【技术实现步骤摘要】
本专利技术涉及一种负荷识别方法，更具体的说是涉及一种基于自学习的非侵入式负荷识别方法。
技术介绍
1、近年来，随着我国经济的不断发展，我国对能耗，特别是电能的需求不断增加。其中，2022年工业用电量占全社会用电量的比重达64.8％，第一产业用电量同比增长10.4％，第二产业用电量57001亿千瓦时，同比增长1.2％；第三产业用电量14859亿千瓦时，同比增长4.4％。工业用电量的快速提升给能源供给侧增加了极大的压力。为了缓解这种压力，可以从开源和节流两个方面入手。开源方面可以增加发电设备容量；节流方面可以通过对用能的方式的管理进行优化，提高用能效率并减少电能浪费。过多地增加发电设备容量经济性低且不合实际，因此优化工业端用电的方式就显得极为重要。此外，工厂的用电安全是安全生产的重要前提之一。例如，当生产车间中接入了不合生产要求的用电器时，可能不仅造成能耗的增加，还会危及生产安全。因此，需要对特殊的用电场所实施用电负荷监测，对场所中不符合要求的用电器进行准确的识别至关重要。
2、一般而言，在目标用电器上加装传感器以获得负荷数据被称为侵入式用电负荷监测，这种方式较为准确，但是存在针对的对象单一、便捷性较差等问题。这就需要用到非侵入式负荷识别方法，即通过监测用户的总负荷数据，来获知用户各用电设备的使用情况，这种方式可以方便地实现对负荷中的电器进行识别，较为适合工业中的特殊用电场所中的负荷分析，同时也满足经济性和可维护性。
3、现有的非侵入式负荷识别方法主要可以分为基于组合优化算法的负荷识别算法以及基于深度神经网络
4、因而现有技术中有专利号为201910271994.3，名称为一种具有自学习能力的非侵入式负荷辨识方法以及智能电表，其公开了通过步骤s3将特征库分为正式特征库和临时特征库的方式，然后通过步骤s5、s6和s7的设置采用将不同的特征组更新特征库的方式来实现自学习的效果，然而上述方式仅是采用简单的比较替换的方式来实现自我学习，因而自学习能力比较薄弱，对于新接入的不同类型的负荷设备的识别能力不是很足够。
技术实现思路
1、针对现有技术存在的不足，本专利技术的目的在于提供一种基于自学习的非侵入式负荷识别方法，实现了对已知电器的高精度识别，同时方法具备自学习能力，可以对未知电器进行自学习并有效识别而无需重复训练模型，极大地降低了非侵入式负荷识别方法的使用成本，提高了便捷性。
2、为实现上述目的，本专利技术提供了如下技术方案：一种基于自学习的非侵入式负荷识别方法，包括如下步骤：
3、步骤一，基于频域信号对电气采集设备采集到的电器功率信号进行降维，进行数据预处理；
4、步骤二，根据步骤一中预处理的数据构建基于卷积的多头注意力机制编码机制的非侵入式负荷识别模型；
5、步骤三，基于最小化类内间距的训练策略对步骤二构建的非侵入式负荷识别模型进行训练；
6、步骤四，根据步骤三训练并获得具有分类能力的非侵入式负荷识别模型，基于该模型进行数据的开闭集识别；
7、步骤五，在步骤四中数据被判定为开集信号时，模型进入自学习状态，进行自我学习更新。
8、作为本专利技术的进一步改进，所述步骤一中数据预处理的具体步骤如下：
9、步骤一一，将电气采集设备采集到的电器功率信号进行转换，把时域信号转换为频域信号，采用hamming窗或者hann窗时序信号进行加窗处理，其可表达为：
10、
11、其中n为窗函数的长度，当使用hamming窗时，a0＝0.53836，当使用hann窗时，a0＝0.5；
12、步骤一二，基于步骤一一的窗函数处理后的信号经过傅里叶变换后的修正周期图可以表示为：
13、
14、s.t.其中x(n)为输入的信号，l为信号序列的需要被分割的段数，m为每一段数据的长度，u为归一化因子，用于保证估计的功率谱是渐进无偏的，则对其的功率谱估计为：
15、
16、步骤一三，将步骤二中计算获得的功率谱估计求统计平均，获得最终的功率谱估计：
17、
18、s.t.
19、其中，ω为频率，θ为相位角，π为圆周率。
20、作为本专利技术的进一步改进，所述步骤二中构建基于卷积的多头注意力机制编码机制的非侵入式负荷识别模型的具体步骤如下：
21、步骤二一，构建convtrans编码层；
22、步骤二二，构建cnn解码层；
23、步骤二三，基于步骤二一和步骤二二构建的convtrans编码层和cnn解码层构建非侵入式负荷识别模型。
24、作为本专利技术的进一步改进，所述步骤二一中构建convtrans编码层的具体方式为：采用多头注意力机制对数据进行编码，之后使用2层全连接层对经过多头注意力机制后的数据进行编码：
25、z＝w2(w1ocat+b1)+b2
26、其中[w1,w2]和[b1,b2]分别为2层全连接层中的权重矩阵和偏置，ocat是将每一个注意力头输出oh进行拼接后得到的最终输出。
27、作为本专利技术的进一步改进，步骤二二中构建cnn解码层的具体方式为：采用4层cnn解码层进行解码，cnn解码层包含一维卷积、最大池化和全连接层3个结构；
28、将数据映射至指定大小的空间中：
29、
30、其中，[w1,...,wl]和[b1,...,bl]分别为第l层全连接层的权重矩阵和偏置；
31、对最后一层全连接层的输出进行归一化获得该数据的嵌入：
32、
33、其中||g||2为欧几里得范数。
34、作为本专利技术的进一步改进，所述步骤三中基于最小化类内间距的训练策略对步骤二构建的非侵入式负荷识别模型进行训练的损失函数具体如下：
35、
36、s.t.
37、
38、其中，|f|为闭集数据中的标签数量，k为每类数据用于训练的数量，cj为每类样本的类中心嵌入，wloss和bloss分别为损失函数中的可训练参数和偏置。
39、6、作为本专利技术的进一步改进，所述步骤四中开闭集识别的具体步骤如下：
40、步骤四一，计算阈值作为开闭集识别的依据，获得闭集数据本文档来自技高网...
【技术保护点】
1.一种基于自学习的非侵入式负荷识别方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于自学习的非侵入式负荷识别方法，其特征在于：所述步骤一中数据预处理的具体步骤如下：
3.根据权利要求2所述的基于自学习的非侵入式负荷识别方法，其特征在于：所述步骤二中构建基于卷积的多头注意力机制编码机制的非侵入式负荷识别模型的具体步骤如下：
4.根据权利要求3所述的基于自学习的非侵入式负荷识别方法，其特征在于：所述步骤二一中构建ConvTrans编码层的具体方式为：采用多头注意力机制对数据进行编码，之后使用2层全连接层对经过多头注意力机制后的数据进行编码：
5.根据权利要求4所述的基于自学习的非侵入式负荷识别方法，其特征在于：步骤二二中构建CNN解码层的具体方式为：采用4层CNN解码层进行解码，CNN解码层包含一维卷积、最大池化和全连接层3个结构；
6.根据权利要求5所述的基于自学习的非侵入式负荷识别方法，其特征在于：所述步骤三中基于最小化类内间距的训练策略对步骤二构建的非侵入式负荷识别模型进行训练的损失函数具体如下：
...【技术特征摘要】
1.一种基于自学习的非侵入式负荷识别方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于自学习的非侵入式负荷识别方法，其特征在于：所述步骤一中数据预处理的具体步骤如下：
3.根据权利要求2所述的基于自学习的非侵入式负荷识别方法，其特征在于：所述步骤二中构建基于卷积的多头注意力机制编码机制的非侵入式负荷识别模型的具体步骤如下：
4.根据权利要求3所述的基于自学习的非侵入式负荷识别方法，其特征在于：所述步骤二一中构建convtrans编码层的具体方式为：采用多头注意力机制对数据进行编码，之后使用2层全连接层对经过多头注意力机制后的数据进行编码：
5.根据权利要求4所述的基于自学习的非侵入式负荷识别方法，其特征在于：步骤二二中构建cnn解码层的具体方式为：采用4层cnn...
【专利技术属性】
技术研发人员：李屹，林新志，王勋，杨传升，顾明生，钱海波，王堃，
申请(专利权)人：北京京仪北方仪器仪表有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。