CN109946543B - 用于非侵入式负荷监测的v-i图样本数据集筛选方法 - Google Patents
用于非侵入式负荷监测的v-i图样本数据集筛选方法 Download PDFInfo
- Publication number
- CN109946543B CN109946543B CN201910240536.3A CN201910240536A CN109946543B CN 109946543 B CN109946543 B CN 109946543B CN 201910240536 A CN201910240536 A CN 201910240536A CN 109946543 B CN109946543 B CN 109946543B
- Authority
- CN
- China
- Prior art keywords
- characteristic diagram
- data set
- screening
- straight line
- pattern
- 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.)
- Active
Links
Images
Landscapes
- Alarm Systems (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种用于非侵入式负荷监测的V‑I图样本数据集筛选方法，以非侵入式家电负荷监测为背景时，解决了实际测量的家用电器稳定运行数据存在噪声干扰导致大量V‑I轨迹图样本数据不可用的问题；本发明方法在构建深度学习网络的数据集之前，通过对采集的V‑I特征图样本数据集进行优化，提高数据集在表征关键信息的特征的含有率，提高了家用电器的识别精度和识别效率。
Description
技术领域
本发明属于数据筛选技术领域，具体涉及用于非侵入式负荷监测的V-I图样本数据集筛选方法。
背景技术
随着社会经济的发展，近年来住宅用户中能源消耗的比例逐年增加。当务之急是提高能源利用效率，有效节约能源，而提高能效和节约的关键措施就是准确了解能源消耗的具体情况，负载监测可以在实现能源监测和故障监测的同时，有利于住宅用户有效节约能源，降低能耗，并配合电网公司进行电能管理和电网优化，这也符合当前节约环保型社会的要求。
传统的侵入式符合监控(ILM)无法满足经济有效地监测住宅能耗的要求，期望具有可以提高能耗效率和节省的精确负载监控方法。近年来，非侵入式负载监测(NILM)方法不依赖于每个设备的监测传感器，提供了一种更为经济有效的解决方案。它只需要在用户进线端的某个监测总电流和电压信号，并分解总功耗，即可达到监测家庭电路中单个设备功耗信息的目的。
NILM框架主要由大部分组成：数据采集、特征提取和负荷识别；特征提取是非侵入式负荷监测的关键步骤，而特征的种类极大程度地取决于数据采集设备的采样频率；瞬态特征要求数据采集设备具有比较高的采样频率，而稳态特征则对采样频率要求相对较低，传统最常用的稳态特征是功率。近年来，基于电压-电流(V-I)轨迹特征的非侵入式符合监测设备引起了大量研究者们的关注，V-I轨迹特征不需要依赖高采样频率的硬件设备，也不需要复杂的信号处理技术，当提取该特征后，即可将它们输入到不同的学习分类方法中，如决策树、支撑向量机、监督自组织映射和最邻近规则分类。然而，这些方法没有考虑到负载测量环境的噪声干扰因素。
现有的基于V-I轨迹特征的深度学习负荷识别方法中，没有考虑到复杂测量环境的造成干扰因素对深度学习数据集带来的影响，一般都采用公共通用的数据集，负载识别的精度较低。
发明内容
针对现有技术中的上述不足，本发明提供的用于非侵入式负荷监测的V-I图样本数据集筛选方法解决了以非侵入式家电负荷监测为背景时，实际测量的家用电器稳定运行数据存在噪声干扰导致大量V-I轨迹图样本数据不可用的问题。
为了达到上述发明目的，本发明采用的技术方案为：用于非侵入式负荷监测的V-I图样本数据集筛选方法，包括以下步骤：
S1、选取用电设备，并将其作为非侵入式负荷监测时的待测设备；
S2、当待测设备进入稳态工作模式时，采集在若干个周期内所有待测设备运行时的电流和电压幅值数据；
S3、根据采集的电流和电压幅值数据，依次构建每个待测设备在若干个周期内的V-I轨迹图；
S4、分别对构建的每个V-I轨迹图进行预处理，得到待筛选的若干个V-I特征图；
S5、分别在每个V-I特征图中构建不同范围大小的有限域，将同一范围大小的有限域对应的V-I特征图构成一个V-I图样本数据集；
S6、采用基于有限域的样本数据筛选方法对每个V-I图样本数据集中的V-I特征图进行筛选，将未通过筛选的V-I特征图从对应的V-I图样本数据集中删除；
S7、将筛选后的V-I图样本数据集分别输入深度学习网络进行训练，得到不同V-I图样本数据集对应的若干个识别率，并将其中最高的识别率对应的V-I图样本数据集作为用于非侵入式负荷监测时的数据集，进而完成V-I图样本数据集的筛选；
所述步骤S5中在V-I特征图中构建有限域的方法具体为：
通过确定有限域范围的上边界直线和下边界直线来确定该有限域的范围；
其中，上边界直线通过其直线式的中心直线向上移动构建，下边界直线通过其直线式的中心直线向下移动构建；
其中，中心直线的直线式为：y＝kx+b1；
上边界直线的直线式为：y1＝kx+b1+b；
下边界直线的直线式为：y2＝kx+b1-b；
式中，y、y1和y2分别为中心直线上、上边界直线上和下边界直线上对应列的像素点；
k为斜率，且k＝-(m-1)/(n-1)，m,n分别为该V-I特征图的长度和宽度；
b1＝m-k；
b为中心直线向上移动或向下移动的像素值。
进一步地，所述步骤S4中对构建的每个V-I轨迹图进行预处理的方法具体为：
依次对每个V-I轨迹图进行归一化、滤波、灰度化和二值化处理。
进一步地，通过设定若干个不同的b值得到对应的不同范围大小的有限域，其中，b值均匀分布在0-100像素内。
进一步地，所述步骤S6中V-I图样本数据集中的V-I特征图包括电阻类电器的V-I特征图和阻感类电器的V-1特征图。
进一步地，对V-I图样本数据集中的电阻类电器的V-I特征图进行筛选的方法具体为：
判断该V-I特征图中的V-I轨迹点落在有限域中的像素点占该V-I特征图总像素点的百分比是否大于或等于设定的阈值；
若是，则该V-I特征图通过筛选；
若否，则该V-I特征图未通过筛选，从对应的V-I图样本数据集中删除。
进一步地，对V-I图样本数据集中的阻感类电器的V-I特征图进行筛选的方法具体为：
判断该V-I特征图中的V-I轨迹点落在有限域中的像素点占该V-I特征图总像素点的百分比是否小于设定的阈值；
若是，则该V-I特征图通过筛选；
若否，则该V-I特征图未通过筛选，从对应的V-I图样本数据集中删除。
本发明的有益效果为：本发明提供的用于非侵入式符合监测的V-I图样本数据集筛选方法，以非侵入式家电负荷监测为背景时，解决了实际测量的家用电器稳定运行数据存在噪声干扰导致大量V-I轨迹图样本数据不可用的问题；本发明方法在构建深度学习网络的数据集之前，通过对采集的V-I特征图样本数据集进行优化，提高数据集在表征关键信息的特征的含有率，提高了家用电器的识别精度和识别效率。
附图说明
图1为本发明中用于非侵入式负荷监测的V-I图样本数据集筛选方法流图。
图2为本发明中某电器采集的电压和电流信号波形图。
图3为本发明中某电器对应的滤波前的V-I轨迹图。
图4为本发明中某电器对应的滤波后的V-I轨迹图。
图5为本发明中某电器对应的V-I轨迹图的二值化处理过程示意图。
图6为本发明中某电器对应的待筛选的V-I特征图。
图7为本发明中筛选某电器的V-I特征图的有限域范围示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种用于非侵入式负荷监测的V-I图样本数据集筛选方法，包括以下步骤：
S1、选取用电设备，并将其作为非侵入式负荷监测时的待测设备。
S2、当待测设备进入稳态工作模式时，采集在若干个周期内所有待测设备运行时的电流和电压幅值数据。
图2中展示个某个电器(用电设备)在稳定运行h个周期内的电流和电压幅值数据。
S3、根据采集的电流和电压幅值数据，依次构建每个待测设备在若干个周期内的V-I轨迹图。
S4、分别对构建的每个V-I轨迹图进行预处理，得到待筛选的若干个V-I特征图；
其中，对V-I轨迹图均进行预处理的方法具体为：依次对每个V-I轨迹图进行归一化、滤波、灰度化和二值化处理。图3和图4中分别展示图2对应的V-I轨迹图进行滤波处理前后的V-I轨迹图，图5展示了对V-I轨迹图二值化处理的过程，图6展示了二值化处理后的图像，即为后续用于筛选的V-I特征图。
S5、分别在每个V-I特征图中构建不同范围大小的有限域，将同一范围大小的有限域对应的V-I特征图构成一个V-I图样本数据集。
步骤S5中在V-I特征图中构建有限域的方法具体为：
通过确定有限域范围的上边界直线和下边界直线来确定该有限域的范围；
其中，上边界直线通过其直线式的中心直线向上移动构建，下边界直线通过其直线式的中心直线向下移动构建；图7中的白色线条为上边界直线，灰色线条为下边界直线，虚线为中心直线；因此，白色线条和灰色线条直接的区域即为有限域；
其中，中心直线的直线式为：y＝kx+b1；
上边界直线的直线式为：y1＝kx+b1+b；
下边界直线的直线式为：y2＝kx+b1-b；
式中，y、y1和y2分别为中心直线上、上边界直线上和下边界直线上对应列的像素点；
k为斜率，且k＝-(m-1)/(n-1)，m,n分别为该V-I特征图的长度和宽度；
b1＝m-k；
b为中心直线向上移动或向下移动的像素值。
在本发明中，通过设定若干个不同的b值得到对应的不同范围大小的有限域，其中，b值均匀分布在0-100像素内。
S6、采用基于有限域的样本数据筛选方法对每个V-I图样本数据集中的V-I特征图进行筛选，将未通过筛选的V-I特征图从对应的V-I图样本数据集中删除。
上述V-I图样本数据集中的V-I特征图包括电阻类电器的V-I特征图和阻感类电器的V-1特征图
其中，对V-I图样本数据集中的电阻类电器的V-I特征图进行筛选的方法具体为：
判断该V-I特征图中的V-I轨迹点落在有限域中的像素点占该V-I特征图总像素点的百分比是否大于或等于设定的阈值；
若是，则该V-I特征图通过筛选；
若否，则该V-I特征图未通过筛选，从对应的V-I图样本数据集中删除。
对V-I图样本数据集中的阻感类电器的V-I特征图进行筛选的方法具体为：
判断该V-I特征图中的V-I轨迹点落在有限域中的像素点占该V-I特征图总像素点的百分比是否小于设定的阈值；
若是，则该V-I特征图通过筛选；
若否，则该V-I特征图未通过筛选，从对应的V-I图样本数据集中删除。
经过上述筛选后发现，电阻类电器的V-I特征图对应的有限域范围越小，通过筛选的V-I特征图就越接近理想直线，视为更理想的电阻类数据集；阻感类电器的V-I特征图对应的有限域范围越大，通过筛选的V-I特征图更接近理想椭圆，视为更理性的阻感类数据集。
S7、将筛选后的V-I图样本数据集分别输入深度学习网络进行训练，得到不同V-I图样本数据集对应的若干个识别率，并将其中最高的识别率对应的V-I图样本数据集作为用于非侵入式负荷监测时的数据集，进而完成V-I图样本数据集的筛选。
因此，在最高的识别率对应的V-I图样本数据集中有限域可作为最优有限域，用于同一该用电环境下采集的电器V-I特征图筛选时的有限域，为后续用该数据集进行电器用电负荷识别提供了准确的数据集，提高了识别精度和识别效率。
本发明的有益效果为：本发明提供的用于非侵入式负荷监测的V-I图样本数据集筛选方法，以非侵入式家电负荷监测为背景时，解决了实际测量的家用电器稳定运行数据存在噪声干扰导致大量V-I轨迹图样本数据不可用的问题；本发明方法在构建深度学习网络的数据集之前，通过对采集的V-I特征图样本数据集进行优化，提高数据集在表征关键信息的特征的含有率，提高了家用电器的识别精度和识别效率。
Claims (6)
1.用于非侵入式负荷监测的V-I图样本数据集筛选方法，其特征在于，包括以下步骤：
S1、选取用电设备，并将其作为非侵入式负荷监测时的待测设备；
S2、当待测设备进入稳态工作模式时，采集在若干个周期内所有待测设备运行时的电流和电压幅值数据；
S3、根据采集的电流和电压幅值数据，依次构建每个待测设备在若干个周期内的V-I轨迹图；
S4、分别对构建的每个V-I轨迹图进行预处理，得到待筛选的若干个V-I特征图；
S5、分别在每个V-I特征图中构建不同范围大小的有限域，将同一范围大小的有限域对应的V-I特征图构成一个V-I图样本数据集；
S6、采用基于有限域的样本数据筛选方法对每个V-I图样本数据集中的V-I特征图进行筛选，将未通过筛选的V-I特征图从对应的V-I图样本数据集中删除；
S7、将筛选后的V-I图样本数据集分别输入深度学习网络进行训练，得到不同V-I图样本数据集对应的若干个识别率，并将其中最高的识别率对应的V-I图样本数据集作为用于非侵入式负荷监测时的数据集，进而完成V-I图样本数据集的筛选；
所述步骤S5中在V-I特征图中构建有限域的方法具体为：
通过确定有限域范围的上边界直线和下边界直线来确定该有限域的范围；
其中，上边界直线通过其直线式的中心直线向上移动构建，下边界直线通过其直线式的中心直线向下移动构建；
其中，中心直线的直线式为：y＝kx+b1；
上边界直线的直线式为：y1＝kx+b1+b；
下边界直线的直线式为：y2＝kx+b1-b；
式中，y、y1和y2分别为中心直线上、上边界直线上和下边界直线上对应列的像素点；
k为斜率，且k＝-(m-1)/(n-1)，m,n分别为该V-I特征图的长度和宽度；
b1＝m-k；
b为中心直线向上移动或向下移动的像素值。
2.根据权利要求1所述的用于非侵入式负荷监测的V-I图样本数据集筛选方法，其特征在于，所述步骤S4中对构建的每个V-I轨迹图进行预处理的方法具体为：
依次对每个V-I轨迹图进行归一化、滤波、灰度化和二值化处理。
3.根据权利要求1所述的用于非侵入式负荷监测的V-I图样本数据集筛选方法，其特征在于，通过设定若干个不同的b值得到对应的不同范围大小的有限域，
其中，b值均匀分布在0-100像素内。
4.根据权利要求1所述的用于非侵入式负荷监测的V-I图样本数据集筛选方法，其特征在于，所述步骤S6中V-I图样本数据集中的V-I特征图包括电阻类电器的V-I特征图和阻感类电器的V-1特征图。
5.根据权利要求4所述的用于非侵入式负荷监测的V-I图样本数据集筛选方法，其特征在于，对V-I图样本数据集中的电阻类电器的V-I特征图进行筛选的方法具体为：
判断该V-I特征图中的V-I轨迹点落在有限域中的像素点占该V-I特征图总像素点的百分比是否大于或等于设定的阈值；
若是，则该V-I特征图通过筛选；
若否，则该V-I特征图未通过筛选，从对应的V-I图样本数据集中删除。
6.根据权利要求4所述的用于非侵入式负荷监测的V-I图样本数据集筛选方法，其特征在于，对V-I图样本数据集中的阻感类电器的V-I特征图进行筛选的方法具体为：
判断该V-I特征图中的V-I轨迹点落在有限域中的像素点占该V-I特征图总像素点的百分比是否小于设定的阈值；
若是，则该V-I特征图通过筛选；
若否，则该V-I特征图未通过筛选，从对应的V-I图样本数据集中删除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910240536.3A CN109946543B (zh) | 2019-03-28 | 2019-03-28 | 用于非侵入式负荷监测的v-i图样本数据集筛选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910240536.3A CN109946543B (zh) | 2019-03-28 | 2019-03-28 | 用于非侵入式负荷监测的v-i图样本数据集筛选方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109946543A CN109946543A (zh) | 2019-06-28 |
| CN109946543B true CN109946543B (zh) | 2020-04-21 |
Family
ID=67012133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910240536.3A Active CN109946543B (zh) | 2019-03-28 | 2019-03-28 | 用于非侵入式负荷监测的v-i图样本数据集筛选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109946543B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539275B (zh) * | 2020-04-14 | 2020-11-20 | 中南民族大学 | 一种基于负载特性可视化的电气负载分类方法和系统 |
| CN112180193B (zh) * | 2020-09-28 | 2021-11-02 | 华中科技大学 | 一种基于轨迹图像识别的非侵入式负荷识别系统及方法 |
| CN113094931B (zh) * | 2021-04-29 | 2022-04-22 | 杭州电力设备制造有限公司 | 一种非侵入式负荷分解方法、装置及设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103217603A (zh) * | 2013-03-22 | 2013-07-24 | 重庆大学 | 一种非侵入式家用电器用电状况在线监测的识别方法 |
| TW201504978A (zh) * | 2013-07-17 | 2015-02-01 | Hsueh-Hsien Chang | 電器負載辨識方法 |
| WO2016141978A1 (en) * | 2015-03-11 | 2016-09-15 | You Know Watt | Improved non-intrusive appliance load monitoring method and device |
| CN106093652A (zh) * | 2016-07-07 | 2016-11-09 | 天津求实智源科技有限公司 | 一种具备自学习功能的非侵入式电力负荷监测系统与方法 |
| CN106093630A (zh) * | 2016-06-02 | 2016-11-09 | 华北电力大学 | 一种非侵入式家用电器辨识方法 |
| CN106646026A (zh) * | 2016-11-11 | 2017-05-10 | 华北电力大学 | 一种非侵入式家电负荷识别方法 |
| CN106908671A (zh) * | 2017-01-13 | 2017-06-30 | 中国海洋大学 | 一种非侵入式家用负荷智能检测方法及系统 |
| CN107273920A (zh) * | 2017-05-27 | 2017-10-20 | 西安交通大学 | 一种基于随机森林的非侵入式家用电器识别方法 |
| CN107302217A (zh) * | 2017-06-02 | 2017-10-27 | 广东中粤售电科技有限公司 | 基于v‑i轨迹的非侵入式负荷分解方法及系统 |
-
2019
- 2019-03-28 CN CN201910240536.3A patent/CN109946543B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103217603A (zh) * | 2013-03-22 | 2013-07-24 | 重庆大学 | 一种非侵入式家用电器用电状况在线监测的识别方法 |
| TW201504978A (zh) * | 2013-07-17 | 2015-02-01 | Hsueh-Hsien Chang | 電器負載辨識方法 |
| WO2016141978A1 (en) * | 2015-03-11 | 2016-09-15 | You Know Watt | Improved non-intrusive appliance load monitoring method and device |
| CN106093630A (zh) * | 2016-06-02 | 2016-11-09 | 华北电力大学 | 一种非侵入式家用电器辨识方法 |
| CN106093652A (zh) * | 2016-07-07 | 2016-11-09 | 天津求实智源科技有限公司 | 一种具备自学习功能的非侵入式电力负荷监测系统与方法 |
| CN106646026A (zh) * | 2016-11-11 | 2017-05-10 | 华北电力大学 | 一种非侵入式家电负荷识别方法 |
| CN106908671A (zh) * | 2017-01-13 | 2017-06-30 | 中国海洋大学 | 一种非侵入式家用负荷智能检测方法及系统 |
| CN107273920A (zh) * | 2017-05-27 | 2017-10-20 | 西安交通大学 | 一种基于随机森林的非侵入式家用电器识别方法 |
| CN107302217A (zh) * | 2017-06-02 | 2017-10-27 | 广东中粤售电科技有限公司 | 基于v‑i轨迹的非侵入式负荷分解方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| Investigating the switch continuity principle assumed in Non-Intrusive Load Monitoring (NILM);Stephen Makonin;《 2016 IEEE Canadian Conference on Electrical and Computer Engineering (CCECE)》;20161103;全文 * |
| 基于电器行为特征的非侵入式家用负荷识别;刘明等;《云南电力技术》;20181031;第46卷(第5期);全文 * |
| 非侵入式电力负荷分解算法综述;张玲玲;《安徽电子信息职业技术学院学报》;20140131;第13卷(第1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109946543A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109946543B (zh) | 用于非侵入式负荷监测的v-i图样本数据集筛选方法 | |
| CN110514889A (zh) | 一种非侵入式家庭用电负载识别的方法及系统 | |
| CN111027408A (zh) | 一种基于支持向量机和v-i曲线特征的负荷识别方法 | |
| CN111985824A (zh) | 一种智能电表箱的非侵入式负荷监测方法及其监测设备 | |
| CN106250904B (zh) | 基于改进s变换的电能扰动分析仪及分类方法 | |
| CN113036759B (zh) | 一种电力用户负荷细粒度识别方法及识别系统 | |
| CN104020398B (zh) | 一种换流变压器局部放电波形特征提取方法 | |
| CN113344346B (zh) | 基于非侵入式负荷分解的用电异常检测方法和系统 | |
| CN110703006B (zh) | 一种基于卷积神经网络的三相电能质量扰动检测方法 | |
| CN111371188A (zh) | 一种用电异常数据实时预警系统 | |
| CN109307798A (zh) | 一种用于开关事件检测的功率信号滤波方法 | |
| CN117540235B (zh) | 一种临时用电异常数据实时监测方法 | |
| CN114236234A (zh) | 一种基于基波和谐波混合判据的电器特征辨识方法 | |
| CN114184870A (zh) | 非侵入式负荷识别方法及设备 | |
| CN109460419A (zh) | 一种设备状态变化事件监测方法 | |
| CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
| CN114818827A (zh) | 基于seq2point网络的非侵入式负荷分解方法 | |
| CN105445577A (zh) | 一种电能质量干扰源工况辨识方法 | |
| CN111199014B (zh) | 一种基于时间序列的seq2point的NILM方法及装置 | |
| CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
| CN117039840A (zh) | 一种基于特征自动增强的家用负荷识别方法及系统 | |
| CN116628620A (zh) | 一种非侵入式负荷识别计算方法 | |
| CN111585542A (zh) | 一种功率信号脉冲噪声滤除的方法及滤波器 | |
| Zhibin et al. | Research on household appliances recognition method based on data screening of deep learning | |
| CN112925827B (zh) | 一种基于电力采集物联数据的用户性质异常分析方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |