CN111539275B - 一种基于负载特性可视化的电气负载分类方法和系统 - Google Patents
一种基于负载特性可视化的电气负载分类方法和系统 Download PDFInfo
- Publication number
- CN111539275B CN111539275B CN202010289150.4A CN202010289150A CN111539275B CN 111539275 B CN111539275 B CN 111539275B CN 202010289150 A CN202010289150 A CN 202010289150A CN 111539275 B CN111539275 B CN 111539275B
- Authority
- CN
- China
- Prior art keywords
- data
- current data
- voltage
- voltage data
- period
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012800 visualization Methods 0.000 title claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 230000000630 rising effect Effects 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 66
- 238000012549 training Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于负载特性可视化的电气负载分类方法，包括：采集用电设备在稳态情况下的电压数据和电流数据，并对该电压和电流数据进行滤波和采样处理，以电压过零上升点为起始保留一个周期的电流数据和电压数据，添加一列长度为一周期采样点数的自增序列作为时间数据，分别得到处理后的用电设备的电流数据、电压数据和时间数据。对处理后的电流数据、电压数据和时间数据先后进行Min‑max标准化处理，并根据时域的顺序进一步排列成二维矩阵，通过PIL库得到处理后的三张灰度图像。本发明能够解决现有电气负载分类方法中存在的缺少时间信息、图像冗余度较大、识别准确率不高、计算过程繁杂、判断时间长的技术问题。
Description
技术领域
本发明属于深度学习和模式识别技术领域，更具体地，涉及一种基于负载特性可视化的电气负载分类方法和系统。
背景技术
伴随着经济与社会的发展，家用电器这类电气负载的种类越来越多。通过对不同电气负载进行分类管理，并将物联网技术应用到智能住宅中，是实现智能住宅节约能源并提高电力利用率的关键。
现有的电气负载分类主要通过以下两种方式实现，第一种是使用短时傅立叶变换、小波变换等技术对电气负载的瞬时功率、瞬态电流波形和持续时间等瞬态特征进行分析，并根据分析结果实现对电气负载的分类；第二种是采集稳态的电压数据和电流数据，进行归一化后生成电压-电流（即VI）轨迹，将该轨迹传入机器学习算法中进行训练，并使用计算得到的模型来识别电气负载。
然而，上述现有的电气负载分类方法均存在一些不可忽略的技术问题，针对上述第一种方法而言，其为了避免遗漏电气负载投入/切除运行时稍纵即逝的瞬态特征参数，数据采样装置需要对电气负载进行持续不间断的监测，这会增加能耗；同时，传统小波算法计算速度慢，耗时长，因此无法实现实时的分类；而在上述第二种方法中，电气负载特性缺少时间信息，同时电压-电流轨迹图像中的冗余度较大，这都会进一步影响分类准确度；此外，该机器学习算法计算出的模型识别率不高，模型的鲁棒性和实用性较差，进而造成实际分类效果较差。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于负载特性可视化的电气负载分类方法和系统，其目的在于，解决现有电气负载分类方法由于需要对电气负载进行持续不间断的监测，从而会增加能耗的技术问题，以及由于传统小波算法计算速度慢，耗时长，导致无法实现实时分类的技术问题，以及由于电器负载特性缺少时间信息以及电压-电流轨迹图像冗余度较大导致影响分类准确度的技术问题，以及由于机器学习算法计算出的模型识别率不高，模型的鲁棒性和实用性较差，导致实际分类效果较差的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于负载特性可视化的电气负载分类方法，包括以下步骤：
（1）采集用电设备在稳态下的电压数据和电流数据，并对该电压和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电流数据和电压数据，寻找电压过零上升点为起始点，保留一周期采样点数的电压数据，对应保留一周期采样点数的电流数据，并添加一列长度为一周期采样点数的自增序列作为时间数据，从而获得完整的一周期采样点数的电流数据、电压数据和时间数据。
（2）对步骤（1）得到的一周期采样点数的电流数据、电压数据和时间数据分别进行Min-max标准化处理，以分别得到标准化后的电流数据、电压数据和时间数据，将标准化后的电流数据、电压数据和时间数据分别根据时域的顺序进一步排列成大小为M×N的二维矩阵，以得到数值范围在0到255内的三个二维矩阵，并通过PIL库将三个矩阵分别转换为三张灰度图像。
（3）将步骤（2）得到的三张灰度图像作为R/G/B通道合成一张彩色图像，并将该彩色图像输入训练好的卷积神经网络模型中，以得到用电设备的种类。
优选地，每次采集电压数据和电流数据的持续时间是1秒，采样频率是25到44.1KHz之间，优选是30KHz。
优选地，步骤（1）中对电压数据和电流数据进行滤波和采样处理具体是，首先将采集到的一系列电压数据和电流数据中一点的值用该点的一个邻域中各点值的中值代替，以去除电压数据和电流数据中的突变点，然后使用均值滤波对中值滤波处理后的电压数据和电流数据分别进行平滑处理，以去除电压数据和电流数据中的不相关数据点。
优选地，步骤（1）中寻找电压过零上升点为起始点，保留一周期采样点数的电压数据，对应保留一周期采样点数的电流数据这一过程具体为，在用电设备的电压数据中截取10个完整周期的电压数据，并获取这10个完整周期的电流数据；随后，对这10个周期的电压数据和电流数据分别以2个周期长度进行叠加后求其均值，从而分别形成完整2个周期的电压数据和电流数据，随后，在这2个周期的电压数据中寻找电压过零上升点，保留该点后一周期采样点数的电压数据，并获取其对应的一周期采样点数的电流数据。
优选地，步骤（2）中执行Min-max标准化处理，以分别得到标准化后的电流数据、电压数据和时间数据，将标准化后的电流数据、电压数据和时间数据分别根据时域的顺序进一步排列成大小为M×N的二维矩阵这一过程具体是采用以下公式：
X(i,j)=
其中X(i,j)是M×N矩阵的元素，
为标准化后的电流数据、电压数据或时间数据，i为M×N矩阵的行序号，取值范围为[1,M]，j为M×N矩阵的列序号，取值范围为[1,N]，M×N在数值上等于一周期采样点数。
优选地，卷积神经网络是通过以下步骤训练得到的：
（3-1）采集多个类别的用电设备在稳态时的电压数据和电流数据作为数据集，并将其按7：3的比例划分为训练集和测试集；
（3-2）对数据集中的电压数据和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电压数据和电流数据；
（3-3）根据步骤（3-2）处理后的用电设备的电压数据和电流数据寻找电压过零上升点为起始点，保留一个周期电压数据，对应保留一个周期的电流数据，添加一列长度为一周期采样点数的自增序列作为时间数据，形成完整的一个周期的电流数据、电压数据和时间数据。
（3-4）根据步骤（3-3）形成的电流数据、电压数据和时间数据先后进行Min-max标准化处理和将标准化后的电流数据、电压数据和时间数据分别根据时域的顺序进一步排列成大小为M×N的二维矩阵，以得到处理后的三张灰度图像，合并成一张彩色图像，并将处理后的彩色图像输入卷积神经网络；
（3-5）使用反向传播算法对卷积神经网络中每层的权重参数和偏置参数进行更新和优化，以得到更新后的卷积神经网络；
（3-6）对步骤（3-5）更新后的卷积神经网络进行迭代训练，直到该卷积神经网络的损失函数达到最小为止；
（3-7）使用步骤（3-1）得到的数据集中的测试集对迭代训练后的卷积神经网络进行迭代验证，直到得到的分类精度达到最优为止，从而得到训练好的卷积神经网络。
优选地，步骤（3-5）中权重参数的初始值是使用标准差为0.1的截断式正态分布输出的随机值，偏置参数的初始值设为0，反向传播算法是采用Adam-Optimizer作为优化器。
优选地，卷积神经网络的损失函数L为交叉熵损失函数，且等于：
其中
表示训练集的样本总数，
表示训练集中类别的数量，
表示第k类第i个训练样本输入卷积神经网络后的预测结果，
表示第k类第i个训练样本对应的真实结果，k∈[1，K]，
表示正则化程度，其取值为0.007，
表示第k类第i个训练样本输入卷积神经网络时的权重参数，其随着卷积神经网络的训练自行变化。
优选地，卷积神经网络包括输入层，2个卷积层，2个池化层和2个全连接层，其具体网络结构如下：
第一层是输入层，输入的图像为M*N*3的图像。
第二层是卷积层，其接收来自输入层的M*N*3的图像，其中卷积核为3*3*16，该层使用全0填充，步长为1，该层输出矩阵大小为M*N*16；
第三层是池化层，卷积核尺寸为2*2，长和宽的步长均为2，该层输出矩阵为(M/2)*(N/2)*16；
第四层是卷积层，卷积核尺寸为3*3*32，步长为1，本层使用全0填充，输出的矩阵为(M/2)*(N/2)*32；
第五层为池化层，卷积核尺寸为2*2，步长为2，输出的矩阵大小为(M/4)*(N/4)*32；
第六层为全连接层，输出节点个数为32个；
第七层是全连接层，输出节点数量为11个。
按照本发明的另一方面，提供了一种基于负载特性可视化的电气负载分类系统，包括：
第一模块，用于采集用电设备在稳态下的电压数据和电流数据，并对该电压和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电流数据和电压数据，寻找电压过零上升点为起始点，保留一周期采样点数的电压数据，对应保留一周期采样点数的电流数据，并添加一列长度为一周期采样点数的自增序列作为时间数据，从而获得完整的一周期采样点数的电流数据、电压数据和时间数据。
第二模块，用于对第一模块得到的一周期采样点数的电流数据、电压数据和时间数据分别进行Min-max标准化处理，以分别得到标准化后的电流数据、电压数据和时间数据，将标准化后的电流数据、电压数据和时间数据分别根据时域的顺序进一步排列成大小为M×N的二维矩阵，以得到数值范围在0到255内的三个二维矩阵，并通过PIL库将三个矩阵分别转换为三张灰度图像。
第三模块，用于将第二模块得到的三张灰度图像作为R/G/B通道合成一张彩色图像，并将该彩色图像输入训练好的卷积神经网络模型中，以得到用电设备的种类。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
（1）由于本发明采用了步骤（1），其数据来源仅需要采集电气负载在稳态情况下一段时间内的电压数据和电流数据，大大降低了对数据采样设备的精度要求，因此能够解决现有电气负载分类方法由于需要对电气负载进行持续不间断的监测，从而会增加能耗的技术问题；
（2）由于本发明采用了步骤（2）和步骤（3），其步骤(2)中所形成的二维矩阵小，对应生成的图像小，并且步骤（3）中网络结构简单，因此能够解决现有电气负载分类方法由于采用的传统小波算法计算速度慢，耗时长，导致无法实现实时分类的技术问题；
（3）由于本发明采用了步骤（1）至步骤（3），其步骤（1）添加了一列自增序列作为时间数据，步骤（3）中彩色图像的蓝色通道是由时间数据形成的，因此能够解决现有电气负载分类方法中电气负载特性缺少时间信息，导致影响分类准确度的技术问题。
（4）由于本发明采用了步骤（3），其彩色图像上的每个像素点都包含了电流信息、电压信息和时间信息，因此能解决现有电气负载分类方法中电压-电流轨迹图像中因为冗余度较大从而影响分类准确度的技术问题；
（5）由于本发明采用了步骤（1），其首先利用了均值滤波和中值滤波，在保存了数据整体形状的前提下实现了信号的平滑；其次通过寻找电压数据过零上升点为起始点，使图像的特征具有了统一性，增强了自身的鲁棒性，因此能够解决现有电气负载分类方法由于机器学习算法计算出的模型识别率不高，模型的鲁棒性和实用性较差，导致分类准确率低的技术问题。
附图说明
图1是本发明基于负载特性可视化的电气负载分类方法的流程图；
图2（a）至（c）分别是步骤（2）中转换得到的三张灰度图像；
图3是本发明步骤（3）中将三张灰度图像分别作为R/G/B通道合成得到的一张彩色图像；
图4是本发明训练的卷积神经网络的分类精度曲线；
图5是本发明卷积神经网络的损失函数曲线；
图6是本发明使用的卷积神经网络的结构示意图。
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。
本发明提出了一种基于负载特性可视化的电气负载分类方法，该方法将计算机视觉和非侵入式负载分类技术进行结合，本发明提出电流电压时间信息映射到彩色图像作为负载的标记，并使用轻量级卷积神经网络（Convolutional neutral network，简称CNN）模型作为分类器进行训练。
如图1所示，本发明提供了一种基于负载特性可视化的电气负载分类方法，包括以下步骤：
（1）采集用电设备在稳态下的电压数据和电流数据，并对该电压和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电流数据和电压数据，寻找电压过零上升点为起始点，保留一周期采样点数的电压数据，对应保留一周期采样点数的电流数据，并添加一列长度为一周期采样点数的自增序列作为时间数据，从而获得完整的一周期采样点数的电流数据、电压数据和时间数据。
具体而言，本步骤中每次采集电压数据和电流数据的持续时间是1秒，采样频率是25到44.1KHz之间，优选是30KHz。
本步骤滤波过程是先后采用中值滤波法和均值滤波法，其具体是首先将采集到的一系列电压数据和电流数据中一点的值用该点的一个邻域中各点值的中值代替，目的是去除电压数据和电流数据中的突变点，然后使用均值滤波对中值滤波处理后的电压数据和电流数据分别进行平滑处理，目的是去除电压数据和电流数据中的不相关数据点。
本步骤中寻找电压过零上升点为起始点，保留一周期采样点数的电压数据，对应保留一周期采样点数的电流数据这一过程具体为，在用电设备的电压数据中截取10个完整周期的电压数据，并获取这10个完整周期的电流数据；随后，对这10个周期的电压数据和电流数据分别以2个周期长度进行叠加后求其均值，从而分别形成完整2个周期的电压数据和电流数据，随后，在这2个周期的电压数据中寻找电压过零上升点，保留该点后一周期采样点数的电压数据，并获取其对应的一周期采样点数的电流数据。目的是使图像的特征具有了统一性，增强图像的鲁棒性。
（2）对步骤（1）得到的一周期采样点数的电流数据、电压数据和时间数据分别进行Min-max标准化处理，以分别得到标准化后的电流数据、电压数据和时间数据，将标准化后的电流数据、电压数据和时间数据分别根据时域的顺序进一步排列成大小为M×N的二维矩阵，以得到数值范围在0到255内的三个二维矩阵，并通过Python图像库（Python ImageLibrary，简称PIL库）将三个矩阵分别转换为三张灰度图像。
具体而言，本步骤中执行Min-max标准化处理，以分别得到标准化后的电流数据、电压数据和时间数据，将标准化后的电流数据、电压数据和时间数据分别根据时域的顺序进一步排列成大小为M×N的二维矩阵这一过程具体是采用以下公式：
X(i,j)=
其中X(i,j)是M×N矩阵的元素，
为标准化后的电流数据、电压数据或时间数据，i为M×N矩阵的行序号，取值范围为[1,M]，j为M×N矩阵的列序号，取值范围为[1,N]，M×N在数值上等于一周期采样点数，M的取值范围是5到50，优选为20，N的取值范围是5到50，优选为25。
本步骤中将三个矩阵分别转换为三张灰度图像以进行可视化的结果分别如图2（a）、（b）和（c）所示。
本步骤中Min-max标准化的目的，是将数据映射到图像像数值的大小范围内，增强图像的数据的准确性。
本步骤中的将标准化后的电流数据、电压数据和时间数据分别根据时域的顺序进一步排列成大小为M×N的二维矩阵目的，是使一维数据升至二维数据，将负载特性转换为图像数据，使负载特性中的电流数据、电压数据和时间数据传入神经网络更方便，为计算机视觉和电气负载分类提供了新的媒介。
（3）将步骤（2）得到的三张灰度图像作为R/G/B（即Red红、Green绿色、以及Blue蓝色）通道合成一张彩色图像，并将该彩色图像输入训练好的卷积神经网络（Convolutionalneutral network，简称CNN）模型中，以得到用电设备的种类。
本步骤中三张灰度图像作为R/G/B通道合成一张彩色图像目的，是使得一张彩色图像能够同时包含电流数据、电压数据和时间数据，增添一张图像中所包含的特征信息，使神经网络在训练时最大限度地利用负载特性。
本步骤中将三张灰度图像分别作为R/G/B通道合成一张彩色图像如图3所示。
具体而言，本步骤中的卷积神经网络是通过以下步骤训练得到的：
（3-1）采集多个类别的用电设备在稳态时的电压数据和电流数据作为数据集，并将其按7：3的比例划分为训练集和测试集；
具体而言，本发明中使用了11类用电设备，包括：空调、日光灯、风扇、电冰箱、电吹风、热得快、台灯、笔记本电脑、微波炉、吸尘器和洗衣机。应该理解的是，本发明不局限于上述用电设备，任何用电设备都被纳入本发明的保护范围。
在本实施方式中，共采集了1074个样本数据作为数据集，并将其按7：3的比例划分为训练集和测试集。
（3-2）对数据集中的电压数据和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电压数据和电流数据；
（3-3）根据步骤（3-2）处理后的用电设备的电压数据和电流数据寻找电压过零上升点为起始点，保留一个周期电压数据，对应保留一个周期的电流数据，添加一列长度为一周期采样点数的自增序列作为时间数据，形成完整的一个周期的电流数据、电压数据和时间数据。
（3-4）根据步骤（3-3）形成的电流数据、电压数据和时间数据先后进行Min-max标准化处理和将标准化后的电流数据、电压数据和时间数据分别根据时域的顺序进一步排列成大小为M×N的二维矩阵，以得到处理后的三张灰度图像，合并成一张彩色图像，并将处理后的彩色图像输入CNN卷积神经网络；
（3-5）使用反向传播算法对CNN卷积神经网络中每层的权重参数和偏置参数进行更新和优化，以得到更新后的CNN卷积神经网络；
具体而言，权重参数的初始值是使用标准差为0.1的截断式正态分布输出的随机值，偏置参数的初始值设为0；
具体而言，为了加快损失值的下降速度，本步骤中的反向传播算法是采用Adam-Optimizer作为优化器，这是由于该优化器具有动量以及自适应学习率的优势。
（3-6）对步骤（3-5）更新后的CNN卷积神经网络进行迭代训练，直到该CNN卷积神经网络的损失函数达到最小为止；
CNN卷积神经网络的损失函数L为：
其中
表示训练集的样本总数（在本实施方式中，其为751），
表示训练集中类别的数量（在本实施方式中，其为11），
表示第k类第i个训练样本输入CNN卷积神经网络后的预测结果，
表示第k类第i个训练样本对应的真实结果，k∈[1，K]，
表示正则化程度，其取值为0.007，
表示第k类第i个训练样本输入CNN卷积神经网络时的权重参数，其随着CNN卷积神经网络的训练自行变化。
（3-7）使用步骤（3-1）得到的数据集中的测试集对迭代训练后的CNN卷积神经网络进行迭代验证，直到得到的分类精度达到最优为止，从而得到训练好的CNN卷积神经网络。
本发明中训练的分类精度曲线如图4所示，损失函数曲线如图5所示，按照变化曲线可以发现最终测试集得到96.49%的准确率。
对于本发明中的CNN卷积神经网络而言，其网络为7层结构，如图6所示，其中包括了输入层，2个卷积层，2个池化层和2个全连接层，其具体网络结构如下：
第一层是输入层，输入的图像为M*N*3的图像。
第二层是卷积层，其接收来自输入层的M*N*3的图像，其中卷积核为3*3*16，该层使用全0填充，步长为1，该层输出矩阵大小为M*N*16；
第三层是池化层，卷积核尺寸为2*2，长和宽的步长均为2，该层输出矩阵为(M/2)*(N/2)*16；
第四层是卷积层，卷积核尺寸为3*3*32，步长为1，本层使用全0填充，输出的矩阵为(M/2)*(N/2)*32；
第五层为池化层，卷积核尺寸为2*2，步长为2，输出的矩阵大小为(M/4)*(N/4)*32；
第六层为全连接层，输出节点个数为32个；
第七层是全连接层，输出节点数量为11个。
其中，卷积神经网络利用的损失函数为交叉熵损失函数。
总而言之，通过本发明的上述描述，本发明的主要优点包括：
1、提出了一种新的方法作为计算机视觉和负载分类技术之间的媒介。它基于时域可视化，设计了一种将负载特性转换为彩色图像以进行可视化的预处理方法。
2、通过利用电流电压时间信息与图像中的R/G/B通道相对应形成彩色图像，增添了原始电压电流轨迹特征所不具备的时间信息，同时减小了图像的冗余度，以提高负载分类的准确性和可靠性。
测试结果
将323个测试集样本输入到本方法训练好的CNN卷积神经网络中，网络自动识别负载类别并给出识别结果。如下表1所示，可以看出与本发明“背景技术”中提到的三种本领域常用的负载检测识别方法比较，本发明的识别准确率更高。
表1
| 方法 | 识别准确率 |
| 基于支持向量机技术的家庭用电器识别方法 | 76.60% |
| 基于二值化VI轨迹和神经网络的负载识别方法 | 81.75% |
| 一种基于3D卷积神经网络的电气负载监测方法 | 93.82% |
| 本发明 | 96.49% |
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)
1.一种基于负载特性可视化的电气负载分类方法，其特征在于，包括以下步骤：
（1）采集用电设备在稳态下的电压数据和电流数据，并对该电压和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电流数据和电压数据，寻找电压过零上升点为起始点，保留一周期采样点数的电压数据，对应保留一周期采样点数的电流数据，并添加一列长度为一周期采样点数的自增序列作为时间数据，从而获得完整的一周期采样点数的电流数据、电压数据和时间数据；
（2）对步骤（1）得到的一周期采样点数的电流数据、电压数据和时间数据分别进行Min-max标准化处理，以分别得到标准化后的电流数据、电压数据和时间数据，将标准化后的电流数据、电压数据和时间数据分别根据时域的顺序进一步排列成大小为M×N的二维矩阵，以得到数值范围在0到255内的三个二维矩阵，并通过PIL库将三个矩阵分别转换为三张灰度图像；
（3）将步骤（2）得到的三张灰度图像作为R/G/B通道合成一张彩色图像，并将该彩色图像输入训练好的卷积神经网络模型中，以得到用电设备的种类。
2.根据权利要求1所述的基于负载特性可视化的电气负载分类方法，其特征在于，每次采集电压数据和电流数据的持续时间是1秒，采样频率是25到44.1KHz之间。
3.根据权利要求1所述的基于负载特性可视化的电气负载分类方法，其特征在于，步骤（1）中对电压数据和电流数据进行滤波和采样处理具体是，首先将采集到的一系列电压数据和电流数据中一点的值用该点的一个邻域中各点值的中值代替，以去除电压数据和电流数据中的突变点，然后使用均值滤波对中值滤波处理后的电压数据和电流数据分别进行平滑处理，以去除电压数据和电流数据中的不相关数据点。
4.根据权利要求1所述的基于负载特性可视化的电气负载分类方法，其特征在于，步骤（1）中寻找电压过零上升点为起始点，保留一周期采样点数的电压数据，对应保留一周期采样点数的电流数据这一过程具体为，在用电设备的电压数据中截取10个完整周期的电压数据，并获取这10个完整周期的电流数据；随后，对这10个周期的电压数据和电流数据分别以2个周期长度进行叠加后求其均值，从而分别形成完整2个周期的电压数据和电流数据，随后，在这2个周期的电压数据中寻找电压过零上升点，保留该点后一周期采样点数的电压数据，并获取其对应的一周期采样点数的电流数据。
5.根据权利要求1所述的基于负载特性可视化的电气负载分类方法，其特征在于，步骤（2）中执行Min-max标准化处理，以分别得到标准化后的电流数据、电压数据和时间数据，将标准化后的电流数据、电压数据和时间数据分别根据时域的顺序进一步排列成大小为M×N的二维矩阵这一过程具体是采用以下公式：
X(i,j)=
其中X(i,j)是M×N矩阵的元素，
为标准化后的电流数据、电压数据或时间数据，i为M×N矩阵的行序号，取值范围为[1,M]，j为M×N矩阵的列序号，取值范围为[1,N]，M×N在数值上等于一周期采样点数。
6.根据权利要求1所述的基于负载特性可视化的电气负载分类方法，其特征在于，卷积神经网络是通过以下步骤训练得到的：
（3-1）采集多个类别的用电设备在稳态时的电压数据和电流数据作为数据集，并将其按7：3的比例划分为训练集和测试集；
（3-2）对数据集中的电压数据和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电压数据和电流数据；
（3-3）根据步骤（3-2）处理后的用电设备的电压数据和电流数据寻找电压过零上升点为起始点，保留一个周期电压数据，对应保留一个周期的电流数据，添加一列长度为一周期采样点数的自增序列作为时间数据，形成完整的一个周期的电流数据、电压数据和时间数据；
（3-4）根据步骤（3-3）形成的电流数据、电压数据和时间数据先后进行Min-max标准化处理和将标准化后的电流数据、电压数据和时间数据分别根据时域的顺序进一步排列成大小为M×N的二维矩阵，以得到处理后的三张灰度图像，合并成一张彩色图像，并将处理后的彩色图像输入卷积神经网络；
（3-5）使用反向传播算法对卷积神经网络中每层的权重参数和偏置参数进行更新和优化，以得到更新后的卷积神经网络；
（3-6）对步骤（3-5）更新后的卷积神经网络进行迭代训练，直到该卷积神经网络的损失函数达到最小为止；
（3-7）使用步骤（3-1）得到的数据集中的测试集对迭代训练后的卷积神经网络进行迭代验证，直到得到的分类精度达到最优为止，从而得到训练好的卷积神经网络。
7.根据权利要求6所述的基于负载特性可视化的电气负载分类方法，其特征在于，
步骤（3-5）中权重参数的初始值是使用标准差为0.1的截断式正态分布输出的随机值，偏置参数的初始值设为0；
反向传播算法是采用Adam-Optimizer作为优化器。
8.根据权利要求6或7所述的基于负载特性可视化的电气负载分类方法，其特征在于，卷积神经网络的损失函数L为交叉熵损失函数，且等于：
其中
表示训练集的样本总数，
表示训练集中类别的数量，
表示第k类第i个训练样本输入卷积神经网络后的预测结果，
表示第k类第i个训练样本对应的真实结果，k∈[1，K]，
表示正则化程度，其取值为0.007，
表示第k类第i个训练样本输入卷积神经网络时的权重参数，其随着卷积神经网络的训练自行变化。
9.根据权利要求8所述的基于负载特性可视化的电气负载分类方法，其特征在于，卷积神经网络包括输入层，2个卷积层，2个池化层和2个全连接层，其具体网络结构如下：
第一层是输入层，输入的图像为M*N*3的图像；
第二层是卷积层，其接收来自输入层的M*N*3的图像，其中卷积核为3*3*16，该层使用全0填充，步长为1，该层输出矩阵大小为M*N*16；
第三层是池化层，卷积核尺寸为2*2，长和宽的步长均为2，该层输出矩阵为(M/2)*(N/2)*16；
第四层是卷积层，卷积核尺寸为3*3*32，步长为1，本层使用全0填充，输出的矩阵为(M/2)*(N/2)*32；
第五层为池化层，卷积核尺寸为2*2，步长为2，输出的矩阵大小为(M/4)*(N/4)*32；
第六层为全连接层，输出节点个数为32个；
第七层是全连接层，输出节点数量为11个。
10.一种基于负载特性可视化的电气负载分类系统，其特征在于，包括：
第一模块，用于采集用电设备在稳态下的电压数据和电流数据，并对该电压和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电流数据和电压数据，寻找电压过零上升点为起始点，保留一周期采样点数的电压数据，对应保留一周期采样点数的电流数据，并添加一列长度为一周期采样点数的自增序列作为时间数据，从而获得完整的一周期采样点数的电流数据、电压数据和时间数据；
第二模块，用于对第一模块得到的一周期采样点数的电流数据、电压数据和时间数据分别进行Min-max标准化处理，以分别得到标准化后的电流数据、电压数据和时间数据，将标准化后的电流数据、电压数据和时间数据分别根据时域的顺序进一步排列成大小为M×N的二维矩阵，以得到数值范围在0到255内的三个二维矩阵，并通过PIL库将三个矩阵分别转换为三张灰度图像；
第三模块，用于将第二模块得到的三张灰度图像作为R/G/B通道合成一张彩色图像，并将该彩色图像输入训练好的卷积神经网络模型中，以得到用电设备的种类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010289150.4A CN111539275B (zh) | 2020-04-14 | 2020-04-14 | 一种基于负载特性可视化的电气负载分类方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010289150.4A CN111539275B (zh) | 2020-04-14 | 2020-04-14 | 一种基于负载特性可视化的电气负载分类方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111539275A CN111539275A (zh) | 2020-08-14 |
| CN111539275B true CN111539275B (zh) | 2020-11-20 |
Family
ID=71952295
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010289150.4A Active CN111539275B (zh) | 2020-04-14 | 2020-04-14 | 一种基于负载特性可视化的电气负载分类方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539275B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117132808B (zh) * | 2023-08-07 | 2024-02-06 | 中南民族大学 | 一种基于小波混合卷积的多负荷识别方法和系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103491675A (zh) * | 2013-08-02 | 2014-01-01 | 深圳市智远能科技有限公司 | 单pwm多组驱动以及功耗精确测量方法 |
| CN105548792A (zh) * | 2015-12-28 | 2016-05-04 | 中南大学 | 基于预测控制的矩阵变换器开关开路故障诊断方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268660A (zh) * | 2014-10-13 | 2015-01-07 | 国家电网公司 | 一种电力系统预测类数据的趋势辨识方法 |
| US10234368B2 (en) * | 2016-10-13 | 2019-03-19 | Deere & Company | System and method for load evaluation |
| CN108964270A (zh) * | 2018-07-04 | 2018-12-07 | 中国海洋大学 | 一种智能家电负载检测和控制系统及其方法 |
| CN109946543B (zh) * | 2019-03-28 | 2020-04-21 | 西南交通大学 | 用于非侵入式负荷监测的v-i图样本数据集筛选方法 |
| CN110188771B (zh) * | 2019-05-17 | 2021-02-23 | 湖南大学 | 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 |
-
2020
- 2020-04-14 CN CN202010289150.4A patent/CN111539275B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103491675A (zh) * | 2013-08-02 | 2014-01-01 | 深圳市智远能科技有限公司 | 单pwm多组驱动以及功耗精确测量方法 |
| CN105548792A (zh) * | 2015-12-28 | 2016-05-04 | 中南大学 | 基于预测控制的矩阵变换器开关开路故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111539275A (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443302B (zh) | 基于特征融合与深度学习的负荷辨识方法及其应用 | |
| CN109546659B (zh) | 基于随机矩阵和智能场景匹配的配电网无功优化方法 | |
| CN110514889A (zh) | 一种非侵入式家庭用电负载识别的方法及系统 | |
| CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
| CN109975673B (zh) | 一种光伏微电网直流侧故障电弧识别方法 | |
| CN110991263B (zh) | 一种抗背景负荷干扰的非入侵式负荷识别方法及系统 | |
| CN111880044B (zh) | 一种含分布式电源配电网在线故障定位方法 | |
| CN113036759B (zh) | 一种电力用户负荷细粒度识别方法及识别系统 | |
| Li et al. | A nonintrusive load identification model based on time-frequency features fusion | |
| CN111368904A (zh) | 一种基于电力指纹的电器设备识别方法 | |
| CN113076985B (zh) | 电力用户负荷识别方法、装置及计算机可读介质 | |
| CN111103477A (zh) | 一种基于3d卷积神经网络的电气负载监测方法和系统 | |
| CN113902104A (zh) | 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法 | |
| CN114444539A (zh) | 电力负荷识别方法、装置、设备、介质和程序产品 | |
| CN110458189A (zh) | 压缩感知和深度卷积神经网络电能质量扰动分类方法 | |
| 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 | |
| CN117315434A (zh) | 一种基于时序成像和深度学习的非侵入式负荷辨识方法 | |
| Xu et al. | Loop optimization noise-reduced LSTM based classifier for PD detection | |
| CN117009842A (zh) | 一种融合注意力机制的群体居民用电差异化预测方法 | |
| Paul et al. | An intelligent system for domestic appliance identification using deep dense 1-D convolutional neural network | |
| Yan et al. | A clustering method for power time series curves based on improved self-organizing mapping algorithm | |
| Yu et al. | Intelligent fault diagnosis of chemical process based on twin convolution deep neural network of wavelet transform | |
| Li et al. | Low-voltage Arc Fault Identification Using a Hybrid Method Based on Improved Salp Swarm Algorithm–Variational Mode Decomposition–Random Forest | |
| CN117132808B (zh) | 一种基于小波混合卷积的多负荷识别方法和系统 | |
| Li et al. | Non-intrusive load monitoring for consistent shape loads based on convolutional neural network |
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 |