CN111864896B - 一种电力负荷监测方法及系统 - Google Patents
一种电力负荷监测方法及系统 Download PDFInfo
- Publication number
- CN111864896B CN111864896B CN201910355918.0A CN201910355918A CN111864896B CN 111864896 B CN111864896 B CN 111864896B CN 201910355918 A CN201910355918 A CN 201910355918A CN 111864896 B CN111864896 B CN 111864896B
- Authority
- CN
- China
- Prior art keywords
- sample
- voltage
- current
- image
- current trace
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种电力负荷监测方法及系统，包括：获取待测用电设备的电压电流迹线颜色编码图像，所述电压电流迹线颜色编码图像通过HSV色彩空间对电压电流迹线进行编码得到；基于训练好的负荷识别模型，对所述电压电流迹线颜色编码图像进行识别，获取所述待测用电设备的用电信息，以用于进行电力负荷监测，所述训练好的负荷识别模型是由样本电压电流迹线颜色编码图像训练得到。本发明实施例将采集到的电压电流迹线转化成彩色图像信息，通过训练好的负荷识别模型，将电压电流迹线转化成彩色图像进行识别，得到用户的用电信息，提高了电力负荷监测的准确性和效率，降低了电力负荷监测的复杂程度。
Description
技术领域
本发明涉及电力负荷监测技术领域，尤其涉及一种电力负荷监测方法及系统。
背景技术
智能用电是构建坚强智能电网的重要环节，准确地监测用电负荷，能为能源管理、需求响应和家居自动化等智能用电服务提供细粒度的能源使用信息。
目前，电力监测技术主要分为侵入式负荷监测和非侵入式负荷监测，其中，侵入式负荷监测方案需要对每个用电设备安装一个传感器，导致需要耗费大量的人力和成本，同时也给用户的生产和生活带来不便。而非侵入式负荷监测只需要在位于边缘端用户的电力负荷关口布置一个边缘仪表，就能实现微电网中负荷能效水平与设备类型的监测，获得精细化的能源使用信息。非侵入式负荷监测相对侵入式负荷监测来说，硬件成本需求更低，并且测控终端易于安装，便于后期维护，较少侵犯用户隐私。
随着非侵入式负荷监测技术的发展，可望在许多负荷监测应用中逐渐取代侵入式负荷监测，然而，现有的非侵入式负荷监测技术还存在许多不足，如何提高监测准确率，减少计算的复杂程度，加快负荷监测的识别效率，是目前面临的主要问题。因此，现在亟需一种电力负荷监测方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种电力负荷监测方法及系统。
第一方面，本发明实施例提供了一种电力负荷监测方法，包括：
获取待测用电设备的电压电流迹线颜色编码图像，所述电压电流迹线颜色编码图像通过HSV色彩空间对电压电流迹线进行编码得到；
基于训练好的负荷识别模型，对所述电压电流迹线颜色编码图像进行识别，获取所述待测用电设备的用电信息，以用于进行电力负荷监测，所述训练好的负荷识别模型是由样本电压电流迹线颜色编码图像训练得到。
第二方面，本发明实施例提供了一种电力负荷监测系统，包括：
负荷特征提取模块，用于获取待测用电设备的电压电流迹线颜色编码图像，所述电压电流迹线颜色编码图像通过HSV色彩空间对电压电流迹线进行编码得到；
电力负荷识别模块，用于基于训练好的负荷识别模型，对所述电压电流迹线颜色编码图像进行识别，获取所述待测用电设备的用电信息，以用于进行电力负荷监测，所述训练好的负荷识别模型是由样本电压电流迹线颜色编码图像训练得到。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种电力负荷监测方法及系统，将采集到的电压电流迹线转化成彩色图像信息，通过训练好的负荷识别模型，将电压电流迹线转化成彩色图像进行识别，得到用户的用电信息，提高了电力负荷监测的准确性和效率，降低了电力负荷监测的复杂程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的电力负荷监测方法的流程示意图；
图2为本发明实施例提供的AlexNet模型的迁移学习方法的示意图；
图3为本发明实施例提供的电力负荷监测系统的结构示意图；
图4为本发明实施例提供的电力负荷监测系统的框架示意图；
图5为本发明实施例提供的电力负荷监测系统的功能框架示意图；
图6为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
电力负荷监测是指监测总负荷内部每个用电设备的用电信息，例如，一户居民、整栋楼宇或整个车间等区域内的各个用电设备的用电信息，用电信息主要包括工作在状态和用电功率，根据这两项信息，得到不同用电设备的耗电状态和用电规律等。其中，非侵入式负荷监测方法为近几年来的主要研究方向，从资源占用角度来看，非侵入式负荷监测方法相当于用软件资源换取硬件资源，利用先进信号处理技术和机器学习智能算法降低了硬件系统复杂度，并且可在不侵犯隐私的情况下，以更小的成本监测负荷的用电信息，促进能源供给者与使用者间的灵活双向互动。
图1为本发明实施例提供的电力负荷监测方法的流程示意图，如图1所示，本发明实施例提供了一种电力负荷监测方法，包括：
步骤101，获取待测用电设备的电压电流迹线颜色编码图像，所述电压电流迹线颜色编码图像通过HSV色彩空间对电压电流迹线进行编码得到。
在本发明实施例中，电压电流迹线是一种用电负荷形状描述特征，其可被转换为图像用来识别用电负荷，由于电压电流迹线是一种二值图像，只能表达该迹线的形状信息，导致不能完成细粒度的负荷识别任务。在本发明实施例中，通过色调-饱和度-明度(Hue-Saturation-Value，简称HSV)色彩空间将电压电流迹线进行编码，从而得到待测用电设备的电压电流迹线颜色编码图像。需要说明的是，即使用电负荷稳定运行，同一种用电设备的电压电流迹线也不会始终保持不变，因此，在不同的周波中，电压电流迹线很容易受负荷波动或噪声的影响而不尽相同。虽然一个周波的电压波形和电流波形足以绘制电压电流迹线，但为了适应负荷的动态性，并提升电力负荷监测的鲁棒性，优选地，在本发明实施例中，通过对多个周波的电压波形和电流波形进行处理，从而得到电压电流迹线颜色编码图像。
步骤102，基于训练好的负荷识别模型，对所述电压电流迹线颜色编码图像进行识别，获取所述待测用电设备的用电信息，以用于进行电力负荷监测，所述训练好的负荷识别模型是由样本电压电流迹线颜色编码图像训练得到。
在本发明实施例中，在得到电压电流迹线颜色编码图像之后，需要对该图像进行识别，即通过对电压、电流和功率等特征进行分析辨识，从而得到用电设备的工作状态和用电功率。训练好的负荷监测模型根据电压电流迹线颜色编码图像对应的用电设备类型，例如，白炽灯、空调设备或冰箱等，识别出不同用电设备此时的用电信息，以供用户或者供电部门根据用电信息制定相应的用电计划或供电模式。具体地，在本发明实施例中，训练好的负荷识别模型通过对待测用电设备的电压电流迹线颜色编码图像进行识别，得到用电设备的工作状态信息，例如，若为白炽灯或电热水壶等这种只有运行和关机两种用电状态的用电设备，则判断该用电设备此时是否处于工作状态，若为洗衣机或微波炉等这种具有多个不同工作状态的用电设备，则判断该用电设备此时的功率对应的工作模式，如洗衣机正在进行脱水任务或洗涤任务等。需要说明的是，在本发明实施例中，在对电压电流迹线颜色编码图像进行负荷识别之前，需要对采集到的电压信号和电流信号依次进行事件检测、负荷分离和特征提取等处理，从而将不同用电设备的电压信号和电流信号分离出来，然后再对负荷分离后的每个用电设备的电压信号和电流信息进行信号转换以及图像处理，得到每个用电设备对应的电压电流迹线颜色编码图像。
本发明实施例提供的一种电力负荷监测方法，将采集到的电压电流迹线转化成彩色图像信息，通过训练好的负荷识别模型，将电压电流迹线转化成彩色图像进行识别，得到用户的用电信息，提高了电力负荷监测的准确性和效率，降低了电力负荷监测的复杂程度。
在上述实施例的基础上，所述训练好的负荷识别模型通过以下步骤训练得到：
获取样本电压电流迹线颜色编码图像；
将所述样本电压电流迹线颜色编码图像输入到负荷识别模型中进行训练，得到训练好的负荷识别模型，其中，所述负荷识别模型通过预训练的AlexNet模型构建得到。
在本发明实施例中，在对负荷识别模型进行训练之前，首先，获取样本电压电流迹线颜色编码图像，得到训练样本集。然后，将样本训练集输入到AlexNet模型中进行训练，由于AlexNet模型中包含有大量的网络参数，每次迭代都需要处理数百万个浮点运算，若重新开始构建和训练AlexNet模型，将会导致训练成本较高以及耗时较长，在本发明实施例中，通过迁移学习方法，将已完成预训练的AlexNet模型作为待训练的负荷识别模型进行训练，需要说明的是，已完成预训练的AlexNet模型是通过在ImageNet数据集上进行预训练得到的。AlexNet模型的第一个卷积层的可视化特征中主要包含了边缘和颜色信息，这表明该层的滤波器是边缘检测器和颜色过滤器，而位于浅层的卷积层将具有不同角度和颜色的边缘提取出来，这也让更深层处的卷积层可构建出更加复杂的特征，从而使得位于最深层的全连接层则将卷积层学习到的特征进行更高层级的组合。在本发明实施例中，通过将预训练的AlexNet模型的卷积层和全连接层作为级联式的特征提取器，实现AlexNet模型的前几层在不同的任务之间进行迁移，具体地，图2为本发明实施例提供AlexNet模型的迁移学习方法的示意图，可参考图2所示，首先，从预训练的AlexNet模型中提取除最后一个全连接层以外的所有神经网络层；然后，通过将最后一个全连接层替换为一个新的全连接层，使得该AlexNet模型迁移到电力负荷识别任务；在对迁移后的AlexNet模型进行训练之前，还需要将样本电压电流迹线颜色编码图像的大小进行调整，使得样本训练集中的图像大小和模型输入层保持一致，同时将新的全连接层神经元数量进行调整，以使得和电力负荷监测类别保持一致；最后，将样本电压电流迹线颜色编码图像输入到迁移后的AlexNet模型中进行训练，得到对应的样本电力负荷监测的类别，并通过预设的训练停止准直，判断负荷识别模型是否完成训练。需要说明的是，在本发明实施例中，需要将迁移后的AlexNet模型的初始学习速率设置为较小的数值，从而降低被迁移层的学习速率，同时，适当提高新的全连接层的学习速率，使得负荷识别模型的识别效果提高。
本发明实施通过构建一种基于迁移学习的非侵入式负荷识别模型，通过二值映射和颜色编码技术将负荷用电信号转换为图像，使得在视觉识别任务上预训练的卷积神经网络与负荷识别任务上的模型迁移。通过在不同任务间共享预训练模型学习到的抽象特征，使得保留负荷特征信息的同时也加速了负荷识别模型的训练过程。
在上述实施例的基础上，在所述获取样本电压电流迹线颜色编码图像之前，所述方法还包括：
根据样本电压波形和样本电流波形，获取样本电压电流迹线；
通过HSV色彩空间对所述样本电压电流迹线进行处理，得到所述样本电压电流迹线的样本色调图像、样本饱和度图像和样本明度图像；
将所述样本色调图像、所述样本饱和度图像和所述样本明度图像进行级联处理，得到样本电压电流迹线颜色编码图像。
在本发明实施例中，首先将样本电压信号和样本电流信号转换为模拟信号，然后再将这两种模拟信号转化为数字信号，得到样本电压波形和样本电流波形，并通过样本电压波形和样本电流波形绘制样本电压电流迹线。需要说明的是，在本发明实施例中，在获取到样本电压信号和样本电流信号之后，对样本电压信号和样本电流信号进行预处理，预处理包括波形去噪处理、滤波处理和异常值校正处理等，从而提高后续负荷识别的准确性。
进一步地，在本发明实施例中，基于HSV色彩空间，将样本电压电流迹线编码为彩色图像，HSV色彩空间是一种根据颜色的直观特性的可视化建模方法，该建模方法通过将各种色调(Hue)分布在倒圆锥体不同角度的径向截面上，色调从红色过渡到黄色，绿色，青色，蓝色，品红色，最后再回到红色；饱和度(Saturation)定义为色度与亮度之间的比值，并随着距圆形截面中心的距离增加而增加；明度(Value)表示颜色的亮度，通过圆形截面的中心到圆锥顶点的距离进行定义。通过HSV色彩空间对样本电压电流迹线进行编码处理，分别得到样本电压电流迹线对应的样本色调图像、样本饱和图像和样本明度图像。最后，将得到的样本色调图像、样本饱和图像和样本明度图像沿第三维度进行级联处理，得到样本电压电流迹线颜色编码图像。优选地，在本发明实施例中，为了更直观的通过软件进行显示，可将基于HSV色彩空间的样本电压电流迹线颜色编码图像转换至等效的红-绿-蓝(Red-Green-Blue，简称RGB)色彩空间，具体地，需要将样本电压电流迹线颜色编码图像从HSV色彩空间转换至RGB色彩空间的坐标，若用(H,S,V)表示HSV色彩空间中的图像像素的色调、饱和度和明度，则该图像像素转换至RGB色彩空间后的红色、绿色和蓝色的强度可表示为(R,G,B)，当0°≤H≤360°，0≤S≤1且0≤V≤1时，设定变量关系为：
α＝V×S；
γ＝V-α；
β＝α×(1-|(H/60°)mod2-1|)；
根据变量关系，通过以下公式，将样本电压电流迹线颜色编码图像从HSV色彩空间转换至RGB色彩空间的坐标，公式为：
(R,G,B)＝((R'+γ),(G'+γ),(B'+γ))；
通过在第三维度级联样本色调图像、样本饱和度图像和样本明度图像，并将其从从HSV色彩空间转换至RGB色彩空间，从而得到样本电压电流迹线颜色编码图像。
在上述实施例的基础上，所述根据样本电压波形和样本电流波形，获取样本电压电流迹线，包括：
获取样本负荷的样本电压波形和样本电流波形；
根据所述样本电压波形和所述样本电流波形，对所述样本负荷进行事件检测，并通过事件检测结果，对所述样本负荷进行分离，得到不同用电设备的样本电压电流迹线。
在本发明实施例中，可通过直接采用的方式将强电压、大电流信号转换为模拟弱电压信息，并通过模数转换，将模拟信号转换成数字信号，得到样本负荷的电压波形和电流波形。然后，对样本负荷的电压波形和电流波形进行事件检测，根据事件检测对应的预设阈值，对样本负荷的负荷组成进行分析，并根据分析结果，将不同用电设备的电压波形和电流波形进行分离，以使得根据用电设备的电压波形和电流波形绘制该用电设备的样本电压电流迹线。
在上述实施例的基础上，所述样本色调图像通过以下公式得到：
其中，Hj表示样本电压电流迹线中两个连续轨迹点的运动角度，A表示第a个样本电压电流迹线的质点经过像素网格坐标的集合，|·|表示集合A中的元素个数，j表示样本电压电流迹线中第j个轨迹点，j＝1,2,…，j。
在本发明实施例中，通过公式：
获取到样本电压电流迹线的运动信息，其中，arg(·)表示四象限正切函数，用于计算迹线中两个连续轨迹点之间的运动角度，取值范围为0°至360°，vmax表示电压绝对值的最大值，imax表示电流绝对值的最大值，Vj+1表示样本电压电流迹线中第j+1个轨迹点的电压值，Ij+1表示样本电压电流迹线中第j+1个轨迹点的电流值。
在上述实施例的基础上，所述样本饱和度图像通过以下公式得到：
其中，K表示采样点数，Pactive表示有功功率，Papparent表示视在功率，Vrms表示电压有效值，Irms表示电流有效值，vj表示样本电压电流迹线中第j个轨迹点对应的电压值，ij表示样本电压电流迹线中第j个轨迹点对应的电流值。
在上述实施例的基础上，所述样本明度图像通过以下公式得到：
其中，Wm表示M个周波的电压和电流形成M个二值图像，m＝1,2，…，M，M表示M个周波。
需要说明的是，在上述各实施例中，基于同一个用电设备下，构建的样本色调图像、样本饱和度图像和样本明度图像，均是在同一规格的像素网格坐标系下，其像素网格坐标的横坐标为电流值，纵坐标为电压值，具体地，在像素网络坐标种，每一个轨迹点可通过
进行表示，即第j个轨迹点的横坐标(电流值)，以及第j个轨迹点的纵坐标(电压值)，通过样本色调图像、样本饱和度图像和样本明度图像的公式，获取每一个轨迹点的坐标，从而构建出样本色调图像、样本饱和度图像和样本明度图像。
图3为本发明实施例提供的电力负荷监测系统的结构示意图，如图3所示，本发明实施例提供了一种电力负荷监测系统，包括：负荷特征提取模块301和电力负荷识别模块302，其中，负荷特征提取模块301用于获取待测用电设备的电压电流迹线颜色编码图像，所述电压电流迹线颜色编码图像通过HSV色彩空间对电压电流迹线进行编码得到；电力负荷识别模块302用于基于训练好的负荷识别模型，对所述电压电流迹线颜色编码图像进行识别，获取所述待测用电设备的用电信息，以用于进行电力负荷监测，所述训练好的负荷识别模型是由样本电压电流迹线颜色编码图像训练得到。
在本发明实施例中，负荷特征提取模块301通过HSV色彩空间将电压电流迹线进行编码，从而得到待测用电设备的电压电流迹线颜色编码图像。然后，电力负荷识别模块302对该图像进行识别，即通过对电压、电流和功率等特征进行分析辨识，从而得到用电设备的工作状态和用电功率。
本发明实施例提供的一种电力负荷监测系统，将采集到的电压电流迹线转化成彩色图像信息，通过训练好的负荷识别模型，将电压电流迹线转化成彩色图像进行识别，得到用户的用电信息，提高了电力负荷监测的准确性和效率，降低了电力负荷监测的复杂程度。
在上述实施例的基础上，所述系统还包括：迹线图像获取模块和模型训练模块，其中，迹线图像获取模块用于获取样本电压电流迹线颜色编码图像；模型训练模块用于将所述样本电压电流迹线颜色编码图像输入到负荷识别模型中进行训练，得到训练好的负荷识别模型，其中，所述负荷识别模型通过预训练的AlexNet模型构建得到。
在上述实施例的基础上，所述系统还包括：第一处理模块、第二处理模块、第三处理模块和图像转换模块，其中，第一处理模块用于根据样本电压波形和样本电流波形，获取样本电压电流迹线；第二处理模块用于通过HSV色彩空间对所述样本电压电流迹线进行处理，得到所述样本电压电流迹线的样本色调图像、样本饱和度图像和样本明度图像；第三处理模块用于将所述样本色调图像、所述样本饱和度图像和所述样本明度图像进行级联处理，得到样本电压电流迹线颜色编码图像。
在上述实施例的基础上，第一处理模块还包括：采集单元和事件检测单元，其中，采集单元用于获取样本负荷的样本电压波形和样本电流波形；事件检测单元用于根据所述样本电压波形和所述样本电流波形，对所述样本负荷进行事件检测，并通过事件检测结果，对所述样本负荷进行分离，得到不同用电设备的样本电压电流迹线。
图4为本发明实施例提供的电力负荷监测系统的框架示意图，可参考图4所示，电力负荷识别模块302可设置在边缘服务器或云服务平台中，优选地，在本发明实施例中，将负荷特征提取模块301设置在负荷监测边缘仪表中，电力负荷识别模块302设置在边缘服务器中进行说明。如图4所示，负荷监测边缘仪表负责对原始电能信号进行数据采集和预处理等，具体地，在负荷监测边缘仪表中还设置有采集单元和事件检测单元。需要说明的是，在本发明实施例中，也可以在负荷监测边缘仪表中增加浅学习模块，通过分布式提取各用户的负荷特征，从而提高负荷特征提取的效率，加快负荷监测的计算能力。在本发明实施例中，云服务平台主要进行集中式以及实时性要求不高的信息处理，根据边缘服务器上传的用电信息进行分析，从而得到对应的用电决策，并将用电决策反馈到用户，实现基于双向通行的需求响应和信息交互共享，为电力用户提供智能化和个性化的用电与节电服务，同时为电力经济运行分析、用电和节电决策等提供充足、及时和准确的数据支持。
图5为本发明实施例提供的电力负荷监测系统的功能框架示意图，可参考图5所示，边缘仪表(智能电表)一般包含电流传感器、电压传感器、事件检测单元和网络通信模块。其中，电流传感器和电压传感器可设置在电力负荷关口，对被测负荷的电压波形和电流波形进行采集，事件检测单元可以是嵌入式处理器，用于进行事件检测、负荷分离和特征提取等任务，网络通信模块将采集到的电压波形和电流波形发送到边缘服务器。
进一步地，相较于基于云服务平台的集中式信息处理方式，本发明实施例通过更贴近数据源的边缘仪表和边缘服务器分布式地处理用电信息，可大幅减少数据传输时间，保证计算的实时性。同时，也减少了云端与边缘端的信息交换，降低了用电网络的带宽需求，甚至可以起到保护信息隐私的作用。此外，通过合理分配边缘端服务器与边缘仪表的计算资源，优化计算效能，也相当于降低了信息处理与数据存储成本。其中，边缘仪表和边缘服务器的任务分别如表1所示：
表1边缘端计算任务分配
从计算复杂度方面来看，边缘仪表虽然计算能力较差，但是数量较多，更适于分布式计算任务；相比之下，边缘服务器虽然计算能力较强，但数量较少，更适于集中式计算任务。因此，本发明实施例可通过智能电表或智能插座等边缘仪表内的计算设备来分布式地提取各用户的负荷特征，同时，在同一用电小区或用电区域内，在集中式的边缘服务器上完成高强度的学习模型训练过程。
本发明实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图6为本发明实施例提供的电子设备结构示意图，如图6所示，该电子设备可以包括：处理器(Processor)601、通信接口(Communications Interface)602、存储器(Memory)603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令，以执行如下方法：获取待测用电设备的电压电流迹线颜色编码图像，所述电压电流迹线颜色编码图像通过HSV色彩空间对电压电流迹线进行编码得到；基于训练好的负荷识别模型，对所述电压电流迹线颜色编码图像进行识别，获取所述待测用电设备的用电信息，以用于进行电力负荷监测，所述训练好的负荷识别模型是由样本电压电流迹线颜色编码图像训练得到。
此外，上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取待测用电设备的电压电流迹线颜色编码图像，所述电压电流迹线颜色编码图像通过HSV色彩空间对电压电流迹线进行编码得到；基于训练好的负荷识别模型，对所述电压电流迹线颜色编码图像进行识别，获取所述待测用电设备的用电信息，以用于进行电力负荷监测，所述训练好的负荷识别模型是由样本电压电流迹线颜色编码图像训练得到。
本发明实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述实施例所提供的电力负荷监测方法，例如包括：获取待测用电设备的电压电流迹线颜色编码图像，所述电压电流迹线颜色编码图像通过HSV色彩空间对电压电流迹线进行编码得到；基于训练好的负荷识别模型，对所述电压电流迹线颜色编码图像进行识别，获取所述待测用电设备的用电信息，以用于进行电力负荷监测，所述训练好的负荷识别模型是由样本电压电流迹线颜色编码图像训练得到。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种电力负荷监测方法，其特征在于，包括：
获取待测用电设备的电压电流迹线颜色编码图像，所述电压电流迹线颜色编码图像通过HSV色彩空间对电压电流迹线进行编码得到；
基于训练好的负荷识别模型，对所述电压电流迹线颜色编码图像进行识别，获取所述待测用电设备的用电信息，以用于进行电力负荷监测，所述训练好的负荷识别模型是由样本电压电流迹线颜色编码图像训练得到，其中，所述样本电压电流迹线颜色编码图像是通过对样本色调图像、样本饱和度图像和样本明度图像进行级联处理得到的，所述样本色调图像通过以下公式得到：
其中，Hj表示样本电压电流迹线中两个连续轨迹点的运动角度，A表示第a个样本电压电流迹线的质点经过像素网格坐标的集合，|·|表示集合A中的元素个数，j表示样本电压电流迹线中第j个轨迹点，j＝1,2,…，j；
所述样本饱和度图像通过以下公式得到：
其中，K表示采样点数，Pactive表示有功功率，Papparent表示视在功率，Vrms表示电压有效值，Irms表示电流有效值，vj表示样本电压电流迹线中第j个轨迹点对应的电压值，ij表示样本电压电流迹线中第j个轨迹点对应的电流值；
所述样本明度图像通过以下公式得到：
其中，Wm表示M个周波的电压和电流形成M个二值图像，m＝1,2，…，M，M表示M个周波。
2.根据权利要求1所述的方法，其特征在于，所述训练好的负荷识别模型通过以下步骤训练得到：
获取样本电压电流迹线颜色编码图像；
将所述样本电压电流迹线颜色编码图像输入到负荷识别模型中进行训练，得到训练好的负荷识别模型，其中，所述负荷识别模型通过预训练的AlexNet模型构建得到。
3.根据权利要求2所述的方法，其特征在于，在所述获取样本电压电流迹线颜色编码图像之前，所述方法还包括：
根据样本电压波形和样本电流波形，获取样本电压电流迹线；
通过HSV色彩空间对所述样本电压电流迹线进行处理，得到所述样本电压电流迹线的样本色调图像、样本饱和度图像和样本明度图像；
将所述样本色调图像、所述样本饱和度图像和所述样本明度图像进行级联处理，得到样本电压电流迹线颜色编码图像。
4.根据权利要求3所述的方法，其特征在于，所述根据样本电压波形和样本电流波形，获取样本电压电流迹线，包括：
获取样本负荷的样本电压波形和样本电流波形；
根据所述样本电压波形和所述样本电流波形，对所述样本负荷进行事件检测，并通过事件检测结果，对所述样本负荷进行分离，得到不同用电设备的样本电压电流迹线。
5.一种电力负荷监测系统，其特征在于，包括：
负荷特征提取模块，用于获取待测用电设备的电压电流迹线颜色编码图像，所述电压电流迹线颜色编码图像通过HSV色彩空间对电压电流迹线进行编码得到；
电力负荷识别模块，用于基于训练好的负荷识别模型，对所述电压电流迹线颜色编码图像进行识别，获取所述待测用电设备的用电信息，以用于进行电力负荷监测，所述训练好的负荷识别模型是由样本电压电流迹线颜色编码图像训练得到，其中，所述样本电压电流迹线颜色编码图像是通过对样本色调图像、样本饱和度图像和样本明度图像进行级联处理得到的，所述样本色调图像通过以下公式得到：
其中，Hj表示样本电压电流迹线中两个连续轨迹点的运动角度，A表示第a个样本电压电流迹线的质点经过像素网格坐标的集合，|·|表示集合A中的元素个数，j表示样本电压电流迹线中第j个轨迹点，j＝1,2,…，j；
所述样本饱和度图像通过以下公式得到：
其中，K表示采样点数，Pactive表示有功功率，Papparent表示视在功率，Vrms表示电压有效值，Irms表示电流有效值，vj表示样本电压电流迹线中第j个轨迹点对应的电压值，ij表示样本电压电流迹线中第j个轨迹点对应的电流值；
所述样本明度图像通过以下公式得到：
其中，Wm表示M个周波的电压和电流形成M个二值图像，m＝1,2，…，M，M表示M个周波。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述方法的步骤。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910355918.0A CN111864896B (zh) | 2019-04-29 | 2019-04-29 | 一种电力负荷监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910355918.0A CN111864896B (zh) | 2019-04-29 | 2019-04-29 | 一种电力负荷监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111864896A CN111864896A (zh) | 2020-10-30 |
| CN111864896B true CN111864896B (zh) | 2022-04-15 |
Family
ID=72964968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910355918.0A Active CN111864896B (zh) | 2019-04-29 | 2019-04-29 | 一种电力负荷监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111864896B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418722B (zh) * | 2020-12-08 | 2021-09-10 | 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 |
| CN112883545B (zh) * | 2021-01-13 | 2022-04-08 | 吉林大学 | 一种电力负荷波形的仿真方法 |
| CN113098129B (zh) * | 2021-02-25 | 2024-10-15 | 中国电力科学研究院有限公司 | 一种适用于波动信号的自适应抽样方法及系统 |
| 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 |
| CN113595242B (zh) * | 2021-06-28 | 2024-02-20 | 湖南大学 | 一种基于深度cnn-hmm的非侵入式负荷辨识方法 |
| 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 |
| CN114372979A (zh) * | 2022-02-23 | 2022-04-19 | 吉林化工学院 | 可迁移的电力指纹深度辨识方法 |
| CN117375246B (zh) * | 2023-12-06 | 2024-04-05 | 江西源丰电力有限责任公司 | 电力设备管理方法、系统及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663358A (zh) * | 2012-03-29 | 2012-09-12 | 山西省电力公司晋中供电分公司 | 变电站二次保护设备运行状态的视频图像识别方法 |
| 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 |
| CN107392116A (zh) * | 2017-06-30 | 2017-11-24 | 广州广电物业管理有限公司 | 一种指示灯识别方法和系统 |
| CN108280813A (zh) * | 2018-01-30 | 2018-07-13 | 努比亚技术有限公司 | 一种图像处理方法、终端及计算机可读存储介质 |
| CN109002828A (zh) * | 2018-07-05 | 2018-12-14 | 东华理工大学 | 基于均值跳动迹变换的图像纹理特征提取方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2864739C (en) * | 2011-11-29 | 2020-03-31 | Energy Aware Technology Inc. | Method and system for forecasting power requirements using granular metrics |
| WO2015178858A1 (en) * | 2014-05-23 | 2015-11-26 | Singapore University Of Technology And Design | A power monitoring apparatus, a method for power monitoring and a base station used with the aforementioned |
| US10552761B2 (en) * | 2016-05-04 | 2020-02-04 | Uvic Industry Partnerships Inc. | Non-intrusive fine-grained power monitoring of datacenters |
-
2019
- 2019-04-29 CN CN201910355918.0A patent/CN111864896B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663358A (zh) * | 2012-03-29 | 2012-09-12 | 山西省电力公司晋中供电分公司 | 变电站二次保护设备运行状态的视频图像识别方法 |
| 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 |
| CN107392116A (zh) * | 2017-06-30 | 2017-11-24 | 广州广电物业管理有限公司 | 一种指示灯识别方法和系统 |
| CN108280813A (zh) * | 2018-01-30 | 2018-07-13 | 努比亚技术有限公司 | 一种图像处理方法、终端及计算机可读存储介质 |
| CN109002828A (zh) * | 2018-07-05 | 2018-12-14 | 东华理工大学 | 基于均值跳动迹变换的图像纹理特征提取方法 |
Non-Patent Citations (2)
| 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 工程科技II辑》.2019,(第12期),第C042-864页. * |
| 非侵入式负荷分解技术及应用研究;陈小闽;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20190115(第18期);第C042-864页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111864896A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111864896B (zh) | 一种电力负荷监测方法及系统 | |
| CN112418722B (zh) | 基于v-i轨迹图和神经网络的非侵入式负荷识别方法 | |
| WO2021073462A1 (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
| WO2020252784A1 (zh) | 电力负荷数据的预测方法、装置及存储介质 | |
| Wang et al. | Recognition and drop-off detection of insulator based on aerial image | |
| CN105445607B (zh) | 一种基于等温线绘制的电力设备故障检测方法 | |
| CN113036759B (zh) | 一种电力用户负荷细粒度识别方法及识别系统 | |
| CN103310201B (zh) | 目标混合颜色识别方法 | |
| CN107679495A (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
| CN110084158B (zh) | 一种基于智能算法的用电设备识别方法 | |
| CN103366178A (zh) | 一种用于对目标图像进行颜色分类的方法与设备 | |
| Rahman et al. | Segmentation of color image using adaptive thresholding and masking with watershed algorithm | |
| CN108021881A (zh) | 一种肤色分割方法、装置和存储介质 | |
| Huang et al. | Obstacle distance measurement under varying illumination conditions based on monocular vision using a cable inspection robot | |
| CN116824517B (zh) | 基于可视化的变电站运维安全管控系统 | |
| Jin et al. | A Smart Water Metering System Based on Image Recognition and Narrowband Internet of Things. | |
| CN113221614A (zh) | 一种基于混合神经网络的电网绝缘子破损图像识别方法 | |
| Nan et al. | Research on fuzzy enhancement algorithms for infrared image recognition quality of power internet of things equipment based on membership function | |
| CN112560706B (zh) | 一种多源卫星图像水体目标识别方法及装置 | |
| CN117910790A (zh) | 一种智能电网实时安全预警系统及其方法 | |
| CN113537330B (zh) | 一种非侵入式负荷识别方法 | |
| KR20230103790A (ko) | 이질적 이미지의 딥러닝 분석을 위한 적대적 학습기반 이미지 보정 방법 및 장치 | |
| CN114355110A (zh) | 一种基于卷积神经网络的故障电流模式识别方法 | |
| CN114140662A (zh) | 一种基于循环生成对抗网络的绝缘子雷击图像样本增广方法 | |
| CN109003254B (zh) | 基于逻辑回归覆冰检测方法、装置、设备、系统及介质 |
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 |