CN110991263B - 一种抗背景负荷干扰的非入侵式负荷识别方法及系统 - Google Patents

Abstract

本发明公开了一种抗背景负荷干扰的非入侵式负荷识别方法，属于非入侵式负荷识别领域，包括：在检测到目标负荷的投切事件时，从总线处采集的高频电力数据中截取包含该投切事件的电流信号数据并转换为三维的复数频谱图；在时间维度上将复数频谱图平均划分为前、后两个部分，分别作为目标负荷的背景负荷块和混合负荷块，并利用已训练好的负荷识别模型获得目标负荷的标签，以识别目标负荷的类别；负荷识别模型包括用于提取混合负荷块和背景负荷块的特征并计算差分特征的特征提取模块，用于将差分特征转换为目标负荷特征的特征转换模块，以及用于将目标负荷特征转换为目标负荷标签的分类模块。本发明能够在非入侵式场景下实时、准确地识别负荷类别。

Description

一种抗背景负荷干扰的非入侵式负荷识别方法及系统

技术领域

本发明属于非入侵式负荷识别领域，更具体地，涉及一种抗背景负荷干扰的非入侵式负荷识别方法及系统。

背景技术

随着经济的快速发展，人类对能源的需求日益扩大，其中电能成为能源需求的重要组成部分。我国2017年的城乡居民用电达到8695亿千瓦时，在全社会用电中所占比重持续提升，为缓解能源需求压力，除大力开发风能、光能等可再生能源，如何高效利用现有能源成为解决能源紧缺的有效手段之一。根据美国哈佛大学的研究，如果家庭用户了解电器的详细用电情况，通过优化用电习惯，可以节约20％左右的电能。由此可见，准确分析用电细节对节约能源至关重要。为达到节约电能的目标，需要提供一种方法分析采集到的负荷数据，准确识别负荷的类别，从而获得电能消耗细节。

负荷识别方法要分为入侵式负荷识别方法和非入侵式负荷识别方法。入侵式负荷识别方法需要在每一个电器的接线处安装一个传感器，采集到的信号数据来自单一电器，几乎没有干扰，负荷识别的准确率很高。然而，入侵式负荷识别方法需要安装大量的传感器，导致设备成本高、安装难度大。非入侵式负荷识别方法仅在入户处安装一个传感器即可，设备和安装成本很小，但是采集到的负荷数据混杂了多个电器的特征，使得负荷识别的准确率受到极大影响，因此，在非入侵式负荷识别方法中，如何消除背景负荷对待检测负荷的影响成为提高负荷识别准确率的核心问题。

目前，非入侵式负荷识别方法主要围绕能耗分解展开研究，通常并不要求实时性，根据完整的电器运行负荷数据进行负荷识别，背景负荷对其影响并不大，大多基于无监督方法和有监督方法的非入侵式能耗分解技术都能取得较好的效果，但这些方法均无法在电器启动或关闭的较短时间内获知电器的开关状态。针对入侵式负荷识别方法，研究人员通过提高数据采样率，分析电器启动或关闭时的暂态过程，能够实现实时的负荷识别，但是，由于在非入侵式负荷监测场景下，背景负荷极大地干扰了目标负荷，因此，在入侵式场景下实时识别负荷的方法在非入侵式场景下并不能很好地工作。总的来说，目前，非入侵式负荷识别方法无法实现实时的负荷识别。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种抗背景负荷干扰的非入侵式负荷识别方法，其目的在于，在非入侵式场景下实时、准确地识别负荷类别。

为实现上述目的，按照本发明的第一方面，提供了一种抗背景负荷干扰的非入侵式负荷识别方法，包括：

实时监测需要识别的目标负荷，并在检测到目标负荷的投切事件时，获得总线处采集到的高频电流信号数据并从中截取包含该投切事件的固定时长的电流信号数据后，将其转换为三维的复数频谱图；复数频谱图的三个维度分别是频率维度、时间维度、实部与虚部维度；在所截取的电流信号数据中，目标负荷的投切时间发生在后半部分；

在时间维度上将复数频谱图平均划分为前、后两个部分，分别作为目标负荷的背景负荷块和混合负荷块；

以目标负荷的背景负荷块和混合负荷块为输入，利用已训练好的负荷识别模型获得目标负荷的标签；

将目标负荷的标签中，最大概率对应的类别识别为目标负荷的类别；

其中，负荷识别模型为基于深度神经网络的模型，包括：特征提取模块、特征转换模块以及分类模块；特征提取模块用于分别提取混合负荷块和背景负荷块的特征，并计算二者的差分特征；特征转换模块用于将特征提取模块输出的差分特征转换为目标负荷特征；分类模块用于将特征转换模块输出的目标负荷特征转换为目标负荷的标签；高频电流信号数据的频率大于预设的频率阈值。

本发明所提供的抗背景负荷干扰的非入侵式负荷识别方法，在实时检测到需要识别的目标负荷的投切事件后，会获得仅包含背景负荷的数据和同时包含背景负荷和目标负荷的数据，并利用基于深度神经网络的负荷识别模型提取特征计算差分特征，再基于差分特征完成负荷识别，能够有效消除背景负荷的干扰，从而准确地识别负荷类别；进行负荷识别时，仅需截取包含电器投切事件的一定时长的电流信号数据，而无需使用完整的电器运行负荷数据，因此，本发明能够实时地识别负荷类别。总的来说，本发明能够在非入侵式场景下实时、准确地识别负荷类别。

本发明所提供的抗背景负荷干扰的非入侵式负荷识别方法，所使用的负荷识别模型结构简单，进行负荷识别时，占用存储空间少，识别时间短，能够进一步提高负荷识别的实时性。

进一步地，负荷识别模型的训练方法包括：

获得在总线处采集的历史高频电流信号数据后，从中截取包含电器投切事件的固定时长的电流信号数据作为一个原始样本；在原始样本中，电器投切事件发生在后半部分；

将原始样本变换为三维的复数频谱图，并在时间维度上将该复数频谱图平均划分为前、后两个部分，分别作为背景负荷块和混合负荷块；将电器类别编码为标签，由背景负荷块、混合负荷块和对应的标签构成一个训练样本；

将所有训练样本构成的数据集划分为训练集和测试集；

建立负荷识别模型，并利用训练集对负荷识别模型进行训练。

本发明所提供的抗背景负荷干扰的非入侵式负荷识别方法，所使用的负荷识别模型结构简单，进行模型训练时，模型能够更快收敛，从而缩短训练时间。

本发明所提供的抗背景负荷干扰的非入侵式负荷识别方法，在进行模型训练时，所使用的数据集可由不同用户的电力数据构建而成，因此，训练得到的负荷识别模型在跨用户场景下也拥有较高的泛化能力，从而保证负荷识别的准确度。

进一步地，本发明第一方面提供的抗背景负荷干扰的非入侵式负荷识别方法中，负荷识别模型的训练方法还包括：

在利用训练集对负荷识别模型进行训练之后，利用测试集对负荷识别模型进行测试，以评估模型训练效果，若模型训练效果不满足应用需求，则调整训练参数后重新对负荷识别模型进行训练，并重复此步骤，直至模型训练效果满足应用需求；

若模型训练效果已满足应用需求，则测试结束。

本发明利用测试集对模型的训练效果进行评价，并在训练效果不满足应用需求时重新进行模型训练，能够保证训练得到的模型具有较好的泛化能力，从而保证负荷识别的准确度。

进一步地，特征提取模块包括：第一特征提取网络、第二特征提取网络以及差分层；

第一特征提取网络，用于提取混合负荷块的特征，从而得到混合负荷特征；

第二特征提取网络，用于提取背景负荷块的特征，从而得到背景负荷特征；

差分层，用于将混合负荷特征按照对应元素减去背景负荷特征，从而得到差分特征。

进一步地，第一特征提取网络和第二特征提取网络均为DenseNet-121网络。

进一步地，特征转换模块包括：n个级联的卷积层Conv1～Convn；

第一个卷积层Conv1用于对特征提取模块输出的差分特征进行卷积运算，其余的卷积层用于对前一个卷积层输出的卷积运算结果进行卷积运算，第n个卷积层Convn输出的卷积运算结果为目标负荷特征；

其中，n≥1。

进一步地，分类模块包括：m个级联的全连接层FC1～FCm；

第一个全连接层FC1用于对特征转换模块输出的目标负荷特征进行矩阵乘法运算，其余的全连接层用于对前一个全连接层输出的运算结果进行矩阵乘法运算，第m个全连接层FCm输出的运算结果为目标负荷的标签；

其中，m≥1。

进一步地，全连接层FCm的激活函数为Softmax函数，其余全连接层及卷积层的激活函数均为ReLU函数。

进一步地，通过短时傅里叶变换将原始样本变换为三维的复数频谱图。

按照本发明的第二方面，提供了一种抗背景负荷干扰的非入侵式负荷识别系统，包括计算机可读存储介质和处理器，计算机可读存储介质用于存储可执行程序；

处理器用于读取计算机可读存储介质中存储的可执行程序，执行本发明第一方面提供的抗背景负荷干扰的非入侵式负荷识别方法。

总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

(1)本发明所提供的抗背景负荷干扰的非入侵式负荷识别方法及系统，在实时检测到需要识别的目标负荷的投切事件后，会获得仅包含背景负荷的数据和同时包含背景负荷和目标负荷的数据，并利用基于深度神经网络的负荷识别模型提取特征计算差分特征，再基于差分特征完成负荷识别，能够有效消除背景负荷的干扰，从而准确地识别负荷类别；进行负荷识别时，仅需截取包含电器投切事件的一定时长的电流信号数据，而无需使用完整的电器运行负荷数据，因此，本发明能够实时地识别负荷类别。总的来说，本发明能够在非入侵式场景下实时、准确地识别负荷类别。

(2)本发明所提供的抗背景负荷干扰的非入侵式负荷识别方法及系统，所使用的负荷识别模型结构简单，进行负荷识别时，占用存储空间少，识别时间短，能够进一步提高负荷识别的实时性；进行模型训练时，模型能够更快收敛，从而缩短训练时间。

(3)本发明所提供的抗背景负荷干扰的非入侵式负荷识别方法及系统，在进行模型训练时，所使用的数据集可由不同用户的电力数据构建而成，因此，训练得到的负荷识别模型在跨用户场景下也拥有较高的泛化能力，从而保证负荷识别的准确度；在其优选方案中，在利用训练集对负荷识别模型进行训练之后，会利用测试集对模型的训练效果进行评价，并在训练效果不满足应用需求时重新进行模型训练，能够保证训练得到的模型具有较好的泛化能力，从而保证负荷识别的准确度。

附图说明

图1为本发明实施例提供的负荷识别模型示意图；

图2为本发明实施例提供的负荷识别模型的训练方法流程图；

图3为本发明实施例提供的特征转换模块示意图；

图4为本发明实施例提供的分类模块示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

为了在非入侵式场景下实时、准确地识别负荷类别，本发明提供的抗背景负荷干扰的非入侵式负荷识别方法，包括：

实时监测需要识别的目标负荷，并在检测到目标负荷的投切事件时，获得总线处采集到的高频电流信号数据并从中截取包含该投切事件的固定时长的电流信号数据后，将其转换为三维的复数频谱图，具体可采用短时傅里叶变换完成电流信号数据到复数频谱图的变换；复数频谱图的三个维度分别是频率维度、时间维度、实部与虚部维度；在所截取的电流信号数据中，目标负荷的投切时间发生在后半部分；容易理解的是，截取的电流信号数据的时长应该根据实际应用场景中各种负荷的起动过程确定，以保证所截取的电流信号数据能够覆盖各种负荷的完整的起动过程；高频电流信号数据可由总线处安装的传感器采集；

在时间维度上将复数频谱图平均划分为前、后两个部分，分别作为目标负荷的背景负荷块和混合负荷块；由于在所截取的电流信号数据中，目标负荷的投切事件发生在后半部分，背景负荷块中仅包含背景负荷数据，混合负荷块中同时包含背景负荷数据和目标负荷的数据；

以目标负荷的背景负荷块和混合负荷块为输入，利用已训练好的负荷识别模型获得目标负荷的标签；

将目标负荷的标签中，最大概率对应的类别识别为目标负荷的类别；

其中，负荷识别模型为基于深度神经网络的模型，如图1所示，包括：特征提取模块、特征转换模块以及分类模块；特征提取模块用于分别提取混合负荷块和背景负荷块的特征，并计算二者的差分特征，差分特征中消除了背景负荷干扰；特征转换模块用于将特征提取模块输出的差分特征转换为目标负荷特征；分类模块用于将特征转换模块输出的目标负荷特征转换为目标负荷的标签；负荷识别模型结构简单，进行负荷识别时，占用存储空间少，识别时间短，有利于提高负荷识别的实时性；

高频电流信号数据的频率大于预设的频率阈值，频率阈值的具体取值可根据实际的应用场景中各电器的工作频率确定，以保证能够截取到所有电器的数据。

上述抗背景负荷干扰的非入侵式负荷识别方法，在实时检测到需要识别的目标负荷的投切事件后，会获得仅包含背景负荷的数据和同时包含背景负荷和目标负荷的数据，并利用基于深度神经网络的负荷识别模型提取特征计算差分特征，再基于差分特征完成负荷识别，能够有效消除背景负荷的干扰，从而准确地识别负荷类别；进行负荷识别时，仅需截取包含电器投切事件的一定时长的电流信号数据，而无需使用完整的电器运行负荷数据，因此，能够实时地识别负荷类别。总的来说，上述抗背景负荷干扰的非入侵式负荷识别方法能够在非入侵式场景下实时、准确地识别负荷类别。

作为一种可选的实施方式，在上述抗背景负荷干扰的非入侵式负荷识别方法中，负荷识别模型的训练方法如图2所示，包括：

获得在总线处采集的历史高频电流信号数据后，从中截取包含电器投切事件的固定时长的电流信号数据作为一个原始样本；在原始样本中，电器投切事件发生在后半部分；同样地，历史高频电流信号数据可直接使用安装在总线处的传感器采集到的数据，原始样本的时长根据实际应用场景中各种负荷的起动过程确定，以保证所截取的电流信号数据能够覆盖各种负荷的完整的起动过程；

将原始样本变换为三维的复数频谱图，并在时间维度上将该复数频谱图平均划分为前、后两个部分，分别作为背景负荷块和混合负荷块；将电器类别编码为标签，由背景负荷块、混合负荷块和对应的标签构成一个训练样本；

将所有训练样本构成的数据集划分为训练集和测试集；

建立负荷识别模型，并利用训练集对负荷识别模型进行训练；可选地，训练过程中优化器为Adam优化器，损失函数为交叉熵函数。

在本实施例中，由于负荷识别模型结构简单，进行模型训练时，模型能够更快收敛，从而缩短训练时间；所使用的数据集可由不同用户的电力数据构建而成，因此，训练得到的负荷识别模型在跨用户场景下也拥有较高的泛化能力，从而保证负荷识别的准确度。

为了进一步保证训练得到的负荷识别模型具有较好的泛化能力，上述抗背景负荷干扰的非入侵式负荷识别方法中，如图2所示，负荷识别模型的训练方法还包括：

在利用训练集对负荷识别模型进行训练之后，利用测试集对负荷识别模型进行测试，以评估模型训练效果，若模型训练效果不满足应用需求，则调整训练参数后重新对负荷识别模型进行训练，并重复此步骤，直至模型训练效果满足应用需求；具体的应用需求可根据Recall、Precision、F1-score等评价指标进行衡量；

若模型训练效果已满足应用需求，则测试结束；

利用测试集对模型的训练效果进行评价，并在训练效果不满足应用需求时重新进行模型训练，能够保证训练得到的模型具有较好的泛化能力，从而保证负荷识别的准确度。

在一个可选的实施方式中，特征提取模块包括：第一特征提取网络、第二特征提取网络以及差分层；

第一特征提取网络，用于提取混合负荷块的特征，从而得到混合负荷特征；

第二特征提取网络，用于提取背景负荷块的特征，从而得到背景负荷特征；

差分层，用于将混合负荷特征按照对应元素减去背景负荷特征，从而得到差分特征；

可选地，如图1所示，第一特征提取网络和第二特征提取网络均为DenseNet-121网络。

在一个可选的实施方式中，特征转换模块包括：n个级联的卷积层Conv1～Convn；

第一个卷积层Conv1用于对特征提取模块输出的差分特征进行卷积运算，其余的卷积层用于对前一个卷积层输出的卷积运算结果进行卷积运算，第n个卷积层Convn输出的卷积运算结果为目标负荷特征；

其中，n≥1；在本实施例中，如图3所示，特征转换模块具体包括3个级联的卷积层Conv1、Conv2和Conv3，由特征提取模块得到的差分特征作为卷积层Conv1的输入，然后将Conv1的输出作为卷积层Conv2的输入，将Conv2的输出作为卷积层Conv3的输入，最终输出目标负荷特征。

在一个可选的实施方式中，分类模块包括：m个级联的全连接层FC1～FCm；

第一个全连接层FC1用于对特征转换模块输出的目标负荷特征进行矩阵乘法运算，其余的全连接层用于对前一个全连接层输出的运算结果进行矩阵乘法运算，第m个全连接层FCm输出的运算结果为目标负荷的标签；

其中，m≥1；在本实施例中，如图4所示，分类模块具体包括2个级联的全连接层FC1和FC2，由特征转换模块输出的目标负荷特征作为全连接层FC1的输入，全连接层FC1的输出作为FC2的输入，FC2的输出为目标负荷的标签；可选地，负荷识别模型中，全连接层FC2的激活函数为Softmax函数，其余全连接层及卷积层的激活函数均为ReLU函数。

进行分类时，类别标签为一维向量[ρ_i,i＝0,1,…,s-1]，其中每一个分量ρ_i表示负荷为类别i的概率，s表示负荷类别总数，利用已训练好的负荷识别模型获得目标负荷的标签后，根据k＝argmax{ρ_i}i＝0,1,…,s-1，即可得到目标负荷的负荷类别k，其中，argmax{ρ_i}表示概率ρ_i最大值对应的类别索引i。

本发明还提供了一种抗背景负荷干扰的非入侵式负荷识别系统，包括计算机可读存储介质和处理器，计算机可读存储介质用于存储可执行程序；

处理器用于读取计算机可读存储介质中存储的可执行程序，执行上述抗背景负荷干扰的非入侵式负荷识别方法。

应用实例：

利用公开的数据集UK-DALE(UK Domestic Appliance-Level Electricitydataset)构建用于训练模型的训练集和测试集，数据集UK-DALE包含5个用户的负荷数据，且单个用户最多记录了655天的负荷记录。该数据集中，非入侵式测量总表的电流信号数据采样频率为16kHz，分表记录每个电器对应的功率数据，采样频率为1/6Hz；其中，只有用户1、用户2和用户5拥有采样频率为16kHz的高频电流信号数据，所以选择这三个用户的电流信号数据作为实验数据。由于16kHz的高频电流信号数据量过于庞大，不利于后面的一系列计算，所以将此16kHz的电流信号数据进行降采样，减少计算量。优选地，将16kHz的电流信号数据降采样至2kHz。

选择用户1和用户5的电流信号数据来建立训练集，选择用户2的电流信号数据来建立测试集。对于用户1和用户5，从2kHz的电流信号数据中截取得到包含电器投切事件的固定时长的电流信号数据作为原始样本，其中电器事件所处的时间点位于后半段，截取电流信号数据的具体时长为7秒，相应地，电器投切事件所处的时间点位于3.5秒之后。将原始样本进行短时傅里叶变换得到为复数频谱图，大小为224×100×2，其中前两个维度分别为频率维度和时间维度，最后一维表示实部与虚部维度。将复数频谱图在时间维度上平均划分为前、后两个部分，前半部分代表背景负荷块，仅包含背景负荷数据，后半部分代表混合负荷块，同时包含背景负荷数据和目标负荷数据，背景负荷块和混合负荷块的大小均为224×50×2，这两个块就是样本数据，将作为模型的输入。

在数据集UK-DALE中，总共选取了7种电器：水壶、冰箱、洗碗机、微波炉、洗衣机、显示器、跑步机。通过低频的功率数据得到样本数据对应的电器类型，并对其标号，将电器序号转化为独热编码向量，使用7维的向量对7种电器进行编码，除了数字所在索引被标记为1外，其它都是0，具体如表1所示：

表1电器类别标签

序号k	电器	模型输出向量
			0	水壶	[1,0,0,0,0,0,0]
1	冰箱	[0,1,0,0,0,0,0]
			2	洗碗机	[0,0,1,0,0,0,0]
3	微波炉	[0,0,0,1,0,0,0]
			4	洗衣机	[0,0,0,0,1,0,0]
5	显示器	[0,0,0,0,0,1,0]
			6	跑步机	[0,0,0,0,0,0,1]

建立图1所示的负荷识别模型，其中的特征转换模块如图3所示，一维卷积层Conv1、Conv2和Conv3的卷积核尺寸均为3，滤波器个数均为256，步长均为1；分类模块如图4所示，第一个全连接层FC1的神经元个数为64，第二个全连接层FC2的神经元个数为7。除了分类模块中最后一个全连接层FC2的激活函数为Softmax外，其他的全连接层的激活函数均为ReLU函数，所有卷积层的激活函数均为ReLU函数。训练过程中超参数设置为：迭代次数为3800次，初始学习率为0.001，优化器为Adam，损失函数为交叉熵函数。

利用用户1和用户5的电流信号数据所构建的训练集对负荷识别模型进行训练；训练完成后，利用用户2的电流信号数据所构建的训练集对负荷识别模型进行测试，得到输出向量[ρ_i,i＝0,1,…,6]，进一步地得到负荷类别k，计算公式为：k＝argmax{ρ_i}i＝0,1,…,6。

采用Recall、Precision和F1-score来评价负荷识别的效果。

Recall即查全率，表示每个真实类别中正确识别样本的比例，计算公式如下：

Precision即查准率，表示被识别为某个类别的样本中确为该类别样本的比例，计算公式如下：

以上两个评价指标中：TP表示样本被正确识别的事件数，FN表示是该类别但未被识别为该类别的事件数，FP表示被识别为该类别但不是该类别的事件数。

F1-score将Recall和Precision组合起来，更加客观地进行评价，计算公式如下：

采用这三个评价指标得到的结果如表2所示。根据表2所示的测试结果可知，上述抗背景负荷干扰的非入侵式负荷识别方法的平均的F1-score值高达90.7％，比目前最先进的方法得到的结果更好，说明上述抗背景负荷干扰的非入侵式负荷识别方法能够在很大程度上消除背景负荷的影响，并且在跨用户场景下模型拥有较高的泛化能力，获得了较好的负荷识别效果。

表2模型训练效果的评估结果

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种抗背景负荷干扰的非入侵式负荷识别方法，其特征在于，包括：

实时监测需要识别的目标负荷，并在检测到所述目标负荷的投切事件时，获得总线处采集到的高频电流信号数据并从中截取包含该投切事件的固定时长的电流信号数据后，将其转换为三维的复数频谱图；所述复数频谱图的三个维度分别是频率维度、时间维度、实部与虚部维度，在所截取的电流信号数据中，所述目标负荷的投切时间发生在后半部分；

在时间维度上将所述复数频谱图平均划分为前、后两个部分，分别作为所述目标负荷的背景负荷块和混合负荷块；

以所述目标负荷的背景负荷块和混合负荷块为输入，利用已训练好的负荷识别模型获得所述目标负荷的标签；

将所述目标负荷的标签中，最大概率对应的类别识别为所述目标负荷的类别；

其中，所述负荷识别模型为基于深度神经网络的模型，包括：特征提取模块、特征转换模块以及分类模块；所述特征提取模块用于分别提取混合负荷块和背景负荷块的特征，并计算二者的差分特征；所述特征转换模块用于将所述特征提取模块输出的差分特征转换为目标负荷特征；所述分类模块用于将所述特征转换模块输出的目标负荷特征转换为所述目标负荷的标签；高频电流信号数据的频率大于预设的频率阈值。

2.如权利要求1所述的抗背景负荷干扰的非入侵式负荷识别方法，其特征在于，所述负荷识别模型的训练方法包括：

获得在总线处采集的历史高频电流信号数据后，从中截取包含电器投切事件的固定时长的电流信号数据作为一个原始样本；在所述原始样本中，电器投切事件发生在后半部分；

将原始样本变换为三维的复数频谱图，并在时间维度上将该复数频谱图平均划分为前、后两个部分，分别作为背景负荷块和混合负荷块；将电器类别编码为标签，由所述背景负荷块、所述混合负荷块和对应的标签构成一个训练样本；

将所有训练样本构成的数据集划分为训练集和测试集；

建立所述负荷识别模型，并利用所述训练集对所述负荷识别模型进行训练。

3.如权利要求2所述的抗背景负荷干扰的非入侵式负荷识别方法，其特征在于，所述负荷识别模型的训练方法还包括：

在利用所述训练集对所述负荷识别模型进行训练之后，利用所述测试集对所述负荷识别模型进行测试，以评估模型训练效果，若模型训练效果不满足应用需求，则调整训练参数后重新对所述负荷识别模型进行训练，并重复此步骤，直至模型训练效果满足应用需求；

若模型训练效果已满足应用需求，则测试结束。

4.如权利要求1-3任一项所述的抗背景负荷干扰的非入侵式负荷识别方法，其特征在于，所述特征提取模块包括：第一特征提取网络、第二特征提取网络以及差分层；

所述第一特征提取网络，用于提取混合负荷块的特征，从而得到混合负荷特征；

所述第二特征提取网络，用于提取背景负荷块的特征，从而得到背景负荷特征；

所述差分层，用于将所述混合负荷特征按照对应元素减去所述背景负荷特征，从而得到差分特征。

5.如权利要求4所述的抗背景负荷干扰的非入侵式负荷识别方法，其特征在于，所述第一特征提取网络和所述第二特征提取网络均为DenseNet-121网络。

6.如权利要求1-3任一项所述的抗背景负荷干扰的非入侵式负荷识别方法，其特征在于，所述特征转换模块包括：n个级联的卷积层Conv1～Convn；

第一个卷积层Conv1用于对所述特征提取模块输出的差分特征进行卷积运算，其余的卷积层用于对前一个卷积层输出的卷积运算结果进行卷积运算，第n个卷积层Convn输出的卷积运算结果为所述目标负荷特征；

其中，n≥1。

7.如权利要求1-3任一项所述的抗背景负荷干扰的非入侵式负荷识别方法，其特征在于，所述分类模块包括：m个级联的全连接层FC1～FCm；

第一个全连接层FC1用于对所述特征转换模块输出的目标负荷特征进行矩阵乘法运算，其余的全连接层用于对前一个全连接层输出的运算结果进行矩阵乘法运算，第m个全连接层FCm输出的运算结果为所述目标负荷的标签；

其中，m≥1。

8.如权利要求7所述的抗背景负荷干扰的非入侵式负荷识别方法，其特征在于，所述全连接层FCm的激活函数为Softmax函数，其余全连接层及卷积层的激活函数均为ReLU函数。

9.如权利要求1-3任一项所述的抗背景负荷干扰的非入侵式负荷识别方法，其特征在于，通过短时傅里叶变换将原始样本变换为三维的复数频谱图。

10.一种抗背景负荷干扰的非入侵式负荷识别系统，包括计算机可读存储介质和处理器，其特征在于，所述计算机可读存储介质用于存储可执行程序；

所述处理器用于读取所述计算机可读存储介质中存储的可执行程序，执行权利要求1-9任一项所述的抗背景负荷干扰的非入侵式负荷识别方法。

Images