一种基于SE注意力机制的小样本负荷识别方法及系统技术方案

本发明专利技术公开了一种基于SE注意力机制的小样本负荷识别方法及系统，包括：获取电器稳态运行时的电压与电流信号，构建含有时序信息的彩色V‑I轨迹图，并从中提取预处理后的视觉特征；基于卷积神经网络，构建基本的负荷识别模型，所述基本的负荷识别模型，包括特征提取层和线性层；将处理后的视觉特征作为输入，应用到构建的基本负荷识别模型中，进行初步的模型训练与学习；基于初步训练的结果，在基本负荷识别模型的特征提取层和线性层之间，加入SE注意力机制模块，得到改进的负荷识别模型；基于改进的负荷识别模型，进行进一步的训练和学习，实现小样本环境下的负荷识别。本发明专利技术提高了负荷识别的准确度和稳定性。

【技术实现步骤摘要】

本专利技术涉及非侵入式负荷识别，尤其涉及一种基于se注意力机制的小样本负荷识别方法及系统。

技术介绍

1、用户侧能源管理是重要的举措。负荷识别作为重要的用户侧能源管理方法，获取用户侧的用电器电压与电流信号后，通过人工智能等方法挖掘出其隐含的信息。然而，用户侧的样本数目往往偏少，常规用于图像分类的神经网络难以训练出较好的效果，这对于负荷识别落地应用带来巨大的挑战。目前，针对负荷识别在用户侧实际部署应用存在联邦学习、迁移学习和小样本学习等尝试。联邦学习尝试在用户侧微调统一负荷识别模型，通过适应用户侧的数据分布学习用户侧的用电习惯；迁移学习则尝试将源域的模型通过映射等方式迁移到目标域，从而将整个模型迁移至目标域中使用；小样本学习则是在极少量的样本数目中学习。通过对比以上三种方法不难看出，联邦学习和迁移学习需要长时间的数据样本搜索收集后才能实现，对于负荷识别模型快速适应用户侧是难以实现的，因此，本方法聚焦小样本学习。

2、小样本学习是指在样本极度匮乏的情况下，进行神经网络模型的训练与测试。由于用于训练模型的样本数量极少，常规的神经网络模型训练效果往往并本文档来自技高网...

【技术保护点】

1.一种基于SE注意力机制的小样本负荷识别方法，其特征在于，包括：

2.如权利要求1所述的基于SE注意力机制的小样本负荷识别方法，其特征在于：所述构建含有时序信息的彩色V-I轨迹图，包括以下步骤：

3.如权利要求1或2所述的基于SE注意力机制的小样本负荷识别方法，其特征在于：所述计算电压和电流信号的最大值表示为：

4.如权利要求3所述的基于SE注意力机制的小样本负荷识别方法，其特征在于：所述根据信号最大值及图像尺寸，划分等间隔的像素网格，包括：

5.如权利要求4所述的基于SE注意力机制的小样本负荷识别方法，其特征在于：所述将每一点的电压电流...

【技术特征摘要】

1.一种基于se注意力机制的小样本负荷识别方法，其特征在于，包括：

2.如权利要求1所述的基于se注意力机制的小样本负荷识别方法，其特征在于：所述构建含有时序信息的彩色v-i轨迹图，包括以下步骤：

3.如权利要求1或2所述的基于se注意力机制的小样本负荷识别方法，其特征在于：所述计算电压和电流信号的最大值表示为：

4.如权利要求3所述的基于se注意力机制的小样本负荷识别方法，其特征在于：所述根据信号最大值及图像尺寸，划分等间隔的像素网格，包括：

5.如权利要求4所述的基于se注意力机制的小样本负荷识别方法，其特征在于：所述将每一点的电压电流数据映射到图像网格上，并标记相应像素点表示为：

6.如权利要求5所述的基于se注意力机制的小...

【专利技术属性】
技术研发人员：张俊玮，谈竹奎，高吉普，申彧，王冕，汪明媚，高勇，杨迪，唐赛秋，曾鹏，陈裕周，王扬，古庭赟，牛唯，孟令雯，刘斌，张后谊，丁超，安甦，张博，梁敏航，孙航，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：