CN114330461A - 用于非侵入负荷识别的v-i轨迹生成方法、装置及神经网络 - Google Patents

Abstract

本发明公开了一种用于非侵入负荷识别的V‑I轨迹生成方法、装置及神经网络，方法包括：在确定投切事件发生时，获取初始V‑I轨迹，初始V‑I轨迹为电压和无功电流随时间变化的轨迹；基于初始V‑I轨迹获取电压的时间导数和无功电流的时间导数；根据电压的时间导数和无功电流的时间导数将初始V‑I轨迹映射至彩色空间以获得彩色V‑I轨迹。由此，通过基于电压和无功电流的时间导数将初始V‑I轨迹映射至彩色空间，以获得彩色V‑I轨迹，从而提高了V‑I轨迹的信息载量，使其能够适用于电器种类繁多的负荷识别场景，同时，形成的彩色V‑I轨迹可以利用神经网络模型进行训练，有利于提高V‑I轨迹对非侵入负荷识别的准确性。

Description

用于非侵入负荷识别的V-I轨迹生成方法、装置及神经网络

技术领域

本发明涉及非侵入负荷识别技术领域，尤其涉及一种用于非侵入负荷识别的V-I轨迹生成方法、装置及神经网络。

背景技术

非侵入负荷识别是指在负荷群端口处（例如家庭用电的入户电表处）安装检测设备即可实现对负荷群内各电器的投切和用电行为的检测，目前随着居民用电总量以及居民家用电器种类和数量逐渐增长，采用非侵入负荷识别技术分析各种家用电器用电消耗以及居民用电行为可为智慧电网提供有效的用电数据统计，通过用电大数据分析，辅助制定不同区域、不同季节的居民用电策略，可以可以提高居民用电效率，实现节能减碳。

非侵入负荷识别方法总体可分为两大类：基于事件的负荷识别方法和非基于事件的负荷分解方法，其中，基于事件的负荷识别方法是借助提取各类负荷特征来识别电器投切事件，进而把电器的开关状态和功率负荷计算出来，以实现功耗分解，而基于事件的负荷识别方法提取的特征又包括暂态特征和稳态特征两类，其中，暂态特征包括功率变化、启动电流波形、电压噪声、电流波形尖峰的边沿大小或者峭度等；稳态特征包括功率(包括有功、无功、视在功率)、稳态电压及电流的波形、V-I轨迹、稳态电流及电压谐波等。

其中，V-I轨迹常用作基于事件的负荷识别方法来进行特征提取，该轨迹为根据电压和无功电流关系绘制的一条闭合曲线，但是传统的V-I轨迹为灰度图像，只有一个通道，包含的信息较少，无法运用于电器种类繁多的负荷识别场景；此外，传统的灰度V-I轨迹难以利用神经网络模型进行训练，降低了V-I轨迹对非侵入负荷识别的准确性。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种用于非侵入负荷识别的V-I轨迹生成方法，通过基于电压和无功电流的时间导数将初始V-I轨迹映射至彩色空间，以获得彩色V-I轨迹，从而提高了V-I轨迹的信息载量，使其能够适用于电器种类繁多的负荷识别场景，同时，形成的彩色V-I轨迹可以利用神经网络模型进行训练，有利于提高V-I轨迹对非侵入负荷识别的准确性。

本发明的第二个目的在于提出一种用于非侵入负荷识别的V-I轨迹生成装置。

本发明的第三个目的在于提出一种计算机可读存储介质。

本发明的第四个目的在于提出一种电子设备。

本发明的第五个目的在于提出一种卷积神经网络。

为达到上述目的，本发明第一方面实施例提出了一种用于非侵入负荷识别的V-I轨迹生成方法，方法包括：在确定投切事件发生时，获取初始V-I轨迹，初始V-I轨迹为电压和无功电流随时间变化的轨迹；基于初始V-I轨迹获取电压的时间导数和无功电流的时间导数；根据电压的时间导数和无功电流的时间导数将初始V-I轨迹映射至彩色空间以获得彩色V-I轨迹。

根据本发明实施例的用于非侵入负荷识别的V-I轨迹生成方法，在确定投切事件发生时，获取电压和无功电流随时间变化的初始V-I轨迹，并基于初始V-I轨迹获取电压的时间导数和无功电流的时间导数，根据根据电压的时间导数和无功电流的时间导数将初始V-I轨迹映射至彩色空间以获得彩色V-I轨迹。由此，通过基于电压和无功电流的时间导数将初始V-I轨迹映射至彩色空间，以获得彩色V-I轨迹，从而提高了V-I轨迹的信息载量，使其能够适用于电器种类繁多的负荷识别场景，同时，形成的彩色V-I轨迹可以利用神经网络模型进行训练，有利于提高V-I轨迹对非侵入负荷识别的准确性。

根据本发明的一个实施例，方法还包括：采集电压信号和电流信号；对电压信号和电流信号进行傅里叶变换得到电压和电流；根据电压和电流获取无功电流；在电压和无功电流的变化情况满足预设条件时，确定投切事件发生。

根据本发明的一个实施例，在对电压信号和电流信号进行傅里叶变换得到电压和电流之前，方法还包括：对电压信号和电流信号进行平滑处理。

根据本发明的一个实施例，对电压信号和电流信号进行平滑处理，包括：对电压信号和电流信号进行一维卷积处理。

根据本发明的一个实施例，获取初始V-I轨迹，包括：获取投切事件发生前至少一个工频周期的电压和无功电流，并获取投切事件发生后至少一个工频周期的电压和无功电流；对投切事件发生前至少一个工频周期的电压和无功电流进行平均处理得到第一工频周期的电压和无功电流，并对投切事件发生后至少一个工频周期的电压和无功电流进行平均处理得到第二工频周期的电压和无功电流；根据第一工频周期的电压和无功电流、以及第二工频周期的电压和无功电流生成初始V-I轨迹。

根据本发明的一个实施例，根据电压的时间导数和无功电流的时间导数将初始V-I轨迹映射至彩色空间以获得彩色V-I轨迹，包括：针对初始V-I轨迹上的轨迹点，根据电压的时间导数和无功电流的时间导数确定轨迹点的R值、G值和B值；根据轨迹点的R值、G值和B值生成彩色V-I轨迹。

根据本发明的一个实施例，根据电压的时间导数和无功电流的时间导数确定轨迹点的R值、G值和B值，包括：当电压的时间导数大于等于0、且无功电流的时间导数大于等于0时，确定轨迹点的R值为第一值；当电压的时间导数大于等于0、且无功电流的时间导数小于0时，确定轨迹点的G值为第一值；当电压的时间导数小于0、且无功电流的时间导数大于等于0时，确定轨迹点的B值为第一值；当电压的时间导数小于0、且无功电流的时间导数小于0时，确定轨迹点的R值和B值均为第一值。

为达到上述目的，本发明第二方面实施例提出了一种用于非侵入负荷识别的V-I轨迹生成装置，装置包括：获取模块，用于在确定投切事件发生时，获取初始V-I轨迹，初始V-I轨迹为电压和无功电流随时间变化的轨迹；映射模块，用于基于初始V-I轨迹获取电压的时间导数和无功电流的时间导数，并根据电压的时间导数和无功电流的时间导数将初始V-I轨迹映射至彩色空间以获得彩色V-I轨迹。

根据本发明实施例的用于非侵入负荷识别的V-I轨迹生成装置，通过获取模块在确定投切事件发生时，获取电压和无功电流随时间变化的初始V-I轨迹；并通过映射模块基于初始V-I轨迹获取电压的时间导数和无功电流的时间导数，并根据电压的时间导数和无功电流的时间导数将初始V-I轨迹映射至彩色空间以获得彩色V-I轨迹。由此，通过基于电压和无功电流的时间导数将初始V-I轨迹映射至彩色空间，以获得彩色V-I轨迹，从而提高了V-I轨迹的信息载量，使其能够适用于电器种类繁多的负荷识别场景，同时，形成的彩色V-I轨迹可以利用神经网络模型进行训练，有利于提高V-I轨迹对非侵入负荷识别的准确性。

根据本发明的一个实施例，获取模块具体用于：获取投切事件发生前至少一个工频周期的电压和无功电流，并获取投切事件发生后至少一个工频周期的电压和无功电流；对投切事件发生前至少一个工频周期的电压和无功电流进行平均处理得到第一工频周期的电压和无功电流，并对投切事件发生后至少一个工频周期的电压和无功电流进行平均处理得到第二工频周期的电压和无功电流；根据第一工频周期的电压和无功电流、以及第二工频周期的电压和无功电流生成初始V-I轨迹。

根据本发明的一个实施例，映射模块具体用于：针对初始V-I轨迹上的轨迹点，根据电压的时间导数和无功电流的时间导数确定轨迹点的R值、G值和B值；根据轨迹点的R值、G值和B值生成彩色V-I轨迹。

根据本发明的一个实施例，映射模块具体用于：当电压的时间导数大于等于0、且无功电流的时间导数大于等于0时，确定轨迹点的R值为第一值；当电压的时间导数大于等于0、且无功电流的时间导数小于0时，确定轨迹点的G值为第一值；当电压的时间导数小于0、且无功电流的时间导数大于等于0时，确定轨迹点的B值为第一值；当电压的时间导数小于0、且无功电流的时间导数小于0时，确定轨迹点的R值和B值均为第一值。

为达到上述目的，本发明第三方面实施例提出了一种计算机可读存储介质，其上存储有V-I轨迹生成程序，该V-I轨迹生成程序被处理器执行时实现如第一方面实施例中的V-I轨迹生成方法。

根据本发明实施例的计算机可读存储介质，通过上述的用于非侵入负荷识别的V-I轨迹生成方法，通过基于电压和无功电流的时间导数将初始V-I轨迹映射至彩色空间，以获得彩色V-I轨迹，从而提高了V-I轨迹的信息载量，使其能够适用于电器种类繁多的负荷识别场景，同时，形成的彩色V-I轨迹可以利用神经网络模型进行训练，有利于提高V-I轨迹对非侵入负荷识别的准确性。

为达到上述目的，本发明第四方面实施例提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的V-I轨迹生成程序，处理器执行程序时，实现如第一方面实施例中的V-I轨迹生成方法。

根据本发明实施例的电子设备，通过上述的用于非侵入负荷识别的V-I轨迹生成方法，通过基于电压和无功电流的时间导数将初始V-I轨迹映射至彩色空间，以获得彩色V-I轨迹，从而提高了V-I轨迹的信息载量，使其能够适用于电器种类繁多的负荷识别场景，同时，形成的彩色V-I轨迹可以利用神经网络模型进行训练，有利于提高V-I轨迹对非侵入负荷识别的准确性。

为达到上述目的，本发明第五方面实施例提出了一种卷积神经网络，用于对第一方面实施例中的V-I轨迹生成方法生成的彩色V-I轨迹进行特征提取，网络包括：多层级残差网络，用于对输入图像进行多层级特征提取得到不同层级的特征图，并对不同层级的特征图进行拼接得到M1个特征图；再处理单元，用于对M1个特征图进行随机均匀重排、池化和拼接处理后得到M2个特征图；深度可分离卷积单元，用于对M2个特征图进行深度可分离卷积处理得到M3个特征图，其中，M1、M2和M3均为正整数。

根据本发明实施例的卷积神经网络，通过多层级残差网络对输入图像进行多层级特征提取和拼接以获得M1个特征图，并通过在处理单元对M1个特征图进行随机均匀重排、池化和拼接处理以获得M2个特征图，以及通过深度可分离卷积单元对M2个特征图进行深度可分离卷积处理以获得M3个特征图，由此，可以实现从输入的彩色V-I轨迹图中提取出更加丰富的特征图，进一步提高模型预测的准确率。

根据本发明的一个实施例，多层级残差网络包括：N个卷积单元，第1个卷积单元的输入端作为卷积神经网络的输入端，第i+1个卷积单元的输入端与第i个卷积单元的第一输出端相连，N个卷积单元用于对输入图像进行多层级特征提取得到不同层级的特征图；N-1个第一最大池化层，第i个第一最大池化层的输入端与第i个卷积单元的第二输出端相连，用于对相应卷积单元的特征图进行最大池化处理，N为大于等于2的整数且1≤i＜N；第一拼接层，第一拼接层的输入端分别与第N个卷积单元的输出端和N-1个第一最大池化层中的每个第一最大池化层的输出端相连，用于对第N个卷积单元输出的特征图和最大池化处理后的特征图进行拼接处理得到M1个特征图。

根据本发明的一个实施例，N个卷积单元中的每个卷积单元均包括：卷积层、第一归一化处理层和ReLU激活层。

根据本发明的一个实施例，N-1个第一最大池化层中的每个第一最大池化层的池化核大小均不同。

根据本发明的一个实施例，再处理单元包括：洗牌层，洗牌层的输入端与多层级残差网络相连，用于对M1个特征图进行洗牌处理；分割层，分割层的输入端与洗牌层的输出端相连，分割层包括K个输出端，用于对洗牌处理后的M1个特征图进行均匀随机分割处理得到K组特征图，并通过K个输出端输出，K为大于等于2的整数；空间金字塔池化层，空间金字塔池化层包括K-1个第二最大池化层，K-1个第二最大池化层的输入端与分割层中的第1至第K-1个输出端对应相连，用于对第1至第K-1个输出端输出的特征图进行最大池化处理；第二拼接层，第二拼接层的输入端分别与分割层中的第K个输出端和K-1个第二最大池化层中的每个第二最大池化层的输出端相连，用于对第K个输出端输出的特征图和最大池化处理后的特征图进行拼接处理得到M2个特征图。

根据本发明的一个实施例，K-1个第二最大池化层中的每个第二最大池化层的池化核大小均不同。

根据本发明的一个实施例，深度可分离卷积单元包括：逐通道卷积层，逐通道卷积层的输入端与再处理单元相连，用于对M2个特征图进行逐通道卷积处理；逐点卷积层，逐点卷积层的输入端与逐通道卷积层的输出端相连，用于对逐通道卷积处理后的特征图进行逐点卷积处理；第二归一化处理层，第二归一化处理层的输入端与逐点卷积层的输出端相连，用于对逐点卷积处理后的特征图进行归一化处理；ReLU激活层，ReLU激活层的输入端与第二归一化处理层的输出端相连，用于对归一化处理后的特征图进行激活处理得到M3个特征图。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1为根据本发明一个实施例的用于非侵入负荷识别的V-I轨迹生成方法的流程图；

图2为根据本发明一个实施例的获取电压和无功电流的流程图；

图3为根据本发明一个实施例的用于非侵入负荷识别的V-I轨迹生成装置的结构示意图；

图4为根据本发明一个实施例的卷积神经网络的结构示意图；

图5为根据本发明一个实施例的多层级残差网络的结构示意图；

图6为根据本发明一个实施例的卷积单元的结构示意图；

图7为根据本发明一个实施例的再处理单元的结构示意图；

图8为根据本发明一个实施例的深度可分离卷积单元的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本发明实施例提出的用于非侵入负荷识别的V-I轨迹生成方法、装置、计算机可读存储介质、电子设备及卷积神经网络。

图1为根据本发明一个实施例的用于非侵入负荷识别的V-I轨迹生成方法的流程图。如图1所示，该用于非侵入负荷识别的V-I轨迹生成方法包括以下步骤：

步骤S101，在确定投切事件发生时，获取初始V-I轨迹，初始V-I轨迹为电压和无功电流随时间变化的轨迹。

具体地，不同电器有功电流的波形除了幅值不同外，很难从波形上进行区分，而不同电器无功电流的波形相差较大，采用无功电流波形更容易区分不同电器，因此在确定投切事件发生时，选择电压和无功电流绘制的V-I轨迹来进行非侵入负荷识别。

需要说明的是，如图2所示，在确定是否发生投切事件时，上述方法还包括以下步骤：

步骤S201，采集电压信号和电流信号。

具体地，在确定电器是否发生投切事件时，采用预设置的电压采集装置以及电流采集装置，分别获取不同电器的电压信号以及电流信号，以分析识别相应的电器是否发生投切事件。

步骤S202，对电压信号和电流信号进行傅里叶变换得到电压和电流。

具体地，由于电压采集装置以及电流采集装置获取的电压信号以及电流信号是从ADC（Analog-to-Digital Converter，模/数转换器）转化而来，并非真实的电压和电流值，因此需要对采集的电压信号和电流信号进行傅里叶变换处理，然后分别乘以对应的系数，以得到真实的电压和电流值。

在一些实施例中，在对电压信号和电流信号进行傅里叶变换得到电压和电流之前，方法还包括：对电压信号和电流信号进行平滑处理。

进一步地，对电压信号和电流信号进行平滑处理，包括：对电压信号和电流信号进行一维卷积处理。

也就是说，在对电压信号和电流信号进行傅里叶变换得到电压和电流之前，对采集到的电压和电流信号进行平滑处理，以去除电压和电流信号中的异常值和噪声，同时，为了降低平滑处理过程中的计算量，选择滤波核大小为5的均值滤波器，此外，由于采集的电压和电流信号为时序信号，可以对电压信号和电流信号进行一维卷积处理，以便可以并行处理多个该类信号，从而提高信号处理效率，即最终可以采用卷积核长度为5的一维卷积对采集的电压和电流信号进行平滑处理以去除电压和电流信号中的异常值和噪声，可选的，卷积核为[0.2,0.2,0.2,0.2,0.2]。需要说明的是，上述对电压信号和电流信号进行傅里叶变换中的电压信号和电流信号为一维卷积处理后的电压信号和电流信号。

步骤S203，根据电压和电流获取无功电流。

具体地，将采集的电压信号和电流信号经一维卷积处理以及傅里叶变换后可以获得真实的电压和电流，并根据Fryze功率理论将获得的电流

分解为有功电流

和无功电流

，如下式（1）所示：

（1）

有功功率

为瞬时功率在一个周期T内的均值，具体如下式（2）所示：

（2）

其中，

为电压。

假设采样频率为

，交流电频率为

，则交流电一个周期内的采样点数为

，两个采样点之间的时间间隔为

，则有功功率为：

（3）

其中，

为第i个采样点的电流，

为第i个采样点的电压。

根据有功功率和有功电流关系，有功电流

可按下式计算：

（4）

其中，

为均方根电压，具体如下式（5）所示：

（5）

将（3）和（4）式代入（1）式并整理得无功电流

为：

（6）

步骤S204，在电压和无功电流的变化情况满足预设条件时，确定投切事件发生。

具体地，根据获得电压和无功电流判断是否发生投切事件，当电压和无功电流的变化情况满足预设条件时，确定投切事件发生；否则不采取进一步措施，直至投切事件发生。

在一些实施例中，获取初始V-I轨迹，包括：获取投切事件发生前至少一个工频周期的电压和无功电流，并获取投切事件发生后至少一个工频周期的电压和无功电流；对投切事件发生前至少一个工频周期的电压和无功电流进行平均处理得到第一工频周期的电压和无功电流，并对投切事件发生后至少一个工频周期的电压和无功电流进行平均处理得到第二工频周期的电压和无功电流；根据第一工频周期的电压和无功电流、以及第二工频周期的电压和无功电流生成初始V-I轨迹。

也就是说，在确定投切事件发生时，分别获取投切事件发生前至少一个工频周期的电压和无功电流，以及获取投切事件发生后至少一个工频周期的电压和无功电流，举例来说，可以获取投切事件发生前100个工频周期的电压和无功电流以及投切事件发生后100个工频周期的电压和无功电流，对于投切事件发生前100个工频周期的电压和无功电流，可以将每个工频周期平均划分有128个点，并获取每个点对应的电压和无功电流，将100个工频周期相同点的电压和无功电流相加求平均值，即可以获得第一工频周期的电压和无功电流；对于投切事件发生后100个工频周期的电压和无功电流，同样可以将每个工频周期平均划分有128个点，并获取每个点对应的电压和无功电流，将100个工频周期相同点的电压和无功电流相加求平均值，即可以获得第二工频周期的电压和无功电流，根据第一工频周期的电压和无功电流、以及第二工频周期的电压和无功电流即可生成一个周期的初始V-I轨迹。

步骤S102，基于初始V-I轨迹获取电压的时间导数和无功电流的时间导数。

具体地，根据获得电压和无功电流初始V-I轨迹，分别获取电压

和无功电流

的时间导数

和

。

步骤S103，根据电压的时间导数和无功电流的时间导数将初始V-I轨迹映射至彩色空间以获得彩色V-I轨迹。

具体地，根据电压

和无功电流

的时间导数

和

将初始V-I轨迹按一定的规则映射至彩色空间以获得彩色V-I轨迹，从而提高V-I轨迹的信息再量，使得基于彩色V-I轨迹为特征的非侵入负荷识别模型的准确率更高。

在一些实施例中，根据电压的时间导数和无功电流的时间导数将初始V-I轨迹映射至彩色空间以获得彩色V-I轨迹，包括：针对初始V-I轨迹上的轨迹点，根据电压的时间导数和无功电流的时间导数确定轨迹点的R值、G值和B值；根据轨迹点的R值、G值和B值生成彩色V-I轨迹。

进一步地，根据电压的时间导数和无功电流的时间导数确定轨迹点的R值、G值和B值，包括：当电压的时间导数大于等于0、且无功电流的时间导数大于等于0时，确定轨迹点的R值为第一值；当电压的时间导数大于等于0、且无功电流的时间导数小于0时，确定轨迹点的G值为第一值；当电压的时间导数小于0、且无功电流的时间导数大于等于0时，确定轨迹点的B值为第一值；当电压的时间导数小于0、且无功电流的时间导数小于0时，确定轨迹点的R值和B值均为第一值。

具体地，假设

为初始V-I轨迹上的第i个轨迹点，

、

和

分别代表该轨迹点在R、G和B三个维度上的像素点值，对于初始V-I轨迹中第i个轨迹点在R、G和B三个维度上的映射规则如式（7）所示：

（7）

也就是说，当电压的时间导数大于等于0、且无功电流的时间导数大于等于0时，

取第一值1；当电压的时间导数大于等于0、且无功电流的时间导数小于0时，

取第一值1；当电压的时间导数小于0、且无功电流的时间导数大于等于0时，

取第一值1；当电压的时间导数小于0、且无功电流的时间导数小于0时，

和

均取第一值1，从而根据电压和无功电流的时间导数值将初始V-I轨迹的第i个轨迹点映射至R、G和B彩色空间，进而可以将初始V-I轨迹中每个轨迹点映射至R、G和B彩色空间，最终形成对应的彩色V-I轨迹，而形成的彩色V-I轨迹可以作为神经网络模型的训练数据，经神经网络训练后的彩色V-I轨迹有利于提高对非侵入负荷识别的准确性。

综上所述，根据本发明实施例的用于非侵入负荷识别的V-I轨迹生成方法，在确定投切事件发生时，获取电压和无功电流随时间变化的初始V-I轨迹，并基于初始V-I轨迹获取电压的时间导数和无功电流的时间导数，根据根据电压的时间导数和无功电流的时间导数将初始V-I轨迹映射至彩色空间以获得彩色V-I轨迹。由此，通过基于电压和无功电流的时间导数将初始V-I轨迹映射至彩色空间，以获得彩色V-I轨迹，从而提高了V-I轨迹的信息载量，使其能够适用于电器种类繁多的负荷识别场景，同时，形成的彩色V-I轨迹可以利用神经网络模型进行训练，有利于提高V-I轨迹对非侵入负荷识别的准确性。

图3为根据本发明一个实施例的用于非侵入负荷识别的V-I轨迹生成装置的结构示意图。如图3所示，该用于非侵入负荷识别的V-I轨迹生成装置100包括：获取模块110和映射模块120。

其中，获取模块110用于在确定投切事件发生时，获取初始V-I轨迹，初始V-I轨迹为电压和无功电流随时间变化的轨迹；映射模块120用于基于初始V-I轨迹获取电压的时间导数和无功电流的时间导数，并根据电压的时间导数和无功电流的时间导数将初始V-I轨迹映射至彩色空间以获得彩色V-I轨迹。

在一些实施例中，获取模块110具体用于：获取投切事件发生前至少一个工频周期的电压和无功电流，并获取投切事件发生后至少一个工频周期的电压和无功电流；对投切事件发生前至少一个工频周期的电压和无功电流进行平均处理得到第一工频周期的电压和无功电流，并对投切事件发生后至少一个工频周期的电压和无功电流进行平均处理得到第二工频周期的电压和无功电流；根据第一工频周期的电压和无功电流、以及第二工频周期的电压和无功电流生成初始V-I轨迹。在一些实施例中，发电功率获取模块130具体还用于：获取混合动力汽车的初始发电功率；根据工况获取相应的修正系数；根据修正系数对初始发电功率进行修正得到目标发电功率。

在一些实施例中，映射模块120具体用于：针对初始V-I轨迹上的轨迹点，根据电压的时间导数和无功电流的时间导数确定轨迹点的R值、G值和B值；根据轨迹点的R值、G值和B值生成彩色V-I轨迹。

在一些实施例中，映射模块120具体用于：当电压的时间导数大于等于0、且无功电流的时间导数大于等于0时，确定轨迹点的R值为第一值；当电压的时间导数大于等于0、且无功电流的时间导数小于0时，确定轨迹点的G值为第一值；当电压的时间导数小于0、且无功电流的时间导数大于等于0时，确定轨迹点的B值为第一值；当电压的时间导数小于0、且无功电流的时间导数小于0时，确定轨迹点的R值和B值均为第一值。

需要说明的是，本申请中关于用于非侵入负荷识别的V-I轨迹生成装置的描述，请参考本申请中关于用于非侵入负荷识别的V-I轨迹生成方法的描述，具体这里不再赘述。

根据本发明实施例的用于非侵入负荷识别的V-I轨迹生成装置，通过获取模块在确定投切事件发生时，获取电压和无功电流随时间变化的初始V-I轨迹；并通过映射模块基于初始V-I轨迹获取电压的时间导数和无功电流的时间导数，并根据电压的时间导数和无功电流的时间导数将初始V-I轨迹映射至彩色空间以获得彩色V-I轨迹。由此，通过基于电压和无功电流的时间导数将初始V-I轨迹映射至彩色空间，以获得彩色V-I轨迹，从而提高了V-I轨迹的信息载量，使其能够适用于电器种类繁多的负荷识别场景，同时，形成的彩色V-I轨迹可以利用神经网络模型进行训练，有利于提高V-I轨迹对非侵入负荷识别的准确性。

本发明的实施例还提供一种计算机可读存储介质，其上存储有V-I轨迹生成程序，该V-I轨迹生成程序被处理器执行时实现如上述的V-I轨迹生成方法。

根据本发明实施例的计算机可读存储介质，通过上述的用于非侵入负荷识别的V-I轨迹生成方法，通过基于电压和无功电流的时间导数将初始V-I轨迹映射至彩色空间，以获得彩色V-I轨迹，从而提高了V-I轨迹的信息载量，使其能够适用于电器种类繁多的负荷识别场景，同时，形成的彩色V-I轨迹可以利用神经网络模型进行训练，有利于提高V-I轨迹对非侵入负荷识别的准确性。

本发明的实施例还提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的V-I轨迹生成程序，处理器执行程序时，实现如上述的V-I轨迹生成方法。

根据本发明实施例的电子设备，通过上述的用于非侵入负荷识别的V-I轨迹生成方法，通过基于电压和无功电流的时间导数将初始V-I轨迹映射至彩色空间，以获得彩色V-I轨迹，从而提高了V-I轨迹的信息载量，使其能够适用于电器种类繁多的负荷识别场景，同时，形成的彩色V-I轨迹可以利用神经网络模型进行训练，有利于提高V-I轨迹对非侵入负荷识别的准确性。

本发明的实施例还提供一种卷积神经网络，用于对第一方面实施例中的V-I轨迹生成方法生成的彩色V-I轨迹进行特征提取，如图4所示，卷积神经网络200包括：多层级残差网络210、再处理单元220和深度可分离卷积单元230。

其中，多层级残差网络210用于对输入图像进行多层级特征提取得到不同层级的特征图，并对不同层级的特征图进行拼接得到M1个特征图；再处理单元220用于对M1个特征图进行随机均匀重排、池化和拼接处理后得到M2个特征图；深度可分离卷积单元230用于对M2个特征图进行深度可分离卷积处理得到M3个特征图，其中，M1、M2和M3均为正整数。

具体地，将生成的彩色V-I轨迹图输入至多层级残差网络210，通过多层级残差网络210对彩色V-I轨迹图进行多层级特征提取以得到不同层级的特征图，并对不同层级的特征图进行拼接得到M1个特征图，再处理单元220将彩色V-I轨迹图生成的M1个特征图进行随机均匀重排、池化和拼接处理后得到M2个特征图，以及通过深度可分离卷积单元230将获得的M2个特征图进行深度可分离卷积处理，最终得到M3个特征图，用提取出的M3个特征图来训练分类模型，以获得非侵入负荷识别模型。

根据本发明实施例的卷积神经网络，通过多层级残差网络对输入图像进行多层级特征提取和拼接以获得M1个特征图，并通过在处理单元对M1个特征图进行随机均匀重排、池化和拼接处理以获得M2个特征图，以及通过深度可分离卷积单元对M2个特征图进行深度可分离卷积处理以获得M3个特征图，由此，可以实现从输入的彩色V-I轨迹图中提取出更加丰富的特征图，进一步提高了非侵入负荷识别的准确率。

在一些实施例中，多层级残差网络210包括：N个卷积单元，第1个卷积单元的输入端作为卷积神经网络的输入端，第i+1个卷积单元的输入端与第i个卷积单元的第一输出端相连，N个卷积单元用于对输入图像进行多层级特征提取得到不同层级的特征图；N-1个第一最大池化层，第i个第一最大池化层的输入端与第i个卷积单元的第二输出端相连，用于对相应卷积单元的特征图进行最大池化处理，N为大于等于2的整数且1≤i＜N；第一拼接层，第一拼接层的输入端分别与第N个卷积单元的输出端和N-1个第一最大池化层中的每个第一最大池化层的输出端相连，用于对第N个卷积单元输出的特征图和最大池化处理后的特征图进行拼接处理得到M1个特征图。可选的，N-1个第一最大池化层中的每个第一最大池化层的池化核大小均不同。

具体地，卷积单元可包括至少两个或者更多个，具体可根据实际需求选择设置，作为一个具体示例，参考图5所示，多层级残差网络210若包括3个卷积单元211，则多层级残差网络210中包括2个最大池化层212以及第一拼接层213，其中，第1个卷积单元211的输入端作为卷积神经网络的输入端，用于接收彩色V-I轨迹图像，第1个卷积单元211的第一输出端和第二输出端分别与第2个卷积单元211和第1个第一最大池化层212输入端相连，第2个卷积单元211的第一输出端和第二输出端分别与第3个卷积单元211和第2个第一最大池化层212输入端相连，第3个卷积单元211的输出端以及2个第一最大池化层212的输出端分别和第一拼接层213相连。

当多层级残差网络210工作时，3个卷积单元211用于对输入的彩色V-I轨迹图进行多层级特征提取以得到不同层级的特征图，第1个第一最大池化层212的输入端与第1个卷积单元211的第二输出端相连，可以对第1个卷积单元211形成的特征图进行最大池化处理，同理，第2个第一最大池化层212可以对第2个卷积单元211形成的特征图进行最大池化处理，由于2个第一最大池化层212具有不同大小的池化核，从而可以对相应卷积层输出的特征图中不同位置的局部特征进行整合，大大增加了输出特征的丰富度，第一拼接层213将第3个卷积单元211、第1个第一最大池化层212和第2个第一最大池化层212输出的特征图进行拼接处理，以形成M1个特征图，从而可以实现不同卷积单元所提取特征图的组合。

在一些实施例中，如图6所示，N个卷积单元中的每个卷积单元211均包括：卷积层2110、第一归一化处理层2111和ReLU激活层2112。

具体地，如图6所示，当卷积单元211工作时，每个卷积单元211的卷积层2110用于获取输入图像并进行卷积处理，第一归一化处理层2111用于将卷积处理的图像进行归一化处理，最终通过ReLU激活层2112将归一化处理的图像进行激活以形成相应的特征图。

在一些实施例中，再处理单元220包括：洗牌层、分割层、空间金字塔池化层和第二拼接层，其中，洗牌层的输入端与多层级残差网络相连，用于对M1个特征图进行洗牌处理；分割层的输入端与洗牌层的输出端相连，分割层包括K个输出端，用于对洗牌处理后的M1个特征图进行均匀随机分割处理得到K组特征图，并通过K个输出端输出，K为大于等于2的整数；空间金字塔池化层包括K-1个第二最大池化层，K-1个第二最大池化层的输入端与分割层中的第1至第K-1个输出端对应相连，用于对第1至第K-1个输出端输出的特征图进行最大池化处理；第二拼接层的输入端分别与分割层中的第K个输出端和K-1个第二最大池化层中的每个第二最大池化层的输出端相连，用于对第K个输出端输出的特征图和最大池化处理后的特征图进行拼接处理得到M2个特征图。可选的，K-1个第二最大池化层中的每个第二最大池化层的池化核大小均不同。

具体地，分割层可包括至少两个或者更多个输出端，具体可根据实际需求选择设置，作为一个具体示例，参考图7所示，分割层222若包括4个输出端，则对应的空间金字塔池化层223包括3个第二最大池化层2230，洗牌层221的输入端与多层级残差网络210相连，分割层222的输入端与洗牌层221的输出端相连，分割层222中的第1至第3个输出端分别与空间金字塔池化层223中的3个第二最大池化层2230，第二拼接层224的输入端别与分割层222中的第4个输出端和3个第二最大池化层2230中的每个第二最大池化层的输出端相连。

当再处理单元220工作时，洗牌层221用于对多层级残差网络210输入的M1个特征图进行洗牌处理，以打乱原来按层级卷积顺序分布的特征图，实现了多层级残差网络特征图的随机均匀重排，从而保证后期卷积过程中得到的特征图能够实现较为充分地信息交流和特征融合重构，分割层222的4个输出端用于对洗牌处理后的M1个特征图进行均匀随机分割处理以得到4组特征图，3个第二最大池化层2230用于对分割层222第1至第3个输出端输出的特征图进行最大池化处理，由于每个第二最大池化层的池化核大小均不同，且每个第二最大池化操作都对应来自多层级残差网络中不同卷积单元或第一最大池化层的特征，从而极大地增加了特征丰富度，同时，由于将M1个特征图分割成4组均匀的特征图，大大降低了该结构的计算量，第二拼接层224用于对分割层222的第K个输出端输出的特征图以及最大池化处理后的特征图进行拼接，以得到M2个特征图。

在一些实施例中，如图8所示，深度可分离卷积单元230包括：逐通道卷积层231、逐点卷积层232、第二归一化处理层233和ReLU激活层234，其中，逐通道卷积层231的输入端与再处理单元220相连，用于对M2个特征图进行逐通道卷积处理；逐点卷积层232的输入端与逐通道卷积层231的输出端相连，用于对逐通道卷积处理后的特征图进行逐点卷积处理；第二归一化处理层233的输入端与逐点卷积层231的输出端相连，用于对逐点卷积处理后的特征图进行归一化处理；ReLU激活层234的输入端与第二归一化处理层233的输出端相连，用于对归一化处理后的特征图进行激活处理得到M3个特征图。

具体地，当深度可分离卷积单元230工作时，通过逐通道卷积层231对在处理单元220输出的M2个特征图进行逐通道卷积处理，并通过逐点卷积层232对逐通道卷积处理后的特征图进行逐点卷积处理，以及通过第二归一化处理层233对逐点卷积处理后的特征图进行归一化处理，最终通过ReLU激活层234对归一化处理后的特征图进行激活处理以得到M3个特征图，用提取出的M3个特征图来训练分类模型，以获得非侵入负荷识别模型。

需要说明的是，如果最终提取到的M3个特征图因特征提取网络表现力不足而导致不满足使用要求，可以将图4作为一个模块进行多次重复堆叠，以提取出具有更高语意和更加丰富的特征。

综上所述，根据本发明实施例的卷积神经网络，通过多层级残差网络对输入图像进行多层级特征提取和拼接以获得M1个特征图，并通过在处理单元对M1个特征图进行随机均匀重排、池化和拼接处理以获得M2个特征图，以及通过深度可分离卷积单元对M2个特征图进行深度可分离卷积处理以获得M3个特征图，由此，可以实现从输入的彩色V-I轨迹图中提取出更加丰富的特征图，进一步提高了非侵入负荷识别的准确率。

需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备（如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***）使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (20)

1.一种用于非侵入负荷识别的V-I轨迹生成方法，其特征在于，所述方法包括：

在确定投切事件发生时，获取初始V-I轨迹，所述初始V-I轨迹为电压和无功电流随时间变化的轨迹；

基于所述初始V-I轨迹获取所述电压的时间导数和所述无功电流的时间导数；

根据所述电压的时间导数和所述无功电流的时间导数将所述初始V-I轨迹映射至彩色空间以获得彩色V-I轨迹。

2.根据权利要求1所述的V-I轨迹生成方法，其特征在于，所述方法还包括：

采集电压信号和电流信号；

对所述电压信号和所述电流信号进行傅里叶变换得到所述电压和电流；

根据所述电压和所述电流获取所述无功电流；

在所述电压和所述无功电流的变化情况满足预设条件时，确定投切事件发生。

3.根据权利要求2所述的V-I轨迹生成方法，其特征在于，在对所述电压信号和所述电流信号进行傅里叶变换得到所述电压和电流之前，所述方法还包括：

对所述电压信号和所述电流信号进行平滑处理。

4.根据权利要求3所述的V-I轨迹生成方法，其特征在于，所述对所述电压信号和所述电流信号进行平滑处理，包括：

对所述电压信号和所述电流信号进行一维卷积处理。

5.根据权利要求1-4中任一项所述的V-I轨迹生成方法，其特征在于，所述获取初始V-I轨迹，包括：

获取投切事件发生前至少一个工频周期的电压和无功电流，并获取投切事件发生后至少一个工频周期的电压和无功电流；

对所述投切事件发生前至少一个工频周期的电压和无功电流进行平均处理得到第一工频周期的电压和无功电流，并对所述投切事件发生后至少一个工频周期的电压和无功电流进行平均处理得到第二工频周期的电压和无功电流；

根据所述第一工频周期的电压和无功电流、以及所述第二工频周期的电压和无功电流生成所述初始V-I轨迹。

6.根据权利要求1-4中任一项所述的V-I轨迹生成方法，其特征在于，所述根据所述电压的时间导数和所述无功电流的时间导数将所述初始V-I轨迹映射至彩色空间以获得彩色V-I轨迹，包括：

针对所述初始V-I轨迹上的轨迹点，根据所述电压的时间导数和所述无功电流的时间导数确定所述轨迹点的R值、G值和B值；

根据所述轨迹点的R值、G值和B值生成所述彩色V-I轨迹。

7.根据权利要求6所述的V-I轨迹生成方法，其特征在于，所述根据所述电压的时间导数和所述无功电流的时间导数确定所述轨迹点的R值、G值和B值，包括：

当所述电压的时间导数大于等于0、且所述无功电流的时间导数大于等于0时，确定所述轨迹点的R值为第一值；

当所述电压的时间导数大于等于0、且所述无功电流的时间导数小于0时，确定所述轨迹点的G值为所述第一值；

当所述电压的时间导数小于0、且所述无功电流的时间导数大于等于0时，确定所述轨迹点的B值为所述第一值；

当所述电压的时间导数小于0、且所述无功电流的时间导数小于0时，确定所述轨迹点的R值和B值均为所述第一值。

8.一种用于非侵入负荷识别的V-I轨迹生成装置，其特征在于，所述装置包括：

获取模块，用于在确定投切事件发生时，获取初始V-I轨迹，所述初始V-I轨迹为电压和无功电流随时间变化的轨迹；

映射模块，用于基于所述初始V-I轨迹获取所述电压的时间导数和所述无功电流的时间导数，并根据所述电压的时间导数和所述无功电流的时间导数将所述初始V-I轨迹映射至彩色空间以获得彩色V-I轨迹。

9.根据权利要求8所述的V-I轨迹生成装置，其特征在于，所述获取模块具体用于：

获取投切事件发生前至少一个工频周期的电压和无功电流，并获取投切事件发生后至少一个工频周期的电压和无功电流；

对所述投切事件发生前至少一个工频周期的电压和无功电流进行平均处理得到第一工频周期的电压和无功电流，并对所述投切事件发生后至少一个工频周期的电压和无功电流进行平均处理得到第二工频周期的电压和无功电流；

根据所述第一工频周期的电压和无功电流、以及所述第二工频周期的电压和无功电流生成所述初始V-I轨迹。

10.根据权利要求8或9所述的V-I轨迹生成装置，其特征在于，所述映射模块具体用于：

针对所述初始V-I轨迹上的轨迹点，根据所述电压的时间导数和所述无功电流的时间导数确定所述轨迹点的R值、G值和B值；

根据所述轨迹点的R值、G值和B值生成所述彩色V-I轨迹。

11.根据权利要求10所述的V-I轨迹生成装置，其特征在于，所述映射模块具体用于：

当所述电压的时间导数大于等于0、且所述无功电流的时间导数大于等于0时，确定所述轨迹点的R值为第一值；

当所述电压的时间导数大于等于0、且所述无功电流的时间导数小于0时，确定所述轨迹点的G值为所述第一值；

当所述电压的时间导数小于0、且所述无功电流的时间导数大于等于0时，确定所述轨迹点的B值为所述第一值；

当所述电压的时间导数小于0、且所述无功电流的时间导数小于0时，确定所述轨迹点的R值和B值均为所述第一值。

12.一种计算机可读存储介质，其特征在于，其上存储有V-I轨迹生成程序，该V-I轨迹生成程序被处理器执行时实现权利要求1-7中任一项所述的V-I轨迹生成方法。

13.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的V-I轨迹生成程序，所述处理器执行所述程序时，实现权利要求1-7中任一项所述的V-I轨迹生成方法。

14.一种卷积神经网络，其特征在于，用于对基于权利要求1-7中任一项所述的V-I轨迹生成方法生成的彩色V-I轨迹进行特征提取，所述网络包括：

多层级残差网络，用于对输入图像进行多层级特征提取得到不同层级的特征图，并对所述不同层级的特征图进行拼接得到M1个特征图；

再处理单元，用于对所述M1个特征图进行随机均匀重排、池化和拼接处理后得到M2个特征图；

深度可分离卷积单元，用于对所述M2个特征图进行深度可分离卷积处理得到M3个特征图，其中，M1、M2和M3均为正整数。

15.根据权利要求14所述的卷积神经网络，其特征在于，所述多层级残差网络包括：

N个卷积单元，第1个卷积单元的输入端作为所述卷积神经网络的输入端，第i+1个卷积单元的输入端与第i个卷积单元的第一输出端相连，所述N个卷积单元用于对所述输入图像进行多层级特征提取得到不同层级的特征图；

N-1个第一最大池化层，第i个第一最大池化层的输入端与所述第i个卷积单元的第二输出端相连，用于对相应卷积单元的特征图进行最大池化处理，N为大于等于2的整数且1≤i＜N；

第一拼接层，所述第一拼接层的输入端分别与第N个卷积单元的输出端和所述N-1个第一最大池化层中的每个第一最大池化层的输出端相连，用于对所述第N个卷积单元输出的特征图和最大池化处理后的特征图进行拼接处理得到所述M1个特征图。

16.根据权利要求15所述的卷积神经网络，其特征在于，所述N个卷积单元中的每个卷积单元均包括：卷积层、第一归一化处理层和ReLU激活层。

17.根据权利要求15所述的卷积神经网络，其特征在于，所述N-1个第一最大池化层中的每个第一最大池化层的池化核大小均不同。

18.根据权利要求14所述的卷积神经网络，其特征在于，所述再处理单元包括：

洗牌层，所述洗牌层的输入端与所述多层级残差网络相连，用于对所述M1个特征图进行洗牌处理；

分割层，所述分割层的输入端与所述洗牌层的输出端相连，所述分割层包括K个输出端，用于对洗牌处理后的M1个特征图进行均匀随机分割处理得到K组特征图，并通过所述K个输出端输出，K为大于等于2的整数；

空间金字塔池化层，所述空间金字塔池化层包括K-1个第二最大池化层，所述K-1个第二最大池化层的输入端与所述分割层中的第1至第K-1个输出端对应相连，用于对所述第1至第K-1个输出端输出的特征图进行最大池化处理；

第二拼接层，所述第二拼接层的输入端分别与所述分割层中的第K个输出端和所述K-1个第二最大池化层中的每个第二最大池化层的输出端相连，用于对所述第K个输出端输出的特征图和最大池化处理后的特征图进行拼接处理得到所述M2个特征图。

19.根据权利要求18所述的卷积神经网络，其特征在于，所述K-1个第二最大池化层中的每个第二最大池化层的池化核大小均不同。

20.根据权利要求14所述的卷积神经网络，其特征在于，所述深度可分离卷积单元包括：

逐通道卷积层，所述逐通道卷积层的输入端与所述再处理单元相连，用于对所述M2个特征图进行逐通道卷积处理；

逐点卷积层，所述逐点卷积层的输入端与所述逐通道卷积层的输出端相连，用于对逐通道卷积处理后的特征图进行逐点卷积处理；

第二归一化处理层，所述第二归一化处理层的输入端与所述逐点卷积层的输出端相连，用于对逐点卷积处理后的特征图进行归一化处理；

ReLU激活层，所述ReLU激活层的输入端与所述第二归一化处理层的输出端相连，用于对归一化处理后的特征图进行激活处理得到所述M3个特征图。

Images