CN110188771A - 基于图像处理的非侵入式电力负荷特征提取、识别方法、系统及介质 - Google Patents
基于图像处理的非侵入式电力负荷特征提取、识别方法、系统及介质 Download PDFInfo
- Publication number
- CN110188771A CN110188771A CN201910412402.5A CN201910412402A CN110188771A CN 110188771 A CN110188771 A CN 110188771A CN 201910412402 A CN201910412402 A CN 201910412402A CN 110188771 A CN110188771 A CN 110188771A
- Authority
- CN
- China
- Prior art keywords
- current
- voltage
- track
- image
- value
- 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.)
- Granted
Links
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Abstract
本发明公开了一种基于图像处理的非侵入式电力负荷特征提取、识别方法、系统及介质,特征提取方法为采集获取电压电流轨迹,根据电压电流轨迹生成彩色的电压电流轨迹图像,包括电压电流大小以及电压电流相位特征;识别方法为提取目标电器的电力负荷特征输入卷积神经网络得到特征向量并附加上电流大小特征再输入Siamese CNN网络进行识别。本发明提取方法通过增加了颜色并引入了电压电流相位关系,能够提高识别准确率;本发明识别方法引入了电流大小特征,提高了具有相似性质电力负荷的识别准确率,且采用Siamese CNN网络使得在有新的电力负荷需要加入特征库时网络不需要重新训练,具有较高的实用性。
Description
技术领域
本发明涉及电器设备的电力负荷检测技术,具体涉及一种基于图像处理的非侵入式电力负荷特征提取、识别方法、系统及介质。
背景技术
基于电压电流轨迹图进行非侵入式负荷识别可以根据比如家庭总端采集到的总的电流电压来进行分解识别得到在某一时刻有哪种电器并入运行或切除。在使用时,通过高频采样差分电流电压得到的单个电器的轨迹图,一般在一秒内可以看作只有一种电器的运行状态发生变化,通过基于电压电流轨迹图进行非侵入式负荷识别,就可以识别得到对应的电器,从而可以对识别出来的电器进行单独运行或切除。
但是,现有的基于电压电流轨迹图进行非侵入式负荷识别的方法将电压电流轨迹转换成灰度图像,但是其特征提取方法存在下述问题:现有的方法将电压电流轨迹转换成灰度图像,导致其无法反映电压电流轨迹的回线方向,从而导致在感性负荷与容性负荷的电压电流轨迹相似时,产生误判,失去电压电流相位差这一重要特征。
此外,现有的基于电压电流轨迹图进行非侵入式负荷识别的方法的负荷识别存在下述问题:(1)传统的电压电流轨迹没有转化为图像进行特征提取的话是有电流大小,但是转化为图像的话由于卷积神经网络的输入图像的大小必须一样,所以必须进行归一化处理,这样就使得所有电力负荷的电流大小都归一化到-1到1之间了,也就舍去了不同电力负荷之间电流大小的特征。因此,现有的电压电流轨迹图是以归一化电流和归一化电压为基础所生成的,并没有考虑到原电流大小这一重要特征,在不同电力负荷具有相似性质时,其电压电流轨迹图相似,从而产生误判,存在准确率不高的问题。(2)现有的方法采用单一的卷积神经网络对上述灰度图像进行训练,在有新的电力负荷需要加入特征库时,卷积网络需要重新训练,大大降低了该方法的实用性。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种基于图像处理的非侵入式电力负荷特征提取、识别方法、系统及介质,本发明基于图像处理的非侵入式电力负荷特征提取方法通过增加了颜色特征并引入了电压电流相位关系特征,从而能够提高识别准确率;本发明基于图像处理的非侵入式电力负荷识别方法引入了电流大小这一特征,从而提高了具有相似性质电力负荷的识别准确率,采用Siamese CNN网络使得在有新的电力负荷需要加入特征库时,网络不需要重新训练,使得这种方法具有较高的实用性。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于图像处理的非侵入式电力负荷特征提取方法,其特征在于步骤包括:
1)分别将采样得到总端电压、总端电流进行去噪处理,当连续n个周期的电流有效值相对于前m个周期的电流有效值的差值超过了预设阈值时判定有事件发生满足启动条件,且从事件发生前后各自处于稳态且电压过零点后的第一个正值开始取一个周期的电压序列和电流序列,计算该事件发生前后一个周期电流序列的差分电流序列,将该差分电流序列和前面所取的事件发生后的一个周期的电压序列共同表示为电力负荷的电压电流轨迹;
2)根据电压电流轨迹生成电压电流轨迹图像,所述电压电流轨迹图像为彩色图像,且所述电压电流轨迹图像以一个方向代表电压大小、另一个方向代表电流大小,且将电压的正、负增长方向的轨迹分别表示为不同颜色。
优选地,步骤2)将电压电流轨迹生成电压电流轨迹图像的步骤包括:
2.1)分别针对电压电流轨迹中的所有电压值和电流值分别进行归一化;
2.2)根据所有电压值计算电压中间值作为每个像素点的基准电压权重u0、根据所有电流计算电流中间值作为每个像素点的基准电流权重i0;
2.3)基于电压电流轨迹图像的大小以及每个像素点的基准电压权重u0、基准电流权重i0分别计算得到每个像素点的电压权重du和电流权重di;
2.4)从所有电压值中找出负增长方向的第一电压序列u1、从所有电流值中找出与u1在时间上对应的第一电流序列i1,并基于基准电压权重u0、基准电流权重i0、电压权重du以及电流权重di将负增长方向每一对电压值和电流值构成负增长方向轨迹上的一个像素点坐标;从所有电压值中找出正增长方向的第二电压序列u2、从所有电流值中找出与u2在时间上对应的第二电流序列i2,并基于基准电压权重u0、基准电流权重i0、电压权重du以及电流权重di 将正增长方向每一对电压值和电流值构成正增长方向轨迹上的一个像素点坐标;
2.5)初始化电压电流轨迹图像,并在电压电流轨迹图像中分别按照不同的颜色生成负增长方向轨迹上的像素点坐标以及正增长方向轨迹上的像素点坐标。
优选地,步骤2.2)中每个像素点的基准电压权重u0的计算函数表达式如式(3)所示,每个像素点的基准电流权重i0的计算函数表达式如式(4)所示;
式(3)中,max(U)表示所有电压值中的最大值,min(U)表示所有电压值中的最小值;
式(4)中,max(I)表示所有电流值中的最大值,min(I)表示所有电流值中的最小值。
优选地,步骤2.3)中电压权重du和电流权重di的计算函数表达式分别如式(5)和式 (6)所示;
式(5)中,max(|U|)表示所有电压值的绝对值中的最大值,u0为基准电压权重,N为电压电流轨迹图像的宽度及高度的1/2;
式(6)中,max(|I|)表示所有电流值的绝对值中的最大值,i0为基准电流权重,N为电压电流轨迹图像的宽度及高度的1/2。
优选地,步骤2.4)中构成负增长方向轨迹上的一个像素点坐标的函数表达式如式(7) 和(8)所示,构成正增长方向轨迹上的一个像素点坐标的函数表达式如式(9)和(10)所示;
式(7)和(8)中,(x1(k),y1(k))表示负增长方向轨迹上的一个像素点坐标,u1(k)表示该像素点坐标对应的电压值,i1(k)表示该像素点坐标对应的电流值,u0为基准电压权重,i0为基准电流权重,N为电压电流轨迹图像的宽度及高度的1/2,ceil为向正无穷方向取整函数;
式(9)和(10)中,(x2(k),y2(k))表示正增长方向轨迹上的一个像素点坐标,u2(k)表示该像素点坐标对应的电压值,i2(k)表示该像素点坐标对应的电流值,u0为基准电压权重,i0为基准电流权重,N为电压电流轨迹图像的宽度及高度的1/2,ceil为向正无穷方向取整函数。
优选地,步骤2.5)的详细步骤包括:
2.5.1)初始化电压电流轨迹图像以及像素矩阵BG,像素矩阵BG中的像素点元素和电压电流轨迹图像中的像素点一一对应,像素矩阵BG中每一个元素初始化值为255;
2.5.2)针对负增长方向轨迹上的像素点坐标以及正增长方向轨迹上的像素点坐标,选择一组作为第一方向轨迹上的像素点坐标,另一组作为第二方向轨迹上的像素点坐标;针对像素矩阵BG,将其对应第一方向轨迹上的像素点坐标的像素点元素赋值为第一预设颜色;
2.5.3)将像素矩阵BG赋值给的电压电流轨迹图像的R、B、G三个通道;
2.5.4)针对电压电流轨迹图像,将其对应的第二方向轨迹上的像素点坐标对应的像素点赋值为第二预设颜色。
本发明还提供一种基于图像处理的非侵入式电力负荷特征提取系统,包括计算机设备,该计算机设备被编程或配置以执行所述基于图像处理的非侵入式电力负荷特征提取方法的步骤,或该计算机设备的存储介质上存储有被编程或配置以执行所述基于图像处理的非侵入式电力负荷特征提取方法的计算机程序。
本发明还提供一种基于图像处理的非侵入式电力负荷识别方法,实施步骤包括:
S1)采用前述基于图像处理的非侵入式电力负荷特征提取方法提取目标电器的电力负荷特征;
S2)将提取得到的电力负荷特征输入卷积神经网络CNN得到特征向量,并在所述特征向量上附加上电流大小特征dI构成新的特征向量;
S3)将新的特征向量输入训练好的Siamese CNN网络得到综合电力负荷特征对应的识别结果,所述Siamese CNN网络被预先训练建立了新的特征向量、识别结果之间的映射关系,所述识别结果为综合电力负荷特征对应的电器类型。
本发明还提供一种基于图像处理的非侵入式电力负荷识别系统,包括计算机设备,该计算机设备被编程或配置以执行前述基于图像处理的非侵入式电力负荷识别方法的步骤,或该计算机设备的存储介质上存储有被编程或配置以执行前述基于图像处理的非侵入式电力负荷识别方法的计算机程序。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质上存储有被编程或配置以执行前述基于图像处理的非侵入式电力负荷特征提取方法的计算机程序,或该计算机可读存储介质上存储有被编程或配置以执行前述基于图像处理的非侵入式电力负荷识别方法的计算机程序。
和现有技术相比,本发明基于图像处理的非侵入式电力负荷特征提取方具有下述优点:本发明基于图像处理的非侵入式电力负荷特征提取方法根据电压电流轨迹生成电压电流轨迹图像,电压电流轨迹图像为彩色图像,且电压电流轨迹图像以一个方向代表电压大小、另一个方向代表电流大小,且将电压的正、负增长方向的轨迹分别表示为不同颜色,以颜色来表示轨迹方向,引入了电压电流相位关系这一特征,从而能够提高识别准确率。
和现有技术相比,本发明基于图像处理的非侵入式电力负荷特征识别方法具有下述优点:本发明电力负荷特征识别方法一方面在现有机器分类学习采用的输入特征的基础上引入了电流大小这一特征,从而提高了具有相似性质电力负荷的识别准确率;另一方面采用Siamese CNN网络,使得在有新的电力负荷需要加入特征库时,网络不需要重新训练,使得这种方法具有较高的实用性。
附图说明
图1为本发明实施例电力负荷特征提取方法的流程示意图。
图2为本发明实施例中得到的电压电流轨迹图像实例。
图3为本发明实施例中电力负荷识别方法的原理示意图。
图4为本发明实施例中Siamese CNN网络的训练原理示意图。
具体实施方式
如图1所示,本实施例基于图像处理的非侵入式电力负荷特征提取方法的步骤包括:
1)分别将采样得到总端电压、总端电流进行去噪处理,当连续n个周期的电流有效值相对于前m个周期的电流有效值的差值超过了预设阈值时判定有事件发生满足启动条件,且从事件发生前后各自处于稳态且电压过零点后的第一个正值开始取一个周期的电压序列和电流序列,计算该事件发生前后一个周期电流序列的差分电流序列,将该差分电流序列和前面所取的事件发生后的一个周期的电压序列共同表示为电力负荷的电压电流轨迹;
2)根据电压电流轨迹生成电压电流轨迹图像,电压电流轨迹图像为彩色图像,且电压电流轨迹图像以一个方向代表电压大小、另一个方向代表电流大小,且将电压的正、负增长方向的轨迹分别表示为不同颜色。在得到电压电流轨迹图像后,即可利用电压电流轨迹图像进行电器类型识别。
如图2所示,步骤1)的详细步骤包括:分别将采样得到总端电压、总端电流进行去噪处理,当连续n个周期的电流有效值相对于前m个周期的电流有效值的差值超过了预设阈值时判定有事件发生满足启动条件,且从事件发生前后各自处于稳态且电压过零点后的第一个正值开始取一个周期的电压序列和电流序列,计算该事件发生前后一个周期电流序列的差分电流序列,将该差分电流序列和前面所取的事件发生后的一个周期的电压序列共同表示为电力负荷的电压电流轨迹。其中,n和m为指定的整数。
本实施例中,步骤2)将电压电流轨迹生成电压电流轨迹图像的步骤包括:
2.1)分别针对电压电流轨迹中的所有电压值和电流值分别进行归一化;
2.2)根据所有电压值计算电压中间值作为每个像素点的基准电压权重u0、根据所有电流计算电流中间值作为每个像素点的基准电流权重i0;
2.3)基于电压电流轨迹图像的大小以及每个像素点的基准电压权重u0、基准电流权重i0分别计算得到每个像素点的电压权重du和电流权重di;
2.4)从所有电压值中找出负增长方向的第一电压序列u1、从所有电流值中找出与u1在时间上对应的第一电流序列i1,并基于基准电压权重u0、基准电流权重i0、电压权重du以及电流权重di将负增长方向每一对电压值和电流值构成负增长方向轨迹上的一个像素点坐标;从所有电压值中找出正增长方向的第二电压序列u2、从所有电流值中找出与u2在时间上对应的第二电流序列i2,并基于基准电压权重u0、基准电流权重i0、电压权重du以及电流权重di 将正增长方向每一对电压值和电流值构成正增长方向轨迹上的一个像素点坐标;
2.5)初始化电压电流轨迹图像,并在电压电流轨迹图像中分别按照不同的颜色生成负增长方向轨迹上的像素点坐标以及正增长方向轨迹上的像素点坐标。
本实施例中,步骤2.1)中进行归一化的函数表达式分别如式(1)和式(2)所示;
式(1)中,u为对所有电压值中第i个的电压值ui进行归一化后的电压值,max(|U|)表示所有电压值的绝对值中的最大值;
式(2)中,i为对所有电流值中第i个的电流值ii进行归一化后的电压值,max(|I|)表示所有电流值的绝对值中的最大值;
本实施例中,步骤2.2)中每个像素点的基准电压权重u0的计算函数表达式如式(3)所示,每个像素点的基准电流权重i0的计算函数表达式如式(4)所示;
式(3)中,max(U)表示所有电压值中的最大值,min(U)表示所有电压值中的最小值;
式(4)中,max(I)表示所有电流值中的最大值,min(I)表示所有电流值中的最小值。
本实施例中,步骤2.3)中电压权重du和电流权重di的计算函数表达式分别如式(5) 和式(6)所示;
式(5)中,max(|U|)表示所有电压值的绝对值中的最大值,u0为基准电压权重,N为电压电流轨迹图像的宽度及高度的1/2;
式(6)中,max(|I|)表示所有电流值的绝对值中的最大值,i0为基准电流权重,N为电压电流轨迹图像的宽度及高度的1/2。
本实施例中,步骤2.4)中构成负增长方向轨迹上的一个像素点坐标的函数表达式如式(7) 和(8)所示,构成正增长方向轨迹上的一个像素点坐标的函数表达式如式(9)和(10)所示;
式(7)和(8)中,(x1(k),y1(k))表示负增长方向轨迹上的一个像素点坐标,u1(k)表示该像素点坐标对应的电压值,i1(k)表示该像素点坐标对应的电流值,u0为基准电压权重,i0为基准电流权重,N为电压电流轨迹图像的宽度及高度的1/2,ceil为向正无穷方向取整函数;
式(9)和(10)中,(x2(k),y2(k))表示正增长方向轨迹上的一个像素点坐标,u2(k)表示该像素点坐标对应的电压值,i2(k)表示该像素点坐标对应的电流值,u0为基准电压权重,i0为基准电流权重,N为电压电流轨迹图像的宽度及高度的1/2,ceil为向正无穷方向取整函数。
本实施例中彩色图像具体是指RGB彩色图像,此外也可以根据需要采用其他通道类型的彩色图像,例如CMYK图像等等,其同样也能够方便地实现颜色区分。
本实施例中,步骤2.5)的详细步骤包括:
2.5.1)初始化电压电流轨迹图像以及像素矩阵BG,像素矩阵BG中的像素点元素和电压电流轨迹图像中的像素点一一对应,像素矩阵BG中每一个元素初始化值为255;电压电流轨迹图像的每个通道的像素点个数为2N*2N,N为电压电流轨迹图像的宽度及高度的1/2。
2.5.2)针对负增长方向轨迹上的像素点坐标以及正增长方向轨迹上的像素点坐标,选择一组作为第一方向轨迹上的像素点坐标,另一组作为第二方向轨迹上的像素点坐标;针对像素矩阵BG,将其对应第一方向轨迹上的像素点坐标的像素点元素赋值为第一预设颜色;
2.5.3)将像素矩阵BG赋值给的电压电流轨迹图像的R、B、G三个通道;
2.5.4)针对电压电流轨迹图像,将其对应的第二方向轨迹上的像素点坐标对应的像素点赋值为第二预设颜色。
本实施例步骤2.5.2)中,选择负增长方向轨迹上的像素点坐标作为第一方向轨迹上的一个像素点坐标,正增长方向轨迹上的像素点坐标作为第二方向轨迹上的一个像素点坐标;针对像素矩阵BG,将其对应第一方向轨迹上的像素点坐标的像素点元素赋值为0(用于生成黑色像素点)。步骤2.5.4)中将其对应的第二方向轨迹上的像素点坐标对应的像素点赋值为第二预设颜色具体是指给通道R和G对应的像素点赋像素值0,生成蓝色像素点。
此时得到电压电流轨迹图像的RGB三个通道,形成有方向的电压电流轨迹图像,效果如图2所示,方向为由蓝色到黑色,其中的颜色可以随着各通道赋的像素值的不同而不同,基于上述方法,图像的水平方向代表电压,垂直方向代表电流,图像的左下方第一个像素点代表电压负的最大值和电流正的最大值,图像的右上方第一个像素点代表电压正的最大值,当电压从负的最大值依次递增到正的最大值时,对应电压电流轨迹的颜色为蓝色(图2中标记为I);当电压从正的最大值依次递减到负的最大值时,对应电压电流轨迹的颜色为黑(图2 中标记为II)。其轨迹方向为从电压负的最大值依次递增到电压正的最大值(以图中的蓝色轨迹表示,标记为I),再从电压正的最大值依次递增到电压负的最大值(以图中的黑色轨迹表示,标记为II)。通过图2可以看出:空调轨迹回线方向为顺时针方向(由蓝色到黑色),表示电压滞后电流;洗衣机轨迹回线方向为顺时针方向(由蓝色到黑色),表示电压超前电流;对于冰箱和微波炉由于其谐波含量较高,故电压电流轨迹存在交点,由图中轨迹颜色可以明显看出二者电压电流相位超前滞后关系的区别。从而,基于上述电力负荷特征,能够有效对电器设备进行分辨。
此外,本实施例还提供一种基于图像处理的非侵入式电力负荷特征提取系统,包括计算机设备,该计算机设备被编程或配置以执行本实施例前述基于图像处理的非侵入式电力负荷特征提取方法的步骤,或该计算机设备的存储介质上存储有被编程或配置以执行本实施例前述基于图像处理的非侵入式电力负荷特征提取方法的计算机程序。
毫无疑问,本实施例前述基于图像处理的非侵入式电力负荷特征提取方法可以利用现有的基于图像处理的非侵入式电力负荷识别方法来实现电器识别。
作为前述基于图像处理的非侵入式电力负荷特征提取方法的一种应用实例,本实施例还提供一种基于图像处理的非侵入式电力负荷识别方法,其一方面在现有机器分类学习采用的输入特征的基础上引入了电流大小这一特征,从而提高了具有相似性质电力负荷的识别准确率;另一方面采用Siamese CNN网络,使得在有新的电力负荷需要加入特征库时,网络不需要重新训练,使得这种方法具有较高的实用性。
如图3所示,本实施例基于图像处理的非侵入式电力负荷识别方法的实施步骤包括:
S1)采用本实施例前述基于图像处理的非侵入式电力负荷特征提取方法提取目标电器的电力负荷特征;
S2)将提取得到的电力负荷特征输入卷积神经网络CNN得到特征向量,并在特征向量上附加上电流大小特征dI构成新的特征向量;
S3)将新的特征向量输入训练好的Siamese CNN网络得到综合电力负荷特征对应的识别结果,Siamese CNN网络被预先训练建立了新的特征向量、识别结果之间的映射关系,识别结果为综合电力负荷特征对应的电器类型。
本实施例中,步骤S2)中电流大小特征dI的计算函数表达式如式(11)所示;
式(11)中,dI为附加上的电流大小特征,max(|I|)表示所有电流值的绝对值中的最大值, max(I)表示所有电流值中的最大值,min(I)表示所有电流值中的最小值,N为电压电流轨迹图像的宽度及高度的1/2。
考虑到传统方法采用单一的卷积神经网络对上述灰度图像进行训练,在有新的电力负荷需要加入特征库时,卷积网络需要重新训练,大大降低了该方法的实用性。针对这一缺点,本实施例中的机器学习分类模型采用Siamese CNN网络,使得在有新的电力负荷需要加入特征库时,网络不需要重新训练,使得这种方法具有较高的实用性。
如图4所示,Siamese CNN网络的原理是比较两张输入图像的相似性,将两张经上述采集到的RGB图分别输入两个完全一样、权值共享的卷积神经网络CNN,得到如附图图2所示的特征向量1和特征向量2,由于电流经过归一化处理,所以这两个特征向量都忽视了电流大小这一重要特征,在所得到的特征向量末尾加上式(11)中得到的与网络两个输入相对应的dI1和dI2,从而形成新的特征向量1和新的特征向量2,计算这两个新的特征向量之间的距离,该距离有多种表示方法,如L1距离等,将此距离值输入一个全卷积层,通过sigmoid函数输出识别结果,识别结果为两个电力负荷之间的相似性概率,相似性高则输出为接近1的概率,相似性低则输出为接近0的概率。
在该Siamese CNN网络的训练完成后,将其中一个卷积神经网络去掉,将样本库里面的电力负荷经过上述处理后的有方向的电压电流轨迹图像分别输入该去掉的卷积神经网络(注意,两个卷积神经网络权值共享、完全一样),并在得到的特征向量末尾加上该电力负荷对应的dI,得到该电力负荷的特征向量保存在样本库。当实际应用时,网络结构如图3所示,将由待识别的电力负荷生成的有方向的电压电流轨迹图输入该网络,同时分别输入样本库中各个电力负荷的特征向量得到各个电力负荷对应的识别结果,取最大的识别结果,该识别结果对应的电力负荷即为识别结果。当有新的电力负荷加入时,只需要将该负荷的有方向的电压电流轨迹图输入上述去掉的卷积神经网络,在得到的特征向量末尾加入由式(11)得到的dI 形成新的特征向量,再将此新的特征向量加入特征库即可。
此外,本实施例还提供一种基于图像处理的非侵入式电力负荷识别系统,包括计算机设备,该计算机设备被编程或配置以执行本实施例前述基于图像处理的非侵入式电力负荷识别方法的步骤,或该计算机设备的存储介质上存储有被编程或配置以执行本实施例前述基于图像处理的非侵入式电力负荷识别方法的计算机程序。此外,本实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有被编程或配置以执行本实施例前述基于图像处理的非侵入式电力负荷特征提取方法的计算机程序,或该计算机可读存储介质上存储有被编程或配置以执行本实施例前述基于图像处理的非侵入式电力负荷识别方法的计算机程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/ 或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/ 或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于图像处理的非侵入式电力负荷特征提取方法,其特征在于步骤包括:
1)分别将采样得到总端电压、总端电流进行去噪处理,当连续n个周期的电流有效值相对于前m个周期的电流有效值的差值超过了预设阈值时判定有事件发生满足启动条件,且从事件发生前后各自处于稳态且电压过零点后的第一个正值开始取一个周期的电压序列和电流序列,计算该事件发生前后一个周期电流序列的差分电流序列,将该差分电流序列和前面所取的事件发生后的一个周期的电压序列共同表示为电力负荷的电压电流轨迹;
2)根据电压电流轨迹生成电压电流轨迹图像,所述电压电流轨迹图像为彩色图像,且所述电压电流轨迹图像以一个方向代表电压大小、另一个方向代表电流大小,且将电压的正、负增长方向的轨迹分别表示为不同颜色。
2.根据权利要求1所述的基于图像处理的非侵入式电力负荷特征提取方法,其特征在于,步骤2)将电压电流轨迹生成电压电流轨迹图像的步骤包括:
2.1)分别针对电压电流轨迹中的所有电压值和电流值分别进行归一化;
2.2)根据所有电压值计算电压中间值作为每个像素点的基准电压权重u0、根据所有电流计算电流中间值作为每个像素点的基准电流权重i0;
2.3)基于电压电流轨迹图像的大小以及每个像素点的基准电压权重u0、基准电流权重i0分别计算得到每个像素点的电压权重du和电流权重di;
2.4)从所有电压值中找出负增长方向的第一电压序列u1、从所有电流值中找出与u1在时间上对应的第一电流序列i1,并基于基准电压权重u0、基准电流权重i0、电压权重du以及电流权重di将负增长方向每一对电压值和电流值构成负增长方向轨迹上的一个像素点坐标;从所有电压值中找出正增长方向的第二电压序列u2、从所有电流值中找出与u2在时间上对应的第二电流序列i2,并基于基准电压权重u0、基准电流权重i0、电压权重du以及电流权重di将正增长方向每一对电压值和电流值构成正增长方向轨迹上的一个像素点坐标;
2.5)初始化电压电流轨迹图像,并在电压电流轨迹图像中分别按照不同的颜色生成负增长方向轨迹上的像素点坐标以及正增长方向轨迹上的像素点坐标。
3.根据权利要求2所述的基于图像处理的非侵入式电力负荷特征提取方法,其特征在于,步骤2.2)中每个像素点的基准电压权重u0的计算函数表达式如式(3)所示,每个像素点的基准电流权重i0的计算函数表达式如式(4)所示;
式(3)中,max(U)表示所有电压值中的最大值,min(U)表示所有电压值中的最小值;
式(4)中,max(I)表示所有电流值中的最大值,min(I)表示所有电流值中的最小值。
4.根据权利要求2所述的基于图像处理的非侵入式电力负荷特征提取方法,其特征在于,步骤2.3)中电压权重du和电流权重di的计算函数表达式分别如式(5)和式(6)所示;
式(5)中,max(|U|)表示所有电压值的绝对值中的最大值,u0为基准电压权重,N为电压电流轨迹图像的宽度及高度的1/2;
式(6)中,max(|I|)表示所有电流值的绝对值中的最大值,i0为基准电流权重,N为电压电流轨迹图像的宽度及高度的1/2。
5.根据权利要求2所述的基于图像处理的非侵入式电力负荷特征提取方法,其特征在于,步骤2.4)中构成负增长方向轨迹上的一个像素点坐标的函数表达式如式(7)和(8)所示,构成正增长方向轨迹上的一个像素点坐标的函数表达式如式(9)和(10)所示;
式(7)和(8)中,(x1(k),y1(k))表示负增长方向轨迹上的一个像素点坐标,u1(k)表示该像素点坐标对应的电压值,i1(k)表示该像素点坐标对应的电流值,u0为基准电压权重,i0为基准电流权重,N为电压电流轨迹图像的宽度及高度的1/2,ceil为向正无穷方向取整函数;
式(9)和(10)中,(x2(k),y2(k))表示正增长方向轨迹上的一个像素点坐标,u2(k)表示该像素点坐标对应的电压值,i2(k)表示该像素点坐标对应的电流值,u0为基准电压权重,i0为基准电流权重,N为电压电流轨迹图像的宽度及高度的1/2,ceil为向正无穷方向取整函数。
6.根据权利要求2所述的基于图像处理的非侵入式电力负荷特征提取方法,其特征在于,步骤2.5)的详细步骤包括:
2.5.1)初始化电压电流轨迹图像以及像素矩阵BG,像素矩阵BG中的像素点元素和电压电流轨迹图像中的像素点一一对应,像素矩阵BG中每一个元素初始化值为255;
2.5.2)针对负增长方向轨迹上的像素点坐标以及正增长方向轨迹上的像素点坐标,选择一组作为第一方向轨迹上的像素点坐标,另一组作为第二方向轨迹上的像素点坐标;针对像素矩阵BG,将其对应第一方向轨迹上的像素点坐标的像素点元素赋值为第一预设颜色;
2.5.3)将像素矩阵BG赋值给的电压电流轨迹图像的R、B、G三个通道;
2.5.4)针对电压电流轨迹图像,将其对应的第二方向轨迹上的像素点坐标对应的像素点赋值为第二预设颜色。
7.一种基于图像处理的非侵入式电力负荷特征提取系统,包括计算机设备,其特征在于,该计算机设备被编程或配置以执行权利要求1~6中任意一项所述基于图像处理的非侵入式电力负荷特征提取方法的步骤,或该计算机设备的存储介质上存储有被编程或配置以执行权利要求1~6中任意一项所述基于图像处理的非侵入式电力负荷特征提取方法的计算机程序。
8.一种基于图像处理的非侵入式电力负荷识别方法,其特征在于实施步骤包括:
S1)采用权利要求1~6中任意一项所述基于图像处理的非侵入式电力负荷特征提取方法提取目标电器的电力负荷特征;
S2)将提取得到的电力负荷特征输入卷积神经网络CNN得到特征向量,并在所述特征向量上附加上电流大小特征dI构成新的特征向量;
S3)将新的特征向量输入训练好的Siamese CNN网络得到综合电力负荷特征对应的识别结果,所述Siamese CNN网络被预先训练建立了新的特征向量、识别结果之间的映射关系,所述识别结果为综合电力负荷特征对应的电器类型。
9.一种基于图像处理的非侵入式电力负荷识别系统,包括计算机设备,其特征在于,该计算机设备被编程或配置以执行权利要求8所述基于图像处理的非侵入式电力负荷识别方法的步骤,或该计算机设备的存储介质上存储有被编程或配置以执行权利要求8所述基于图像处理的非侵入式电力负荷识别方法的计算机程序。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有被编程或配置以执行权利要求1~6中任意一项所述基于图像处理的非侵入式电力负荷特征提取方法的计算机程序,或该计算机可读存储介质上存储有被编程或配置以执行权利要求8所述基于图像处理的非侵入式电力负荷识别方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910412402.5A CN110188771B (zh) | 2019-05-17 | 2019-05-17 | 基于图像处理的非侵入式电力负荷特征提取、识别方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910412402.5A CN110188771B (zh) | 2019-05-17 | 2019-05-17 | 基于图像处理的非侵入式电力负荷特征提取、识别方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188771A true CN110188771A (zh) | 2019-08-30 |
CN110188771B CN110188771B (zh) | 2021-02-23 |
Family
ID=67716665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910412402.5A Active CN110188771B (zh) | 2019-05-17 | 2019-05-17 | 基于图像处理的非侵入式电力负荷特征提取、识别方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188771B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111103477A (zh) * | 2019-10-31 | 2020-05-05 | 武汉旗云高科信息技术有限公司 | 一种基于3d卷积神经网络的电气负载监测方法和系统 |
CN111459205A (zh) * | 2020-04-02 | 2020-07-28 | 四川三联新材料有限公司 | 基于增强学习的加热器具控制系统 |
CN111539275A (zh) * | 2020-04-14 | 2020-08-14 | 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 |
CN111766462A (zh) * | 2020-05-14 | 2020-10-13 | 中国计量大学 | 一种基于v-i轨迹的非侵入式负荷识别方法 |
CN112180193A (zh) * | 2020-09-28 | 2021-01-05 | 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 |
CN112418722A (zh) * | 2020-12-08 | 2021-02-26 | 浙江大学 | 基于v-i轨迹图和神经网络的非侵入式负荷识别方法 |
CN113036759A (zh) * | 2021-03-31 | 2021-06-25 | 上海电力大学 | 一种电力用户负荷细粒度识别方法及识别系统 |
CN113537327A (zh) * | 2021-07-06 | 2021-10-22 | 江阴长仪集团有限公司 | 基于Alexnet神经网络和颜色编码的非侵入式负荷识别方法及系统 |
CN113537330A (zh) * | 2021-07-08 | 2021-10-22 | 中国海洋大学 | 一种非侵入式负荷识别方法 |
CN113537330B (zh) * | 2021-07-08 | 2024-05-14 | 中国海洋大学 | 一种非侵入式负荷识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
KR20180058113A (ko) * | 2016-11-23 | 2018-05-31 | 부산대학교 산학협력단 | 가전기기 고유값 추출을 이용한 가전기기 분류 시스템 및 방법 |
-
2019
- 2019-05-17 CN CN201910412402.5A patent/CN110188771B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
KR20180058113A (ko) * | 2016-11-23 | 2018-05-31 | 부산대학교 산학협력단 | 가전기기 고유값 추출을 이용한 가전기기 분류 시스템 및 방법 |
Non-Patent Citations (1)
Title |
---|
陈小闽: "非侵入式负荷分解技术及应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111103477A (zh) * | 2019-10-31 | 2020-05-05 | 武汉旗云高科信息技术有限公司 | 一种基于3d卷积神经网络的电气负载监测方法和系统 |
CN111459205A (zh) * | 2020-04-02 | 2020-07-28 | 四川三联新材料有限公司 | 基于增强学习的加热器具控制系统 |
CN111459205B (zh) * | 2020-04-02 | 2021-10-12 | 四川三联新材料有限公司 | 基于增强学习的加热器具控制系统 |
CN111539275A (zh) * | 2020-04-14 | 2020-08-14 | 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 |
CN111766462A (zh) * | 2020-05-14 | 2020-10-13 | 中国计量大学 | 一种基于v-i轨迹的非侵入式负荷识别方法 |
CN111766462B (zh) * | 2020-05-14 | 2023-03-10 | 中国计量大学 | 一种基于v-i轨迹的非侵入式负荷识别方法 |
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 |
CN112180193A (zh) * | 2020-09-28 | 2021-01-05 | 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 |
CN112418722A (zh) * | 2020-12-08 | 2021-02-26 | 浙江大学 | 基于v-i轨迹图和神经网络的非侵入式负荷识别方法 |
WO2022121744A1 (zh) * | 2020-12-08 | 2022-06-16 | 浙江大学 | 基于v‐i轨迹图和神经网络的非侵入式负荷识别方法 |
CN113036759A (zh) * | 2021-03-31 | 2021-06-25 | 上海电力大学 | 一种电力用户负荷细粒度识别方法及识别系统 |
CN113036759B (zh) * | 2021-03-31 | 2023-09-26 | 上海电力大学 | 一种电力用户负荷细粒度识别方法及识别系统 |
CN113537327A (zh) * | 2021-07-06 | 2021-10-22 | 江阴长仪集团有限公司 | 基于Alexnet神经网络和颜色编码的非侵入式负荷识别方法及系统 |
CN113537330A (zh) * | 2021-07-08 | 2021-10-22 | 中国海洋大学 | 一种非侵入式负荷识别方法 |
CN113537330B (zh) * | 2021-07-08 | 2024-05-14 | 中国海洋大学 | 一种非侵入式负荷识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110188771B (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188771A (zh) | 基于图像处理的非侵入式电力负荷特征提取、识别方法、系统及介质 | |
CN106997597B (zh) | 一种基于有监督显著性检测的目标跟踪方法 | |
CN110837850A (zh) | 一种基于对抗学习损失函数的无监督域适应方法 | |
CN110472554A (zh) | 基于姿态分割和关键点特征的乒乓球动作识别方法及系统 | |
CN109446925A (zh) | 一种基于卷积神经网络的电力设备检测算法 | |
Xue et al. | Hybrid center-symmetric local pattern for dynamic background subtraction | |
CN104992454B (zh) | 一种区域化自动变类的图像分割方法 | |
CN108921119A (zh) | 一种障碍物实时检测和分类方法 | |
CN105825233B (zh) | 一种基于在线学习随机蕨分类器的行人检测方法 | |
Tan et al. | Dynamic hand gesture recognition using motion trajectories and key frames | |
CN107516316A (zh) | 一种在fcn中引入聚焦机制对静态人体图像进行分割的方法 | |
CN106875007A (zh) | 用于语音欺骗检测的基于卷积长短期记忆端对端深度神经网络 | |
CN106529378B (zh) | 一种亚裔人脸的年龄特征模型生成方法及年龄估计方法 | |
CN110533026A (zh) | 基于计算机视觉的电竞图像数字与图标信息获取方法 | |
CN105469397B (zh) | 一种基于系数矩阵分析的目标遮挡检测方法 | |
CN106228109A (zh) | 一种基于骨骼运动轨迹的动作识别方法 | |
CN110427795A (zh) | 一种基于头部照片的属性分析方法、系统和计算机设备 | |
CN111864896A (zh) | 一种电力负荷监测方法及系统 | |
CN105183780B (zh) | 基于改进agnes算法的协议分类方法 | |
CN107133607A (zh) | 基于视频监控的人群统计方法及系统 | |
CN108989581A (zh) | 一种用户风险识别方法、装置及系统 | |
Yang et al. | Balanced and hierarchical relation learning for one-shot object detection | |
Yu et al. | The design of single moving object detection and recognition system based on OpenCV | |
Kang et al. | Winning the cvpr'2021 kinetics-gebd challenge: Contrastive learning approach | |
CN106530319B (zh) | 一种基于轨迹有向图的视频对象协同分割方法 |
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 |