非侵入负荷识别装置、方法、存储介质及电子设备制造方法及图纸

本发明专利技术公开了一种非侵入负荷识别装置、方法、存储介质及电子设备，装置包括：预处理模块、特征提取模块、特征融合模块以及识别模块，其中，预处理模块用于获取待识别负荷的V

【技术实现步骤摘要】
非侵入负荷识别装置、方法、存储介质及电子设备


[0001]本专利技术涉及非侵入负荷识别
，尤其涉及一种非侵入负荷识别装置、方法、存储介质及电子设备。

技术介绍

[0002]非侵入负荷识别是指在负荷群端口处（例如家庭用电的入户电表处）安装检测设备即可实现对负荷群内各电器的投切和用电行为的检测，目前随着居民用电总量以及居民家用电器种类和数量逐渐增长，采用非侵入负荷识别技术分析各种家用电器用电消耗以及居民用电行为可为智慧电网提供有效的用电数据统计，通过用电大数据分析，辅助制定不同区域、不同季节的居民用电策略，可以提高居民用电效率，实现节能减碳。
[0003]目前传统的非侵入负荷识别通常采用谐波特征、小波特征或V
‑
I曲线特征来识别负荷的类型，但是采用传统方式进行的非侵入负荷识所获得识别准确率较低，且其对应的负荷识别算法鲁棒性也不强。

技术实现思路

[0004]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的第一个目的在于提出一种非侵入负荷识别装置，该识别装置通过对获得的图像特征向量、包络线特征向量、频谱特征向量、有功功率和无功功率进行多模态融合，可以形成更加丰富的融合特征向量，融合特征向量的表征能力更强，从而可以提高非侵入负荷识别的准确率，并提高其对应识别算法的鲁棒性。
[0005]本专利技术的第二个目的在于提出一种非侵入负荷识别方法。
[0006]本专利技术的第三个目的在于提出一种计算机可读存储介质。
[0007]本专利技术的第四个目的在于提出一种电子设备。
[0008]为达到上述目的，本专利技术第一方面实施例提出了一种非侵入负荷识别装置，装置包括：预处理模块，用于在确定负荷投切事件发生时，获取待识别负荷的V
‑
I曲线图像、电流包络线图像、无功电流频谱数据、有功功率和无功功率；特征提取模块，用于通过卷积神经网络对V
‑
I曲线图像进行特征提取得到图像特征向量，并对电流包络线图像进行特征提取得到包络线特征向量，以及通过全连接神经网络对无功电流频谱数据进行特征提取得到频谱特征向量；特征融合模块，用于通过特征融合网络对图像特征向量、包络线特征向量、频谱特征向量、有功功率和无功功率进行特征融合得到融合特征向量；识别模块，用于通过分类器对融合特征向量进行类型识别得到待识别负荷的类型。
[0009]根据本专利技术实施例的非侵入负荷识别装置，在确定负荷投切事件发生时，通过预处理模块获取待识别负荷的V
‑
I曲线图像、电流包络线图像、无功电流频谱数据、有功功率和无功功率，并通过特征提取模块通过卷积神经网络对V
‑
I曲线图像进行特征提取得到图像特征向量，并对电流包络线图像进行特征提取得到包络线特征向量，以及通过全连接神经网络对无功电流频谱数据进行特征提取得到频谱特征向量，还通过特征融合模块对图像
特征向量、包络线特征向量、频谱特征向量、有功功率和无功功率进行特征融合得到融合特征向量，以及通过识别模块通过分类器对融合特征向量进行类型识别以得到待识别负荷的类型。由此，通过对获得的图像特征向量、包络线特征向量、频谱特征向量、有功功率和无功功率进行多模态融合，可以形成更加丰富的融合特征向量，融合特征向量的表征能力更强，从而可以提高非侵入负荷识别的准确率，并提高其对应识别算法的鲁棒性。
[0010]根据本专利技术的一个实施例，装置还包括：采集模块，用于采集负荷群端口处的电压和电流；获取模块，用于根据电压和电流获取无功电流、有功功率和无功功率；确定模块，用于在电压和无功电流的变化情况满足预设条件时，确定负荷投切事件发生。
[0011]根据本专利技术的一个实施例，预处理模块包括：图像生成单元，用于根据无功电流和电压生成V
‑
I曲线图像，并根据电流生成电流包络线图像；频谱生成单元，用于对无功电流进行傅里叶变换得到无功电流频谱数据。
[0012]根据本专利技术的一个实施例，卷积神经网络包括：多层级残差网络，用于对输入图像进行多层级特征提取得到不同层级的特征图，并对不同层级的特征图进行拼接得到M1个特征图；第一卷积单元，用于对M1个特征图进行卷积处理得到M2个特征图；再处理单元，用于对M2个特征图进行随机均匀重排、池化和拼接处理后得到M3个特征图；深度可分离卷积单元，用于对M3个特征图进行深度可分离卷积处理得到M4个特征图；全局平均池化单元，用于对M4个特征图进行全局平均池化处理得到输入图像的特征向量，其中，M1、M2、M3和M4均为正整数。
[0013]根据本专利技术的一个实施例，多层级残差网络包括：N个第二卷积单元，第1个第二卷积单元的输入端作为卷积神经网络的输入端，第i+1个第二卷积单元的输入端与第i个第二卷积单元的第一输出端相连，N个第二卷积单元用于对输入图像进行多层级特征提取得到不同层级的特征图；N
‑
1个第一最大池化层，第i个第一最大池化层的输入端与第i个第二卷积单元的第二输出端相连，用于对相应第二卷积单元的特征图进行最大池化处理，N为大于等于2的整数且1≤i＜N；第一拼接层，第一拼接层的输入端分别与第N个第二卷积单元的输出端和N
‑
1个第一最大池化层中的每个第一最大池化层的输出端相连，用于对第N个第二卷积单元输出的特征图和最大池化处理后的特征图进行拼接处理得到M1个特征图。
[0014]根据本专利技术的一个实施例，N个第二卷积单元中的每个第二卷积单元均包括：卷积层、第一归一化处理层和Hard
‑
swish激活层。
[0015]根据本专利技术的一个实施例，N
‑
1个第一最大池化层中的每个第一最大池化层的池化核大小均不同。
[0016]根据本专利技术的一个实施例，再处理单元包括：洗牌层，洗牌层的输入端与第一卷积单元相连，用于对M2个特征图进行洗牌处理；分割层，分割层的输入端与洗牌层的输出端相连，分割层包括K个输出端，用于对洗牌处理后的M2个特征图进行均匀随机分割处理得到K组特征图，并通过K个输出端输出，K为大于等于2的整数；空间金字塔池化层，空间金字塔池化层包括K
‑
1个第二最大池化层，K
‑
1个第二最大池化层的输入端与分割层中的第1至第K
‑
1个输出端对应相连，用于对第1至第K
‑
1个输出端输出的特征图进行最大池化处理；第二拼接层，第二拼接层的输入端分别与分割层中的第K个输出端和K
‑
1个第二最大池化层中的每个第二最大池化层的输出端相连，用于对第K个输出端输出的特征图和最大池化处理后的特征图进行拼接处理得到M3个特征图。
[0017]根据本专利技术的一个实施例，K
‑
1个第二最大池化层中的每个第二最大池化层的池化核大小均不同。
[0018]根据本专利技术的一个实施例，深度可分离卷积单元包括：逐通道卷积层，逐通道卷积层的输入端与再处理单元相连，用于对M3个特征图进行逐通道卷积处理；逐点卷积层本文档来自技高网...

【技术保护点】

【技术特征摘要】
个第一最大池化层中的每个第一最大池化层的输出端相连，用于对所述第N个第二卷积单元输出的特征图和最大池化处理后的特征图进行拼接处理得到所述M1个特征图。6.根据权利要求5所述的非侵入负荷识别装置，其特征在于，所述N个第二卷积单元中的每个第二卷积单元均包括：卷积层、第一归一化处理层和Hard
‑
swish激活层。7.根据权利要求5所述的非侵入负荷识别装置，其特征在于，所述N
‑
1个第一最大池化层中的每个第一最大池化层的池化核大小均不同。8.根据权利要求4所述的非侵入负荷识别装置，其特征在于，所述再处理单元包括：洗牌层，所述洗牌层的输入端与所述第一卷积单元相连，用于对所述M2个特征图进行洗牌处理；分割层，所述分割层的输入端与所述洗牌层的输出端相连，所述分割层包括K个输出端，用于对洗牌处理后的M2个特征图进行均匀随机分割处理得到K组特征图，并通过所述K个输出端输出，K为大于等于2的整数；空间金字塔池化层，所述空间金字塔池化层包括K
‑
1个第二最大池化层，所述K
‑
1个第二最大池化层的输入端与所述分割层中的第1至第K
‑
1个输出端对应相连，用于对所述第1至第K
‑
1个输出端输出的特征图进行最大池化处理；第二拼接层，所述第二拼接层的输入端分别与所述分割层中的第K个输出端和所述K
‑
1个第二最大池化层中的每个第二最大池化层的输出端相连，用于对所述第K个输出端输出的特征图和最大池化处理后的特征图进行拼接处理得到所述M3个特征图。9.根据权利要求8所述的非侵入负荷识别装置，其特征在于，所述K
‑
1个第二最大池化层中的每个第二最大池化层的池化核大小均不同。10.根据权利要求4所述的非侵入负荷识别装置，其特征在于，所述深度可分离卷积单元包括：逐通道卷积层，所述逐通道卷积层的输入端与所述再处理单元相连，用于对所述M3个特征图进行逐通道卷积处理；逐点卷积层，所述逐点卷积层的输入端与所述逐通道卷积层的输出端相连，用于对逐通道卷积处理后的特征图进行逐点卷积处理；第二归一化处理层，所述第二归一化处理层的输入端与所...

【专利技术属性】
技术研发人员：孙铭阳，聂玉虎，崔文朋，刘瑞，郑哲，池颖英，刘加国，杨剑，荆臻，
申请(专利权)人：国网山东省电力公司营销服务中心计量中心国网信息通信产业集团有限公司国家电网有限公司，
类型：发明
国别省市：