一种基于在线V-I轨迹特征库的家用负荷开集识别方法技术

本发明专利技术公开一种基于在线V

【技术实现步骤摘要】
一种基于在线V
‑
I轨迹特征库的家用负荷开集识别方法


[0001]本技术涉及一种非侵入式负荷识别技术，具体涉及一种基于在线V
‑
I轨迹特征库的家用负荷开集识别方法。

技术介绍

[0002]随着经济与科技的发展，居民家用电器正朝着复多样化、复杂化、新兴化发展，特别是近年来洗碗机、空气炸锅等新型电器越来越普及，使得居电网公司更难提取居民用电信息、分析居民用电习惯，从而对电力的需求侧管理造成困难。需要研究适合居民端的负荷识别方法，通过采集居民端电器运行时的电气参数，提取不同电器运行时的特征，实现电器的识别。有利于电网公司掌握居民用电习惯，进行电能的合理分配。
[0003]现有技术已实现了侵入式负荷识别向非侵入式负荷识别的转变，降低了硬件成本，并且运行维护对居民日常生活影响较小，但目前的研究都是基于封闭数据集上的负荷识别，无法识别数据集之外的未知电器，与居民家用电器种类日益丰富的现状相矛盾，导致这些方法在实际居民用电环境中识别准确率低，并且需要人工更新数据库中的电器数据。

技术实现思路

[0004]本专利技术的目的在于提供一种基于在线V
‑
I轨迹特征库的家用负荷开集识别方法，能根据识别结果实时更新和拓展特征库。
[0005]实现本专利技术的技术解决方案为：一种基于在线V
‑
I轨迹特征库的家用负荷开集识别方法，包括以下步骤：
[0006]S1，获取家用电表中记录的家用电总线上的电压电流数据，对该数据进行事件检测，并记录负荷投切事件的时间；
[0007]S2，利用负荷投切时间点前3s的稳态电流数据与后3s的稳态电流数据作差，得到被投切负荷工作时的周期电流数组，绘制相应颜色编码的V
‑
I轨迹；
[0008]S3，构建CNN神经网络，使用OpenMax激活函数替换CNN网络输出层的Softmax激活函数，对家用负荷投切状态进行开集识别；
[0009]S4，根据CNN网络的识别结果，对在线特征库进行实时更新，并继续训练神经网络，使其适应更新后的特征库。
[0010]S1，获取家用电表中记录的家用电总线上的电压电流数据，对该数据进行事件检测，并记录负荷投切事件的时间，具体方法为：
[0011]S1.1，利用家用电表的录波装置(每个周期采样32个电压电流值)存储家用电总线上30分钟内的电压电流数据，将其中每32个数据划分为一个周期，存储在一个数组中，得到一个包含了多个电压电流周期的数据；
[0012]S1.2，基于Pearson相似系数建立波形相似度函数，用于比较相邻两个周期中电流波形的相似度；
[0013]波形相似度函数r(x
0i
,x
1i
)如式(1)所示：
[0014][0015]其中：
[0016][0017]式中，x
1i
表示当前周期采样各点的电流的数组，表示当前周期采样各点电流的平均值，x
0i
表示相邻前一周期采样各点的电流的数组，表示相邻前一周期采样各点电流的平均值，n表示电流数组中元素的个数，max(x0)表示当前周期采样各点电流的最大值，min(x0)表示当前周期采样各点电流的最小值；
[0018]r(x
0i
，x
1i
)取值范围为0
‑
1，越接近1表示相似度越高，越接近0表示相似度越低。
[0019]S1.3，基于S1.2中的波形相似度函数构建滑动窗函数，对电流数据进行事件检测，滑动窗函数f(x)如式(3)所示：
[0020][0021]式中m表示滑动窗内电流数组的个数，r(x,x
i
)表示当前周期的电流数组与滑动窗内某一周期电流数组的波形相似度，α
m
‑
i
为衰减系数，其值<0，i越小表示滑动窗中该电流数组x
i
与当前电流数组x在时间上相距越远，此时衰减系数越大；
[0022]f(x)取值范围为0
‑
1，当其小于所设定的阈值时表示有负荷投切事件发生。记录此时电流数组的索引i，则负荷投切的时间t
s
＝0.02*i秒。
[0023]S2，利用负荷投切时间点前3s的稳态电流数据与后3s的稳态电流数据作差，得到被投切负荷工作时的周期电流数组，绘制相应颜色编码的V
‑
I轨迹；具体方法为：
[0024]S2.1，利用已知负荷的稳态工作电压电流数据和其对应的颜色编码的V
‑
I轨迹对特征库进行初始化，颜色编码时R通道表示对应负荷的无功功率Q，G通道表示对应电流的7次谐波分量，B通道表示对应电流的9次谐波分量，如式(4)所示：
[0025][0026]式中，col
R
、col
G
、col
B
分别表示R、G、B通道的取值；Q为周期平均无功功率，Q
S
为特征库中各负荷的周期平均无功功率的集合；I7/I0、I9/I0分别为7次谐波和9次谐波周期有效值与基波周期有效值之间的比值；I
7S
/I
0S
、I
9S
/I
0S
分别为特征库中各7次谐波和9次谐波周期有效值与其相应基波周期有效值之间的比值的集合；
[0027]S2.2，利用步骤S1中的事件检测方法检测到负荷投切事件的时间t
s
后，将事件前3s稳态周期电流数组I
s
‑3与事件后3s稳态周期电流数组I
s+3
作差，得出所投切负荷的稳态周
期电流数组I
new
并绘制相应的颜色编码的V
‑
I轨迹。
[0028]S3，构建CNN神经网络，使用OpenMax激活函数替换CNN网络输出层的Softmax激活函数，对家用负荷投切状态进行开集识别，具体方法为：
[0029]S3.1，用OpenMax激活函数替换输出层中的Softmax激活函数，搭建CNN网络。网络结构为：输入为颜色编码的V
‑
I轨迹，分别经过两层卷积层提取颜色编码的V
‑
I轨迹的特征，此外每次卷积后经过一个2x2的最大值池化进行特征降维，然后通过一个dropout层用于防止过拟合；最后，用两层全连接层对图像进行分类，其中最后的全连接层使用OpenMax激活函数，输出类别数量为n个电器类型加一个Unknow类；
[0030]S3.2，利用上述网络对步骤S2.2中绘制的V
‑
I轨迹进行识别，若输出为特征库内已存在的负荷类型，则输出该所投切的负荷类型；
[0031]S3.3，若识别结果为Unknown，表示识别出未知负荷，则输出识别到未知负荷。
[0032]S4，根据CNN网络的识别结果，对在线特征库进行实时更新，并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于V
‑
I轨迹在线特征库的家用负荷识别方法，其特征在于，包括以下步骤：S1，获取家用电表中记录的家用电总线上的电压电流数据，进行事件检测，并记录负荷投切事件的时间；S2，利用负荷投切时间点前后的稳态电流数据作差，得到被投切负荷工作时的周期电流数组，绘制相应颜色编码的V
‑
I轨迹；S3，构建CNN神经网络，使用OpenMax激活函数替换CNN网络输出层的Softmax激活函数，对家用负荷投切状态进行开集识别；S4，根据CNN网络的识别结果，对在线特征库进行实时更新，并继续训练神经网络，使其适应更新后的特征库。2.根据权利要求1所述的一种基于V
‑
I轨迹在线特征库的家用负荷识别方法，其特征在于，步骤S1，获取家用电表中记录的家用电总线上的电压电流数据，进行事件检测，并记录负荷投切事件的时间，具体方法为：S1.1，利用家用电表的录波装置存储家用电总线上30分钟内的电压电流数据，将其中每32个数据划分为一个周期，存储在一个数组中，得到一个包含了多个电压电流周期的数据；S1.2，基于Pearson相似系数建立波形相似度函数，用于比较相邻两个周期中电流波形的相似度；波形相似度函数r(x
0i
,x
1i
)如式(1)所示：其中：式中，x
1i
表示当前周期采样各点的电流的数组，表示当前周期采样各点电流的平均值，x
0i
表示相邻前一周期采样各点的电流的数组，表示相邻前一周期采样各点电流的平均值，n表示电流数组中元素的个数，max(x0)表示当前周期采样各点电流的最大值，min(x0)表示当前周期采样各点电流的最小值；r(x
0i
，x
1i
)取值范围为0
‑
1，越接近1表示相似度越高，越接近0表示相似度越低；S1.3，基于S1.2中的波形相似度函数构建滑动窗函数，对电流数据进行事件检测，滑动窗函数f(x)如式(3)所示：式中m表示滑动窗内电流数组的个数，r(x,x
i
)表示当前周期的电流数组与滑动窗内某一周期电流数组的波形相似度，α
m
‑
i
为衰减系数，其值<0，i越小表示滑动窗中该电流数组x
i
与当前电流数组x在时间上相距越远，此时衰减系数越大；f(x)取值范围为0
‑
1，当其小于所设定的阈值时表示有负荷投切事件发生，记录此时电流数组的索引i，则负荷投切的时间t
s
＝0.02*i秒。
3.根据权利要求1所述的一种基于V
‑
I轨迹在线特征库的家用负荷识别方法，其特征在于，步骤S2，利用负荷投切时间点前后的稳态电流数据作差，得到被投切负荷工作时的周期电流数组，绘制相应颜色编码的V
‑
I轨迹，具体方法为：S2.1，利用已知负荷的稳态工作电压电流数据和其对应的颜色编码的V
‑
I轨迹对特征库进行初始化，颜色编码时R通道表示对应负荷的无功功率Q，G通道表示对应电流的7次谐波分量，B通道表示对应电流的9次谐波分量，如式(4)所示：式中，col
R
、col
G
、col
B
分别表示R、G、B通道的取值；Q为周期平均无功功率，Q
S
为特征库中各负荷的周期平均无功功率的集合；I7/I0、I9/I0分别为7次谐波和9次谐波周期有效值与基波周期有效值之间的比值；I
7S
/I
0S
、I
9S
/I
0S
分别为特征库中各7次谐波和9次谐波周期有效值与其相应基波周期有效值之间的比值的集合；S2.2，利用步骤S1中的事件检测方法检测到负荷投切事件的时间t
s
后，将事件前3s稳态周期电流数组I
s
‑3与事件后3s稳态周期电流数组I
s+3
作差，得...

【专利技术属性】
技术研发人员：唐旭杰，丁健，张景洋，王谱宇，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：