CN110443302A - 基于特征融合与深度学习的负荷辨识方法及其应用 - Google Patents

基于特征融合与深度学习的负荷辨识方法及其应用 Download PDF

Info

Publication number
CN110443302A
CN110443302A CN201910710484.1A CN201910710484A CN110443302A CN 110443302 A CN110443302 A CN 110443302A CN 201910710484 A CN201910710484 A CN 201910710484A CN 110443302 A CN110443302 A CN 110443302A
Authority
CN
China
Prior art keywords
equipment
load
features
neural
voltage
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
Application number
CN201910710484.1A
Other languages
English (en)
Other versions
CN110443302B (zh
Inventor
王守相
郭陆阳
蔡声霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Xianghe Electric Technology Co Ltd
Original Assignee
Tianjin Xianghe Electric Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Xianghe Electric Technology Co Ltd filed Critical Tianjin Xianghe Electric Technology Co Ltd
Priority to CN201910710484.1A priority Critical patent/CN110443302B/zh
Publication of CN110443302A publication Critical patent/CN110443302A/zh
Application granted granted Critical
Publication of CN110443302B publication Critical patent/CN110443302B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及基于特征融合与深度学习的负荷辨识方法，所述负荷辨识方法包括如下步骤：采集设备的高频电压电流波形数据，由电压电流波形提取设备的V‑I轨迹特征与功率特征；构建卷积神经网络及BP神经网络，并对其训练；将V‑I轨迹特征与功率特征分别输入到经过训练后的卷积神经网络与BP神经网络，得到复合特征；构建分类神经网络，并对其训练；将设备的复合特征输入到经过训练后的分类神经网络，分类神经网络的输出即为设备类别预测值；本发明针对单一设备特征进行负荷辨识存在的局限性，提高负荷辨识准确率，能够解决数据分布维度高、建模复杂问题的基于特征融合与深度学习的负荷辨识方法，并将该方法应用到家用电器负荷辨识方面。

Description

基于特征融合与深度学习的负荷辨识方法及其应用
技术领域
本发明属于智能配用电技术领域，尤其涉及基于特征融合与深度学习的负荷辨识方法及其应用。
背景技术
在智能电网的建设过程中，需求侧的精细化管理对电能的合理调度与高效利用具有重要作用。非侵入式负荷监测(non-intrusive load monitoring，NILM)是需求侧精细化管理的关键技术之一，通过实时监控用户各用电设备的类别、运行状态与耗电情况等信息，为电能高效调度与电网结构优化提供了重要参考依据。同时，负荷监测的结果可以帮助用户掌握家用电器的运行情况与功耗等信息，为用户的合理用电提供了重要参考。
负荷辨识准确率主要取决于负荷特征选择与分类算法构建。负荷特征分为低频特征与高频特征。常用的低频特征包括设备的功率等级和开关时间，使用低频特征的缺点是采样精度低，只能检测到能耗较高的设备。常用的高频特征包括有功功率和无功功率、电流谐波、电流波形、V-I轨迹等，使用高频特征能够提高辨识准确率，但对采样设备要求较高。在提取出负荷特征后，可以将其输入到支持向量机(SVM)、神经网络、决策树或邻近算法等分类算法中进行负荷辨识。
国内外学者在负荷特征选择与分类算法构建方面做了大量工作。但V-I轨迹特征是由归一化的电压与电流值绘制，因此从原理上无法反映设备的功率大小，不能有效区分V-I轨迹相似但功率差异较大的设备。因此V-I轨迹特征并不是一种完善的设备特征。
因此，基于这些问题，提供一种针对单一设备特征进行负荷辨识存在的局限性，克服单一V-I轨迹特征无法反映设备功率大小的缺点，提高负荷辨识准确率，能够解决数据分布维度高、建模复杂问题的基于特征融合与深度学习的负荷辨识方法，并将该方法应用到家用电器负荷辨识方面。
发明内容
本发明的目的在于克服现有技术的不足，提供一种针对单一设备特征进行负荷辨识存在的局限性，克服单一V-I轨迹特征无法反映设备功率大小的缺点，提高负荷辨识准确率，能够解决数据分布维度高、建模复杂问题的基于特征融合与深度学习的负荷辨识方法，并将该方法应用到家用电器负荷辨识方面。
本发明解决其技术问题是采取以下技术方案实现的：
基于特征融合与深度学习的负荷辨识方法，所述负荷辨识方法包括如下步骤：
S1、采集设备的高频电压电流波形数据，并对采集不平衡的数据使用合成少数类过采样技术SMOTE进行处理，以样本最多的类别为准，对其他类别进行扩充，并由电压电流波形提取设备的V-I轨迹特征与功率特征，其中，提取后的V-I轨迹图像为经过网格化的有限分辨率的图像；
S2、构建卷积神经网络及BP神经网络，然后以设备的V-I轨迹特征与功率特征分别作为两个网络的输入，以设备类别作为标签训练两个网络进行负荷辨识；
S3、将V-I轨迹特征与功率特征分别输入到经过步骤S2训练后的卷积神经网络与BP神经网络，然后截取两个网络隐藏层的输出，两个网络隐藏层的输出均为一维向量，将两个向量组合，即为V-I轨迹特征与功率特征组成的复合特征；
S4、构建分类神经网络，然后以复合特征作为分类网络的输入，以设备类别作为标签，训练分类神经网络进行负荷辨识，其中，分类神经网络采用BP神经网络；
S5、将设备的复合特征输入到经过步骤S4训练后的分类神经网络，分类神经网络的输出即为设备类别预测值。
进一步的，所述步骤S2中的卷积神经网络、BP神经网络与步骤S4中的分类神经网络输出层激活函数均为softmax，损失函数使用交叉熵损失函数。
进一步的，所述步骤S1中设备的V-I轨迹特征提取方法为：
S101、在设备稳态运行时，以电压波形过零点为每个周期的起点，采集一个稳态周期内的高频电压与电流值；
S102、首先将周期内电压电流归一化为0到1，然后线性转换为0到n之间的整数，并向下取整，公式如下：
其中，Im与Vm为原始数据第m个采样点的电流与电压值，其中im与vm为第m个采样点转换后的电流与电压值，minI与minV为一个稳态周期内电流与电压的最小值，maxI与maxV为一个稳态周期内电流与电压的最大值，n为矩阵的阶数，为向下取整符号；
S103、从采样周期第一点开始，直到最后一点，每选中一个采样周期点，将矩阵的第vm行第im列的元素值赋值为1，其余元素均为0，循环完后即得到网格化V-I轨迹的n×n矩阵形式。
进一步的，所述功率特征采用快速傅里叶变换进行提取，根据高频采样数据求得设备稳态运行时的有功功率与无功功率。
需要说明的是，可以将基于特征融合与深度学习的荷辨识方法应用于家用电器负荷辨识。
本发明的优点和积极效果是：
本发明首先将利用矩阵绘图的方法从设备的高频采样数据中提取V-I轨迹图像特征，并利用快速傅里叶变换从设备的高频采样数据中提取设备的功率特征，然后构建两个特征提取神经网络，分别提取出V-I轨迹图像特征与功率数值特征的高级特征并融合为复合特征，最后构建一个分类神经网络，并以复合特征作为设备新的特征训练分类神经网络，最后由训练好的分类神经网络进行非侵入式负荷辨识；该方法针对使用单一设备特征进行负荷辨识存在的局限性，克服单一V-I轨迹特征无法反映设备功率大小的缺点，提高负荷辨识准确率。
附图说明
以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述，但是应当知道，这些附图仅是为解释目的而设计的，因此不作为本发明范围的限定。此外，除非特别指出，这些附图仅意在概念性地说明此处描述的结构构造，而不必要依比例进行绘制。
图1为本发明实施例提供的基于特征融合与深度学习的负荷辨识方法的流程示意图；
图2-a为本发明实施例提供的原始V-I轨迹图像；
图2-b为本发明实施例提供的网格化后的V-I轨迹图像；
图3为本发明实施例提供的常用电器的典型网格化V-I轨迹图像；
图4为本发明实施例提供的洗衣机的原始V-I轨迹图像与不同分辨率下网格化V-I轨迹图像；
图5为本发明实施例提供的分辨率与准确率的关系示意图；
图6-a为本发明实施例提供的使用V-I轨迹特征时的混淆举证；
图6-b为本发明实施例提供的使用功率特征时的混淆举证；
图7为本发明实施例提供的使用复合特征时的混淆举证；
图8为本发明实施例提供的使用不同特征融合算法的效果对比示意图；
具体实施方式
首先，需要说明的是，以下将以示例方式来具体说明本发明的具体结构、特点和优点等，然而所有的描述仅是用来进行说明的，而不应将其理解为对本发明形成任何限制。此外，在本文所提及各实施例中予以描述或隐含的任意单个技术特征，仍然可在这些技术特征(或其等同物)之间继续进行任意组合或删减，从而获得可能未在本文中直接提及的本发明的更多其他实施例。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
下面就结合图1、2-a、2-b、3、4、5、6-a、6-b、7、8来具体说明本发明。
实施例1
如图1、2-a、2-b、3、4、5、6-a、6-b、7、8所示，本实施例提供的基于特征融合与深度学习的负荷辨识方法，其步骤如下：
S1、采集设备的高频电压电流波形，并由电压电流波形提取设备的V-I轨迹特征与功率特征；
本实施例采用的是PLAID数据集，PLAID数据集包含30kHz采样频率下的设备电压电流波形，其中共有11类不同的家用设备，数据集内共有235个独立的设备与1074组数据，每组数据均包含设备启动时的暂态与稳态过程数据。
由表1可见不同设备采样数量差距较大，其中数据最多的节能灯有175组数据，而数据最少的洗衣机只有26组数据。对于样本数量多的设备类别，神经网络可以学习到更多特征，导致其辨识准确率高于样本数量少的设备类别，因此在训练之前需要对不平衡数据集进行处理。由于随机过采样只是通过简单复制的方法来增加少数类样本，容易导致过拟合问题。因此，使用合成少数类过采样技术(Synthetic Minority OversamplingTechnique，SMOTE)对不平衡的数据集进行处理，以样本最多的类别为准，对其他类别进行扩充。
表1数据集内设备及采样数量
设备类别 设备数 采样数量
空调 19 66
节能灯 35 175
电风扇 23 115
冰箱 18 38
吹风机 31 156
加热器 9 35
灯泡 25 114
计算机 38 172
微波炉 23 139
吸尘器 7 38
洗衣机 7 26
总数 235 1074
使用SMOTE技术对数据集进行处理后，在每类设备的真实采样数据中随机抽取20个组成测试集，测试集共有220个设备采样数据。其余采样数据组成训练集，训练集共有1705个设备采样数据，其中包含真实设备采样与合成数据。
V-I轨迹特征提取：
V-I轨迹属于高频特征，能够反映设备稳态运行时的电流波形、阻抗特性等设备特征。其绘制方法为将一个稳态周期内的电压电流归一化后，画出电流波形相对于电压波形的曲线。附图2-a为某洗衣机的V-I轨迹图像，此图像为矢量图，分辨率为无穷大，而分类算法只能接受有限分辨率的图像。因此需要提取网格化V-I轨迹图像才能利用分类算法进行负荷辨识。
网格化V-I轨迹图像由n×n个单元格组成，n为图像分辨率，每个单元格均为一个二进制值，因此网格化V-I轨迹图像的数据形式是一个二进制值组成的矩阵，矩阵中某位置的值为1时，对应位置的单元格颜色为黑色，代表V-I轨迹穿过此单元格，否则矩阵中此位置的值为0，对应单元格为白色。网格化V-I轨迹图像可直接作为分类算法的输入。本发明采用的网格化V-I轨迹图像的提取方法如下：
步骤1：假设创建大小为n×n的网格化V-I轨迹图像，在设备稳态运行时，以电压波形过零点为每个周期的起点，采集一个稳态周期内的高频电压与电流值，假设一个周期内采样k个点；
步骤2：首先将周期内电压电流归一化为0到1，然后线性转换为0到n之间的整数，并向下取整，公式如下：
其中Im与Vm为原始数据第m个采样点的电流与电压值，其中im与vm为第m个采样点转换后的电流与电压值，minI与minV为一个稳态周期内电流与电压的最小值，maxI与maxV为一个稳态周期内电流与电压的最大值，n为矩阵的阶数，为向下取整符号。
步骤3：从采样周期第一点开始，直到最后一点，每选中一个采样周期点，将矩阵的第vm行第im列的元素值赋值为1，其余元素均为0，循环完后即得到网格化V-I轨迹的矩阵形式，如附图2-b所示。
常用电器的典型网格化V-I轨迹图像如附图3所示，可见大部分电器的V-I轨迹图像之间均存在明显的差异，说明了利用V-I轨迹进行负荷辨识的可行性。但吹风机与加热器由于阻抗特性类似，因此V-I轨迹图像相似度较高，但这两种设备的功率等级并不相同，故为了提高负荷辨识准确率，可以采用功率特征来辅助辨识。
网格化V-I轨迹图像由大小为n×n的单元格组成，n为图像的分辨率，附图4为洗衣机的原始V-I轨迹图像与不同分辨率下网格化V-I轨迹图像。当n＝12时，图形细节严重丢失，拟合度随分辨率的提高而提高，当n＝32时，可较好地拟合原始V-I轨迹图像。分辨率越高，网格化V-I轨迹图像所占的存储空间越大，网络训练速度越慢，对处理器性能的要求越高，因此有必要选择合适的分辨率。
探索分辨率与准确率的关系的方法是：首先选定一个V-I轨迹特征的分辨率，然后根据选定的分辨率确定S2步骤中卷积神经网络的输入层结构，然后使用该分辨率的V-I轨迹图像对此神经网络进行训练，在训练过程中，神经网络会自动给出此时利用该神经网络进行负荷辨识的准确率为多少，当训练时的准确率不再提高时，训练结束，此时的准确率即为使用该分辨率的V-I轨迹图像进行负荷辨识的准确率。重复上述步骤，直到选出一个最佳的V-I轨迹分辨率。
需要说明的是，神经网络的输入层参数必须与输入数据(V-I轨迹图像特征)相匹配，因此当分辨率改变之后，对应于别的分辨率的神经网络将不再适用，必须根据当前分辨率对神经网络进行重新训练。
准确率代表被正确分类的样本数量占测试集总样本数量的比例，其计算公式如下：
其中ntotal代表测试集样本总数，ntrue代表正确分类的个数。
如附图5所示，当图像分辨率较低时，网格化V-I轨迹图像无法充分反映原始V-I轨迹的特征，因此识别准确率较低。随着分辨率的提高，网格化V-I轨迹对原始V-I轨迹的拟合度不断提高，准确率也随之提高。当分辨率达到28以上时，拟合度已经满足充分反映原始V-I轨迹特征的要求，此时准确率不再随分辨率的提高而提高，因此n＝28为最合适的分辨率。
功率特征提取：
本发明所采用的功率特征为设备稳态运行时的有功功率与无功功率。由于V-I轨迹图像要求采样信号为高频电压电流数据，所以需要根据高频采样数据求得设备稳态运行时的有功功率与无功功率。
针对时域离散采样数据本文采用快速傅里叶变换(fast fourier transform，FFT)来进行处理。FFT的作用均是将时域信号转换到频域。设一个时域信号有N个采样点，x(n)为信号的第n个采样点，X(k)为时域信号的第k阶谐波的分量，则x(n)的离散傅里叶变化公式为：
其中为旋转因子，其计算公式为：
N点DFT变换需要约N2次运算，为了减小计算量，FFT充分利用DFT中指数旋转因子的对称性与周期性，删除重复计算，计算速度获得了极大的提高。
对时域信号进行FFT即可得到时域信号的第k阶谐波的分量X(k)，设X(k)＝a(k)+jb(k)，其模值|X(k)|和相角arg[X(k)]分别为：
对于任意一项X(k)，它所对应的k阶时域信号表达式为：
其中:
若k＝0，即为直流分量，其幅值为：
本实施例假设一个稳态周期内电压电流信号采样点数N＝500，且经FFT之后的各谐波分量分别为Xv(k)与Xi(k)，则根据式(8)-(10)可得各次电压电流幅值与相位差为：
则时域电压电流信号可表示为：
即可求得平均有功功率与无功功率为：
S2、构建卷积神经网络及BP神经网络，然后以设备的V-I轨迹特征与功率特征分别作为两个网络的输入，以设备类别作为标签训练两个网络进行负荷辨识；
S3、将V-I轨迹特征与功率特征分别输入到经过步骤S2训练后的卷积神经网络与BP神经网络，然后截取两个网络隐藏层的输出，两个网络隐藏层的输出均为一维向量，将两个向量组合，即为V-I轨迹特征与功率特征组成的复合特征；
S4、构建分类神经网络，然后以复合特征作为分类网络的输入，以设备类别作为标签，训练分类神经网络进行负荷辨识，其中，分类神经网络采用BP神经网络；
对于步骤S2及S4中的神经网络，其具体网络结构如表2所示：
表2神经网络结构
由于负荷辨识为多分类问题，所以三个网络的输出层激活函数均为softmax，输出为一个11维向量a，向量中所有元素的和为1，其中每个元素的值ai代表预测值为第i类设备的概率。损失函数使用交叉熵损失函数，训练目的是使损失函数最小化，即在输入给网络第i类设备的特征时，ai的值最大。优化算法使用自适应矩估计优化算法。
具体的，神经网络的构建与训练均使用python编程语言中的深度学习工具库keras，在利用keras对神经网络进行构建之后，调用keras库中的fit函数即可对神经网络进行训练，在训练过程中fit函数会自动给出此时利用该神经网络进行负荷辨识的准确率是多少，随着训练的进行准确率会不断提高，当准确率提高到一定程度之后，即使再进行训练，准确率也不会再提高，此时即结束训练。
其中，步骤S3中将V-I轨迹特征与功率特征分别输入到经过步骤S2训练后的卷积神经网络与BP神经网络，然后截取两个网络隐藏层的输出，第一个网络的隐藏层输出为256个元素组成的一维数组，第二个网络的隐藏层输出为64个元素组成的一维数组，将两个数组组合为320个元素组成的一维数组，即为复合特征；
作为举例，在本实施例中，采用测试集220个设备采样数据进行试验，以V-I轨迹为设备特征，以卷积神经网络作为分类算法进行负荷辨识的准确率为0.827，其混淆矩阵如附图6-(a)所示；以功率特征作为设备特征，以功率特征提取神经网络作为分类算法进行负荷辨识的准确率为0.759，其混淆矩阵如附图6-(b)所示；由V-I轨迹特征的混淆矩阵可见，有5类设备全部分类正确，2类设备识别效果良好，说明这些类别具有独特的V-I轨迹特征。但空调、电风扇、冰箱出现了较多的分类错误，由于V-I轨迹无法反映设备功率的大小，且吹风机与加热器的V-I轨迹特征近似，因此有7个吹风机被错误分类为加热器。
通过对比两个特征的混淆矩阵可见，V-I轨迹特征与功率特征具有明显的互补性，即大部分设备在使用一种特征被错误分类时，使用另一种特征均能够被正确分类。如附图6中黑色圆圈为错误分类3个以上的设备，对应使用另一特征时的黑色方框，在使用另一种特征时均能被正确分类。
使用复合特征时的识别准确率为0.909，混淆矩阵如附图7所示。图中星形框为使用V-I特征时被错误分类为加热器的7个吹风机，在使用复合特征时全部被分类正确。图中三角形框为使用V-I轨迹被错误分类而使用功率特征被正确分类的设备，在使用复合特征时均被正确分类。以上计算结果证明使用复合特征可以利用V-I轨迹特征与功率特征之间的互补性，克服V-I轨迹无法反映功率大小的缺点，提高负荷识别准确率。
需要说明的是，混淆矩阵的绘制利用的是python编程语言中sklearn工具包的confusion_matrix函数，利用keras工具包中的predit函数对测试集中220个设备采样数据进行预测，会给出220个对应于采样数据的预测值。此时调用confusion_matrix函数，给其输入220个设备的真实值与预测值，此函数会对输入数据进行对比并将其可视化为混淆矩阵。
本发明使用了BP神经网络作为分类算法进行负荷辨识，并与几种常用的分类算法进行了对比，具体操作过程为本领域技术人员所熟知；在附图8中，白色柱以单一特征作为设备特征，以相应的特征提取神经网络作为分类算法进行负荷辨识的准确率，其准确率作为各分类算法辨识效果的对比基准；黑色柱采用的负荷特征均为复合特征，对比结果如附图8所示：使用贝叶斯、决策树、GBDT与SVM分类算法时不但没有提高使用V-I轨迹特征的准确率，反而造成了准确率的降低；使用KNN与随机森林算法虽然提高了V-I轨迹的准确率，但是效果并不明显。使用BP神经网络的分类准确率明显高于其他算法。以上计算结果证明了BP神经网络能够更充分地利用不同特征之间的互补性，更适用于特征融合的负荷辨识问题。
本发明的基于特征融合与深度学习的荷辨识方法应用于用电负荷辨识，其应用步骤为：将设备的复合特征输入到经过步骤S4训练后的分类神经网络，分类神经网络的输出即为设备类别预测值，由此可以用来识别家用电器负载种类。
以上实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (5)

1.基于特征融合与深度学习的负荷辨识方法，其特征在于：所述负荷辨识方法包括如下步骤：
S1、采集设备的高频电压电流波形数据，并对采集不平衡的数据使用合成少数类过采样技术SMOTE进行处理，以样本最多的类别为准，对其他类别进行扩充，并由电压电流波形提取设备的V-I轨迹特征与功率特征，其中，提取后的V-I轨迹图像为经过网格化的有限分辨率的图像；
S2、构建卷积神经网络及BP神经网络，然后以设备的V-I轨迹特征与功率特征分别作为两个网络的输入，以设备类别作为标签训练两个网络进行负荷辨识；
S3、将V-I轨迹特征与功率特征分别输入到经过步骤S2训练后的卷积神经网络与BP神经网络，然后截取两个网络隐藏层的输出，两个网络隐藏层的输出均为一维向量，将两个向量组合，即为V-I轨迹特征与功率特征组成的复合特征；
S4、构建分类神经网络，然后以复合特征作为分类网络的输入，以设备类别作为标签，训练分类神经网络进行负荷辨识，其中，分类神经网络采用BP神经网络；
S5、将设备的复合特征输入到经过步骤S4训练后的分类神经网络，分类神经网络的输出即为设备类别预测值。
2.根据权利要求1所述的基于特征融合与深度学习的负荷辨识方法，其特征在于：所述步骤S2中的卷积神经网络、BP神经网络与步骤S4中的分类神经网络输出层激活函数均为softmax，损失函数使用交叉熵损失函数。
3.根据权利要求1所述的基于特征融合与深度学习的负荷辨识方法，其特征在于：所述步骤S1中设备的V-I轨迹特征提取方法为：
S101、在设备稳态运行时，以电压波形过零点为每个周期的起点，采集一个稳态周期内的高频电压与电流值；
S102、首先将周期内电压电流归一化为0到1，然后线性转换为0到n之间的整数，并向下取整，公式如下：
其中，Im与Vm为原始数据第m个采样点的电流与电压值，其中im与vm为第m个采样点转换后的电流与电压值，minI与minV为一个稳态周期内电流与电压的最小值，maxI与maxV为一个稳态周期内电流与电压的最大值，n为矩阵的阶数，为向下取整符号；
S103、从采样周期第一点开始，直到最后一点，每选中一个采样周期点，将矩阵的第vm行第im列的元素值赋值为1，其余元素均为0，循环完后即得到网格化V-I轨迹的n×n矩阵形式。
4.根据权利要求1所述的基于特征融合与深度学习的负荷辨识方法，其特征在于：所述功率特征采用快速傅里叶变换进行提取，根据高频采样数据求得设备稳态运行时的有功功率与无功功率。
5.权利要求1-4任一项所述的基于特征融合与深度学习的荷辨识方法应用于家用电器负荷辨识。
CN201910710484.1A 2019-08-02 2019-08-02 基于特征融合与深度学习的负荷辨识方法及其应用 Active CN110443302B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910710484.1A CN110443302B (zh) 2019-08-02 2019-08-02 基于特征融合与深度学习的负荷辨识方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910710484.1A CN110443302B (zh) 2019-08-02 2019-08-02 基于特征融合与深度学习的负荷辨识方法及其应用

Publications (2)

Publication Number Publication Date
CN110443302A true CN110443302A (zh) 2019-11-12
CN110443302B CN110443302B (zh) 2023-06-09

Family

ID=68432888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910710484.1A Active CN110443302B (zh) 2019-08-02 2019-08-02 基于特征融合与深度学习的负荷辨识方法及其应用

Country Status (1)

Country Link
CN (1) CN110443302B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110944413A (zh) * 2019-12-06 2020-03-31 江苏智臻能源科技有限公司 云边协同架构下基于历史负荷辨识数据的电热细分方法
CN111242161A (zh) * 2019-12-27 2020-06-05 国网山西省电力公司大同供电公司 一种基于智能学习的非侵入式非居民用户负荷辨识方法
CN111680744A (zh) * 2020-06-05 2020-09-18 中国电力科学研究院有限公司 母线负荷构成辨识方法及机器可读存储介质
CN111738052A (zh) * 2020-04-13 2020-10-02 上海海洋大学 基于深度学习的多特征融合高光谱遥感地物分类方法
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
CN112435142A (zh) * 2020-12-16 2021-03-02 北京航空航天大学 一种用电负荷识别方法及其负荷用电设施知识库构建方法
CN112613536A (zh) * 2020-12-08 2021-04-06 燕山大学 一种基于smote和深度学习的近红外光谱柴油牌号识别方法
CN113408341A (zh) * 2021-05-10 2021-09-17 深圳供电局有限公司 负荷识别方法、装置、计算机设备和存储介质
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
CN113591792A (zh) * 2021-08-19 2021-11-02 国网吉林省电力有限公司四平供电公司 一种基于自组织竞争神经网络算法的变压器故障辨识方法
CN113807225A (zh) * 2021-09-07 2021-12-17 中国海洋大学 一种基于特征融合的负荷识别方法
CN114336965A (zh) * 2021-12-17 2022-04-12 中晟创通(深圳)智慧产业运营有限公司 电器类型识别方法、装置及计算机可读存储介质
CN114358055A (zh) * 2021-12-16 2022-04-15 中国人民解放军战略支援部队信息工程大学 基于深度学习的无线通信信号规格识别方法及系统
CN114355275A (zh) * 2022-03-21 2022-04-15 青岛鼎信通讯股份有限公司 电能表负荷监测方法、系统、装置及计算机可读存储介质
CN114662624A (zh) * 2022-05-25 2022-06-24 浙江大学 基于可再训练孪生网络的非侵入式负荷识别方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101124705A (zh) * 2004-09-10 2008-02-13 库帕技术公司 用于电路保护器监视和管理的系统和方法
US7539549B1 (en) * 1999-09-28 2009-05-26 Rockwell Automation Technologies, Inc. Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis
US8797195B1 (en) * 2012-06-29 2014-08-05 The United States Of America As Represented By The Secretary Of The Navy Smart synchro generator unit
US20170031430A1 (en) * 2015-07-29 2017-02-02 Samsung Electronics Co., Ltd. Method of managing power and electronic device
CN107294085A (zh) * 2017-06-16 2017-10-24 东南大学 基于临界特征根跟踪的微电网延时裕度计算方法
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
CN108664673A (zh) * 2017-03-30 2018-10-16 中国铁道科学研究院 一种轮轨力载荷辨识特征数据模型建立方法及装置
CN109165604A (zh) * 2018-08-28 2019-01-08 四川大学 基于协同训练的非侵入式负荷识别方法及其测试系统
CN109598451A (zh) * 2018-12-27 2019-04-09 东北大学 一种基于pca与lstm神经网络的非侵入式负荷辨识方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7539549B1 (en) * 1999-09-28 2009-05-26 Rockwell Automation Technologies, Inc. Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis
CN101124705A (zh) * 2004-09-10 2008-02-13 库帕技术公司 用于电路保护器监视和管理的系统和方法
US8797195B1 (en) * 2012-06-29 2014-08-05 The United States Of America As Represented By The Secretary Of The Navy Smart synchro generator unit
US20170031430A1 (en) * 2015-07-29 2017-02-02 Samsung Electronics Co., Ltd. Method of managing power and electronic device
CN108664673A (zh) * 2017-03-30 2018-10-16 中国铁道科学研究院 一种轮轨力载荷辨识特征数据模型建立方法及装置
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
CN107294085A (zh) * 2017-06-16 2017-10-24 东南大学 基于临界特征根跟踪的微电网延时裕度计算方法
CN109165604A (zh) * 2018-08-28 2019-01-08 四川大学 基于协同训练的非侵入式负荷识别方法及其测试系统
CN109598451A (zh) * 2018-12-27 2019-04-09 东北大学 一种基于pca与lstm神经网络的非侵入式负荷辨识方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JINGYI ZHANG: "Deep Reinforcement Leaming for Short-term Voltage Control by Dynamic Load Shedding in China Southem Power Grid", 《2018 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 *
杨东升: "《基于多特征序列融合的负荷辨识方法》", 《电力系统自动化》 *
王守相等: "采用改进生成式对抗网络的电力系统量测缺失数据重建方法", 《中国电机工程学报》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110944413A (zh) * 2019-12-06 2020-03-31 江苏智臻能源科技有限公司 云边协同架构下基于历史负荷辨识数据的电热细分方法
CN110944413B (zh) * 2019-12-06 2021-08-10 江苏智臻能源科技有限公司 云边协同架构下基于历史负荷辨识数据的电热细分方法
CN111242161A (zh) * 2019-12-27 2020-06-05 国网山西省电力公司大同供电公司 一种基于智能学习的非侵入式非居民用户负荷辨识方法
CN111242161B (zh) * 2019-12-27 2023-08-25 国网山西省电力公司大同供电公司 一种基于智能学习的非侵入式非居民用户负荷辨识方法
CN111738052A (zh) * 2020-04-13 2020-10-02 上海海洋大学 基于深度学习的多特征融合高光谱遥感地物分类方法
CN111738052B (zh) * 2020-04-13 2024-03-12 上海海洋大学 基于深度学习的多特征融合高光谱遥感地物分类方法
CN111680744A (zh) * 2020-06-05 2020-09-18 中国电力科学研究院有限公司 母线负荷构成辨识方法及机器可读存储介质
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
CN112613536A (zh) * 2020-12-08 2021-04-06 燕山大学 一种基于smote和深度学习的近红外光谱柴油牌号识别方法
CN112435142A (zh) * 2020-12-16 2021-03-02 北京航空航天大学 一种用电负荷识别方法及其负荷用电设施知识库构建方法
CN113408341A (zh) * 2021-05-10 2021-09-17 深圳供电局有限公司 负荷识别方法、装置、计算机设备和存储介质
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
CN113591792A (zh) * 2021-08-19 2021-11-02 国网吉林省电力有限公司四平供电公司 一种基于自组织竞争神经网络算法的变压器故障辨识方法
CN113591792B (zh) * 2021-08-19 2023-11-28 国网吉林省电力有限公司四平供电公司 一种基于自组织竞争神经网络算法的变压器故障辨识方法
CN113807225A (zh) * 2021-09-07 2021-12-17 中国海洋大学 一种基于特征融合的负荷识别方法
CN114358055A (zh) * 2021-12-16 2022-04-15 中国人民解放军战略支援部队信息工程大学 基于深度学习的无线通信信号规格识别方法及系统
CN114336965A (zh) * 2021-12-17 2022-04-12 中晟创通(深圳)智慧产业运营有限公司 电器类型识别方法、装置及计算机可读存储介质
CN114355275A (zh) * 2022-03-21 2022-04-15 青岛鼎信通讯股份有限公司 电能表负荷监测方法、系统、装置及计算机可读存储介质
CN114662624A (zh) * 2022-05-25 2022-06-24 浙江大学 基于可再训练孪生网络的非侵入式负荷识别方法及系统
CN114662624B (zh) * 2022-05-25 2022-09-13 浙江大学 基于可再训练孪生网络的非侵入式负荷识别方法及系统

Also Published As

Publication number Publication date
CN110443302B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN110443302A (zh) 基于特征融合与深度学习的负荷辨识方法及其应用
Liu et al. A hybrid model for appliance classification based on time series features
CN103136587A (zh) 基于支持向量机的配电网运行状态分类识别方法
CN109165604A (zh) 基于协同训练的非侵入式负荷识别方法及其测试系统
Afzalan et al. Self-configuring event detection in electricity monitoring for human-building interaction
CN109784276A (zh) 一种基于dbn的电压暂降特征提取与暂降源辨识方法
Song et al. A negative selection algorithm-based identification framework for distribution network faults with high resistance
CN113408341B (zh) 负荷识别方法、装置、计算机设备和存储介质
CN114444539A (zh) 电力负荷识别方法、装置、设备、介质和程序产品
Yin et al. Research on non-intrusive unknown load identification technology based on deep learning
Punmiya et al. Anomaly detection in power quality measurements using proximity-based unsupervised machine learning techniques
Moravej et al. New combined S-transform and logistic model tree technique for recognition and classification of power quality disturbances
CN113659564B (zh) 基于电压波动特征聚类的低压配电网拓扑识别方法及系统
CN109946543A (zh) 用于非侵入式负荷监测的v-i图样本数据集筛选方法
CN109377052A (zh) 一种电力负荷匹配方法、装置、设备及可读存储介质
Paul et al. An intelligent system for domestic appliance identification using deep dense 1-D convolutional neural network
Wang et al. Power quality disturbance recognition method in park distribution network based on one-dimensional vggnet and multi-label classification
Liu et al. Smart Device Recognition: Ubiquitous Electric Internet of Things
CN116108377A (zh) 基于分层分类学习的非侵入式负荷状态辨识方法及系统
Bisoi et al. A hybrid Hilbert Huang transform and improved fuzzy decision tree classifier for assessment of power quality disturbances in a grid connected distributed generation system
CN111539275B (zh) 一种基于负载特性可视化的电气负载分类方法和系统
CN114330444A (zh) 一种电路负荷的识别方法及装置
Liu et al. A non-intrusive load recognition method combining adaptive PSO algorithm and CNN model
He et al. Application and comparative analysis of traditional machine learning and deep learning in transmission line fault classification
Behzadi et al. Dual identification of multi-complex and non-stationary power quality disturbances using variational mode decomposition in hybrid modern power systems

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