一种非侵入式负荷监测方法、装置及介质制造方法及图纸

本发明专利技术公开了一种非侵入式住宅负荷监测方法、装置及介质，本方法包括以下步骤：（1）V

【技术实现步骤摘要】
一种非侵入式负荷监测方法、装置及介质


[0001]本专利技术涉及非侵入式负荷识别领域，尤其是涉及一种非侵入式负荷监测方法、装置及介质。

技术介绍

[0002]负荷监测技术可以分为侵入式负荷监测和非侵入式负荷监测(Non
‑
intrusive Load Monitoring，NILM)。其中侵入式负荷监测技术需要在家庭内部每一被测量电器处安装测量设备，具有住户接纳度低、安装繁琐、后期维护成本高等缺点，
[0003]而NILM技术是只需在电力系统入口处安装测量装置，即可实现对负荷的分解与辨识，从而获取用户的用电信息。现有NILM负荷辨识算法具有辨识准确率不高，算法泛化能力差的缺点。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供一种非侵入式负荷监测方法、装置及介质，可对用户负荷进行精准建模，通过海量用户用电数据挖掘用户需求响应潜力，提高识别准确率。
[0005]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0006]第一方面，本专利技术提供了一种非侵入式负荷监测方法，包括以下步骤：
[0007]S1：获取未知电器的电压、电流数据，提取未知电器稳态运行下的V
‑
I特性曲线；通过归一化处理将V
‑
I特性曲线转换成统一尺度的bmp格式的灰度图片；
[0008]S2：多层卷积层提取图片特征：将提取的灰度图片输入至卷积神经网络，提取出未知电器的粗糙特征矩阵；
[0009]S3：通过通道注意力模型与空间注意力模型进一步提取特征：将未知电器的粗糙特征矩阵输入至卷积块注意力模块，进一步提取未知电器的负荷精细特征矩阵；
[0010]S4：构建双向长短时记忆神经网络并训练该神经网络；将所述未知电器的负荷精细特征矩阵输入至训练完毕的双向长短时记忆神经网络中进行辨识，得到未知电器的辨识种类。
[0011]进一步地，所述步骤S1中V
‑
I特性曲线图的提取方法包括：
[0012]由电器稳态运行时电流和电压各一个周期的波形分别作为纵坐标和横坐标绘制，输入至计算机内为48*48的矩阵，矩阵元素范围为0到255，代表图像256个灰度等级。
[0013]进一步地，所述步骤S2中，卷积神经网络的结构包括输入层和卷积层，激活函数为sigmoid；V
‑
I特性曲线图片经过卷积神经网络提取后获得的粗糙特征矩阵。
[0014]进一步地，所述步骤S3中，所述卷积块注意力模块的输入为粗糙特征矩阵F，输出为精细特征矩阵；
[0015]所述卷积块注意力模块包括通道注意力模型和空间注意力模型；
[0016]所述通道注意力模型用于通道注意力计算，计算公式为：
[0017][0018]式中，F
’
为通道注意力输出特征矩阵，sigmoid为激活函数，MLP为多层感知器，avgpool为平均池化层，maxpool为最大池化层，w1和w2分别为MLP的两个权重，F
maxC
×1×1和F
avgC
×1×1分别为粗糙特征矩阵F在空间层面上分别经过最大池化操作和平均池化操作的一维矢量；
[0019]所述空间注意力模型用于空间注意力计算，计算公式为：
[0020]F
″
＝sigmoid(convd(avgpool(F
′
)；maxpool(F
′
)))
[0021]式中，F”表示精细特征矩阵，sigmoid表示激活函数，convd表示卷积操作，avgpool表示平均池化操作，maxpool表示最大池化操作；
[0022]将精细特征矩阵F”转换为一维特征矢量。
[0023]进一步地，所述步骤S4中，双向长短时记忆神经网络由两层LSTM组成，一层前向传播，一层反向传播，其中前向层由数列的起点开始输入迭代，反向层由数列的末端开始输入迭代，最终将两层的输出结果进行拟合得到辨识结果；
[0024]所述双向长短时记忆神经网络由以下公式表述：
[0025]h
t
＝f(W1x
t
+W2h
t
‑1)
[0026]r
t
＝f(W3x
t
+W5r
t+1
)
[0027]y
t
＝g(W4h
t
+W6r
t
)
[0028]式中，x
t
表示t时刻的输入量；h
t
与r
t
分别表示t时刻的前向层与反向层的输出量；h
t
‑1表示t
‑
1时刻的前向层的输出量；r
t+1
分别表示t+1时刻的反向层的输出量；y
t
表示t时刻输出层的输出；f表示前向层与反向层的激活函数；g表示输出层的激活函数；W1与W3为输入层映射至前向层与反向层的权重矩阵；W2与W5为前向层与反向层前一计算时刻输出映射至当前计算时刻的权重矩阵；W4与W6为前向层与反向层的输出映射至输出层的权重矩阵；
[0029]所述双向长短时记忆神经网络的输出为概率向量P
final
，其由多个元素组成，每个元素代表该未知负荷被辨识为第几种负荷的概率值，0代表不可能为该负荷，1代表辨识为该负荷，0
‑
1之间代表辨识为该负荷的概率值。
[0030]进一步地，所述步骤S4中，双向长短时记忆神经网络的训练方法包括以下步骤：
[0031]将预构建的训练集中的负荷精细特征矩阵输入至所构建的双向长短时记忆神经网络中，获取各电器对应的辨识种类，将所述辨识种类与电器的实际种类进行比较，根据比较结果对双向长短时记忆神经网络进行参数校正，直到得到精度满足要求的双向长短时记忆神经网络；
[0032]其中，所述训练集的构建方法包括：
[0033]采集多种电器的电压、电流数据，提取每一种电器稳态运行下的V
‑
I特性曲线；
[0034]通过归一化处理将V
‑
I特性曲线转换成统一尺度的bmp格式的灰度图片；
[0035]将提取的灰度图片输入至卷积神经网络，提取出每一种电器的粗糙特征矩阵；
[0036]将每一种电器的粗糙特征矩阵输入至卷积块注意力模块，进一步提取负荷精细特征矩阵；
[0037]将所述负荷精细特征矩阵和对应的电器种类进行配对，形成所述训练集。
[0038]进一步地，所述双向长短时记忆神经网的训练参数为：
[0039]训练过程中，设置梯度阈值为1，训练周期为100，每周期迭代857次，学习率为0.001，训练过程使用自适应矩估计优化算法。
[0040]第二方面，本申请提供一种非侵入式负荷监测装置，所述装置包括：
[0041]图像转换模块：用于获取未知电器的电压本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非侵入式负荷监测方法，其特征在于，该方法包括下述步骤：S1：获取未知电器的电压、电流数据，提取未知电器稳态运行下的V
‑
I特性曲线；通过归一化处理将V
‑
I特性曲线转换成统一尺度的bmp格式的灰度图片；S2：多层卷积层提取图片特征：将提取的灰度图片输入至卷积神经网络，提取出未知电器的粗糙特征矩阵；S3：通过通道注意力模型与空间注意力模型进一步提取特征：将未知电器的粗糙特征矩阵输入至卷积块注意力模块，进一步提取未知电器的负荷精细特征矩阵；S4：构建双向长短时记忆神经网络并训练该神经网络；将所述未知电器的负荷精细特征矩阵输入至训练完毕的双向长短时记忆神经网络中进行辨识，得到未知电器的辨识种类。2.根据权利要求1所述的非侵入式负荷监测方法，其特征在于，所述步骤S1中V
‑
I特性曲线图的提取方法包括：由电器稳态运行时电流和电压各一个周期的波形分别作为纵坐标和横坐标绘制，输入至计算机内为48*48的矩阵，矩阵元素范围为0到255，代表图像256个灰度等级。3.根据权利要求1所述的非侵入式负荷监测方法，其特征在于，所述步骤S2中，卷积神经网络的结构包括输入层和卷积层，激活函数为sigmoid；V
‑
I特性曲线图片经过卷积神经网络提取后获得的粗糙特征矩阵。4.根据权利要求3所述的非侵入式负荷监测方法，其特征在于，所述步骤S3中，所述卷积块注意力模块的输入为粗糙特征矩阵F，输出为精细特征矩阵；所述卷积块注意力模块包括通道注意力模型和空间注意力模型；所述通道注意力模型用于通道注意力计算，计算公式为：式中，F
’
为通道注意力输出特征矩阵，sigmoid为激活函数，MLP为多层感知器，avgpool为平均池化层，maxpool为最大池化层，w1和w2分别为MLP的两个权重，F
maxC
×1×1和F
avgC
×1×1分别为粗糙特征矩阵F在空间层面上分别经过最大池化操作和平均池化操作的一维矢量；所述空间注意力模型用于空间注意力计算，计算公式为：F
″
＝sigmoid(convd(avgpool(F
′
)；maxpool(F
′
)))式中，F”表示精细特征矩阵，sigmoid表示激活函数，convd表示卷积操作，avgpool表示平均池化操作，maxpool表示最大池化操作；将精细特征矩阵F”转换为一维特征矢量。5.根据权利要求4所述的非侵入式负荷监测方法，其特征在于，所述步骤S4中，双向长短时记忆神经网络由两层LSTM组成，一层前向传播，一层反向传播，其中前向层由数列的起点开始输入迭代，反向层由数列的末端开始输入迭代，最终将两层的输出结果进行拟合得到辨识结果；所述双向长短时记忆神经网络由以下公式表述：h
t
＝f(W1x
t
+W2h
t
‑1)r
t
＝f(W3x
t
+W5r
t+1
)
y
t
＝g(W4h
t
+W6r
t
)式中，x
t

【专利技术属性】
技术研发人员：缪巍巍，曾锃，滕昌志，蒋承伶，夏元轶，张瑞，张明轩，毕思博，李世豪，张震，余益团，马洲俊，
申请(专利权)人：国网江苏省电力有限公司，
类型：发明
国别省市：