本发明属于非侵入式电力负荷监测，具体涉及一种基于混合监督学习的非侵入式负荷辨识方法和系统。
背景技术：
1、非侵入式负荷监测(non-intrusive load monitoring，nilm)是一种将总能耗分解为单个电器级能耗的技术，能够为电力系统的能源管理和故障诊断提供有针对性的详细信息。nilm不需要在每个设备上安装额外的传感器或智能电表，具有成本效益优势，但性能完全取决于算法。
2、近年来，由于机器学习在自然语言处理、图像分类等方面的突出表现，机器学习方法在nilm领域也得到了广泛应用。2015年，kelly等人将深度学习引入非侵入式负荷监测，并展示了基于深度学习的nilm算法的潜力。支持向量机、k-近邻、图信号处理、神经网络、决策树等监督方法已成功应用于nilm。虽然上述监督学习算法可以获得较好的负荷识别结果，但它们严重依赖于大量的标签数据。然而，在现实中，获取大量的标注数据非常耗时，而且可能会干扰用户隐私，降低用户满意度。因此，希望深度学习技术能够在弱监督下工作。
3、弱监督学习分为不完全监督，不精确监督和不准确监督。不完全监督，即只有少量训练数据带有标签信息，而其他数据保持无标签信息。不完全监督中有两种主要技术：主动学习和半监督学习。现有大多数研究都是基于半监督学习。不精确监督，与强监督方法相比，标签是在更粗糙的水平上提供的。如果把为每个数据分别提供标签的行为叫做细粒度标签，那么在不精确监督中，只给出粗粒度标签，即为一组数据提供一个标签。与强监督相比，它大大减少了标签数量，同时又在一定程度上保证了训练模型的精确度。不准确监督，即给定的标签并不总是正确的。将错误注释的图像称之为噪声标签。研究表明，噪声标签的存在会显著影响学习分类器的准确性。
技术实现思路
1、本发明要解决的技术问题是，提供一种基于混合监督学习的非侵入式负荷辨识方法和系统，将弱监督学习应用于nilm领域，将不准确监督学习和不完全监督学习结合，对无标签数据进行利用，大大减少了标记成本。
2、为实现上述目的，本发明采用如下的技术方案：
3、一种基于混合监督学习的非侵入式负荷辨识方法，包括：
4、步骤s1、获取电压-电流轨迹图像数据集；
5、步骤s2、利用电压-电流轨迹图像数据集的有标签数据和无标签数据，基于不完全监督学习方法进行模型训练，得到初始负荷辨识模型；
6、步骤s3、判断初始负荷辨识模型对有标签数据的预测精度是否满足规定阈值要求；若满足，则将初始负荷辨识模型对无标签数据的预测标签信息引入训练数据集，原始无标签数据转变为有标签数据，与原始有标签数据结合，鉴于预测标签信息可能存在错误，将更新后的数据集称为含噪数据集，利用含噪数据集进行步骤s4；若不满足，则返回步骤s1，更新电压-电流轨迹图像数据集，并重新进行基于不完全监督学习的初始模型训练；
7、步骤s4、利用含噪数据集，采用不准确监督学习方法对初始负荷辨识模型继续训练。
8、作为优选，步骤s1中，对总功率数据进行负荷状态转换事件检测，根据事件前后端电压和总电流的变化提取出对应负荷的电压、电流数据，对电压、电流数据进行预处理得到电压-电流轨迹图像。
9、作为优选，步骤s4中，基于元学习的含噪训练方法，在没有人类监督情况下，采用不准确监督学习方法从含噪声标签数据样本的训练数据集中学习；
10、进一步，为了更好地提高模型的负荷辨识精度，在不准确监督学习基础上，进行迭代训练。每次新的迭代都相比于上一次迭代有两点改进：(1)改进分类损失，在计算时去除标签信息可能错误的样本；(2)改进教师模型的预测结果，使一致性损失更有效。
11、本发明还提供一种基于混合监督学习的非侵入式负荷辨识系统，包括：
12、预处理模块，用于获取电压-电流轨迹图像数据集；
13、第一训练模块，用于利用电压-电流轨迹图像数据集的有标签数据和无标签数据，基于不完全监督学习方法进行模型训练，得到初始负荷辨识模型；
14、判断模块，用于判断初始负荷辨识模型对有标签数据的预测精度是否满足规定阈值要求；若满足，则将初始负荷辨识模型对无标签数据的预测标签信息引入训练数据集，原始无标签数据转变为有标签数据，与原始有标签数据结合，将更新后的数据集称为含噪数据集，利用含噪数据集进入第二训练模块；若不满足，则返回预处理模块，更新电压-电流轨迹图像数据集，并重新进行基于不完全监督学习的初始模型训练；
15、第二训练模块，采用不准确监督学习方法，利用含噪数据集对初始负荷辨识模型继续训练。
16、作为优选，预处理模块对总功率数据进行负荷状态转换事件检测，根据事件前后端电压和总电流的变化提取出对应负荷的电压、电流数据，对电压电流数据进行预处理得到电压-电流轨迹图像。
17、作为优选，第二训练模块基于元学习理论，采用不准确监督学习方法在没有人类监督情况下从含噪声标签数据样本的训练数据集中学习。
18、本发明旨在更充分地利用无标签训练数据中隐含的特征信息提升负荷辨识精度。首先，利用不完全监督学习方法构建初始模型，即使用少量有标签数据和大量无标签数据训练初始模型，用以对原始无标签数据样本进行标签信息预测；然后，将预测标签信息引入训练数据集，将原始无标签数据转变为有标签数据，与原始有标签数据结合，鉴于预测标签数据可能存在错误，因此采用不准确监督学习方法对初始模型进行二次训练，更新得到识别准确率更高的非侵入式负荷辨识模型。本发明为有标签数据有限条件下提升非侵入式负荷辨识精度提供了一种解决方案，可在仅有少量有标签数据的情况下得到高精度负荷辨识模型。
1.一种基于混合监督学习的非侵入式负荷辨识方法，其特征在于，包括：
2.如权利要求1所述的基于混合监督学习的非侵入式负荷辨识方法，其特征在于，步骤s1中，对总功率数据进行负荷状态转换事件检测，根据事件前后端电压和总电流的变化提取出对应电器设备的电压、电流数据，对电压、电流数据进行预处理得到电压-电流轨迹图像。
3.如权利要求2所述的基于混合监督学习的非侵入式负荷辨识方法，其特征在于，步骤s4中，基于元学习的含噪训练方法，在没有人类监督的情况下，采用不准确监督学习方法从含噪声标签数据样本的训练数据集中学习。
4.一种基于混合监督学习的非侵入式负荷辨识系统，其特征在于，包括：
5.如权利要求4所述的基于混合监督学习的非侵入式负荷辨识系统，其特征在于，预处理模块对总功率数据进行负荷状态转换事件检测，根据事件前后端电压和总电流的变化提取出对应电器设备的电压、电流数据，对电压、电流数据进行预处理得到电压-电流轨迹图像。
6.如权利要求5所述的基于混合监督学习的非侵入式负荷辨识系统，其特征在于，第二训练模块基于元学习理论，采用不准确监督学习方法在没有人类监督情况下从含噪声标签数据样本的训练数据集中学习。
