基于V-I轨迹图和神经网络的非侵入式负荷识别方法与流程

基于v-i轨迹图和神经网络的非侵入式负荷识别方法
技术领域
[0001]
本发明涉及非侵入式负荷识别技术(non-intrusive load monitoring,nilm领域，尤其涉及一种基于v-i轨迹图和神经网络的非侵入式负荷识别方法。


背景技术：

[0002]
负荷识别方法主要有侵入式负荷识别和非侵入式负荷识别两大类。虽然侵入式负荷识别方法的识别结果较为准确，但是成本高等原因不太受欢迎。而非侵入式负荷识别方法(non-intrusive load monitoring,nilm成本低而且实用性强，所以nilm成为了当今电力系统智能计量领域的热点。通过在入户电表上安装嵌入式非侵入电力识别模块，然后通过负荷识别算法来检测建筑内的负荷工作情况。结合有效的电源管理，可以在不影响用户体验的情况下实现省电节能。
[0003]
研究表明如果给消费者提供建筑内能耗的实际能耗，可以激发消费者节能的动力，据统计可以有效节能10％-20％。因此非侵入式负荷检测装置拥有广泛应用前景。
[0004]
现阶段的nilm大部分方法都没有充分利用电器负荷的稳态特征，而且都把云服务器作为数据处理中心，很多识别运算都依赖于服务器。有些负荷识别方法利用负荷稳态时的v-i轨迹特征来进行负荷识别，没有充分利用到负荷的功率特征。还有些方法只利用稳态时的一些电流谐波分量以及负荷的功率特征，没有充分利用v-i轨迹特征。


技术实现要素：

[0005]
本发明针对现有技术的不足，提出了一种能够把v-i轨迹特征和功率特征都充分利用的负荷识别方法，采用的技术方案具体如下：
[0006]
一种基于v-i轨迹图和神经网络的非侵入式负荷识别方法，包括如下步骤：
[0007]
步骤1，实时采集用电入户端的电压和电流以及功率数据，并进行滤波处理；
[0008]
步骤2，通过双边滑动窗口算法判断是否发生投切事件，若无投切事件发生则返回步骤1；
[0009]
步骤3，若检测到发生投切事件，则待负荷运行状态达到稳定后，根据事件前后的稳态
[0010]
数据获取负荷的稳态电压、电流以及功率数据；
[0011]
步骤4，从步骤3得到的稳态电压、电流数据获得v-i轨迹，然后把v-i轨迹转换成大小为2n*2n的rgb图像；其中，功率表示为rgb图像的像素值。
[0012]
步骤5，将步骤4得到的rgb图像进行归一化处理，并利用识别网络得到负荷识别结果。其中，所述识别网络由卷积神经网络构成，采用电器设备的历史运行数据及其构造的基于v-i轨迹特征的rgb彩色图作为真值进行训练。
[0013]
进一步地，识别网络可以根据实际情况来设置。在stm32f7等以上的mcu上直接运行而提高系统实时性的话，可以根据实际情况自己构造简单的卷积神经网络模型，例如识别网络结构为图2所示，包括两层卷积层、两层池化层以及三层全连接层。或者利用电脑或
服务器来提高识别效果，则可以稍微改动现有的神经网络模型比如alexnet模型等。
[0014]
进一步地，所述步骤2中，判断负荷投切事件的具体方法为：
[0015]
步骤2.1，设置两个滑动窗口，在每个窗口中去掉最大值和最小值。
[0016]
步骤2.2，计算两个窗口平均值之差，若差值大于设定的阈值则认为发生投切事件。
[0017]
进一步地，所述步骤4中，把v-i轨迹转换成大小为2n*2n的rgb图像的方法为：
[0018]
步骤4.1，首先设置每个像素点的初始值为(0,0,0)；
[0019]
步骤4.2，根据获取的负荷的稳态电压、电流，获得电压电流绝对值的最大值umax和imax。
[0020]
步骤4.3，计算δu＝umax/n和δi＝imax/n
[0021]
步骤4.4，对于每个采样点的(uj，ij)(0<j≤sample，sample为每个周期里的采样点数)，计算yj＝n+int(ij/δi)作为要具体设置的rgb像素点坐标，不需要轨迹的连续化处理。
[0022]
步骤4.5根据负荷有功功率大小，设置对应像素值的大小。
[0023]
进一步地，所述步骤4.2中，对于大功率负荷，其umax和imax直接设置成固定值，所述固定值为大于大功率负荷中umax或imax的值。这样v-i轨迹能够把大部分的电流数据都能包含进去。
[0024]
进一步地，为了在rgb图像中充分反映负荷的稳态特征，v-i轨迹分成三个阶段，然后每阶段里像素点的颜色信息设置得不一样。这样得到的v-i轨迹特征图很大程度上能够反映电压和电流的相位差、阻抗特征以及功率大小等特征。因为构成rgb特征图的时候，大功率和小功率的umax设置不一样，所以很容易识别出大功率和小功率负荷。对于小功率负荷根据rgb特征图的形状和亮度(亮度包含功率信息)进行识别，对于大功率的负荷根据rgb特征图的形状(功率不一样的话，因为电流大小不一样，所以特征图的形状也不一样)可以进行识别。
[0025]
本发明的有益效果是：本发明通过构建rgb图能够把v-i轨迹特征和功率特征都充分利用起来，进而进行负荷识别。该方法能够充分的识别出小功率负荷和大功率负荷。对于小功率负荷，功率类似的负荷根据负荷的轨迹形状来分别，形状类似的负荷根据负荷的功率值来分别。对于大功率负荷主要是根据负荷的轨迹形状来分别。整体的识别效果更好。
附图说明
[0026]
图1为本发明方法流程图；
[0027]
图2为本发明实施例中的卷积神经网络模型结构示意图；
[0028]
图3为双边滑动窗口算法流程图；
[0029]
图4为本发明实施例中一些负荷(左：空调，中：冰箱，右：电灯)的基于v-i轨迹的特征图。
[0030]
图5为空调特征图中把r,g,b三个通道分别表示的灰色图(左：r通道，中：g通道，右：b通道)
具体实施方式
[0031]
结合附图以及利用blued公共数据集的实施方式来解释本发明，具体实施步骤如下：
[0032]
本发明提供了一种基于v-i轨迹图和神经网络的非侵入式负荷识别方法，如图1所示，其实施步骤包括：
[0033]
s1：先从blued数据集提取5种家用电气设备，然后构造基于v-i轨迹特征的rgb彩色图并训练卷积神经网络模型作为识别网络，例如alexnet模型等。在本实施例中的识别网络模型如图所示，为了能够在stm32f7以上的mcu上直接运行，搭建的识别网络模型并不复杂，包括两层卷积层、两层池化层以及三层全连接层，具体的结构如图2所示。
[0034]
s2：实时采集用电入户端的电压和电流以及功率数据，对获得的电压电流数据进行滤波处理；本实施例中的blued公共数据集的电压电流采样频率为12khz,功率值频率为60hz，每个周期包含200个采样点。
[0035]
s3：通过双边滑动窗口算法判断有没有发生投切事件。本实施例中的具体参数如下：设置窗口大小为5，5的两个滑动窗口，在每个窗口中去掉最大值和最小值。计算每个窗口的平均值，并计算平均值之差。然后跟事先设定好的阈值进行比较。若平均值之差大于设定的阈值则认为发生投切事件。该判断过程如图3所示。
[0036]
s4：负荷连续3次达到稳态状态以后，获取负荷的稳态电压电流数据以及功率数据；
[0037]
s5：从s4得到的稳态电压电流数据获得v-i轨迹，然后把v-i轨迹转换成大小为2n*2n的rgb图像，本实施例中，n为32；具体包括如下步骤：
[0038]
(1)首先每个像素点的初始值设置为(0，0，0)。
[0039]
(2)对小功率负荷求得电压电流绝对值的最大值umax和imax，对大功率负荷imax直接设置固定值，使其能够让v-i轨迹包含所有电流信息。本实施例中将有功功率值小于510w的负荷看作小功率负荷，其他看作大功率负荷。对于大功率负荷设置umax的固定值为400v，imax的固定值为20a。这样v-i轨迹能够把大部分的电流数据都能包含进去。
[0040]
(3)计算δu＝umax/n和δi＝imax/n。
[0041]
(4)对于每个采样点(uj，ij)(0＜j≤200)计算yj＝n+int(ij/δi)，不需要轨迹的连续化处理。
[0042]
(5)根据负荷有功功率大小，设置对应像素值的大小。有功功率p大于510w的时候，因为功率值比较大的电器设备特征比较明显，利用一般的v-i轨迹特征也可以正确识别出来，所以每个像素点的值直接设置color_value＝255。有功功率p小于510w的时候，设置color_value＝int(p/2)。
[0043]
(6)为了在rgb图像中充分反映负荷的稳态特征，设置(xj，yj)像素点值的具体过程如下；
[0044]
if 0＜j＜200/3：
[0045]
(xj，yj)像素点的值设置为(color_value，0，0)
[0046]
if 200/3＜j＜2*200/3：
[0047]
(xj，yj)像素点的值设置为(0，color_value，0)
[0048]
else：
[0049]
(xj，yj)像素点的值设置为(0，0，color_value)
[0050]
这样得到的v-i轨迹特征图就能够反映电压和电流的相位差、阻抗特征以及功率大小等负荷特征。下面的图4是本实施例中的一些负荷的轨迹特征图。从图4中大功率负荷和小功率负荷直接通过肉眼也可看出来，其中电灯的功率较小，因而对应的亮度较小。因为大功率负荷的umax直接设置成400v，所以轨迹特征图比较集中于中间，小功率负荷的特征图覆盖整个区域。然后每个负荷轨迹特征图由红色，绿色和蓝色三种颜色组成(图5空调特征图中轨迹的r，g，b三个通道分开示意图)，而且具有方向，小功率负荷特征图的亮度也是按照功率大小不一样的。
[0051]
s6：将s5得到的rgb图像进行归一化处理，输入到事先训练好的卷积神经网络，并得到识别结果。因为神经网络的输入端是一张图片，所以本实施例中的归一化处理很简单，直接每个像素点的值除以255就可以。本发明中的rgb图像已经包含了v-i轨迹特征、电压电流相位差、有功功率等信息，所以识别效果比单独使用v-i轨迹或者功率信息的方法好很多。而且所用到的卷积神经网络并不复杂，所以能够在嵌入式设备上直接运行，所以能提高实时性，不依赖于服务器的运算支持。
[0052]
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。对于所属领域的普通技术人员来说，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。