CN117039840A - 一种基于特征自动增强的家用负荷识别方法及*** - Google Patents
一种基于特征自动增强的家用负荷识别方法及*** Download PDFInfo
- Publication number
- CN117039840A CN117039840A CN202310759240.9A CN202310759240A CN117039840A CN 117039840 A CN117039840 A CN 117039840A CN 202310759240 A CN202310759240 A CN 202310759240A CN 117039840 A CN117039840 A CN 117039840A
- Authority
- CN
- China
- Prior art keywords
- load
- probability
- model
- current
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000005611 electricity Effects 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims description 35
- 239000000203 mixture Substances 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 235000013421 Kaempferia galanga Nutrition 0.000 description 1
- 244000062241 Kaempferia galanga Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力负荷技术领域,具体涉及一种基于特征自动增强的家用负荷识别方法及***。本发明提出一种基于特征自动增强的负荷识别方法及***,采集用电负荷的电气和运行信息并进行记录,输入到负荷特征生成模块,生成VI轨迹和专家特征,形成并划分负荷特征数据集,对特征增强与识别模型进行训练,并利用训练好的模型进行负荷识别,得到初步的识别结果,利用负荷运行信息生成用电概率模型,对负荷识别结果进行校正,得到负荷识别的最终结果。针对目前家用负荷识别领域识别精度低、方法鲁棒性差的问题,本发明通过设计特征自适应增强网络,在较小计算量的前提下有效增强负荷特征的表征能力,从而提高负荷在复杂用电环境下的准确率。
Description
技术领域
本发明属于电力负荷技术领域,具体涉及一种基于特征自动增强的家用负荷识别方法及***。
背景技术
实现用电侧的高效安全用电成为电网发展的重要课题。负荷识别技术作为用电智能感知技术中的重要部分,能够通过对智能终端收集得到的用户电气信号进行挖掘和分析,以得到居民用户详细的用电信息,对用户侧参与需求响应、家庭能量管理和危险用电预警等方面都具有重要作用。在需求响应方面,负荷识别技术有助于识别电网中的电器类型和用电需求,从而实现对电力***的实时监测和优化。通过对用电需求的精确把握,电力***可以实现更高效的能源调度和分配,降低碳排放并推动能源转型;在家庭能量管理方面,负荷识别技术可以帮助用户了解家庭用电设备的用电情况和用电效率,从而指导用户实施节能措施,提高家庭能源利用率。通过优化家庭能源消耗,同时降低能源成本,提高生活质量;在危险用电预警方面,负荷识别技术能够实时监测电器的运行状况,及时发现异常用电现象,从而预防潜在的安全隐患。这不仅有助于保障人们的生命财产安全,还可以避免因用电事故导致的电力资源浪费和环境污染。
在负荷识别领域中,出现了较多将电气信号图像化的方式进行识别的方法,并取得了良好的效果。如文献《基于V-I轨迹颜色编码的非侵入式负荷识别方法》构建了三通道彩色VI轨迹图像,并使用Alexnet网络实现负荷的识别;文献《Temporal and SpectralFeature LearningWith Two-Stream Convolutional Neural Networks for ApplianceRecognition in NILM》采用改进格拉姆角场的方法分别从时域、频域对单体负荷波形进行图像化,并使用双流神经网络进行负荷识别;文献《Adaptive Weighted RecurrenceGraphs forAppliance Recognition in Non-Intrusive Load Monitoring》利用负荷数据构造自适应加权递归图实现识别。然而,总体来说,当前负荷识别方法仍存在识别精度和泛化性复杂,识别模型复杂,实用性较低等问题。因此,可以考虑采取特征增强的方法,对提取的负荷特征进行自适应的特征增强,使识别网络关注到特征的重要部分,则可能进一步提高负荷的识别精度。
基于此,本专利提出一种基于特征自动增强的负荷识别***与方法,通过设计特征自动增强的编码器网络,利用专家电气特征生成自适应特征增强矩阵,对VI轨迹图像进行特征增强,提高模型的识别性能。同时,根据负荷运行信息设计分类校正模块,根据负荷的运行规律和使用特点对识别结果进行校验,进一步完善负荷识别的判别逻辑。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:提供一种基于特征自动增强的家用负荷识别方法,通过设计特征自适应增强网络对负荷特征进行增强,并构建分类校正模块对运行规律与识别类型相悖的负荷进行识别校正,解决了复杂用电环境下的负荷类型的表征能力低,识别准确率差的问题。
为解决上述技术问题,本发明提供如下技术方案:一种基于特征自动增强的家用负荷识别方法,包括:采集用负荷的运行信息,并对采集的运行信息进行记录;将采集到的运行信息输入到负荷特征生成模块,生成VI轨迹图像特征和专家电气特征,形成并划分用电负荷特征数据集;对采集的运行信息进行分类校正,生成用电概率模型,进行概率推算,得到负荷识别的最终结果。
作为本发明所述的基于特征自动增强的家用负荷识别方法的一种优选方案,其中:所述运行信息包括,已知负荷的电压、电流信号,并记录信号采集的时段、采样终端的位置、负荷运行的时长运行信息;
所述负荷的电压、电流信号包括,采样频率大于6.4kHz,采样周期大于10个工频周期的负荷稳态电压、电流数据。
作为本发明所述的基于特征自动增强的家用负荷识别方法的一种优选方案,其中:所述VI轨迹图像特征包括,负荷电压、电流轨迹形成的图像特征,构建方法表示为:
对负荷电压、电流波形进行归一化处理:
其中,Umax、Imax为一个周波内电压、电流的最大值,Umin、Imin为一个周波内电压、电流的最小值;
以分辨率k构建k×k的零矩阵M,将归一化后的电压电流/>乘以分辨率k后向下取整,以电流值为行,以电压值为列,对矩阵M的相应位置进行填充。
作为本发明所述的基于特征自动增强的家用负荷识别方法的一种优选方案,其中:所述专家电气特征包括,根据负荷电压、电流数据计算得到的手工特征;
所述手工特征包括电流峰峰值、电流有效值、有功功率值、无功功率值、电流谐波畸变率、电流波形系数、第1、3、5次电流谐波的幅值与相位;
电流谐波信息由FFT计算得来,电流峰峰值Ipp计算,表示为:
Ipp=max{i}-min{i}
max{i}为采样样本的电流周波中的最大值,min{i}为采样样本的电流周波中的最小值;
电流有效值Irms计算,表示为:
其中,in为电流波形中第n个采样点的瞬时值;
有功功率P计算,表示为:
其中,vn为电压波形中第n个采样点的瞬时值;
有功功率S计算,表示为:
无功功率Q计算,表示为:
其中,un为电压波形中第n个采样点的瞬时值;
功率因数PF计算,表示为:
电流谐波畸变率ITHD计算,表示为:
电流波形系数Iwave计算,表示为:
其中,N为一个工频周期内的采样次数。
作为本发明所述的基于特征自动增强的家用负荷识别方法的一种优选方案,其中:所述划分用电负荷特征数据集包括,将生成的用电负荷特征数据集划分为训练集和验证集,训练和调整特征自动增强与识别模块参数,当模型在验证集中的准确率达到阈值时,停止模型训练;
特征增强网络与负荷识别网络采取整体训练的方式,采用交叉熵损失函数作为特征增强网络与负荷识别网络的损失函数对模型进行训练,表示为:
其中,L为样本总数,M为样本类别数量,yic为符号函数,若样本i的预测类别与真实类别相同则取1,若不相同则为0,pic为样本i属于类别c的概率。
作为本发明所述的基于特征自动增强的家用负荷识别方法的一种优选方案,其中:所述用电概率模型包括,具体构建步骤如下,
将已知负荷按类型分类,并将一天按照小时分为24个时段,统计各类型负荷在不同时段的用电概率,并用混合高斯模型拟合用电时段概率曲线,得到类型c负荷的用电时段模型,表示为:
其中,n为高斯模型的个数,参数θ1包含均值μ1,…,μn与标准差σ1,…,σn;
通过混合高斯模型拟合出各类型负荷的用电时长概率曲线,将类型c负荷的用电时长概率模型表示为φ2c(x|θ2);
对于家庭环境,将用电位置划分为:客厅与卧室、餐厅、浴室3部分,将各类型负荷出现在各环境的频率视为概率,得到各类型负荷在不同位置出现的概率模型,将类型c负荷的用电位置概率模型表示为φ3c(x|θ3);
对于识别为类型c的负荷x,根据采集的用电时段、用电时长和用电位置,计算得到其属于类型c的概率,表示为:
P(x∈c)=φ1c(x|θ1)·φ2c(x|θ2)·φ3c(x|θ3)
其中φ1c为类型c负荷的用电时段混合高斯概率模型、θ1为φ1c的模型参数、φ2c为类型c负荷的用电时长混合高斯概率模型、θ2为φ2c的模型参数、φ3c为类型c负荷的用电位置概率模型、θ3为φ3c的模型参数。
将待判别负荷生成的概率与已知的同类型负荷生成的概率一同归一化,得到最终分类校正模块输出的属于各类型的概率,表示为:
其中,P'表示待判别负荷归一化后的概率值,P表示待判别负荷原始概率值,Pmax表示所有同类型负荷生成概率中的最大值。
作为本发明所述的基于特征自动增强的家用负荷识别方法的一种优选方案,其中:所述混合高斯模型包括,拟合方法为最大期望算法,所述高斯模型的个数k的确定方法为,设定k的选择区间[kmin,kmax],依次选择kmin至kmax的高斯模型个数进行拟合,选择拟合结果的相关系数r最大时的高斯模型个数作为选择的高斯模型个数k,相关系数r的计算公式,表示为:
其中,n为序列长度,x为实际负荷信息数据分布,y为混合高斯模型拟合概率曲线,为实际负荷信息数据分布的均值,/>为混合高斯模型拟合概率曲线的均值。
本发明的另外一个目的是提供一种基于特征自动增强的家用负荷识别***,其能通过设计特征自适应增强网络对负荷特征进行增强,并构建分类校正模块对运行规律与识别类型相悖的负荷进行识别校正,解决了复杂用电环境下的负荷类型的表征能力低,识别准确率差的问题。
为解决上述技术问题,本发明提供如下技术方案:一种基于特征自动增强的家用负荷识别***,包括负荷信息采集模块、负荷特征生成模块、特征自动增强与识别模块、分类校正模块;
所述负荷信息采集模块用于采集家用负荷的运行信息;
所述负荷特征生成模块用于生成VI轨迹图像特征和专家电气特征,形成用电负荷特征数据集;
所述特征自动增强与识别模块用于将手工提取的电气特征和VI轨迹图像特征进行融合,得到经过特征增强的特征,并输入到分类网络中实现对不同负荷类型的自动识别;
所述分类校正模块采用已有负荷的信号采集时段信息、运行位置信息和运行时长信息建立不同类型负荷的用电概率模型,进而根据待识别负荷的信息对其属于特征自动增强与识别模块判别结果进行概率推算。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现一种基于特征自动增强的家用负荷识别方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现一种基于特征自动增强的家用负荷识别方法的步骤。
本发明的有益效果:本发明提出一种基于特征自动增强的负荷识别方法及***,针对目前家用负荷识别领域识别精度低、方法鲁棒性差的问题,通过设计特征自适应增强网络对负荷特征进行增强,并构建分类校正模块对运行规律与识别类型相悖的负荷进行识别校正,本发明能够在较小计算量的前提下有效增强特征对于负荷类型的表征能力,并进一步提高负荷在复杂用电环境下的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的一种基于特征自动增强的家用负荷识别方法的流程图;
图2为本发明一个实施例提供的一种基于特征自动增强的家用负荷识别方法的特征增强网络和负荷识别网络的结构图;
图3为本发明一个实施例提供的一种基于特征自动增强的家用负荷识别***的整体结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1和图2,为本发明的一个实施例,提供了一种基于特征自动增强的家用负荷识别方法,包括:
采集用负荷的运行信息,并对采集的运行信息进行记录;
将采集到的运行信息输入到负荷特征生成模块,生成VI轨迹图像特征和专家电气特征,形成并划分用电负荷特征数据集;
对采集的运行信息进行分类校正,生成用电概率模型,进行概率推算,得到负荷识别的最终结果。
S1:采集用负荷的运行信息,并对采集的运行信息进行记录;
更进一步的,所述运行信息包括,已知负荷的电压、电流信号,并记录信号采集的时段、采样终端的位置、负荷运行的时长运行信息;
所述负荷的电压、电流信号包括,采样频率大于6.4kHz,采样周期大于10个工频周期的负荷稳态电压、电流数据。
应当说明的是,采样频率大于6.4kHz是为了减小采样得到的电流波形的失真率,使采样波形充分包含负荷信息,采样周期大于10个工频周期是为了充分获取负荷的稳态波形数据,使有足够的负荷数据供识别模型学习。
应当说明的还有,家用电器负荷的电流波形通常包含丰富的高频成分,如开关电源产生的高频脉冲等。如果采样频率太低,无法捕捉这些高频成分,会导致采样得到的电流波形失真严重,丢失大量负荷信息,影响识别精度,通常,采样定理要求采样频率至少是信号中最高频率的2倍。家用电器的开关电源波形的主要高频成分在3kHz以上,所以选择6.4kHz作为最低采样频率,可以较好地保证采样波形不失真,获取更丰富的负荷特征信息。
应当说明的还有,家用电器的电压、电流波形在启动瞬间会产生较大幅度的变化,之后会趋于稳定。如果采样周期太短,很可能捕捉到的主要是启动瞬变过程中的波形,而错过稳态波形,这会降低识别模型学习到的负荷特征的代表性,选择10个工频周期(1/50Hz=20ms)作为最小采样周期,可以确保获取到电器运行稳态下的典型波形,这些稳态波形包含的负荷特征信息较丰富,有利于提高识别精度。综上,高采样频率可以获取更丰富的负荷高频特征,长采样周期可以获取更具有代表性的稳态负荷特征,二者结合可以获取包含丰富负荷信息的采样波形,为提高负荷识别精度提供有利条件。
S2:将采集到的运行信息输入到负荷特征生成模块,生成VI轨迹图像特征和专家电气特征,形成并划分用电负荷特征数据集;
更进一步的,所述VI轨迹图像特征包括,负荷电压、电流轨迹形成的图像特征,构建方法表示为:
对负荷电压、电流波形进行归一化处理:
其中,Umax、Imax为一个周波内电压、电流的最大值,Umin、Imin为一个周波内电压、电流的最小值;
以分辨率k构建k×k的零矩阵M,将归一化后的电压电流/>乘以分辨率k后向下取整,以电流值为行,以电压值为列,对矩阵M的相应位置进行填充。
更进一步的,所述专家电气特征包括,根据负荷电压、电流数据计算得到的手工特征;
所述手工特征包括电流峰峰值、电流有效值、有功功率值、无功功率值、电流谐波畸变率、电流波形系数、第1、3、5次电流谐波的幅值与相位;
电流谐波信息由FFT计算得来,电流峰峰值Ipp计算,表示为:
Ipp=max{i}-min{i}
max{i}为采样样本的电流周波中的最大值,min{i}为采样样本的电流周波中的最小值;
电流有效值Irms计算,表示为:
其中,in为电流波形中第n个采样点的瞬时值;
有功功率P计算,表示为:
其中,vn为电压波形中第n个采样点的瞬时值;
有功功率S计算,表示为:
无功功率Q计算,表示为:
其中,un为电压波形中第n个采样点的瞬时值;
功率因数PF计算,表示为:
电流谐波畸变率ITHD计算,表示为:
电流波形系数Iwave计算,表示为:
其中,N为一个工频周期内的采样次数。
更进一步的,所述划分用电负荷特征数据集包括,将生成的用电负荷特征数据集划分为训练集和验证集,训练和调整特征自动增强与识别模块参数,当模型在验证集中的准确率达到阈值时,停止模型训练;
特征增强网络与负荷识别网络采取整体训练的方式,采用交叉熵损失函数作为特征增强网络与负荷识别网络的损失函数对模型进行训练,表示为:
其中,L为样本总数,M为样本类别数量,yic为符号函数,若样本i的预测类别与真实类别相同则取1,若不相同则为0,pic为样本i属于类别c的概率。
S3:对采集的运行信息进行分类校正,生成用电概率模型,进行概率推算,得到负荷识别的最终结果。
更进一步的,所述用电概率模型包括,具体构建步骤如下,
将已知负荷按类型分类,并将一天按照小时分为24个时段,统计各类型负荷在不同时段的用电概率,并用混合高斯模型拟合用电时段概率曲线,得到类型c负荷的用电时段模型,表示为:
其中,n为高斯模型的个数,参数θ1包含均值μ1,…,μn与标准差σ1,…,σn;
通过混合高斯模型拟合出各类型负荷的用电时长概率曲线,将类型c负荷的用电时长概率模型表示为φ2c(x|θ2);
对于家庭环境,将用电位置划分为:客厅与卧室、餐厅、浴室3部分,将各类型负荷出现在各环境的频率视为概率,得到各类型负荷在不同位置出现的概率模型,将类型c负荷的用电位置概率模型表示为φ3c(x|θ3);
对于识别为类型c的负荷x,根据采集的用电时段、用电时长和用电位置,计算得到其属于类型c的概率,表示为:
P(x∈c)=φ1c(x|θ1)·φ2c(x|θ2)·φ3c(x|θ3)
其中φ1c为类型c负荷的用电时段混合高斯概率模型、θ1为φ1c的模型参数、φ2c为类型c负荷的用电时长混合高斯概率模型、θ2为φ2c的模型参数、φ3c为类型c负荷的用电位置概率模型、θ3为φ3c的模型参数。
将待判别负荷生成的概率与已知的同类型负荷生成的概率一同归一化,得到最终分类校正模块输出的属于各类型的概率,表示为:
其中,P'表示待判别负荷归一化后的概率值,P表示待判别负荷原始概率值,Pmax表示所有同类型负荷生成概率中的最大值。
更进一步的,所述混合高斯模型包括,拟合方法为最大期望算法,所述高斯模型的个数k的确定方法为,设定k的选择区间[kmin,kmax],依次选择kmin至kmax的高斯模型个数进行拟合,选择拟合结果的相关系数r最大时的高斯模型个数作为选择的高斯模型个数k,相关系数r的计算公式,表示为:
其中,n为序列长度,x为实际负荷信息数据分布,y为混合高斯模型拟合概率曲线,x为实际负荷信息数据分布的均值,y为混合高斯模型拟合概率曲线的均值。
实施例2
本发明第二个实施例,其不同于前一个实施例的是:
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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。
实施例3
参照图3,为本发明的第三个实施例,该实施例提供了一种基于特征自动增强的家用负荷识别***,包括负荷信息采集模块、负荷特征生成模块、特征自动增强与识别模块、分类校正模块;
所述负荷信息采集模块用于采集家用负荷的运行信息;
所述负荷特征生成模块用于生成VI轨迹图像特征和专家电气特征,形成用电负荷特征数据集;
所述特征自动增强与识别模块用于将手工提取的电气特征和VI轨迹图像特征进行融合,得到经过特征增强的特征,并输入到分类网络中实现对不同负荷类型的自动识别;
所述分类校正模块采用已有负荷的信号采集时段信息、运行位置信息和运行时长信息建立不同类型负荷的用电概率模型,进而根据待识别负荷的信息对其属于特征自动增强与识别模块判别结果进行概率推算。
实施例4
本发明第四个实施例,提供了一种基于特征自动增强的家用负荷识别方法,为了验证本发明的有益效果,通过经济效益计算和实验进行科学论证。
以下部分为本发明的一个实施例,该实施例提供了一种基于特征自动增强的家用负荷识别方法,包括:
S1、利用负荷信息采集模块以10kHz的采样频率分别采集热水壶、电吹风、笔记本电脑等11种家用电器的100组电压、电流波形,并记录信号采集的时段、采样终端的位置、负荷运行的时长等运行信息;
S2、将采集到的负荷电压、电流信号输入负荷特征生成模块,对电压、电流归一化后生成分辨率为32×32的VI轨迹图像特征,并计算生成专家电气特征,形成样本数为1100的用电负荷特征数据集;
S3、将生成的用电负荷特征数据集按4:1划分为训练集和验证集,用于训练和调整特征自动增强与识别模块参数。特征增强网络由4层全连接层,一层注意力层和1层卷积层,1层反卷积层组成;负荷识别网络为LeNet-5网络,模型的整体结构如图3所示。图中全连接层括号内数值表示为输入特征长度与输出特征长度,卷积层的括号内数值分别表示卷积核尺寸和卷积步长,反卷积层的括号内数值表示为反卷积核尺寸和反卷积步长,池化层的括号内数值表示为池化核尺寸和池化步长,dropout层括号内数值表示为每条神经元连接被舍弃的概率。模型训练中batch_size设置为32,采用RMSProp优化器基于反向传播算法最小化损失函数,实现对模型参数的迭代更新。当模型在验证集中的准确率达到99%时,则停止模型训练;
S4、将已知负荷的运行信息输入分类校正模块,得到该负荷属于各类型的概率。当算得该负荷属于特征自动增强与识别模块判别类型的概率小于0.5时,将分类校正模块输出的概率分布与特征自动增强与识别模块输出的概率分布相乘,选取概率最大的类型作为负荷识别的最终结果;
S5、利用***各模块实现负荷识别。将待识别的负荷依次经过负荷信息采集模块、负荷特征生成模块、特征自动增强与识别模块和分类校正模块,即可实现对负荷类型的识别。
本发明以原始VI轨迹特征+LeNet-5网络、专家电气特征+支持向量机、VI轨迹+Alexnet网络3种方法作为对比组,对本发明算法的识别效果进行验证,具体结果如表1所示。
表1
由实验结果可见,本发明特征自动增强算法有效增强了VI轨迹特征对于负荷类型的表征能力,进而有效提升了负荷识别的效果,且对比其它基线模型也具有更高的识别准确率。同时在不同的用电场景中,本发明模型相较其它方法都具有最佳的识别精度,证明本发明方法能够在不同、复杂用电环境中保证识别性能,具有良好的鲁棒性。
本发明提出一种基于特征自动增强的负荷识别***与方法,针对目前家用负荷识别领域识别精度低、方法鲁棒性差的问题,通过设计特征自适应增强网络对负荷特征进行增强,并构建分类校正模块对运行规律与识别类型相悖的负荷进行识别校正,本发明能够在较小计算量的前提下有效增强特征对于负荷类型的表征能力,并进一步提高负荷在复杂用电环境下的准确率。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围。
Claims (10)
1.一种基于特征自动增强的家用负荷识别方法,其特征在于:包括,
采集用负荷的运行信息,并对采集的运行信息进行记录;
将采集到的运行信息输入到负荷特征生成模块,生成VI轨迹图像特征和专家电气特征,形成并划分用电负荷特征数据集;
对采集的运行信息进行分类校正,生成用电概率模型,进行概率推算,得到负荷识别的最终结果。
2.如权利要求1所述的一种基于特征自动增强的家用负荷识别方法,其特征在于:所述运行信息包括,已知负荷的电压、电流信号,并记录信号采集的时段、采样终端的位置、负荷运行的时长运行信息。
3.如权利要求2所述的一种基于特征自动增强的家用负荷识别方法,其特征在于:所述VI轨迹图像特征包括,负荷电压、电流轨迹形成的图像特征,构建方法表示为:
对负荷电压、电流波形进行归一化处理:
其中,Umax、Imax为一个周波内电压、电流的最大值,Umin、Imin为一个周波内电压、电流的最小值;
以分辨率k构建k×k的零矩阵M,将归一化后的电压电流/>乘以分辨率k后向下取整,以电流值为行,以电压值为列,对矩阵M的相应位置进行填充。
4.如权利要求3所述的一种基于特征自动增强的家用负荷识别方法,其特征在于:所述专家电气特征包括,根据负荷电压、电流数据计算得到的手工特征;
所述手工特征包括电流峰峰值、电流有效值、有功功率值、无功功率值、电流谐波畸变率、电流波形系数、第1、3、5次电流谐波的幅值与相位;
电流谐波信息由FFT计算得来,电流峰峰值Ipp计算,表示为:
Ipp=max{i}-min{i}
max{i}为采样样本的电流周波中的最大值,min{i}为采样样本的电流周波中的最小值;
电流有效值Irms计算,表示为:
其中,in为电流波形中第n个采样点的瞬时值;
有功功率P计算,表示为:
其中,vn为电压波形中第n个采样点的瞬时值;
有功功率S计算,表示为:
无功功率Q计算,表示为:
其中,un为电压波形中第n个采样点的瞬时值;
功率因数PF计算,表示为:
电流谐波畸变率ITHD计算,表示为:
电流波形系数Iwave计算,表示为:
其中,N为一个工频周期内的采样次数。
5.如权利要求4所述的一种基于特征自动增强的家用负荷识别方法,其特征在于:所述划分用电负荷特征数据集包括,将生成的用电负荷特征数据集划分为训练集和验证集,训练和调整特征自动增强与识别模块参数,当模型在验证集中的准确率达到阈值时,停止模型训练;
特征增强网络与负荷识别网络采取整体训练的方式,采用交叉熵损失函数作为特征增强网络与负荷识别网络的损失函数对模型进行训练,表示为:
其中,L为样本总数,M为样本类别数量,yic为符号函数,若样本i的预测类别与真实类别相同则取1,若不相同则为0,pic为样本i属于类别c的概率。
6.如权利要求5所述的一种基于特征自动增强的家用负荷识别方法,其特征在于:所述用电概率模型包括,具体构建步骤如下,
将已知负荷按类型分类,并将一天按照小时分为24个时段,统计各类型负荷在不同时段的用电概率,并用混合高斯模型拟合用电时段概率曲线,得到类型c负荷的用电时段模型,表示为:
其中,n为高斯模型的个数,参数θ1包含均值μ1,…,μn与标准差σ1,…,σn;
通过混合高斯模型拟合出各类型负荷的用电时长概率曲线,将类型c负荷的用电时长概率模型表示为φ2c(x|θ2);
对于家庭环境,将用电位置划分为客厅与卧室、餐厅、浴室,将各类型负荷出现在各环境的频率视为概率,得到各类型负荷在不同位置出现的概率模型,将类型c负荷的用电位置概率模型表示为φ3c(x|θ3);
对于识别为类型c的负荷x,根据采集的用电时段、用电时长和用电位置,计算得到其属于类型c的概率,表示为:
P(x∈c)=φ1c(x|θ1)·φ2c(x|θ2)·φ3c(x|θ3)
其中φ1c为类型c负荷的用电时段混合高斯概率模型、θ1为φ1c的模型参数、φ2c为类型c负荷的用电时长混合高斯概率模型、θ2为φ2c的模型参数、φ3c为类型c负荷的用电位置概率模型、θ3为φ3c的模型参数;
将待判别负荷生成的概率与已知的同类型负荷生成的概率一同归一化,得到最终分类校正模块输出的属于各类型的概率,表示为:
其中,P'表示待判别负荷归一化后的概率值,P表示待判别负荷原始概率值,Pmax表示所有同类型负荷生成概率中的最大值。
7.如权利要求6所述的一种基于特征自动增强的家用负荷识别方法,其特征在于:所述混合高斯模型包括,拟合方法为最大期望算法,所述高斯模型的个数k的确定方法为,设定k的选择区间[kmin,kmax],依次选择kmin至kmax的高斯模型个数进行拟合,选择拟合结果的相关系数r最大时的高斯模型个数作为选择的高斯模型个数k,相关系数r的计算公式,表示为:
其中,n为序列长度,x为实际负荷信息数据分布,y为混合高斯模型拟合概率曲线,为实际负荷信息数据分布的均值,/>为混合高斯模型拟合概率曲线的均值。
8.一种采用如权利要求1~7任一所述的一种基于特征自动增强的家用负荷识别方法的***,其特征在于:包括负荷信息采集模块、负荷特征生成模块、特征自动增强与识别模块、分类校正模块;
所述负荷信息采集模块用于采集家用负荷的运行信息;
所述负荷特征生成模块用于生成VI轨迹图像特征和专家电气特征,形成用电负荷特征数据集;
所述特征自动增强与识别模块用于将手工提取的电气特征和VI轨迹图像特征进行融合,得到经过特征增强的特征,并输入到分类网络中实现对不同负荷类型的自动识别;
所述分类校正模块采用已有负荷的信号采集时段信息、运行位置信息和运行时长信息建立不同类型负荷的用电概率模型,进而根据待识别负荷的信息对其属于特征自动增强与识别模块判别结果进行概率推算。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310759240.9A CN117039840A (zh) | 2023-06-26 | 2023-06-26 | 一种基于特征自动增强的家用负荷识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310759240.9A CN117039840A (zh) | 2023-06-26 | 2023-06-26 | 一种基于特征自动增强的家用负荷识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117039840A true CN117039840A (zh) | 2023-11-10 |
Family
ID=88634283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310759240.9A Pending CN117039840A (zh) | 2023-06-26 | 2023-06-26 | 一种基于特征自动增强的家用负荷识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117039840A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333724A (zh) * | 2023-11-28 | 2024-01-02 | 天津滨电电力工程有限公司 | 一种基于多特征融合图像的非侵入式负荷辨识方法 |
-
2023
- 2023-06-26 CN CN202310759240.9A patent/CN117039840A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333724A (zh) * | 2023-11-28 | 2024-01-02 | 天津滨电电力工程有限公司 | 一种基于多特征融合图像的非侵入式负荷辨识方法 |
CN117333724B (zh) * | 2023-11-28 | 2024-02-27 | 天津滨电电力工程有限公司 | 一种基于多特征融合图像的非侵入式负荷辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Angelis et al. | NILM applications: Literature review of learning approaches, recent developments and challenges | |
Sirojan et al. | Deep neural network based energy disaggregation | |
CN110514889A (zh) | 一种非侵入式家庭用电负载识别的方法及*** | |
CN109245099A (zh) | 一种电力负荷辨识方法、装置、设备及可读存储介质 | |
Devlin et al. | Non-intrusive load monitoring using electricity smart meter data: A deep learning approach | |
CN109345409A (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
CN110119545B (zh) | 一种基于栈式自编码器的非侵入式电力负荷识别方法 | |
CN110416995B (zh) | 一种非侵入式负荷分解方法和装置 | |
CN117039840A (zh) | 一种基于特征自动增强的家用负荷识别方法及*** | |
CN109470957B (zh) | 一种基于弗雷歇距离的非侵入式电器识别方法 | |
TWI526852B (zh) | 基於電器使用狀態的人數計算方法及其監控系統 | |
CN111563827B (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
Dash et al. | An appliance load disaggregation scheme using automatic state detection enabled enhanced integer programming | |
Anderson | Non-intrusive load monitoring: Disaggregation of energy by unsupervised power consumption clustering | |
Jiao et al. | A context-aware multi-event identification method for nonintrusive load monitoring | |
TWI492182B (zh) | 電器負載辨識方法 | |
CN114444539A (zh) | 电力负荷识别方法、装置、设备、介质和程序产品 | |
CN117172589A (zh) | 一种行业典型用户电力需求响应潜力评估方法 | |
CN112085111A (zh) | 一种负荷辨识方法和装置 | |
CN113762355A (zh) | 一种基于非侵入式负荷分解的用户异常用电行为检测方法 | |
CN115983347A (zh) | 一种非侵入式负荷分解方法、装置及存储介质 | |
CN111898694A (zh) | 一种基于随机树分类的非入侵式负荷识别方法及装置 | |
CN115932435A (zh) | 一种基于低频采集信号的居民非侵入式负荷监测方法 | |
Li et al. | A training-free non-intrusive load monitoring approach for high-frequency measurements based on graph signal processing | |
CN114662576A (zh) | 基于有监督分类的非侵入式电瓶车充电检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |