基于自监督与多任务学习的家用充电桩监测方法及系统与流程

1.本发明设计属于家用充电桩监测技术领域，特别涉及一种基于自监督与多任务学习的家用充电桩监测方法及系统。


背景技术：

2.随着电动汽车行业的飞速发展，家用充电桩正成为越来越多家庭的必备设施。在这个背景下，家用充电桩监测的意义愈发凸显。充电桩监测不仅可以帮助用户更加科学地掌握充电状态、优化充电策略，还可以实时发现充电桩的异常情况，及时进行维修与维护，降低安全隐患，提高设备使用寿命。同时，家用充电桩监测也有助于节能减排，是最具需求响应潜力的设备之一，通过智能调度实现电能的合理分配可降低对电网的压力。
3.但是目前的家用充电桩监测手段极为有限，主要依赖于单独的量测终端进行运行监测，成本高昂且由于多样化的协议导致电网侧难以统一管理。此外，虽然充电桩工作状态相对稳定，但家庭内多种具有复杂工作状态的电器同时运行的干扰较大，难以从家庭入户总线处准确监测家用充电桩的工作功率。总的来说，现有表后光伏监测研究主要存在以下两大难题：现有方法依赖于单独的量测终端对充电桩进行监测，缺少仅通过家庭入户总线的有功功率数据直接感知充电桩工作功率的方法，难以应对海量家用充电桩的实时监测需求；家庭内同时运行的多样化负荷波动较大，背景噪声的干扰导致监测得到的充电桩有功功率存在明显波动或毛刺，严重影响监测效果，难以满足精度要求。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述和/或现有的家用充电桩监测技术中存在的问题，提出了本发明。
6.因此，本发明所要解决的问题在于如何在复杂的家庭用电场景中仅依靠入户总线功率数据实现准确、高效的实时充电桩监测。
7.为解决上述技术问题，本发明提供如下技术方案：基于自监督与多任务学习的家用充电桩监测方法，其包括，使用智能量测终端采集家用电动汽车充电桩的运行有功功率和家庭总线对应的有功功率；对采集的数据进行预处理，生成家用充电桩监测数据集；初始化预训练模型，将数据集中的入户总线功率数据，基于重建损失进行自监督预训练；初始化多任务充电桩监测模型，迁移预训练模型的特征提取层权重，基于多任务损失进行训练；将训练得到的家用充电桩监测模型投入应用，采集入户处总线功率，进行事件检测。
8.作为本发明所述基于自监督与多任务学习的家用充电桩监测方法的一种优选方案，其中：对采集的数据进行预处理的步骤包括序列分割和噪声滤除。
9.作为本发明所述基于自监督与多任务学习的家用充电桩监测方法的一种优选方案，其中：序列分割步骤为，采用宽度为width的滑动窗以步长s从前往后对采样得到的家用
电动汽车充电桩的运行有功功率和家庭总线对应的有功功率进行分割，得到子序列数据。
10.作为本发明所述基于自监督与多任务学习的家用充电桩监测方法的一种优选方案，其中：噪声滤除包括以下步骤：
11.基于mallat分解算法将初始有功功率序列分解至n层。
12.将小于阈值w
thr
的高频系数置零，根据更新后的小波系数重构得到去噪后的有功功率序列，具体公式如下：
[0013][0014]
其中σ为高频系数的方差，δ为固定常数，n为小波分解的层数。
[0015]
作为本发明所述基于自监督与多任务学习的家用充电桩监测方法的一种优选方案，其中：基于重建损失进行自监督预训练是指，以最小化模型输出值与家庭入户处总线有功功率输入值的平方误差，具体公式如下：
[0016][0017]
其中，num
t
为训练集的子序列对总数，width为滑动窗宽度数据，为训练集中第i条子序列第j个点的模型输出估计有功功率值，为训练集中第i条子序列第j个点的家庭入户总线有功功率数据。
[0018]
作为本发明所述基于自监督与多任务学习的家用充电桩监测方法的一种优选方案，其中：基于多任务损失进行训练指，采用梯度反向传播算法更新多任务家用充电桩监测模型权重，具体公式如下：
[0019]
loss
total
＝loss
tr
+lossr+lossc[0020]
其中，lossr为家用电动汽车充电桩的运行有功功率回归损失，lossc为家用电动汽车充电桩的运行状态识别损失，loss
tr
为家用电动汽车充电桩的运行有功功率回归总损失之和。
[0021][0022]
其中，为训练集中第i条子序列第j个点的模型家用电动汽车充电桩的运行有功功率回归分支输出估计有功功率值，为训练集中第i条子序列第j个点的家用电动汽车充电桩的运行有功功率。
[0023][0024]
其中，为训练集中第i条子序列第j个点的模型总输出估计有功功率值。
[0025][0026]
其中，为训练集中第i条子序列第j个点的模型家用电动汽车充电桩的运行状态识别分支输出估计运作状态值，为训练集中第i条子序列第j个点的家用电动汽车充电桩的运行状态值。
[0027]
作为本发明所述基于自监督与多任务学习的家用充电桩监测方法的一种优选方案，其中：事件检测指对智能量测终端实时采集的家庭入户处的总线有功功率进行双滑动窗的事件检测，具体公式如下：
[0028][0029]
其中，μ1与μ2分别为前、后滑动窗内总线有功功率的均值，σ1与σ2分别为前、后滑动窗内总线有功功率的标准差。
[0030]
第二方面，本发明实施例提供了一种基于自监督与多任务学习的家用充电桩监测的系统，其包括数据获取模块，用于采集有功功率，并对采集的数据进行预处理，生成充电桩监测数据集；模型自监督预训练模块，用于初始化预训练模型，重建损失进行自监督预训练；模型训练模块，用于初始化多任务充电桩监测模型，迁移预训练模型的特征提取层权重，基于多任务损失进行训练；家用充电桩监测模块，用于将训练得到的家用充电桩监测模型投入应用后，采集入户处总线功率进行事件检测。
[0031]
第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中所述处理器执行所述计算机程序时实现上述方法的任一步骤。
[0032]
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中所述计算机程序被处理器执行时实现上述方法的任一步骤。
[0033]
本发明有益效果为：本发明基于自监督预训练与多任务学习提出了一种仅需入户总线功率数据作为输入的实用性家用充电桩监测方法，可为需求响应提供有效的信息支撑，并且提出了基于多任务学习的双分支家用充电桩监测模型结构，可有效减少背景负荷高度波动的影响，提高家用充电桩的监测性能，创新性地结合了基于重构损失的自监督预训练策略，在部署应用中结合事件检测算法，仅在电器投切事件发生时触发家用充电桩监测模型，可有效节省计算资源，提升所提方案的实用性。
附图说明
[0034]
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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图其中：
[0035]
图1为实施例1中基于自监督与多任务学习的家用充电桩监测方法的逻辑流程示意图。
[0036]
图2为实施例1中基于自监督与多任务学习的家用充电桩监测方法的预训练模型结构图。
[0037]
图3为实施例1中基于自监督与多任务学习的家用充电桩监测方法的多任务家用充电桩监测模型结构图。
具体实施方式
[0038]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0039]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0040]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性，在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0041]
实施例1
[0042]
参照图1～图3，为本发明第一个实施例，该实施例提供了一种基于自监督与多任务学习的家用充电桩监测方法，包括：
[0043]
s1：使用智能量测终端采集家用电动汽车充电桩的运行有功功率和家庭入户处总线的对应有功功率。
[0044]
优选的，智能量测终端指对电压、电流采样间隔不低于1分钟的智能插座、智能电表、智能空气开关等智能终端，具备电气量采样、有功功率计算、数据存储以及上传功能，在具体实施中电压、电流采样间隔选为6秒以及时捕捉充电桩工作状态的变化。
[0045]
s2：对步骤s1采集的数据进行预处理，生成家用充电桩监测数据集。
[0046]
进一步的，预处理的步骤包括序列分割和噪声滤除。
[0047]
具体的，序列分割步骤为，采用宽度为width的滑动窗以步长s从前往后对采样得到的家用电动汽车充电桩的运行有功功率和家庭总线对应的有功功率进行分割，得到子序列数据。
[0048]
优选的，在具体实施中width设为192，s设为1。
[0049]
进一步的，噪声滤除指使用小波硬阈值去除每一条子序列数据中背景电器运行的高频噪声，首先基于mallat分解算法将初始有功功率序列分解至层，再将小于阈值的高频系数置零，根据更新后的小波系数重构得到去噪后的有功功率序列，具体公式如下：
[0050][0051]
其中σ为高频系数的方差，δ为固定常数，n为小波分解的层数。
[0052]
优选的，在具体实施过程中选n为6，δ设为0.6745。
[0053]
进一步的，生成家用充电桩监测数据集指先对每一条进行噪声滤除后的电动汽车充电桩的运行有功功率子序列进行阈值判断，对高于阈值p
thr
的点记录为1，小于p
thr
的点记录为0，得到各条充电桩运行状态子序列。
[0054]
进一步的，家用充电桩监测数据集由家用电动汽车充电桩的运行有功功率、充电
桩运行状态序列和家庭入户处的总线有功功率子序列构成，各子序列根据采样时刻对齐，机抽取a％的子序列对作为训练集，其余子序列对作为验证集。
[0055]
优选的，在具体实施过程中p
thr
设为25w，a％设为70％。
[0056]
s3：初始化预训练模型，采用步骤s2所得的数据集中的训练集的入户总线功率数据，基于重建损失进行自监督预训练。
[0057]
进一步的，初始化预训练模型指随机初始化模型的权重进行后续的预训练。具体的，预训练模型的结构如图2所示，特征提取网络由五层一维卷积层组成，括号内数字含义为(卷积核个数，卷积核尺寸，卷积步长)，总线有功功率回归任务网络由四层全连接层组成，括号内数字含义为神经元个数，除最后一层全连接层外各层均后接relu激活函数。
[0058]
进一步的，基于重建损失进行自监督预训练是指，以最小化模型输出值与家庭入户处总线有功功率输入值的平方误差，具体公式如下：
[0059][0060]
其中，num
t
为训练集的子序列对总数，width为滑动窗宽度数据，为训练集中第i条子序列第j个点的模型输出估计有功功率值，为训练集中第i条子序列第j个点的家庭入户总线有功功率数据，width为。
[0061]
进一步的，采用步骤s2所得的验证集进行性能验证，若验证集上的losss在epochs次迭代后仍不下降则停止预训练。
[0062]
具体的，在具体实施中epochs可选为10。
[0063]
s4：初始化多任务家用充电桩监测模型，迁移步骤s3中自监督预训练得到的预训练模型的特征提取层权重，基于多任务损失进行训练。
[0064]
进一步的，初始化多任务家用充电桩监测模型，是指随机初始化由特征提取网络、家用电动汽车充电桩的运行有功功率回归分支和家用电动汽车充电桩的运行状态识别分支组成的双任务分支家用充电桩监测模型的权重，该模型的最终输出是由有功功率回归分支的输出与运行状态识别分支的输出相乘得到，具体公式如下：
[0065][0066]
其中，为训练集中第i条子序列第j个点的模型总输出估计有功功率值，为训练集中第i条子序列第j个点的模型家用电动汽车充电桩的运行有功功率回归分支输出估计有功功率值，为训练集中第i条子序列第j个点的模型家用电动汽车充电桩的运行状态识别分支输出估计运作状态值。
[0067]
进一步的，迁移步骤s3中自监督预训练得到的预训练模型的特征提取层权重，是指将步骤s3中得到的预训练模型的特征提取网络权重复制至多任务家用充电桩监测模型的特征提取网络并冻结，即在后续参数更新中将特征提取网络部分的权重视为常数。
[0068]
进一步的，多任务家用充电桩监测模型结构如图3所示，特征提取网络由五层一维
卷积层组成，括号内数字含义为(卷积核个数，卷积核尺寸，卷积步长)，充电桩的运行有功功率回归分支由四层全连接层组成，充电桩的运行状态识别分支由两层全连接层组成，全连接层括号内数字含义为神经元个数。
[0069]
进一步的，充电桩的运行状态识别分支的最后一层全连接层后接sigmoid激活函数，充电桩的运行有功功率回归分支的最后一层全连接层后无激活函数，其余各层均后接relu激活函数。
[0070]
具体的，sigmoid激活函数s(
·
)的计算公式如下：
[0071][0072]
其中，x为激活函数的输入变量。
[0073]
具体的，relu激活函数r(
·
)的计算公式如下：
[0074]
r(x)＝max(0,x)
[0075]
其中，x为激活函数的输入变量。
[0076]
进一步的，基于多任务损失进行训练指，采用梯度反向传播算法更新多任务家用充电桩监测模型权重，具体公式如下：
[0077]
loss
total
＝loss
tr
+lossr+lossc[0078]
其中，lossr为家用电动汽车充电桩的运行有功功率回归损失、lossc为家用电动汽车充电桩的运行状态识别损失、loss
tr
为家用电动汽车充电桩的运行有功功率回归总损失之和；
[0079][0080]
其中，为训练集中第i条子序列第j个点的模型家用电动汽车充电桩的运行有功功率回归分支输出估计有功功率值，为训练集中第i条子序列第j个点的家用电动汽车充电桩的运行有功功率；
[0081][0082]
其中，为训练集中第i条子序列第j个点的模型总输出估计有功功率值；
[0083][0084]
其中，为训练集中第i条子序列第j个点的模型家用电动汽车充电桩的运行状态识别分支输出估计运作状态值，为训练集中第i条子序列第j个点的家用电动汽车充电桩的运行状态值。
[0085][0086]
其中，为训练集中第i条子序列第j个点的模型总输出估计有功功率值，为训练集中第i条子序列第j个点的模型家用电动汽车充电桩的运行有功功率回归分支输出估计有功功率值，为训练集中第i条子序列第j个点的模型家用电动汽车充电桩的运行状态识别分支输出估计运作状态值。
[0087]
更进一步的，按照课程学习由易至难的训练策略，首先仅使用lossc损失函数迭代训练epochc轮，再加入lossr损失函数迭代训练epochr轮，最后基于loss
total
损失函数训练至步骤s2中得到的验证集上的loss
total
函数值连续epoch
total
次迭代不下降。
[0088]
具体的，在具体实施中，epochc、epochr、epoch
total
分别设为10、20、10。
[0089]
s5：将步骤s4训练得到的家用充电桩监测模型投入应用后，按步骤s1的方式采集家庭入户处总线功率，进行事件检测，若事件发生则按步骤s2中的数据预处理后输入模型即可得到家用充电桩的实时有功功率监测结果。
[0090]
进一步的，事件检测指对智能量测终端实时采集的家庭入户处的总线有功功率进行双滑动窗的事件检测，具体公式如下：
[0091][0092]
其中，μ1与μ2分别为前、后滑动窗内总线有功功率的均值，σ1与σ2分别为前、后滑动窗内总线有功功率的标准差。
[0093]
进一步的，即采用窗宽分别为v1与v2前后滑动窗实时滑动，若判断值value
event
大于阈值thr
event
则判断为有电器投入或切除的事件发生，否则没有电器投入或切除的事件发生。
[0094]
具体的，在具体实施过程中thr
event
设为100。
[0095]
进一步的，本实施例还提供一种基于自监督与多任务学习的家用充电桩监测的系统，包括数据获取模块，用于使用智能量测终端采集电动汽车充电桩的运行有功功率，以及家庭入户处总线的对应有功功率，对采集的数据进行预处理，生成充电桩监测数据集。
[0096]
模型自监督预训练模块，用于初始化预训练模型，采用入户总线功率数据，基于重建损失进行自监督预训练。
[0097]
模型训练模块，用于初始化多任务充电桩监测模型，迁移预训练模型的特征提取层权重，基于多任务损失进行训练。
[0098]
家用充电桩监测模块，用于将训练得到的家用充电桩监测模型投入应用后，采集入户处总线功率进行事件检测，若事件发生则对数据预处理，输入模型得到充电桩的实时有功功率监测结果。
[0099]
本实施例还提供一种计算机设备，适用于家用充电桩监测方法的情况，包括存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的基于自监督与多任务学习的家用充电桩监测方法。
[0100]
该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储
器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0101]
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
[0102]
使用智能量测终端采集家用电动汽车充电桩的运行有功功率和家庭总线对应的有功功率。
[0103]
对采集的数据进行预处理，生成家用充电桩监测数据集。
[0104]
初始化预训练模型，将数据集中的入户总线功率数据，基于重建损失进行自监督预训练。
[0105]
初始化多任务充电桩监测模型，迁移预训练模型的特征提取层权重，基于多任务损失进行训练。
[0106]
将训练得到的家用充电桩监测模型投入应用，采集入户处总线功率，进行事件检测，得出监测结果。
[0107]
综上，本发明深入挖掘总线负荷的特性，同时加快训练收敛速度，提高训练后的监测效果，创新性地结合了基于重构损失的自监督预训练策略，并且在部署应用中结合事件检测算法，仅在电器投切事件发生时触发家用充电桩监测模型，可有效节省计算资源，提升所提方案的实用性。
[0108]
实施例2
[0109]
参照表1和表2，为本发明第二个实施例，在第一个实施例的基础之上，为了验证其有益效果，提供了与传统方案的对比说明。
[0110]
优选的，为进一步说明发明的有效性，采用美国奥斯汀某社区七户房屋的家用电动汽车充电桩的运行有功功率与家庭入户处总线的对应有功功率数据进行实验，共有约1年数据，筛选充电桩工作时段分割得到子序列共1703条，随机抽取510条作为测试集，剩余样本作为训练集。
[0111]
进一步的，表1为训练集中随机抽取的10条家用电动汽车充电桩的运行有功功率子序列，单条子序列截取前10个采样点作为示例。
[0112]
表1家用电动汽车充电桩的运行有功功率子序列
[0113]
序号第1条第2条第3条第4条第5条第6条第7条第8条第9条第10条10.0030.0023.7153.7047.2391.7610.0023.7130.0027.32820.0030.0023.7143.7047.2173.7180.0023.7120.0027.30330.0030.0023.7143.7057.233.7170.0023.7130.0027.33440.0030.0023.7133.7047.2323.7150.0023.7120.0027.32451.2260.5823.7133.7047.2483.7150.0023.7120.0027.326
63.73.7143.7133.7047.2513.7140.0023.7120.0427.32473.7013.7173.7133.7057.2433.7130.0023.716.9327.32783.73.7153.7143.7067.2493.7120.0013.717.3097.32593.73.7143.7133.7047.2353.7120.0013.717.317.322103.6983.7133.7133.7047.2443.7110.0013.7097.3127.326
[0114]
进一步的，表1的数据内容为训练集中随机抽取的10条家用电动汽车充电桩的运行有功功率子序列，基于训练集训练后的测试结果如表2所示。
[0115]
进一步的，使用均方误差(mean squared error，mse)作为模型性能评价指标，计算方式如下式所示：
[0116][0117]
其中num
test
为测试集子序列总数，width为滑动窗宽度数据，为测试集中第i条子序列第j个点的模型总输出估计有功功率值，为测试集中第i条子序列第j个点的家用电动汽车充电桩的运行有功功率。
[0118]
进一步的，为对比说明性能提升，将本发明所提方案的完整模型与仅保留特征提取网络与充电桩的运行有功功率回归分支模型、无步骤s3中自监督预训练的模型、基于支持向量机的回归模型进行比较，性能如下表2所示。
[0119]
进一步的，从表中可看出所提自监督预训练步骤与基于多任务学习的双分支模型结构的有效性，亦可对比得出本发明所提方案相较于现有基于支持向量机回归模型的有效性。
[0120]
表2实验模型性能对比表
[0121][0122]
进一步的，表中对比组列对应各种对比实验模型，mse列对应各种实验模型的mse值，mse值越接近于0表示性能越好。
[0123]
进一步的，由表2可以看出，本发明所提方案的完整模型的监测性能最好，mse值为0.0371，性能排在本发明所提方案的完整模型之后的为仅保留特征提取网络与充电桩的运行有功功率回归分支的监测模型与无步骤s3中自监督预训练的模型，可见本发明所提出的充电桩运行状态识别分支与自监督预训练模型的有效性，表中性能最差的是常用的传统机器学习模型，说明本发明所提方法相对于现有方法的有效性。
[0124]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳
实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.基于自监督与多任务学习的家用充电桩监测方法，其特征在于：包括：使用智能量测终端采集家用电动汽车充电桩的运行有功功率和家庭总线对应的有功功率；对采集的数据进行预处理，生成家用充电桩监测数据集；初始化预训练模型，将数据集中的入户总线功率数据，基于重建损失进行自监督预训练；初始化多任务充电桩监测模型，迁移预训练模型的特征提取层权重，基于多任务损失进行训练；将训练得到的家用充电桩监测模型投入应用，采集入户处总线功率，进行事件检测。2.如权利要求1所述的基于自监督与多任务学习的家用充电桩监测方法，其特征在于：所述对采集的数据进行预处理的步骤包括序列分割和噪声滤除。3.如权利要求2所述的基于自监督与多任务学习的家用充电桩监测方法，其特征在于：所述序列分割步骤为，采用宽度为的滑动窗以步长从前向后对采样得到的家用电动汽车充电桩的运行有功功率和家庭总线对应的有功功率进行分割，得到子序列数据。4.如权利要求2所述的基于自监督与多任务学习的家用充电桩监测方法，其特征在于：所述噪声滤除包括以下步骤：基于mallat分解算法将初始有功功率序列分解至n层；将小于阈值w
thr
的高频系数置零，根据更新后的小波系数重构得到去噪后的有功功率序列，具体公式如下：其中σ为高频系数的方差，δ为固定常数，n为小波分解的层数。5.如权利要求1～3任一所述的基于自监督与多任务学习的家用充电桩监测方法，其特征在于：所述基于重建损失进行自监督预训练包括，以最小化模型输出值与家庭入户处总线有功功率输入值的平方误差，具体公式如下：其中，num
t
为训练集的子序列对总数，width为滑动窗宽度数据，为训练集中第i条子序列第j个点的模型输出估计有功功率值，为训练集中第i条子序列第j个点的家庭入户总线有功功率。6.如权利要求5所述的基于自监督与多任务学习的家用充电桩监测方法，其特征在于：所述基于多任务损失进行训练包括，采用梯度反向传播算法更新多任务家用充电桩监测模型权重，具体公式如下：loss
total
＝loss
tr
+loss
r
+loss
c
其中，loss
r
为家用电动汽车充电桩的运行有功功率回归损失、loss
c
为家用电动汽车充电桩的运行状态识别损失、loss
tr
为家用电动汽车充电桩的运行有功功率回归总损失之和；
其中，为训练集中第i条子序列第j个点的模型家用电动汽车充电桩的运行有功功率回归分支输出估计有功功率值，为训练集中第i条子序列第j个点的家用电动汽车充电桩的运行有功功率；其中，为训练集中第i条子序列第j个点的模型总输出估计有功功率值；其中，为训练集中第i条子序列第j个点的模型家用电动汽车充电桩的运行状态识别分支输出估计运作状态值，为训练集中第i条子序列第j个点的家用电动汽车充电桩的运行状态值。7.如权利要求1所述的基于自监督与多任务学习的家用充电桩监测方法，其特征在于：所述事件检测包括，对智能量测终端实时采集的家庭入户处的总线有功功率进行双滑动窗的事件检测，具体公式如下：其中，μ1与μ2分别为前、后滑动窗内总线有功功率的均值，σ1与σ2分别为前、后滑动窗内总线有功功率的标准差。8.一种基于自监督与多任务学习的家用充电桩监测的系统，基于权利要求1～7任一所述的基于自监督与多任务学习的家用充电桩监测方法，其特征在于：包括，数据获取模块，用于采集有功功率，并对采集的数据进行预处理，生成充电桩监测数据集；模型自监督预训练模块，用于初始化预训练模型，重建损失进行自监督预训练；模型训练模块，用于初始化多任务充电桩监测模型，迁移预训练模型的特征提取层权重，基于多任务损失进行训练；家用充电桩监测模块，用于将训练得到的家用充电桩监测模型投入应用后，采集入户处总线功率进行事件检测。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序
被处理器执行时实现权利要求1～7任一所述方法的步骤。

技术总结
本发明公开了基于自监督与多任务学习的家用充电桩监测方法及系统，包括使用智能量测终端采集家用电动汽车充电桩的运行有功功率和家庭总线对应的有功功率；对采集的数据进行预处理，生成家用充电桩监测数据集；初始化预训练模型，将数据集中的入户总线功率数据，基于重建损失进行自监督预训练；初始化多任务充电桩监测模型，迁移预训练模型的特征提取层权重，基于多任务损失进行训练；将训练得到的家用充电桩监测模型投入应用，采集入户处总线功率，进行事件检测。本发明提出了基于多任务学习的双分支家用充电桩监测模型结构，可有效减少背景负荷高度波动的影响，提高家用充电桩的监测性能。监测性能。监测性能。


技术研发人员：谈竹奎 刘斌 邓松 欧阳广泽 徐玉韬 张俊玮 曾鹏 唐赛秋 范强 陈敦辉 张后谊 许乐
受保护的技术使用者：贵州电网有限责任公司
技术研发日：2023.05.19
技术公布日：2023/9/14