用于非侵入式负荷监测的V-I图样本数据集筛选方法技术

本发明专利技术公开了一种用于非侵入式负荷监测的V‑I图样本数据集筛选方法，以非侵入式家电负荷监测为背景时，解决了实际测量的家用电器稳定运行数据存在噪声干扰导致大量V‑I轨迹图样本数据不可用的问题；本发明专利技术方法在构建深度学习网络的数据集之前，通过对采集的V‑I特征图样本数据集进行优化，提高数据集在表征关键信息的特征的含有率，提高了家用电器的识别精度和识别效率。

【技术实现步骤摘要】
用于非侵入式负荷监测的V-I图样本数据集筛选方法
本专利技术属于数据筛选
，具体涉及用于非侵入式负荷监测的V-I图样本数据集筛选方法。
技术介绍
随着社会经济的发展，近年来住宅用户中能源消耗的比例逐年增加。当务之急是提高能源利用效率，有效节约能源，而提高能效和节约的关键措施就是准确了解能源消耗的具体情况，负载监测可以在实现能源监测和故障监测的同时，有利于住宅用户有效节约能源，降低能耗，并配合电网公司进行电能管理和电网优化，这也符合当前节约环保型社会的要求。传统的侵入式符合监控(ILM)无法满足经济有效地监测住宅能耗的要求，期望具有可以提高能耗效率和节省的精确负载监控方法。近年来，非侵入式负载监测(NILM)方法不依赖于每个设备的监测传感器，提供了一种更为经济有效的解决方案。它只需要在用户进线端的某个监测总电流和电压信号，并分解总功耗，即可达到监测家庭电路中单个设备功耗信息的目的。NILM框架主要由大部分组成：数据采集、特征提取和负荷识别；特征提取是非侵入式负荷监测的关键步骤，而特征的种类极大程度地取决于数据采集设备的采样频率；瞬态特征要求数据采集设备具有比较高的采样频率，而稳态特征则对采样频率要求相对较低，传统最常用的稳态特征是功率。近年来，基于电压-电流(V-I)轨迹特征的非侵入式符合监测设备引起了大量研究者们的关注，V-I轨迹特征不需要依赖高采样频率的硬件设备，也不需要复杂的信号处理技术，当提取该特征后，即可将它们输入到不同的学习分类方法中，如决策树、支撑向量机、监督自组织映射和最邻近规则分类。然而，这些方法没有考虑到负载测量环境的噪声干扰因素。现有的基于V-I轨迹特征的深度学习负荷识别方法中，没有考虑到复杂测量环境的造成干扰因素对深度学习数据集带来的影响，一般都采用公共通用的数据集，负载识别的精度较低。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的用于非侵入式负荷监测的V-I图样本数据集筛选方法解决了以非侵入式家电负荷监测为背景时，实际测量的家用电器稳定运行数据存在噪声干扰导致大量V-I轨迹图样本数据不可用的问题。为了达到上述专利技术目的，本专利技术采用的技术方案为：用于非侵入式负荷监测的V-I图样本数据集筛选方法，包括以下步骤：S1、选取用电设备，并将其作为非侵入式负荷监测时的待测设备；S2、当待测设备进入稳态工作模式时，采集在若干个周期内所有待测设备运行时的电流和电压幅值数据；S3、根据采集的电流和电压幅值数据，依次构建每个待测设备在若干个周期内的V-I轨迹图；S4、分别对构建的每个V-I轨迹图进行预处理，得到待筛选的若干个V-I特征图；S5、分别在每个V-I特征图中构建不同范围大小的有限域，将同一范围大小的有限域对应的V-I特征图构成一个V-I图样本数据集；S6、采用基于有限域的样本数据筛选方法对每个V-I图样本数据集中的V-I特征图进行筛选，将未通过筛选的V-I特征图从对应的V-I图样本数据集中删除；进一步地，所述步骤S4中对构建的每个V-I轨迹图进行预处理的方法具体为：依次对每个V-I轨迹图进行归一化、滤波、灰度化和二值化处理。进一步地，所述步骤S5中在V-I特征图中构建有限域的方法具体为：通过确定有限域范围的上边界直线和下边界直线来确定该有限域的范围；其中，上边界直线通过其直线式的中心直线向上移动构建，下边界直线通过其直线式的中心直线向下移动构建；其中，中心直线的直线式为：y＝kx+b1；上边界直线的直线式为：y1＝kx+b1+b；下边界直线的直线式为：y2＝kx+b1-b；式中，y、y1和y2分别为中心直线上、上边界直线上和下边界直线上对应列的像素点；k为斜率，且k＝-(m-1)/(n-1)，m,n分别为该V-I特征图的长度和宽度；b1＝m-k；b为中心直线向上移动或向下移动的像素值。进一步地，通过设定若干个不同的b值得到对应的不同范围大小的有限域，其中，b值均匀分布在0-100像素内。进一步地，所述步骤S6中V-I图样本数据集中的V-I特征图包括电阻类电器的V-I特征图和阻感类电器的V-1特征图。进一步地，对V-I图样本数据集中的电阻类电器的V-I特征图进行筛选的方法具体为：判断该V-I特征图中的V-I轨迹点落在有限域中的像素点占该图总像素点的百分比是否大于或等于设定的阈值；若是，则该V-I特征图通过筛选；若否，则该V-I特征图未通过筛选，从对应的V-I图样本数据集中删除。进一步地，对V-I图样本数据集中的阻感类电器的V-I特征图进行筛选的方法具体为：判断该V-I特征图中的V-I轨迹点落在有限域中的像素点占该图总像素点的百分比是否小于设定的阈值；若是，则该V-I特征图通过筛选；若否，则该V-I特征图未通过筛选，从对应的V-I图样本数据集中删除。本专利技术的有益效果为：本专利技术提供的用于非侵入式符合监测的V-I图样本数据集筛选方法，以非侵入式家电负荷监测为背景时，解决了实际测量的家用电器稳定运行数据存在噪声干扰导致大量V-I轨迹图样本数据不可用的问题；本专利技术方法在构建深度学习网络的数据集之前，通过对采集的V-I特征图样本数据集进行优化，提高数据集在表征关键信息的特征的含有率，提高了家用电器的识别精度和识别效率。附图说明图1为本专利技术中用于非侵入式负荷监测的V-I图样本数据集筛选方法流图。图2为本专利技术中某电器采集的电压和电流信号波形图。图3为本专利技术中某电器对应的滤波前的V-I轨迹图。图4为本专利技术中某电器对应的滤波后的V-I轨迹图。图5为本专利技术中某电器对应的V-I轨迹图的二值化处理过程示意图。图6为本专利技术中某电器对应的待筛选的V-I特征图。图7为本专利技术中筛选某电器的V-I特征图的有限域范围示意图。具体实施方式下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。如图1所示，一种用于非侵入式负荷监测的V-I图样本数据集筛选方法，包括以下步骤：S1、选取用电设备，并将其作为非侵入式负荷监测时的待测设备。S2、当待测设备进入稳态工作模式时，采集在若干个周期内所有待测设备运行时的电流和电压幅值数据。图2中展示个某个电器(用电设备)在稳定运行h个周期内的电流和电压幅值数据。S3、根据采集的电流和电压幅值数据，依次构建每个待测设备在若干个周期内的V-I轨迹图。S4、分别对构建的每个V-I轨迹图进行预处理，得到待筛选的若干个V-I特征图；其中，对V-I轨迹图均进行预处理的方法具体为：依次对每个V-I轨迹图进行归一化、滤波、灰度化和二值化处理。图3和图4中分别展示图2对应的V-I轨迹图进行滤波处理前后的V-I轨迹图，图5展示了对V-I轨迹图二值化处理的过程，图6展示了二值化处理后的图像，即为后续用于筛选的V-I特征图。S5、分别在每个V-I特征图中构建不同范围大小的有限域，将同一范围大小的有限域对应的V-I特征图构成一个V-I图样本数据集。步骤S5中在V-I特征图中构建有限域的方法具体为：通过确定有限域范围的上边界直线和下边界直线来确定该有限域的范围；其中，上边界直线通过其直线式本文档来自技高网...

【技术保护点】
1.用于非侵入式负荷监测的V‑I图样本数据集筛选方法，其特征在于，包括以下步骤：S1、选取用电设备，并将其作为非侵入式负荷监测时的待测设备；S2、当待测设备进入稳态工作模式时，采集在若干个周期内所有待测设备运行时的电流和电压幅值数据；S3、根据采集的电流和电压幅值数据，依次构建每个待测设备在若干个周期内的V‑I轨迹图；S4、分别对构建的每个V‑I轨迹图进行预处理，得到待筛选的若干个V‑I特征图；S5、分别在每个V‑I特征图中构建不同范围大小的有限域，将同一范围大小的有限域对应的V‑I特征图构成一个V‑I图样本数据集；S6、采用基于有限域的样本数据筛选方法对每个V‑I图样本数据集中的V‑I特征图进行筛选，将未通过筛选的V‑I特征图从对应的V‑I图样本数据集中删除；S7、将筛选后的V‑I图样本数据集分别输入深度学习网络进行训练，得到不同V‑I图样本数据集对应的若干个识别率，并将其中最高的识别率对应的V‑I图样本数据集作为用于非侵入式负荷监测时的数据集，进而完成V‑I图样本数据集的筛选。

【技术特征摘要】
1.用于非侵入式负荷监测的V-I图样本数据集筛选方法，其特征在于，包括以下步骤：S1、选取用电设备，并将其作为非侵入式负荷监测时的待测设备；S2、当待测设备进入稳态工作模式时，采集在若干个周期内所有待测设备运行时的电流和电压幅值数据；S3、根据采集的电流和电压幅值数据，依次构建每个待测设备在若干个周期内的V-I轨迹图；S4、分别对构建的每个V-I轨迹图进行预处理，得到待筛选的若干个V-I特征图；S5、分别在每个V-I特征图中构建不同范围大小的有限域，将同一范围大小的有限域对应的V-I特征图构成一个V-I图样本数据集；S6、采用基于有限域的样本数据筛选方法对每个V-I图样本数据集中的V-I特征图进行筛选，将未通过筛选的V-I特征图从对应的V-I图样本数据集中删除；S7、将筛选后的V-I图样本数据集分别输入深度学习网络进行训练，得到不同V-I图样本数据集对应的若干个识别率，并将其中最高的识别率对应的V-I图样本数据集作为用于非侵入式负荷监测时的数据集，进而完成V-I图样本数据集的筛选。2.根据权利要求1所述的用于非侵入式负荷监测的V-I图样本数据集筛选方法，其特征在于，所述步骤S4中对构建的每个V-I轨迹图进行预处理的方法具体为：依次对每个V-I轨迹图进行归一化、滤波、灰度化和二值化处理。3.根据权利要求1所述的用于非侵入式负荷监测的V-I图样本数据集筛选方法，其特征在于，所述步骤S5中在V-I特征图中构建有限域的方法具体为：通过确定有限域范围的上边界直线和下边界直线来确定该有限域的范围；其中，上边界直线通过其直线式的中心直线向上移动构建，下边界直线通过其直线式的中心直线向下移动构建；其中，中心...

【专利技术属性】
技术研发人员：余志斌，陈红，宋吉聪，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川,51