一种基于特征融合的负荷识别方法技术

本发明专利技术公开了一种基于特征融合的负荷识别方法，首先使用一种基于电流时序信号的时频域特征融合的信号表示方法，对电流时序数据进行时间序列的图像编码，将电流数据转换为图像，获取了电流信号的时频域特征；然后通过基于二维卷积神经网络和门控循环单元构建的双流神经网络负荷识别模型进行负荷识别，通过本发明专利技术的方法提高了电器识别的准确率，尤其是针对家庭中小功率和多状态电器的精确识别。对家庭中小功率和多状态电器的精确识别。对家庭中小功率和多状态电器的精确识别。

【技术实现步骤摘要】
一种基于特征融合的负荷识别方法


[0001]本专利技术属于负荷识别
，特别涉及一种基于特征融合的负荷识别方法。

技术介绍

[0002]为了能够检测家电设备的能源使用情况，优化家庭能源消耗结构，从而实现家庭节能，家庭用电设备智能监测技术应运而生。现有研究表明，用户对家庭电器详细用电信息知情与否可以使电费开支相差5％
‑
15％。因此，能够及时获取电网中每一用电设备的实时状态和能耗，已成为目前国内外智能电网建设中的重点和瓶颈问题。
[0003]在现有的用电设备监测技术中，非侵入式负载监测技术(NILM)具有部署简便、投资成本低、信息安全性强等优点，运用非侵入式用电目标监测方法只需对总能耗进行监测便可以将能耗分解到单负荷级，尤其适用于家庭用电设备智能监测。但因家庭用电设备中小功率电器和多状态电器占据了较大比重，存在大量的局部波形相似、波动特征不显著、不易区分等问题，对其精准进行负荷监测分解具有较大的难度。因此，对家庭中小功率和多状态电器识别准确率较低的问题亟待解决。虽然现有方法在家庭负荷监测中起到了一定的作用，但是对于相似波形的阻性电器和多状态电器的分类效果仍然很低，而且忽略了NILM中存在的类不平衡问题。
[0004]在NILM中，为了提高分类的准确率，采用了电力信号转换为图像表示的方式提取信号特征，最常见的是将电流电压轨迹和有功功率与无功功率等不同的信号形式组合在一起。这种信号形式的组合方法都有一个共同的缺点，即在分类时，不能充分利用电流数据时域和频域的所有信息。
[0005]因此，本专利技术针对在非侵入式用电目标监测中普遍存在的多状态和小功率电器识别问题，运用图像识别的相关知识，对电力信号转换为图像进行进一步研究。

技术实现思路

[0006]针对现有技术存在的不足，本专利技术提供一种基于特征融合的负荷识别方法，通过对电流时序数据进行时间序列的图像编码，获取了电流信号的时频域特征，然后通过深度神经网络得到了新的特征空间表示，最后使用了不同的网络模型对电器进行分类。为在家庭用电智能监测中进一步分离用电波动信号打下基础。
[0007]为了解决上述技术问题，本专利技术采用的技术方案是：
[0008]一种基于特征融合的负荷识别方法，首先使用一种基于电流时序信号的时频域特征融合的信号表示方法，将电流数据转换为图像；然后通过基于二维卷积神经网络和门控循环单元构建的双流神经网络负荷识别模型进行负荷识别，具体步骤如下：
[0009]步骤1、数据预处理及特征提取：提取原始电流数据中的稳态特征，并获得特征图；
[0010]步骤2、特征融合：将提取到的特征图进行特征融合；
[0011]步骤3、模型训练：将融合后的特征图作为双流神经网络负荷识别模型的输入，训练模型；
[0012]步骤4、分类输出：对不同的负荷进行分类，输出结果。
[0013]进一步的，步骤1中数据预处理及特征提取的方法是：采用将时间序列转换为二维图像的编码方式，将电流时序数据转换为二维图像表示，保留了电流时序数据的时间依赖性；分别是：通过GAF算法和MTF算法分别保存电流信号时域中的静态信息和动态信息，并生成电流频谱图CS，用于表示电流时序数据中的频域特征，增强图像中的频域信息。
[0014]进一步的，所述GAF算法中根据编码选取的角度的不同，分为GADF和GASF两种；GAF算法通过在极坐标中表示时间序列来构造图像，方法如下：先将使用的时间序列缩放到区间[
‑
1,1]或[0,1]，通过角余弦和半径分别表示时间序列的值及其对应的时间戳，从而实现时间序列到极坐标的转换；将重新标定的时间序列转换到极坐标系后，通过考虑各点之间的三角和、差来识别不同时间间隔内的时间相关性；
[0015]通过MTF算法保存时域内的信息，从而编码动态信息，方法如下：首先确定给定时间序列中的每个元素的分位数，通过计算沿时间轴的一阶马尔可夫链的转移来构造一个加权邻接矩阵W，将W归一化后得到马尔可夫转移矩阵；
[0016]电流频谱图是指和时间相关的傅立叶分析视图，是一种具有三维含义的二维频谱图，它表示电流频谱随时间变化的图形，纵轴是频率，横轴是时间，任意给定频率成分在给定时刻的强度大小用相应点的灰度图或色调的浓淡表示，颜色深，表示该点的电流强度越大。
[0017]进一步的，步骤2特征融合方法是：将相同大小的GASF、GADF、MTF生成的图片和电流频谱图CS结合起来构建一个四通道图像GASF
‑
GADF
‑
MTF
‑
CS，用于结合嵌入在原始时间序列中的静态信息、动态信息以及频谱信息。
[0018]进一步的，步骤3所述双流神经网络负荷识别模型，一边将原始数据使用一维卷积神经网络提取特征后输入到门控循环单元中提取电流时序数据的时域特征，一边将融合后的图像输入到二维卷积神经网络中，并侧重从图像中提取时频域特征。
[0019]进一步的，在循环神经网络部分，输入数据为原始电流信号，选择单周期的电流数据作为一个样本，在循环神经网络前面使用3层卷积核大小为7、步长为1的一维卷积，对输入数据进行预处理，用于将长的输入序列转换为高级特征组成的短序列，之后输入到门控循环单元GRU层进一步提取特征；
[0020]在二维卷积部分，输入数据是由原始数据景步骤1、步骤2转换得到的大小为64*64的二维图像，采用三层二维卷积提取特征，使用大小为3、步长为1的卷积核，卷积核的数量依次增加。
[0021]进一步的，在模型训练时，选择将过采样和欠采样相结合方式来平衡样本：先使用SMOTE方法进行过采样，对少数类先过采样到多数类样本数的1.5倍后，再进行欠采样到相同样本数，欠采样时采用了一种选取中点欠采样的策略，即假设需要数据原始长度为n1，需要欠采样到长度为n2，那么就将原始数据平均分为n1
‑
n2份，分别取每份的中点进行舍弃。
[0022]与现有技术相比，本专利技术优点在于：
[0023](1)在数据预处理阶段，针对使用单一设备特征进行负荷辨识存在的局限性，本专利技术基于电流时序信号的时频域特征融合的特征提取方法，命名为Time Series Image Coding in NILM(TSICN)方法，该方法可以将一维时间序列转换为二维图像并保留原始信号的全部时频域信息。
[0024](2)针对NILM问题中出现的类别不平衡问题，设计了一种不均衡样本的处理方法，将过采样和欠采样相结合方式来平衡样本，在存在分类不平衡问题的家电分类中的整体性能优于现有模型。
[0025](3)在分类时，本专利技术使用了二维卷积和循环神经网络相结合的双流的网络结构模型，侧重从图像中提取时频域特征，提高了电器识别的准确率，尤其是针对家庭中小功率和多状态电器的精确识别。
附图说明
[0026]为了更清楚地说明本专利技术实施例的技术方案，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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征融合的负荷识别方法，其特征在于，首先使用一种基于电流时序信号的时频域特征融合的信号表示方法，将电流数据转换为图像；然后通过基于二维卷积神经网络和门控循环单元构建的双流神经网络负荷识别模型进行负荷识别，具体步骤如下：步骤1、数据预处理及特征提取：提取原始电流数据中的稳态特征，并获得特征图；步骤2、特征融合：将提取到的特征图进行特征融合；步骤3、模型训练：将融合后的特征图作为双流神经网络负荷识别模型的输入，训练模型；步骤4、分类输出：对不同的负荷进行分类，输出结果。2.根据权利要求1所述的基于特征融合的负荷识别方法，其特征在于，步骤1中数据预处理及特征提取的方法是：采用将时间序列转换为二维图像的编码方式，将电流时序数据转换为二维图像表示，保留了电流时序数据的时间依赖性；分别是：通过GAF算法和MTF算法分别保存电流信号时域中的静态信息和动态信息，并生成电流频谱图CS，用于表示电流时序数据中的频域特征，增强图像中的频域信息。3.根据权利要求2所述的基于特征融合的负荷识别方法，其特征在于，所述GAF算法中根据编码选取的角度的不同，分为GADF和GASF两种；GAF算法通过在极坐标中表示时间序列来构造图像，方法如下：先将使用的时间序列缩放到区间[
‑
1,1]或[0,1]，通过角余弦和半径分别表示时间序列的值及其对应的时间戳，从而实现时间序列到极坐标的转换；将重新标定的时间序列转换到极坐标系后，通过考虑各点之间的三角和、差来识别不同时间间隔内的时间相关性；通过MTF算法保存时域内的信息，从而编码动态信息，方法如下：首先确定给定时间序列中的每个元素的分位数，通过计算沿时间轴的一阶马尔可夫链的转移来构造一个加权邻接矩阵W，将W归一化后得到马尔可夫转移矩阵；电流频谱图是指和时间相关的傅立叶分析视图，是一种具有三维含义的二维频谱图，它表示电流频谱随时间变化的图形，纵轴是频率，横轴是时间，任意给定频率成分在给定时...

【专利技术属性】
技术研发人员：殷波，魏志强，杜泽华，李可心，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：