一种非侵入式负荷识别方法、系统、电子设备及存储介质技术方案

本发明专利技术公开一种非侵入式负荷识别方法、系统、电子设备及存储介质，涉及非侵入式负荷识别技术领域，包括：利用快速傅里叶变换计算待识别负荷电流波形的幅度谱和相位谱；分别计算待识别负荷电流波形的格拉姆矩阵、幅度谱的格拉姆矩阵和相位谱的格拉姆矩阵；将待识别负荷电流波形的格拉姆矩阵、幅度谱的格拉姆矩阵和相位谱的格拉姆矩阵分别赋值给B通道像素矩阵、G通道像素矩阵和R通道像素矩阵；将B通道像素矩阵、G通道像素矩阵和R通道像素矩阵合成为一张待识别彩色图像；将待识别彩色图像输入负荷识别模型中，利用负荷识别模型识别出待识别彩色图像对应的负荷类型。本发明专利技术能够提高非侵入式负荷识别的准确率和效率。入式负荷识别的准确率和效率。入式负荷识别的准确率和效率。

【技术实现步骤摘要】
一种非侵入式负荷识别方法、系统、电子设备及存储介质


[0001]本专利技术涉及非侵入式负荷识别
，特别是涉及一种非侵入式负荷识别方法、系统、电子设备及存储介质。

技术介绍

[0002]全球气候的变化和化石能源的高速消耗，使得“节能”成为当下家庭式能源管理的重要目标。非侵入式负荷监测技术根据单一测量点获取总线负荷信息，利用算法分析单个用电设备的信息和用户用电规律，是家庭能源管理重要的一环。非侵入式负荷监测有四个主要组成部分——事件检测、数据处理、负荷分解、负荷识别。其中负荷识别作为非侵入式负荷监测的核心任务，要求算法根据人为输入或从电信号中自行提取的特征，对负荷的类别进行准确的辨识。近年来深度学习快速发展，为负荷识别的研究提供了新的方向。将序列数据图像化，再利用深度学习中图像识别的方法实现负荷识别是现阶段负荷识别的主流方法之一。现有的序列数据图像化方法，会使原始数据在处理过程中丢失一部分特征，例如因数值归一化而导致幅值特征的丢失和因像素矩阵计算方法的缺陷导致相位特征的丢失。关键特征的丢失会导致功率相近、电流波形相似负载的辨识度下降，进而导致负荷识别模型的识别准确率和非侵入式负荷监测系统可靠性的下降。
[0003]一般的通过卷积神经网络实现负荷识别的方案是利用电信号图像化的方法将时间序列电信号转换为数值矩阵，再将矩阵中的元素作为像素值使之转化为图像送入卷积神经网络执行训练过程，即以计算机视觉的思想解决负荷识别问题。现有主流的电信号图像化方法总结如下：
[0004](一)V
‑
I轨迹
[0005]V
‑
I轨迹是由归一化的电压值和电流值绘制而成，表征了负荷电压和电流之间的相关关系。获取V
‑
I轨迹的流程如图1所示。
[0006]具体计算方法如下：
[0007](1)提取负荷运行稳定后的一个完整周期内的电压和有功电流数据，对提取的数据进行归一化处理。计算公式如公式(1)和公式(2)所示。
[0008][0009][0010]式中i
min
和i
max
分别是一个周期电流的最小值和最大值；v
min
和v
max
分别是一个周期电压的最小值和最大值。
[0011](2)选取V
‑
I轨迹图的分辨率为n
×
n，将归一化后的电流、电压数据分别乘n并向下取整，得到两组小于n的整数，记为i
mf
和v
mf
。
[0012](3)创建n
×
n空矩阵，将第i
mf
行和第v
mf
列的位置赋值为1，其他位置赋值为0。依此重复即可得到该负荷的V
‑
I轨迹图。
[0013]中国计量大学提出一种专利技术专利“一种基于V
‑
I轨迹的非侵入式负荷识别方法”，利用V
‑
I轨迹对负荷电压和电流进行图像化，获取V
‑
I轨迹的封闭面积、对称性、中间部分斜率、中间部分面积、自交点个数进行负荷识别。不同负荷V
‑
I轨迹可以从形状上体现负荷间的差异，但因数值归一化而导致的负荷功率特征会丢失。
[0014](二)递归图
[0015]递归图本质是一种时
‑
时信号处理方法，其思想是将高维运动状态的轨迹映射到二维平面上，从而直观地观察时间序列内部具有的递归特征。获取递归图的流程如图2所示。
[0016]具体计算方法如下：
[0017](1)根据嵌入理论，选择合适的延迟时间τ和嵌入维度m对时间序列进行相空间重构，重构后的向量如公式(3)所示。
[0018]x
i
＝(x
i
，x
i+τ
，
…
，x
i+(m
‑
1)τ
)，i＝1，2，
…
N
ꢀꢀꢀ
(3)
[0019]式中，N＝n
‑
(m
‑
1)τ。
[0020]定义重构后任意两点的距离为：
[0021]D
ij
＝||X
i
‑
X
j
||，i
‑
1，2，
…
，N
ꢀꢀꢀ
(4)
[0022]选取合适的阈值ε，可得递归矩阵如公式(5)所示。
[0023]R
ij
＝θ(ε
‑
D
ij
)
ꢀꢀꢀꢀ
(5)
[0024]式中θ(
·
)表示Heaviside函数，其函数表达式如公式(6)所示。
[0025][0026]阈值ε的选择是否合理决定了递归图是否会丢失信息。若阈值选取过大，会导致相空间之间的相似度大大增加；若阈值选取过小则难以发现相空间之间状态的相似性，两种情况均会导致误判概率增加。
[0027](三)格拉姆角场
[0028]格拉姆角场通过在极坐标中表示时间序列，计算格拉姆矩阵以实现数据维度的变换。格拉姆角场的流程如图3所示。
[0029]具体计算方法如下：
[0030](1)将笛卡尔坐标系下的时间序列缩放至[
‑
1,1]或[0,1]：
[0031][0032][0033](2)使用极坐标对时间序列进行编码：
[0034][0035]式中X为原始时间序列，x
i
为原始时间序列的第i项元素，为归一化后的时间序列的第i项元素，φ为极坐标的角度，t
i
为时间戳，N为调整极坐标系跨度的常数，r为极坐标
的半径。
[0036](3)计算格拉姆角差场或格拉姆角和场：
[0037][0038][0039]式中I为单位行向量，为的转置向量。
[0040](4)将格拉姆矩阵中的元素重映射至[0,255]的像素区间并赋值给R、G、B三个通道的像素矩阵：
[0041][0042]式中G表示格拉姆角和场或格拉姆角差场，R
(i，j)
、G
(i，j)
、B
(i，j)
分别表示图像红、绿、蓝三个通道在(i，j)像素处的值。
[0043]上海电力大学提出一种专利技术专利“电力用户负荷识别方法、装置及计算机可读介质”，利用格拉姆角场将电流序列的无功部分转化为二维图像利用inception_v3迁移学习实现负荷识别。格拉姆角场可以体现序列数据时刻之间的相关性，但是公式(7)和公式(8)的归一化计算，使得不同负荷之间幅值方面的差异无法在最终得到的图像上体现。另外，使用公式(10)和公式(11)计算格拉姆矩阵，实际上是通过三角函数细化序列中每2个采样点间隐含的电流差值信息来挖掘原始数据的时序特征，所以原始数据的相位特征也无法在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非侵入式负荷识别方法，其特征在于，所述方法包括：获取待识别负荷电流波形；利用快速傅里叶变换计算所述待识别负荷电流波形的幅度谱和所述待识别负荷电流波形的相位谱；分别计算所述待识别负荷电流波形的格拉姆矩阵、所述待识别负荷电流波形的幅度谱的格拉姆矩阵和所述待识别负荷电流波形的相位谱的格拉姆矩阵；将所述待识别负荷电流波形的格拉姆矩阵赋值给B通道像素矩阵，将所述待识别负荷电流波形的幅度谱的格拉姆矩阵赋值给G通道像素矩阵，将所述待识别负荷电流波形的相位谱的格拉姆矩阵赋值给R通道像素矩阵；将所述B通道像素矩阵、所述G通道像素矩阵和所述R通道像素矩阵合成为一张待识别彩色图像；将所述待识别彩色图像输入负荷识别模型中，利用所述负荷识别模型识别出所述待识别彩色图像对应的负荷类型；所述负荷识别模型是利用不同负荷类型对应的彩色图像集训练的；所述彩色图像集包括多张彩色图像。2.根据权利要求1所述的非侵入式负荷识别方法，其特征在于，所述彩色图像集中每一张所述彩色图像均是利用由负荷电流波形的格拉姆矩阵赋值的B通道像素矩阵、由负荷电流波形的幅度谱的格拉姆矩阵赋值的G通道像素矩阵和由负荷电流波形的相位谱的格拉姆矩阵赋值的R通道像素矩阵进行合成后得到的。3.根据权利要求1所述的非侵入式负荷识别方法，其特征在于，所述获取待识别负荷电流波形，之后还包括：对所述待识别负荷电流波形进行算术均值滤波，得到待识别电流时间序列。4.根据权利要求3所述的非侵入式负荷识别方法，其特征在于，所述利用快速傅里叶变换计算所述待识别负荷电流波形的幅度谱和所述待识别负荷电流波形的相位谱，具体包括：对所述待识别电流时间序列进行快速傅里叶变换，得到所述待识别负荷电流波形的幅度谱和所述待识别负荷电流波形的相位谱。5.根据权利要求4所述的非侵入式负荷识别方法，其特征在于，所述分别计算所述待识别负荷电流波形的格拉姆矩阵、所述待识别负荷电流波形的幅度谱的格拉姆矩阵和所述待识别负荷电流波形的相位谱的格拉姆矩阵，具体包括：使用分段聚合近似对所述待识别电流时间序列、所述待识别负荷电流波形的幅度谱和所述待识别负荷电流波形的相位谱进行压缩，得到聚合后的原始数据、聚合后的幅度谱和聚合后的相位谱；对所述聚合后的原始数据、所述聚合后的幅度谱和所述聚合后的相位谱进行归一化和极坐标编码，得到归一化后的原始数据、归一化后的幅度谱、归一化后的相位谱、原始数据中的每一个元素对应的极坐标角度、幅度谱中的每一个元素对应的极坐标角度以及相位谱中的每一个元素对应的极坐标角度；根据所述归一化后的原始数据、所述归一化后的幅度谱、所述归一化后的相位谱、所述原始数据中的每一个元素对应的极坐标角度、所述幅度谱中的每一个元素对应的极坐标角度以及所述相位谱中的每一个元素对应的极坐标角度，利用格拉姆矩阵计算方法计算所述<...

【专利技术属性】
技术研发人员：舒亮，吴羽丰，王景芹，
申请(专利权)人：温州大学，
类型：发明
国别省市：