个热点技术发展方向。现有的用电情况分析的实现方案主要是在每一个家用电器上安装相应的传感器，通过传感器获得用电参数信息。这种实现方案不仅具有成本高昂的缺点，同时还使得整个系统的维护成本及复杂度较高。

[0003] 基于上述问题，学术界提出了非侵入式负载监测(Non‑intrusive Load Monitoring,NILM)的技术概念，通过在主干路输电线上部署单一传感器并测量总和的电流、电压数据来推测单个用电器的工作状态。由于其相比上述现有方案来说，在成本、可维护性和用户接受度上具有一定的优势，故该非侵入式负载监测在学术界和工业界获得了广泛的关注。

[0004] 目前，国际上已有了一些相关研究工作并引入了多种算法来解决非侵入式负载监测问题，但这些工作的主要限制条件在于，因为已有算法需要测量时间同步的电压和电流数据作为输入，而电压的精确测量需要介入到电力系统内部，故需要切断电路来进行传感器的安装部署。在安装布署过程中，可能会由此引发供电中断、火灾和触电的隐患。而且，考虑到如服务器机房或城市公共基础设施等对能源供应高可靠性有强制需要，这就使得切断线路的部署方式显然难以在如上场景中部署。

发明内容

[0005] 本发明的目的是提供一种非接触式电力负荷分解感知的方法及系统，以实现在无需切断供电线路的情况下进行电力分析感知系统的部署。

[0006] 本发明的目的是通过以下技术方案实现的：

[0007] 一种非接触式电力负荷分解感知方法，包括：

[0008] 通过非接触式感应电流采集端获取电力系统中的感应电流参数，并基于所述感应电流参数确定电力系统的原始电流、有功电流和非功电流；

[0009] 基于所述原始电流、有功电流和非功电流训练获得第一神经网络单元；以及，基于所述第一神经网络单元从其输入数据中提取的信息和所述原始电流训练获得第二神经网络单元，所述第一神经网络单元和第二神经网络单元均分别包括卷积神经网络和循环神经网络两部分；

[0010] 通过训练获得的第二神经网络单元进行电力负荷分解感知处理，具体为通过第二神经网络单元的卷积神经网络对所述原始电流进行处理获得电力系统的电流数据的特征信息的序列，并通过第二神经网络单元的循环神经网络从所述电流数据的特征信息的序列中提炼出电力系统中用电设备的工作状态。

[0011] 该方法还包括：

[0012] 监测电力系统的交流电的相邻交流周期的电流数据间的欧氏距离是否超过设定的阈值，并在确定超过所述阈值后触发所述获取电力系统中的感应电流参数的处理。

[0013] 所述训练获得第一神经网络单元和训练获得第二神经网络单元的过程为基于蒸馏模块损失函数实现，且：

[0014] 所述蒸馏模块损失函数为：

[0015]

[0016] 其中，α+β≤1，α≥0，β≥0是两个用于调节第二神经网络单元从第一神经网络单元以及电力系统的电流数据中的学习速率的参数；LO，LA，LD分别代表第一神经网络单元、第二*神经网络单元和蒸馏的损失函数值，X，X ，Y分别代表电流数据、非功及有功电流和设备的工作状态标识，fO，fA代表第一神经网络单元和第二神经网络单元，WO，WA代表第一神经网络单元和第二神经网络单元的权重。

[0017] 一种非接触式电力负荷分解感知系统，包括：

[0018] 前端模块，与非接触式感应电流采集端连接，用于获取电力系统中的感应电流参数，并基于所述感应电流参数确定电力系统的原始电流、有功电流和非功电流；

[0019] 蒸馏模块，用于基于所述前端模块确定的原始电流、有功电流和非功电流训练获得第一神经网络单元；以及，基于所述第一神经网络单元从其输入数据中提取的信息和所述原始电流训练获得第二神经网络单元，所述第一神经网络单元和第二神经网络单元均分别包括卷积神经网络和循环神经网络两部分；

[0020] 第二神经网络单元，用于进行电力负荷分解感知处理，具体为通过卷积神经网络对所述原始电流进行处理获得电力系统的电流数据的特征信息的序列，并通过循环神经网络从所述电流数据的特征信息的序列中提炼出电力系统中用电设备的工作状态。

[0021] 所述前端模块还包括：用于监测交流电的相邻交流周期的电流数据间的欧氏距离是否超过设定的阈值，并在确定超过所述阈值后触发所述获取电力系统中的感应电流参数的处理。

[0022] 所述蒸馏模块基于蒸馏模块损失函数训练所述第一神经网络单元和所述第二神经网络单元，其中：

[0023] 所述蒸馏模块损失函数为：

[0024]

[0025] 其中，α+β≤1，α≥0，β≥0是两个用于调节第二神经网络单元从第一神经网络单元以及电力系统的电流数据中的学习速率的参数；LO，LA，LD分别代表第一神经网络单元、第二*神经网络单元和蒸馏的损失函数值，X，X ，Y分别代表电流数据、非功及有功电流和设备的工作状态标识，fO，fA代表第一神经网络单元和第二神经网络单元，WO，WA代表第一神经网络单元和第二神经网络单元的权重。

[0026] 由上述本发明提供的技术方案可以看出，本发明实施例提供并设计了一种非接触式的电力负荷分解感知技术方案，其可以在不切断、不改装已有的用电线路的前提下，仅通过感应电流输入的方式分析电路中用电设备的工作状态，并能够达到与现有的介入式电力感知方案相近的性能。可见，本发明的实现能够有效解决传统电力感知系统中介入式部署需要切断线路以及由此导致的断电和安全隐患问题；且本发明可以在仅依靠感应电流输入的限制下最大化整个监测算法的识别精度。

附图说明

[0027] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

[0028] 图1为本发明实施例提供的系统架构示意图；

[0029] 图2为本发明实施例提供的神经网络设计架构示意图；

[0030] 图3为传统电力负荷分解感知系统架构与本发明提供的非接触式电力负荷分解感知系统架构的对比示意图；

[0031] 图4为本发明中应用Fryze功率理论进行输入数据处理的示意图；

[0032] 图5为电力系统中的用电设备用电数据的局部特征和全部特征。

具体实施方式

[0033] 下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

[0034] 本发明实施例的目的是为了在不切断线路且仅有感应电流作为输入的限制条件下最大化电力负荷分解感知的识别精度。具体地，其可以通过模态蒸馏技术，在算法的深度学习神经网络的训练过程中输入时间同步的电压和电流数据，在模型训练完毕后，神经网络中存储了从电流与电压数据中学习到的信息以及二者之间的联系。在模型部署时，可以通过仅输入感应电流来获得与输入电压、电流数据条件下相近的电力负荷分解感知性能。

[0035] 具体地，本发明实施例提供的一种非接触式电力负荷分解感知方法的实现过程可以包括以下处理步骤：

[0036] (1)通过非接触式感应电流采集端获取电力系统中的感应电流参数，并基于所述感应电流参数确定电力系统的原始电流、有功电流和非功电流，所述有功电流和非功电流可以根据输入电压和感应电流参数确定；

[0037] 非接触式感应电流采集端的应用使得对电力系统的信息采集监测过程可以在不切断其线路的情况下进行；

[0038] (2)基于上述确定的原始电流、有功电流和非功电流训练获得第一神经网络单元；以及，基于所述第一神经网络单元从其输入数据中提取的信息和所述原始电流训练获得第二神经网络单元；可见，所述第一神经网络单元的输入数据包括所述原始电流、有功电流和非功电流，其具有更多的输入训练参数，故可以作为导师网络，而第二神经网络单元则由于其仅将采集的电流数据中的原始电流作为输入数据，故其可以作为与导师网络对应的学徒网络；

[0039] 所述第一神经网络单元和第二神经网络单元均分别包括卷积神经网络和循环神经网络两部分，其中卷积神经网络用于将输入数据转化为特征信息的序列，循环神经网络用于从所述特征信息的序列中提取出进一步的信息，如设备的工作状态信息等；

[0040] (3)将通过上述步骤(2)训练获得的第二神经网络单元部署于电力系统中，从而可以通过训练获得的第二神经网络单元进行电力负荷分解感知处理，实现针对电力系统中的用电设备的用电状况的监测；相应的监测过程具体可以为通过第二神经网络单元的卷积神经网络对所述原始电流(根据采集到的感应电流参数确定)进行处理获得电力系统的电流数据的特征信息的序列；之后，再通过第二神经网络单元的循环神经网络从所述电流数据的特征信息的序列中提炼出电力系统中用电设备的工作状态，从而使得能够基于非接触的方式对电力系统的信息进行采集，并对其工作状态进行监测，实现了非接触式电力负荷分解感知功能。

[0041] 进一步地，为降低系统的运算开销，在上述方法实现过程中还可以监测电力系统的交流电的相邻交流周期的电流数据间的欧氏距离，并判断其是否超过设定的阈值，若确定其超过所述阈值，则触发所述获取电力系统中的感应电流参数的处理。

[0042] 本发明实施例具体提供的一种非接触式电力负荷分解感知系统的实现架构如图1所示，在其算法架构中主要可以包括：环境无关的前端模块(Front‑end)、两个神经网络和一个模态蒸馏模块(Distillation)，所述两个神经网络中一个为导师网络(Oracle)，另一个为学徒网络(Apprentice)，每个神经网络中包括卷积神经网络(CNN)和长短期记忆网络(LSTM)。系统通过输入电压(Input voltage)、电流(Current)双模态数据来同步训练(Training)两个网络。训练完毕后，仅有学徒网络被实际部署，并基于感应电流输入来识别(Testing)电路中的设备状态。其中：

[0043] (1)前端模块

[0044] 即环境无关的前端模块，具体可以与非接触式感应电流采集端(如开口式电流互感器等)连接，以用于获取电力系统中的感应电流参数；在获取到所述感应电流参数后，基于所述感应电流参数确定电力系统的原始电流、有功电流和非功电流；

[0045] 在该前端模块中，考虑到电流数据的波形依负载变化而变化，同时电压波形则基本保持正弦波形不变。因而为了有效的利用训练阶段的电流、电压数据，前端模块具体可以利用Fryze功率理论，将原始电流根据对应的电压数据分解为有功电流和非功电流部分，之后将该两个子电流加上原始电流构成三通道的输入数据，该三通道的输入数据用于作为神经网络的输入数据；

[0046] 经过实验验证，这种三通道输入数据的输入结构与直接输入电流和电压波形相比可以达到更高的识别精度和神经网络训练速率。

[0047] (2)蒸馏模块，

[0048] 即模态蒸馏模块，用于基于所述前端模块确定的原始电流、有功电流和非功电流训练获得第一神经网络单元，作为所述导师网络；在训练过程中，所述第一神经网络单元的输入数据包括所述原始电流、有功电流和非功电流，即上述前端模块确定的三通道的输入数据；

[0049] 在完成第一神经网络单元的训练后，还基于所述第一神经网络单元从其输入数据中提取的信息和所述原始电流训练获得第二神经网络单元，作为所述学徒网络；在训练过程中，所述第二神经网络单元的输入数据不再包括上述有功电流和非功电流，而是选择了上述三通道的输入数据中的原始电流作为输入数据；

[0050] 具体地，模态蒸馏模块可负责实现导师网络与学徒网络之间的信息通信功能，通过蒸馏模块的灵活设计，可以让该系统适应不同结构的输入数据。

[0051] 进一步地，模态蒸馏模块可以通过学习速率调节系数来控制学徒网络从导师网络学习的速率，并可以通过实验验证确定最优的参数组合，平衡学徒网络从电流数据输入和导师网络习得的信息。

[0052] (3)神经网络

[0053] 包括训练获得的作为导师网络的第一神经网络单元，以及作为学徒网络的第二神经网络单元，其中：

[0054] 导师网络作为一个结构复杂且含有更多可训练参数的神经网络，同时使用电压和电流数据进行训练。导师网络训练完成后，将导师网络学习到的信息通过与电流数据(即根据感应电流参数确定的原始电流)组合作为学徒网络的输入，从而令学徒网络在仅有电流输入(电流数据)的限制条件下能够达到与双模态输入相近的性能；

[0055] 对于训练获得的第二神经网络单元，则将被部署于电力系统中进行系统监测，即用于进行电力负荷分解感知处理，具体可以为通过卷积神经网络对所述原始电流进行处理获得电力系统的电流数据的特征信息的序列，并通过循环神经网络从所述电流数据的特征信息的序列中提炼出电力系统中用电设备的工作状态。

[0056] 为了适应测量电流数据的输入格式和电流分解感知的实际需要，参照图2所示，相应的神经网络的设计具体采用两段式结构：首先将电流数据按照交流电周期分割为等长的数据段，对于每一段数据使用卷积神经网络(CNN)进行处理并得到一个输出特征；不断重复上述步骤，将电流输入转化为一系列等长的特征序列，然后使用LSTM等循环神经网络(RNN)处理该特征序列并得到最终的识别结果。

[0057] 上述本发明实施例提供的系统在实际应用场景中的部署模式可以参照图3中右图所示，图3中左图则给出了传统的电力负荷分解感知的部署模式。图3左图的传统部署模式由于需要切断电路来部署传感器并测量电压数据，故会对电路系统造成不可逆的改装并造成供电中断，且部署过程中也面临着安装人员触电和线路改造火灾等安全隐患。

[0058] 与图3左图的传统部署模式方式不同，图3右图所示的非接触式电力负荷分解感知由于仅需要感应电流(即感应电流参数)作为输入，故可以仅安装相应的开口式电流互感器作为输入测量仪器。该输入测量仪器的部署仅需以卡扣等形式部署于线路附近，无需改造或切断线路，因此可以避免图3左图部署模式存在的上述种种隐患。

[0059] 在上述图3右图的部署模式下，可以基于以下方程进行电力负荷分解感知：

[0060]

[0061] 其中，I(t)是电流互感器测得的各用电设备消耗电流之和，即测量获得的感应电流，ij(t)是第j个设备消耗的电流，∈是测量噪声。由于电路中各个设备的工作特征已知，故在已知I(t)的条件下求解出各个设备的工作状态ij(t)便成为可能。可见，通过图3右侧的系统部署方式可以实现针对电力系统的非接触式电力负荷分解感知功能。

[0062] 为便于理解本发明实施例，下面将对本发明实施例提供的系统中包含的各模块及单元部分的实现进行详细的描述。

[0063] (一)前端模块

[0064] 前端模块在具体实现过程中需要实现的功能主要包括：

[0065] (1)监测电力系统的测量数据的变化，当且仅当测量数据的变动超过某一阈值后才触发后续的算法处理，以节约系统算法的运算开销；

[0066] 具体地，可以持续监测交流电的相邻交流周期的电流数据间的欧氏距离，并与预先设置的阈值进行比较，判断所述欧氏距离是否超过设定的阈值，当确定其超过所述阈值后，则可以认为电路中设备的运行状态发生了改变，此时可以触发所述获取电力系统中的感应电流参数的处理，以进行后续的监测处理操作。

[0067] (2)适应不同的输入结构，为后续的神经网络提供一致的输入格式，实现与环境无关的前端；且通过该前端模块可以将原始输入转化为更加易于学习的形式后作为神经网络的输入数据。

[0068] 具体地，当上述功能(1)中算法被触发后，输入电压电流根据交流电周期分割为等长的片段，应用Fryze功率理论转化为有功电流、非功电流后，与原始电流合并成三通道的数据送入神经网络。其中有功、非功电流因为需要电压数据来计算得出，所以视为算法中的导师网络的私有数据(或称私有信息)。原始电流可以通过开口式电流互感器测出，因此视为算法实际部署时仍然可以测得的数据，所以作为学徒网络的输入。由此可见，导师网络和学徒网络不仅网络的深浅性能有所不同，其输入数据也不相同，即导师网络拥有全部三通道输入，学徒网络仅有原始电流输入。

[0069] 在上述处理过程中，基于Fryze功率理论可以利用电力领域已有的工程知识，将原始输入数据转化为方便神经网络模型学习的形式。相比于直接将电流和电压输入模型训练，基于Fryze功率理论处理后的数据能更直观的反映电路负载的特征，从而缩短模型训练的时间，并可在更小的神经网络上达到与使用原始数据直接训练获得的较大的神经网络相近的性能。

[0070] 设t时刻的电流为i(t)，其对应的有功和非功电流分量记为ia(t)和if(t)，则Fryze功率理论的计算公式如下：

[0071]

[0072]

[0073] if(t)＝i(t)‑ia(t)，

[0074] 其中，Pactive为有功功率，Vrms为有效电压，H是电压波形的周期长度。参照图4所示，通过上述该公式，基于感应电流确定的电流数据和对应的正弦波电压数据作为原始输入数据被转换为了更加直观的电流分量形式。图4中左侧的为原始输入数据(Raw input)，其包括laptop(便携电脑)、Hairdryer(吹风机)和Lamp(灯)的负载信息；图4中右侧则为通过Fryze功率理论处理后的数据，包括Non‑active(非功电流)，active(有功电流)，Current(原始电流)。

[0075] (二)神经网络

[0076] 如图5所示，图5中左侧图中的横坐标为时间Time(per sample point，每个采样点)，纵坐标为电流(Current)；图5中右侧图中的横坐标为时间Time，纵坐标为功率(Power)。通过分析收集的电路能耗数据可以看出，电压、电流同时呈现出局部特征和全局特征。其中，前者是由用电设备内部元器件的特点所决定，后者则是由设备长时间使用的模式所决定。

[0077] 基于上述情况，为提高算法的准确度，加速神经网络训练的速度，模型的结构应当同时对应设备工作的局部特征和全局特征。因此，本发明实施例中涉及算法的神经网络均使用两段式设计，即在神经网络中的处理具体可以包括以下两段处理过程：

[0078] 首先，使用卷积神经网络，利用其对局部特征的捕捉能力，对按交流电周期分割的电流数据段进行处理，提炼出有效的信息；即通过卷积神经网络，将原始输入数据以周期为单位转化为特征信息的序列；

[0079] 之后，使用循环神经网络，如LSTM，利用循环神经网络对于序列数据的学习能力，从上述卷积神经网络生成的信息序列中提炼出用电设备的工作状态。

[0080] (三)蒸馏模块

[0081] 蒸馏模块是本发明实施例提供的技术方案中的算法核心部分，用于负责沟通多模态训练数据(输入电压和感应电流)和单模态测试数据(仅感应电流)之间，以及复杂高性能神经网络(导师网络)和简洁低开销神经网络(学徒网络)之间的信息交换。通过引入该蒸馏模块，使得算法可以首先在同时拥有电压和电流数据的情况下训练一个复杂且有更强学习能力的神经网络作为导师网络，然后利用导师网络和电流数据去快速的训练一个结构更简单且运行开销更低的学徒网络以作为最终实际部署的神经网络模型。

[0082] 蒸馏模块的损失函数如下：

[0083]

[0084] 其中，α+β≤1，α≥0，β≥0是两个参数，用于调节学徒网络(第二神经网络单元)从导师网络(第一神经网络单元)以及电力系统的电流数据中的学习速率，其可以根据需要进*行设定；LO，LA，LD分别代表导师网络、学徒网络和蒸馏的损失函数值，X，X ，Y分别代表电流数据、私有信息(非功电流、有功电流)和数据标签(即设备的工作状态标识)，fO，fA代表导师网络和学徒网络(即第一神经网络单元和第二神经网络单元)，WO，WA代表导师网络和学徒网络的权重。

[0085] 在该蒸馏模块中涉及了知识蒸馏技术和与私有信息的概念。为便于理解，下面将知识蒸馏和私有信息进行详细解释，其中：

[0086] (1)知识蒸馏是指两个异构网络在同一个输入数据上训练。其中较深的(即参数更多，模型能力更强)网络作为导师网络，负责从输入数据中提取出有价值的信息，命名为logits。较浅的网络(即参数较少，模型能力也较弱)同时从输入训练数据和导师网络的logits中学习，因此称学徒网络。通过给学徒网络输入经导师网络消化过的信息，可以提高学徒网络的精度，缩短训练所需的时间。相应的神经网络的损失函数如下：

[0087]

[0088] 其中，fA和fO分别代表学徒和导师网络，WA和WO分别代表二者的神经网络权重，X和y分别代表训练样本数据和数据标签，LA代表学徒网络在原始输入上的损失，LD代表在导师网络习得的信息与学生网络的预测结果之间的损失，记为蒸馏损失，λ作为参数平衡二者的比例。

[0089] (2)私有信息是指：在两个神经网络共享相同的输入数据进行训练(两者仅在网络的复杂程度和学习能力上有所区别)的条件下，若导师网络同时还拥有额外的辅助信息帮助训练，相应的额外辅助信息即称为私有信息，对应的损失函数设计如下：

[0090]

[0091] 其中，X*称为私有信息，是导师网络所独有的训练数据。相比于知识蒸馏，该技术的特点在于为不同的神经网络提供不同的训练数据。

[0092] 本发明实施例提供的上述技术方案在非侵入式负载监测中部署了非接触式电流互感器，从而可以令部署负载监测系统的过程中无需切断电力系统的供电线路。

[0093] 本发明实施例中还针对非接触式部署导致的单模态电流输入以及由输入数据减少导致的算法精度下降等问题提供了解决方案，从而可以充分利用电流和电压的输入数据进行神经网络的训练，并可在仅有电流数据输入的情况下获得与电流和电压情况下相近的负载监测性能。

[0094] 总之，通过非接触式监测系统的部署以及相应的算法的性能保证，使得电力负荷分解感知处理技术在应用过程中不再需要改动电力系统的线路，从而推动了本发明实施提供的技术方案在智能电网等应用中的推广使用。

[0095] 为了验证本发明实施例提供的算法的有效性，具体以树莓派4B作为运算终端，并以开口式电流互感器为传感器以提供感应电流参数的采集并作为电流数据输入，以及以USB声卡作为模拟转数字转换器(ADC)，从而将电流互感器测得的感应电流(模拟量波形)转化为树莓派可以计算的离散数字信号(采样率44.1KHz)。

[0096] 其中，树莓派运算终端负责运行算法，分析电路中设备的运行状态。开口式电流互感器负责测量感应电流作为电流数据。通过将传感器卡在插排的电线上并接入不同的用电设备，可以测试算法的性能。

[0097] 通过上述实验结果表明，不论是私有数据的引入，还是利用导师网络辅助学徒网络的训练，都提升了模型在最终部署时的应用性能。

[0098] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。