一种基于时序成像和深度学习的非侵入式负荷辨识方法

本发明涉及电力负荷辨识，具体涉及一种基于时序成像和深度学习的非侵入式负荷辨识方法。

背景技术：

1、侵入式负荷监测是指在用电负荷上安装硬件设备，实时获取每个负荷的运行状态与用电量，该方法能精确实现负荷监测，但是前期耗费大量人力财力，影响用户正常生活且不易维护。非侵入式负荷监测(non-intrusive load monitoring，nilm)是指直接在主电路上安装单个智能电表获取总用电负荷的电流、电压或功率信息，通过算法模型识别住宅内每个用电负荷的运行状态。相较于侵入式负荷监测方法，该方法安装简单方便，安全经济易于推广。nilm最早由hart教授1980年代提出，但受限于当时的计算水平而未受到广泛关注。近二十年来，随着计算机技术和高级量测体系(advanced metering infrastructure,ami)的发展，nilm技术渐渐成为电力系统的研究热点。

2、负荷识别是nilm技术的关键环节。早期研究人员采用机器学习算法进行分类，传统方法聚焦于k近邻、支持向量机、决策树和随机森林等算法。这些方法计算量较小，但主要关注电能数据的频率、相位或其他统计学特征，识别正确率较低。随着二维图像形式的设备组合特征在准确性上优势显著，以及图像分类技术的发展，基于卷积神经网络(cnn)的深度学习模型取得了较高的设备辨识准确性，成为nilm负荷识别建模的一个重要的研究方向。

3、在目前已有的研究中可知，不少学者提出借助编码方法构建负荷标识图像，再将负荷识别转换为深度学习方法擅长的图像分类任务。但其存在以下的几个缺点：(1)设备的特征一般包括电气特征与时序特征，而一般已有研究着重于在进行图像建模时选择电气特征，因为电气特征反映了设备内部电路的特点。但忽略了时序特征，时序特征可以反映人们在使用该设备时的习惯，因此增加特征的全面性有助于提高设备的区分度。(2)传统的负荷标识构建过程繁琐，难以广泛应用。(3)传统的nilm识别方法涉及的电气特征较多，在进行计算时对设备和网络带宽要求较高，且占用大量计算资源。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于时序成像和深度学习的非侵入式负荷辨识方法，不仅可以解决传统nilm识别方法中不反映时序特征的问题，还能够通过gaf算法将电器的电压、电流、功率等一维时间序列通过格拉姆矩阵颜色编码转换成带有时间特性的rgb二维图像，可减少输入的点数且能够利用深度学习进一步提取负荷间的高维度特征，且能有效的提高负荷识别的准确率并提升计算速度和降低计算机的资源占用。除此之外，本发明所提的nilm识别方法所需要的电压、电流、功率的一维时间序列，现有电表采集的数据就可满足要求，具有实际的应用价值。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种基于时序成像和深度学习的非侵入式负荷辨识方法，包括以下步骤：

4、step1、利用智能电表在入户总线处采集家庭总的电压、电流和功率数据；

5、step2、借助滑动窗事件检测算法，根据滑动窗内连续周期电流波形重合度，判断电器是否处于稳定运行状态，从而提取稳态下的电压、电流和功率数据；

6、step3、通过格拉姆角场算法，将获得的电压、电流、功率分别计算生成三个大小为n×n的矩阵，再把矩阵转换为二维图像，并将这三个图像分别融入rgb颜色空间的三个通道，最终合成一个rgb彩色图像；

7、step4、搭建vgg16卷积神经网络模型，将基于格拉姆角场的图转换方法和rgb颜色通道融合方法得到的彩色图像作为输入，以电器类别作为标签训练网络，负荷的分类结果作为输出。

8、上述的step2中，在提取设备的高频数据时，对电压、电流波形过零点的周期开始采集，取一个稳态周期内的电压与电流数据，并计算出其功率。

9、上述的step3中得到的电压、电流、功率进行格拉姆角场转换和rgb颜色空间融合的具体步骤如下：

10、step3.1、假设电能数据为包含n个实值的时间序列x＝{x1,x2,…,xn}；

11、step3.2、归一化与极坐标转换：

12、step3.2.1、将时间序列x归一化至区间[-1，1]内；

13、

14、step3.2.2、对归一化后的时间序列进行极坐标转换，幅值作为极坐标系角度的余弦值，时间戳作为半径，极坐标转换过程如下：

15、

16、式中：是经过归一化的用电负荷时间序列；ti为采样时间戳(开始时间点t0＝0)；n为降采样参数，即电能数据通过格拉姆角和场算法转换后的矩阵尺寸(n×n)。step3.3、格拉姆矩阵颜色编码；

17、完成对归一化用电负荷数据的极坐标变换后，采用格拉姆角场算法将时序数据转换为二维矩阵向量；格拉姆矩阵定义如下：

18、

19、通过格拉姆矩阵的表达式可以看出，该矩阵涉及一种类似于向量内积形式的运算，定义则格拉姆矩阵可表达为式：

20、

21、其中，电压、电流、功率的格拉姆矩阵分别为：

22、

23、

24、

25、式中：<·>表示内积运算；n为转换的格拉姆矩阵的大小。

26、step3.4、rgb通道融合；

27、经过格拉姆角场图转换方法的处理，将电压、电流、功率分别生成一个大小为n×n的矩阵，将这些矩阵转换的二维图像分别与rgb颜色空间的3个通道对应，即电压矩阵对应r通道，电流矩阵对应g通道，功率矩阵对应b通道，三个通道进行融合得到rgb彩色图像；这些图像中的颜色布局、纹理样式是对电压、电流、功率和时间特征的映射，作为后续神经网络负荷识别的输入。

28、上述的step4构建vgg16神经网络的具体方法为：

29、step4.1、构建vgg16神经网络，该网络包含13个卷积层、5个池化层和3个全连接层；其中，卷积层与池化层被称为权重层，使用线性整流单元relu作为激活函数；以每个池化层为边界，将卷积层和池化层划分为5个不同的区段，每个区段由多个卷积层和一个池化层组成；经过卷积和池化操作后，将结果传递至全连接层；前两个全连接层包含4096个神经元，最后一个全连接层包含1000个神经元；通过将最后一个全连接层的输出结果传递至softmax多分类器，最终可以得到对1000类图像进行分类的结果；

30、step4.2、将最后一个全连接层的神经元数目由1000个调整为11个为适应负荷识别任务的实际分类数目，将最后一个全连接层的神经元数目由1000个调整为设备实际类别数11；

31、step4.3、将全局平均池化替代第一个全连接层，并将第二个全连接层的神经元数量减少至512；在每个全连接层后面添加了dropout层，参数设置为0.5；初始学习率配置为10-4，并在训练过程中，若在5个epoch内损失值未下降，则降低学习率以优化模型；将训练过程中的batch size设置为8，并将模型的迭代次数配置为70次。

32、上述的step1中所使用的是公开的whited数据集，该数据集记录了全世界不同国家地区的用户用电数据，其中包含有54种不同电器1339组电压、电流数据。其高频电压、电流数据的采样频率为44.1khz，即每秒采集44100个点，电器工频为50hz，即电流每秒发生50次周期性变化，每44100/50＝882个采样点就能获取一个周期的数据。

33、上述的step2中采用滑动窗事件检测算法，将滑动窗内的连续周期的电压、电流数据作为判断负荷设备运行状态的参考数据，若滑动窗内存在多个连续重合度高的电压、电流周期，则电器处于稳定运行状态，并提取对应稳态时段的电压和电流。

34、本发明提供的一种基于时序成像和深度学习的非侵入式负荷辨识方法，通过格拉姆矩阵颜色编码将电能时序数据转换为包含电压、电流、功率信息的彩色图像，相较于同样利用图像颜色编码的v-i轨迹识别方法，不仅采用的输入负荷特征维数少且识别的准确率也更高，现如今的电表便能满足采集的要求，因此更加具有泛化性和实用性。