CN114325081A - 一种基于多模态特征的非侵入式负荷识别方法 - Google Patents

Abstract

本发明提出一种基于多模态特征的非侵入式负荷识别方法，包括以下步骤：1)负荷数据获取；2)基于功率或电流有效值进行事件检测，提取事件暂态区段和事件暂态区段前后的稳态区段；3)基于事件暂态区段的目标指标序列，提取目标指标序列的路径签名特征，若采集的负荷数据包括高频电压数据和高频电流数据，则转步骤4，否则转步骤5；4)基于事件前后稳态区段的高频电压和高频电流，提取VI轨迹图像特征；5)基于数据条件选择提取对应的负荷印记，利用孪生网络框架进行负荷识别。本发明根据采集的数据频率，对应的提取低频数据的暂态路径签名特征和高频数据的VI轨迹特征，通过多模态特征的中端融合方式和孪生网络实现负荷识别。

Description

一种基于多模态特征的非侵入式负荷识别方法

技术领域

本发明涉及一种非侵入式负荷监测方法。

技术背景

负荷监测***是居民需求响应和安全用电重要的一环，目前的负荷监测***大致分为侵入式和非侵入式两大类。传统的侵入式负荷监测***把传感器安装至各个负荷处，监控每个负荷的运行情况，由于其硬件经济成本较高，***可靠性低，覆盖用户范围小等特点难以广泛应用。非侵入式负荷监测(Non-Intrusive Load Monitoring，NILM)***，表现为在电力入口处安装监测设备，便可对用户内部的各个用电负荷进行分析，并给出各个用电设备投切、能耗等信息。

用电设备工作状态的转化过程被称为暂态事件，暂态特征即针对暂态事件过程中，表现出独特的暂态特征信息，如事件发生瞬间的电流、电压、功率变化信息，稳态特征是指事件发生前后的电压、电流、功率、谐波等信息。将用电设备状态变化时具有其特有的特征信息称为负荷印记。

负荷印记的构建是非侵入式负荷识别准确性的关键，现有的负荷印记构建方法有基于低频数据的功率变化值、基于低频数据的暂态功率曲线、基于高频稳态数据的VI轨迹特征等，暂态特征和稳态特征往往只能表示负荷特性的一部分特征。常见负荷识别模型有K近邻算法、隐马尔可夫算法、卷积神经网络等。基于隐马尔可夫算法的负荷识别准确率普遍较低，基于低频负荷印记的监督模型对于功率相似型负荷较难区分，基于VI轨迹和神经网络的识别方法具有较高的准确率，但是需要的高频数据对硬件设施要求高、模型训练需要的标签数据较多。

发明内容

本发明提出一种基于多模态特征的非侵入式负荷识别方法，旨在解决上述现有技术中存在的技术问题中的至少一种。

为了解决上述技术问题，本发明采用以下技术方案：

一种基于多模态特征的非侵入式负荷识别方法，利用电力入口处采集的负荷数据，包括以下步骤：

步骤一、负荷数据获取。获取采集的负荷数据，所述负荷数据假设频率至少大于50Hz,若频率大于1kHz,则负荷数据包括高频电压数据、高频电流数据、有功功率P、无功功率Q、电流有效值I；否则负荷数据包括有功功率P、无功功率Q、电流有效值I。

步骤二、基于功率或电流有效值进行事件检测，提取事件暂态区段和事件暂态区段前后的稳态区段。

利用电流有效值，基于复合滑窗和双边修正的方法进行事件检测，提取暂态过程起止点，具体过程为：

设置统计滑动窗口W_s和检测滑动窗口W_d，其中W_s长度为L_s，W_d长度为L_d，I_i-Ls-1和I_i-1分别为当前统计滑动窗口的起点和终点，计算统计滑动窗口的电流有效值均值μ及标准差σ，计算检测滑动窗口W_d上的变化统计量Z得分：

用滑窗遍历电流有效值序列，将Z小于阈值Z_threshold的点值置为零，得到Z值序列后，通过密度聚类将序列划分为N个类别，其中每一类中对应的点序列为一个暂态事件过程T。

对得到的暂态事件过程T，通过计算均值漂移距离和斜率的方式做双边修正处理，将暂态事件起点附近均值漂移距离最大的点修正为起点，将暂态事件止点前斜率第一次小于斜率阈值的点修正为止点，得到准确的暂态事件起点I_start与止点I_end。

起点I_start与止点I_end构成事件暂态区段T，起点I_start前的O_n个周期构成事件前稳态区段O_b，止点I_end后的O_n个周期构成事件后稳态区段O_a。

步骤三、基于事件暂态区段的目标指标序列S，提取目标指标序列S的路径签名特征，若采集的负荷数据包括高频电压数据和高频电流数据，则转步骤四，否则转步骤五。

为了得到适用于深度学习模型输入表示的特征，提取目标指标序列S的路径签名特征，路径签名是粗糙路径理论的计算结果。

对于标量场F:

则对于路径

的路径积分为：

其中r:[a,b]→X是路径的参数方程。

对于n次路径签名项有：

路径X:[a,b]→Rⁿ的路径签名S(X)_a,b，是一个无限长的序列，由各个阶次的签名项构成：

设置暂态区段的有功功率P、无功功率Q或电流有效值I构成目标指标序列S，提取序列S的n阶截断路径签名S_T作为特征用于机器学习输入。

步骤四、基于事件前后稳态区段的高频电压和高频电流，提取VI轨迹图像特征：

提取事件前稳态区段O_b的高频电压数据和电流数据，记为v_b及i_b。

提取事件后稳态区段O_a的高频电压数据和电流数据，记为v_a及i_a。

对v_b、i_b、v_a及i_a进行平滑处理，将异常值用平滑值替代，从而避免异常值的影响。

对v_b、i_b、v_a及i_a分别进行三次Hermite插值拟合，得到插值函数f_vb、f_ib、f_va及f_ia。

对v_b、i_b、v_a及i_a分别进行快速傅里叶变换，得到基波相角

及

并计算是基波相角为零时波形的位移量，得到采样初始时刻t_vb、t_ib、t_va及t_ia，在插值函数f_vb、f_ib、f_va、f_ia上分别以t_vb、t_ib、t_va、t_ia为初始采样时刻进行同一采样数量f的重采样，其中f是O_n的倍数以保证每个周期采样点对齐，得到重采样后相角对齐的v′_b、i′_b、v′_a及i′_a。

对v′_b、i′_b、v′_a及i′_a中O_n个周期对其的采样点计算平均值，得到v^avr _b、i^avr _b、v^avr _a、i^avr _b。

生成电压序列v_ob及电流序列i_ob：

i_ob＝i^avr _a-i^avr _b

以电压序列v_ob为横坐标，以电流序列i_ob为纵坐标生成VI轨迹图，过程如下：

设定图片像素矩阵A_T尺寸(M，M)，初始化像素点的值为(255,255,255)；

对v_ob、i_ob分别重采样为M个点，第j个电压电流的像素位置(x_j，y_j)为：

其中int为取整函数。

令

若第j个电压电流处于电压周期中的上升趋势，像素位置(x_j，y_j)的值取为(value,value,255)，若第j个电压电流处于电压周期中的下升趋势，像素位置(x_j，y_j)的值取为(value,value,value)。提取的图片特征记为A_T。

步骤五、基于数据条件选择提取对应的负荷印记，利用孪生网络框架进行负荷识别。

若采集的负荷数据包括高频电压电流数据，则选择路径签名特征S_T和VI轨迹图像特征A_T作为负荷印记，搭建目标设备事件的负荷印记库。

若采集的负荷数据不包括高频电压电流数据，则选择路径签名特征S_T作为负荷印记，搭建目标设备事件的负荷印记库。

若采集的负荷数据包括高频电压电流数据，则选择路径签名特征S_T和VI轨迹图像特征A_T作为负荷印记，记为F_T＝[S_T，A_T]。

若采集的负荷数据不包括高频电压电流数据，则选择路径签名特征S_T作为负荷印记，记为F_T＝S_T。

对特征进行成对转换，若T_i与T_j属于同一类型事件，则标签y_ij为1，否则标签y_ij为0，构成样本形式如

其中

为输入1，

为输入2，y_ij为输出。

孪生神经网络有两个输入,将两个输入送入两个神经网络，这两个共享权值的神经网络分别将输入映射到新的空间，形成输入在新的空间中的表示向量，通过损失函数的计算，评价两个输入的相似度作为输出。其中，若采集的负荷数据不包括高频电压电流数据，通过全连接层将路径签名特征S_T在新的空间中形成表示向量；若采集的负荷数据包括高频电压电流数据，通过将路径签名特征S_T和VI轨迹图像特征A_T通过全连接层和卷积层进行多模态数据的中端融合，形成表示向量。

利用训练好的孪生网络模型进行负荷识别，过程如下：

将检测到的未知设备事件的负荷印记作为输入

负荷印记库有K个负荷印记，遍历负荷印记库中的负荷印记，将负荷印记库中的负荷印记依次作为输入

利用训练好的孪生网络模型得到输出y_ij，如此对于未知设备事件的负荷印记存在K个输出y_ij，若输出y_ij最大值大于阈值，则将输出y_ij最大值对应的

所属设备事件作为负荷识别结果，否则将事件类型识别为未知事件。

实施本发明，具有如下有益效果：

本发明可基于数据条件自动选择对应的负荷印记，暂态路径签名特征可基于低频数据进行提取，可有效表示暂态过程的路径轨迹特征，VI轨迹特征基于高频数据进行提取，可有效表示事件前后稳态电压电流轨迹特征，路径签名和VI轨迹融合特征有效全面的表示了事件暂态及稳态特征。孪生网络是少样本学习的方法，对每类设备，只对少量样本打标签，即可获得不错的效果。本发明在采集频率和样本标签两个维度降低了对数据条件的要求，是一种实用有效的负荷识别方法。

附图说明

图1是本发明一种基于多模态特征的非侵入式负荷识别方法的整体示意图。

图2是本发明实施例暂态区段和稳态区段示意图。

图3是本发明实施例微波炉开启事件的VI轨迹图。

图4是本发明实施例孪生网络框架图。

图5是本发明实施例以路径签名特征为输入的网络结构图。

图6是本发明实施例以多模态特征为输入的网络结构图。

具体实施方式

下面结合附图和具体实施例对本发明技术方案作进一步详细描述。

图1示出了本发明一种基于多模态特征的非侵入式负荷识别方法的执行流程，包括以下步骤：

步骤一，负荷数据获取；

步骤二，基于功率或电流有效值进行事件检测，提取事件暂态区段和事件暂态区段前后的稳态区段；

步骤三，基于事件暂态区段的目标指标序列，提取目标指标序列的路径签名特征，若采集的负荷数据包括高频电压数据和高频电流数据，则转步骤4，否则转步骤5；

步骤四，基于事件前后稳态区段的高频电压和高频电流，提取VI轨迹图像特征；

步骤五，基于数据条件选择提取对应的负荷印记，利用孪生网络框架进行负荷识别。

上述步骤的具体阐述如下：

步骤一、负荷数据获取。获取采集的负荷数据，所述负荷数据假设频率至少大于50Hz,若频率大于1kHz,则负荷数据包括高频电压数据、高频电流数据、有功功率P、无功功率Q、电流有效值I；否则负荷数据包括有功功率P、无功功率Q、电流有效值I。

步骤二、基于功率或电流有效值进行事件检测，提取事件暂态区段和事件暂态区段前后的稳态区段。

在本发明实施例中，利用电流有效值基于复合滑窗和双边修正的方法进行事件检测，提取暂态过程起止点，具体过程为：

设置统计滑动窗口W_s和检测滑动窗口W_d，其中W_s长度为L_s，W_d长度为L_d，I_i-Ls-1和I_i-1分别为当前统计滑动窗口的起点和终点，计算统计滑动窗口的电流有效值均值μ及标准差σ，计算检测滑动窗口W_d上的变化统计量Z得分：

用滑窗遍历电流有效值序列，将Z小于阈值Z_threshold的点值置为零，得到Z值序列后，通过密度聚类将序列划分为N个类别，其中每一类中对应的点序列为一个暂态事件过程T。

对得到的暂态事件过程T，通过计算均值漂移距离和斜率的方式做双边修正处理，将暂态事件起点附近均值漂移距离最大的点修正为起点，将暂态事件止点前斜率第一次小于斜率阈值的点修正为止点，得到准确的暂态事件起点I_start与止点I_end。

起点I_start与止点I_end构成事件暂态区段T，起点I_start前的O_n个周期构成事件前稳态区段O_b，止点I_end后的O_n个周期构成事件后稳态区段O_a。

在本发明实施例中，暂态事件过程T如图2所示，其中平滑线条区段表示暂态区段的电流有效值，前后带三角形线条区段表示事件前后稳态区段的电流有效值。

步骤三、基于事件暂态区段的目标指标序列S，提取目标指标序列S的路径签名特征，若采集的负荷数据包括高频电压数据和高频电流数据，则转步骤四，否则转步骤五。

为了得到适用于深度学习模型输入表示的特征，提取目标指标序列S的路径签名特征，路径签名是粗糙路径理论的计算结果，目前在机器学习和时间序列分析领域中应用广泛。

对于标量场F:

则对于路径

的路径积分为：

其中r:[a,b]→X是路径的参数方程。

对于n次路径签名项有：

路径X:[a,b]→Rⁿ的路径签名S(X)_a,b，是一个无限长的序列，由各个阶次的签名项构成：

由于路径签名是无限长的序列，不适合直接用于机器学习算法。于是只取序列中的n阶和以前的签名项，这个新的序列叫n阶截断路径签名。

可以设置暂态区段的有功功率P、无功功率Q或电流有效值I构成目标指标序列S，提取序列S的n阶截断路径签名S_T作为特征用于机器学习输入。

在本发明实施例中，设置二维目标序列S＝[P,Q],取4阶截断路径签名作为特征，具体过程为：

计算S＝[P,Q]尺寸为(2，len)

在区间[0,1]生成长度为len的等距序列X_path,构成路径X＝[X_path,P,Q」

计算路径X的4阶截断路径签名S(X)特征，特征长度为3+3²+3³+3⁴＝120，提取的路径签名特征记为S_T。

步骤四、基于事件前后稳态区段的高频电压和高频电流，提取VI轨迹图像特征：

提取事件前稳态区段O_b的高频电压数据和电流数据，记为v_b及i_b。

提取事件后稳态区段O_a的高频电压数据和电流数据，记为v_a及i_a。

对v_b、i_b、v_a及i_a进行平滑处理，将异常值用平滑值替代，从而避免异常值的影响。

对v_b、i_b、v_a及i_a分别进行三次Hermite插值拟合，得到插值函数f_vb、f_ib、f_va及f_ia。

对v_b、i_b、v_a及i_a分别进行快速傅里叶变换，得到基波相角

及

并计算是基波相角为零时波形的位移量，得到采样初始时刻t_vb、t_ib、t_va及t_ia，在插值函数f_vb、f_ib、f_va、f_ia上分别以t_vb、t_ib、t_va、t_ia为初始采样时刻进行同一采样数量f的重采样，其中f是O_n的倍数以保证每个周期采样点对齐，得到重采样后相角对齐的v′_b、i′_b、v′_a及i′_a。

对v′_b、i′_b、v′_a及i′_a中O_n个周期对其的采样点计算平均值，得到v^avr _b、i^avr _b、v^avr _a、i^avr _b。

生成电压序列v_ob及电流序列i_ob：

i_ob＝i^avr _a-i^avrb

以电压序列v_ob为横坐标，以电流序列i_ob为纵坐标生成VI轨迹图，过程如下：

设定图片像素矩阵A_T尺寸(M，M)，初始化像素点的值为(255,255,255)；

对v_ob、i_ob分别重采样为M个点，第j个电压电流的像素位置(x_j，y_j)为：

其中int为取整函数。

令

若第j个电压电流处于电压周期中的上升趋势，像素位置(x_j，y_j)的值取为(value,value,255)，若第j个电压电流处于电压周期中的下升趋势，像素位置(x_j，y_j)的值取为(value,value,value)。提取的图片特征记为A_T。

在本发明实施例中，如图3所示为微波炉开启事件的VI轨迹图，其中灰色轨迹表示电压周期上升时的轨迹，黑色表示电压周期下降时的轨迹。

步骤五、基于数据条件选择提取对应的负荷印记，利用孪生网络框架进行负荷识别。

若采集的负荷数据包括高频电压电流数据，则选择路径签名特征S_T和VI轨迹图像特征A_T作为负荷印记，搭建目标设备事件的负荷印记库。

若采集的负荷数据不包括高频电压电流数据，则选择路径签名特征S_T作为负荷印记，搭建目标设备事件的负荷印记库。

若采集的负荷数据包括高频电压电流数据，则选择路径签名特征S_T和VI轨迹图像特征A_T作为负荷印记，记为F_T＝[S_T，A_T]。

若采集的负荷数据不包括高频电压电流数据，则选择路径签名特征S_T作为负荷印记，记为F_T＝S_T。

对特征进行成对转换，若T_i与T_j属于同一类型事件，则标签y_ij为1，否则标签y_ij为0，构成样本形式如

其中

为输入1，

为输入2，y_ij为输出。

在本发明实施例中，孪生网络结构如图4所示，孪生神经网络有两个输入,将两个输入送入两个神经网络，这两个共享权值的神经网络分别将输入映射到新的空间，形成输入在新的空间中的表示向量。通过损失函数的计算，评价两个输入的相似度作为输出。其中，若采集的负荷数据不包括高频电压电流数据，搭建共享权值神经网络结构如图5所示，通过全连接层将路径签名特征S_T在新的空间中形成表示向量；若采集的负荷数据包括高频电压电流数据，搭建共享权值神经网络结构如图6所示，通过将路径签名特征S_T和VI轨迹图像特征A_T通过全连接层和卷积层进行多模态数据的中端融合，形成表示向量。

利用训练好的孪生网络模型进行负荷识别，过程如下：

将检测到的未知设备事件的负荷印记作为输入

负荷印记库有K个负荷印记，遍历负荷印记库中的负荷印记，将负荷印记库中的负荷印记依次作为输入

利用训练好的孪生网络模型得到输出y_ij，如此对于未知设备事件的负荷印记存在K个输出y_ij，若输出y_ij最大值大于阈值，则将输出y_ij最大值对应的

所属设备事件作为负荷识别结果，否则将事件类型识别为未知事件。

本发明以电流有效值的变化来检测暂态事件，其能够准确的检测出总负荷暂态事件的起止点以区分暂态区段和稳态区段，基于用电设备事件发生前后的稳态区段和暂态区段来准确获取用电设备辨识所需的印记特征，从而完成负荷识别。具体的,在本发明一具体实验场景中,通过安装在实验室空开总线上的智能电表得到一段时间内的用电数据,共有5种负荷,分别为:冰箱、饮水机、烧水壶、微波炉、打印机。

智能电表采集频率为16Hz,测试时间尺度为3天，按照步骤二的方法共检测到615个事件，其中有效事件609个。按照步骤三所述提取路径签名特征，特征尺寸为120维。按照步骤四提取VI轨迹特征，特征尺寸为(32，32，3)。利用训练好的孪生网络基于负荷印记库计算相似度，得到负荷识别结果统计如下：

由于负荷类别较少，大部分时间不同负荷不会同时运行，当负荷单独运行时使用两种特征的准确率都比较高，当不同负荷事假同时发生时，基于路径签名特征的准确率会明显下降，基于融合特征的准确率受影响不明显。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的研究人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。

Claims (10)

1.一种基于多模态特征的非侵入式负荷识别方法，其特征在于，包括以下步骤：

步骤1，负荷数据获取；

步骤2，基于功率或电流有效值进行事件检测，提取事件暂态区段和事件暂态区段前后的稳态区段；

步骤3，基于事件暂态区段的目标指标序列，提取目标指标序列的路径签名特征，若采集的负荷数据包括高频电压数据和高频电流数据，则转步骤4，否则转步骤5；

步骤4，基于事件前后稳态区段的高频电压和高频电流，提取VI轨迹图像特征；

步骤5，基于数据条件选择提取对应的负荷印记，利用孪生网络框架进行负荷识别。

2.根据权利要求1所述的一种基于多模态特征的非侵入式负荷识别方法，其特征在于：所述步骤1中负荷数据获取的具体方法为：负荷数据假设频率至少大于50Hz,若频率大于1kHz,则负荷数据包括高频电压数据、高频电流数据、有功功率P、无功功率Q、电流有效值I；否则负荷数据包括有功功率P、无功功率Q、电流有效值I。

3.根据权利要求1所述的一种基于多模态特征的非侵入式负荷识别方法，其特征在于：所述步骤2中，利用电流有效值进行事件检测，提取事件暂态区段和事件暂态区段前后的稳态区段的具体方法为：基于复合滑窗和双边修正的方法进行事件检测，提取暂态过程起止点，起点I_start与止点I_end构成事件暂态区段T，起点I_start前的O_n个周期构成事件前稳态区段O_b，止点I_end后的O_n个周期构成事件后稳态区段O_a。

4.根据权利要求1所述的一种基于多模态特征的非侵入式负荷识别方法，其特征在于：所述步骤3中，设置有功功率P、无功功率Q或电流有效值I构成目标指标序列S，为了得到适用于深度学习模型输入表示的特征，提取目标指标序列S的路径签名特征，提取目标指标序列S的n阶截断路径签名S_T作为特征用于机器学习输入。

5.根据权利要求1所述的一种基于多模态特征的非侵入式负荷识别方法，其特征在于：所述步骤4中，提取事件前稳态区段O_b和事件后稳态区段O_a的高频电压数据和电流数据，通过异常值平滑处理、插值拟合、傅里叶变换对齐相角、重采样，计算周期平均电压序列v_ob和周期差值电流序列i_ob，得到VI轨迹图特征A_T。

6.根据权利要求1所述的一种基于多模态特征的非侵入式负荷识别方法，其特征在于：所述步骤5中，若采集的负荷数据包括高频电压数据和高频电流数据，则选择路径签名特征S_T和VI轨迹图像特征A_T作为负荷印记，搭建目标设备事件的负荷印记库；若采集的负荷数据不包括高频电压数据和高频电流数据，则选择路径签名特征S_T作为负荷印记，搭建目标设备事件的负荷印记库；基于负荷印记库，利用孪生网络对检测到的事件的负荷印记与负荷印记库中的负荷印记进行相似度计算，若最高相似度大于阈值，则将事件类型识别为相似度最高负荷印记所属事件类型，否则将事件类型识别为未知事件。

7.根据权利要求3所述的一种基于多模态特征的非侵入式负荷识别方法，其特征在于，所述步骤2的具体方法如下：

(1)设置统计滑动窗口W_s和检测滑动窗口W_d，其中W_s长度为L_s，W_d长度为L_d，I_i-Ls-1和I_i-1分别为当前统计滑动窗口的起点和终点，计算统计滑动窗口的电流有效值均值μ及标准差σ，计算检测滑动窗口W_d上的变化统计量Z得分：

d∈[i,i+L_d]

(2)用滑窗遍历电流有效值序列，将Z小于阈值Z_threshold的点值置为零，得到Z值序列后，通过密度聚类将序列划分为N个类别，其中每一类中对应的点序列为一个暂态事件过程T；

(3)对得到的暂态事件过程T，通过计算均值漂移距离和斜率的方式做双边修正处理，将暂态事件起点附近均值漂移距离最大的点修正为起点，将暂态事件止点前斜率第一次小于斜率阈值的点修正为止点，得到准确的暂态事件起点I_start与止点I_end；起点I_start与止点I_end构成事件暂态区段T，起点I_start前的O_n个周期构成事件前稳态区段O_b，止点I_end后的O_n个周期构成事件后稳态区段O_a。

8.根据权利要求4所述的一种基于多模态特征的非侵入式负荷识别方法，其特征在于，所述步骤3的具体方法如下：

(1)对于标量场

则对于路径

的路径积分为：

其中r:[a,b]→X是路径的参数方程；

(2)对于n次路径签名项有：

路径X:[a,b]→Rⁿ的路径签名S(X)_a,b，是一个无限长的序列，由各个阶次的签名项构成：

(3)设置暂态区段的有功功率P、无功功率Q或电流有效值I构成目标指标序列S，提取序列S的n阶截断路径签名S_T作为特征用于机器学习输入。

9.根据权利要求5所述的一种基于多模态特征的非侵入式负荷识别方法，其特征在于，所述步骤4的具体方法如下：

(1)提取事件前稳态区段O_b的高频电压数据和高频电流数据，记为v_b及i_b；提取事件后稳态区段O_a的高频电压数据和高频电流数据，记为v_a及i_a；

(2)对v_b、i_b、v_a及i_a进行平滑处理，将异常值用平滑值替代，从而避免异常值的影响；

(3)对v_b、i_b、v_a及i_a分别进行三次Hermite插值拟合，得到插值函数f_vb、f_ib、f_va及f_ia；

(4)对v_b、i_b、v_a及i_a分别进行傅里叶变换，得到基波相角

及

并计算是基波相角为零时波形的位移量，得到采样初始时刻t_vb、t_ib、t_va及t_ia，在插值函数f_vb、f_ib、f_va、f_ia上分别以t_vb、t_ib、t_va、t_ia为初始采样时刻进行同一采样数量f的重采样，其中f是O_n的倍数以保证每个周期采样点对齐，得到重采样后相角对齐的v′_b、i′_b、v′_a及i′_a；

(5)对v′_b、i′_b、v′_a及i′_a中O_n个周期对其的采样点计算平均值，得到v^avr _b、i^avr _b、v^avr _a、i^avr _b；

(6)生成电压序列v_ob及电流序列i_ob：

i_ob＝i^avr _a-i^avr _b

(7)以电压序列v_ob为横坐标，以电流序列i_ob为纵坐标生成VI轨迹图，过程如下：

设定图片像素矩阵A_T尺寸(M，M)，初始化像素点的值为(255,255,255)；

(8)对v_ob、i_ob分别重采样为M个点，第j个电压电流的像素位置(x_j，y_j)为：

其中int为取整函数；

令

若第j个电压电流处于电压周期中的上升趋势，像素位置(x_j，y_j)的值取为(value,value,255)，若第j个电压电流处于电压周期中的下升趋势，像素位置(x_j，y_j)的值取为(value,value,value)；提取的图片特征记为A_T。

10.根据权利要求6所述的一种基于多模态特征的非侵入式负荷识别方法，其特征在于，所述步骤5的具体方法如下：

(1)若采集的负荷数据包括高频电压数据和高频电流数据，则选择路径签名特征S_T和VI轨迹图像特征A_T作为负荷印记，搭建目标设备事件的负荷印记库；若采集的负荷数据不包括高频电压数据和高频电流数据，则选择路径签名特征S_T作为负荷印记，搭建目标设备事件的负荷印记库；

(2)若采集的负荷数据包括高频电压数据和高频电流数据，则选择路径签名特征S_T和VI轨迹图像特征A_T作为负荷印记，记为F_T＝[S_T，A_T]；若采集的负荷数据不包括高频电压数据和高频电流数据，则选择路径签名特征S_T作为负荷印记，记为F_T＝S_T；

(3)对特征进行成对转换，若T_i与T_j属于同一类型事件，则标签y_ij为1，否则标签y_ij为0，构成样本形式如

其中

为输入1，

为输入2，y_ij为输出；

将两个输入送入孪生神经网络，两个共享权值的神经网络分别将输入映射到新的空间，形成输入在新的空间中的表示向量，通过损失函数的计算，评价两个输入的相似度作为输出；其中，若采集的负荷数据不包括高频电压数据和高频电流数据，通过全连接层将路径签名特征S_T在新的空间中形成表示向量；若采集的负荷数据包括高频电压数据和高频电流数据，通过将路径签名特征S_T和VI轨迹图像特征A_T通过全连接层和卷积层进行多模态数据的中端融合，形成表示向量；

(4)利用训练好的孪生网络模型进行负荷识别，过程如下：

将检测到的未知设备事件的负荷印记作为输入

负荷印记库有K个负荷印记，遍历负荷印记库中的负荷印记，将负荷印记库中的负荷印记依次作为输入

利用训练好的孪生网络模型得到输出y_ij，对于未知设备事件的负荷印记存在K个输出y_ij，若输出y_ij最大值大于阈值，则将输出y_ij最大值对应的

所属设备事件作为负荷识别结果，否则将事件类型识别为未知事件。

Images