一种基于胶囊网络的非侵入式负荷监测方法与系统技术方案

本发明专利技术公开一种基于胶囊网络的非侵入式负荷监测方法与系统，属于负荷监测技术领域。该系统和方法在房屋的总线处采集电压和电流数据并进行预处理；然后进行事件检测，构成电压电流图像，并对图像进行二值化处理；其次使用胶囊网络训练负荷分解模型，最后利用得到的最优负荷分解模型辨识新的总线数据，计算各个设备的用电情况。本发明专利技术的系统和方法采用非侵入式方法进行负荷监测，免于安装大量用电数据采集装置，提供了对家庭负荷投切情况进行监测的技术方法，便于了解家庭用电详情，促进科学合理用电。

【技术实现步骤摘要】
一种基于胶囊网络的非侵入式负荷监测方法与系统
本专利技术涉及负荷监测
，尤其涉及一种基于胶囊网络的非侵入式负荷监测方法与系统。
技术介绍
随着越来越多家用电器的普及，电能在居民日常开销中所占比重逐渐增加，无论从全社会还是居民用电节约的角度考虑，智能用电都是必然的趋势。智能用电的前提是了解用电设备的运行特性及个人用电习惯，合理计划用电，减少不必要的浪费，对损坏和故障的用电设备及早进行修理或更换，避免既浪费电能又无法发挥其最大能力的情况。了解家庭用电设备的运行，最简单的方法是在各个用电设备前加装数据采集装置，收集用电信息。这种方法可以直观地了解到用电设备的使用情况，但现代家庭用电设备繁多，此方法需要大量数据采集装置，有一定经济上的要求。随着科技的发展，非侵入式负荷监测方法应运而生。该方法仅在房屋总线处安装用电数据采集装置，使用总线数据或总线数据所提取的特征，通过适宜的负荷分解方法，得到各个用电设备的运行信息。当前非侵入式负荷辨识的方法主要分为两大类：无监督学习方法和监督学习方法。监督学习方法占据了研究的主流，又可细分为数据信号处理和人工智能方法两类。人工智能技术飞速发展，神经网络的使用越来越广泛，卷积神经网络、长短期记忆网络、去噪自动编码器、生成对抗网络等都是常用的人工智能方法。当前卷积神经网络的负荷辨识效果最好，但卷积神经网络中的池化层会丢失大量的信息，降低空间分辨率。新提出的胶囊神经网络，在特征学习过程中保留细节的姿态信息，如对象的准确位置、旋转、厚度、倾斜度、尺寸等，可以学习更细节的特征，因此本专利技术使用胶囊神经网络解决非侵入式负荷辨识问题，以期训练出准确度高的负荷分解模型。
技术实现思路
针对上述现有技术的不足，本专利技术提供一种基于胶囊网络的非侵入式负荷监测方法与系统。为解决上述技术问题，本专利技术所采取的技术方案是：一种基于胶囊网络的非侵入式负荷监测方法，包括如下步骤：步骤1：采集房屋总线的电压和电流数据，并构造成电压序列Vseq＝{v1,v2,v3,…,vL}和电流序列Iseq＝{i1,i2,i3,…,iL}，其中L是序列的长度；步骤2：对电压、电流序列中的数据进行预处理，包括：去除明显的异常值、缺失数据的填补及降噪；所述缺失数据的填补采用Hermite插值法，所述降噪采用中值滤波法。步骤3：进行事件检测，提取单个设备在负荷投切时的电压、电流数据；步骤3.1：对电流序列进行事件检测，用快速傅里叶变换计算电流相位角，计算相邻两个周期同相位角时刻电流差值的绝对值，如果这个绝对值连续几个周期大于设定好的阈值，则判定发生了负荷投切事件；步骤3.2：将发生负荷投切事件的时间段截取出来，形成电流事件片段序列Ievent；步骤3.3：在电压序列中，搜索相同负荷投切事件时间段，截取得到电压事件片段序列Vevent。步骤4：将步骤3提取的数据构成电压、电流轨迹图像，并对图像进行二值化处理；步骤4.1：对获得的单个设备在负荷投切时的电压事件片段序列Vevent、电流事件片段序列Ievent数据进行标准化处理；步骤4.2：将标准化处理后的数据构成连续的电压、电流轨迹图像；步骤4.3：对电压、电流轨迹图像进行二值化处理，将电压、电流轨迹映射到像素格。步骤4.3.1：将电压、电流轨迹图像分为32×32个像素格，每个图像像素格分配一个二进制数；步骤4.3.2：如果电压、电流轨迹经过某个像素格，则该像素格将被该电压、电流轨迹所占据，并在该像素格中分配1，否则分配为0。步骤5：利用二值化处理后的电压、电流轨迹图像训练胶囊网络负荷辨识模型；步骤5.1：构造胶囊网络结构，共包含七层，第一层卷积层，卷积核长度为9，步长为1，激活函数为ReLU；第二层卷积层，卷积核长度为3，步长为1，激活函数为ReLU；第三层初始胶囊层，接受卷积层检测到的基本特征，生成特征的组合；第四层设备胶囊层，每个胶囊和一种设备对应；设备胶囊的输出送到由3个完全连接层组成的解码器，解码器强制胶囊学习对重构输入图像有用的特征，重构输入图像，损失函数为重构图像与输入图像之间的欧氏距离，使用Tensorflow编码，采用Adam算法；步骤5.2：使用胶囊网络训练负荷辨识模型，为了得到最好的负荷辨识模型，从单个设备运行曲线中提取二值化电压电流图像，作为神经网络的输入对象，并输出设备分类的预测概率值。步骤6：测试胶囊网络负荷辨识模型，根据测试结果调整神经网络参数，直至模型最优，并保存最优负荷辨识模型；步骤6.1：使用单个设备运行曲线提取的电压电流图像中未曾训练的二值化图像进行胶囊网络负荷辨识模型的测试；步骤6.2：根据测试数据的输出结果对胶囊网络负荷辨识模型进行结果分析，即准确率、召回率和F分数判断模型优异，若F分数未达到最大，则调整胶囊网络模型结构和网络超参数，重新训练胶囊网络负荷辨识模型，若F分数达到最大，则执行步骤6.3；步骤6.3：保存胶囊网络负荷辨识模型。步骤7：利用保存的最优负荷辨识模型对总线数据进行实时辨识，并根据辨识结果对胶囊网络负荷辨识模型进行修正；步骤7.1：对总线数据进行实时事件检测，提取单个设备的电压、电流数据，构成二值化电压、电流图像，并利用保存的胶囊网络负荷辨识模型进行非侵入式负荷辨识；步骤7.2：将总线数据提取的二值化电压、电流图像与单个设备运行曲线提取的二值化电压、电流图像分别经过胶囊网络负荷辨识模型后的整体结果进行对比，若F分数结果相差很大，则调整事件检测过程中提取的电压电流序列长度，并再次进行测试，直至结果相差不大。步骤8：辨识各个设备的投切情况，实现非侵入式负荷监测。步骤8.1：利用步骤1至步骤7进行非侵入式负荷监测，辨识各设备投切情况；步骤8.2：实现各设备电气量统计，各设备使用情况及各个设备用能占总能量的比值，达到负荷监测的目的。另一方面，本专利技术还提供一种实现基于胶囊网络的非侵入式负荷监测方法的系统，包括主板、数据采集板和单板计算机；所述主板是物理传感单元和数据采集板之间的接触点，包括电源、传感器和辅助连接；所述传感器包括电压互感器和电流传感器，用于捕获高频电压和电流数据流，并直接馈入所述数据采集板；所述数据采集板处理原始模拟输入并将其转换为数字值，并将转换后的数据转发到所述单板计算机进行处理和存储；所述单板计算机将数据从数据采集板压缩和传输到存储器中；所述存储器为USB存储设备连接到单板计算机，充当备份缓冲区。采用上述技术方案所产生的有益效果在于：1、本专利技术采用非侵入式方法进行负荷监测，免于安装大量用电数据采集装置；2、对电压、电流序列中的数据进行预处理可以消除异常数据的影响，保证构造的二值化电压电流图像的质量，便于后续利用胶囊网络负荷辨识模型进行设备投切情况的辨识；3、对电压、电流轨迹图像进行二值化处理可以在不增加计算复杂度的情况下将轨迹映射到矩阵，而且减轻了本文档来自技高网...

【技术保护点】
1.一种基于胶囊网络的非侵入式负荷监测方法，其特征在于，包括如下步骤：/n步骤1：采集房屋总线的电压和电流数据，并构造成电压序列V

【技术特征摘要】
1.一种基于胶囊网络的非侵入式负荷监测方法，其特征在于，包括如下步骤：
步骤1：采集房屋总线的电压和电流数据，并构造成电压序列Vseq＝{v1,v2,v3,…,vL}和电流序列Iseq＝{i1,i2,i3,…,iL}，其中L是序列的长度；
步骤2：对电压、电流序列中的数据进行预处理，包括：去除明显的异常值、缺失数据的填补及降噪；
步骤3：进行事件检测，提取单个设备在负荷投切时的电压、电流数据；
步骤4：将步骤3提取的数据构成电压、电流轨迹图像，并对图像进行二值化处理；
步骤5：利用二值化处理后的电压、电流轨迹图像训练胶囊网络负荷辨识模型；
步骤6：测试胶囊网络负荷辨识模型，根据测试结果调整神经网络参数，直至模型最优，并保存最优负荷辨识模型；
步骤7：利用保存的最优负荷辨识模型对总线数据进行实时辨识，并根据辨识结果对胶囊网络负荷辨识模型进行修正；
步骤8：辨识各个设备的投切情况，实现非侵入式负荷监测。


2.根据权利要求1所述的一种基于胶囊网络的非侵入式负荷监测方法，其特征在于：所述步骤2中缺失数据的填补采用Hermite插值法，所述降噪采用中值滤波法。


3.根据权利要求1所述的一种基于胶囊网络的非侵入式负荷监测方法，其特征在于：所述步骤3的过程如下：
步骤3.1：对电流序列进行事件检测，用快速傅里叶变换计算电流相位角，计算相邻两个周期同相位角时刻电流差值的绝对值，如果这个绝对值连续几个周期大于设定好的阈值，则判定发生了负荷投切事件；
步骤3.2：将发生负荷投切事件的时间段截取出来，形成电流事件片段序列Ievent；
步骤3.3：在电压序列中，搜索相同负荷投切事件时间段，截取得到电压事件片段序列Vevent。


4.根据权利要求1所述的一种基于胶囊网络的非侵入式负荷监测方法，其特征在于：所述步骤4的过程如下：
步骤4.1：对获得的单个设备在负荷投切时的电压事件片段序列Vevent、电流事件片段序列Ievent数据进行标准化处理；
步骤4.2：将标准化处理后的数据构成连续的电压、电流轨迹图像；
步骤4.3：对电压、电流轨迹图像进行二值化处理，将电压、电流轨迹映射到像素格。


5.根据权利要求4所述的一种基于胶囊网络的非侵入式负荷监测方法，其特征在于：所述步骤4.3的过程如下：
步骤4.3.1：将电压、电流轨迹图像分为32×32个像素格，每个图像像素格分配一个二进制数；
步骤4.3.2：如果电压、电流轨迹经过某个像素格，则该像素格将被该电压、电流轨迹所占据，并在该像素格中分配1，否则分配为0。


6.根据权利要求1所述的一种基于胶囊网络的非侵入式负荷监测方法，其特征在于：所述步骤5的过程如下：
步骤5.1：构造胶囊网络结构，共包含七层，第一层卷积层，卷积核...

【专利技术属性】
技术研发人员：王芮，杨东升，周博文，张化光，金硕巍，闫士杰，罗艳红，刘鑫蕊，杨波，孙振奥，梁雪，刘振伟，王智良，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21