CN111881793B - 一种基于胶囊网络的非侵入式负荷监测方法与系统 - Google Patents
一种基于胶囊网络的非侵入式负荷监测方法与系统 Download PDFInfo
- Publication number
- CN111881793B CN111881793B CN202010696830.8A CN202010696830A CN111881793B CN 111881793 B CN111881793 B CN 111881793B CN 202010696830 A CN202010696830 A CN 202010696830A CN 111881793 B CN111881793 B CN 111881793B
- Authority
- CN
- China
- Prior art keywords
- voltage
- current
- data
- capsule network
- load
- 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
- 239000002775 capsule Substances 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 8
- 239000012634 fragment Substances 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 abstract description 14
- 238000000354 decomposition reaction Methods 0.000 abstract description 4
- 238000005406 washing Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F2218/04—Denoising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开一种基于胶囊网络的非侵入式负荷监测方法与系统，属于负荷监测技术领域。该系统和方法在房屋的总线处采集电压和电流数据并进行预处理；然后进行事件检测，构成电压电流图像，并对图像进行二值化处理；其次使用胶囊网络训练负荷分解模型，最后利用得到的最优负荷分解模型辨识新的总线数据，计算各个设备的用电情况。本发明的系统和方法采用非侵入式方法进行负荷监测，免于安装大量用电数据采集装置，提供了对家庭负荷投切情况进行监测的技术方法，便于了解家庭用电详情，促进科学合理用电。
Description
技术领域
本发明涉及负荷监测技术领域，尤其涉及一种基于胶囊网络的非侵入式负荷监测方法与系统。
背景技术
随着越来越多家用电器的普及，电能在居民日常开销中所占比重逐渐增加，无论从全社会还是居民用电节约的角度考虑，智能用电都是必然的趋势。智能用电的前提是了解用电设备的运行特性及个人用电习惯，合理计划用电，减少不必要的浪费，对损坏和故障的用电设备及早进行修理或更换，避免既浪费电能又无法发挥其最大能力的情况。
了解家庭用电设备的运行，最简单的方法是在各个用电设备前加装数据采集装置，收集用电信息。这种方法可以直观地了解到用电设备的使用情况，但现代家庭用电设备繁多，此方法需要大量数据采集装置，有一定经济上的要求。随着科技的发展，非侵入式负荷监测方法应运而生。该方法仅在房屋总线处安装用电数据采集装置，使用总线数据或总线数据所提取的特征，通过适宜的负荷分解方法，得到各个用电设备的运行信息。当前非侵入式负荷辨识的方法主要分为两大类：无监督学习方法和监督学习方法。监督学习方法占据了研究的主流，又可细分为数据信号处理和人工智能方法两类。人工智能技术飞速发展，神经网络的使用越来越广泛，卷积神经网络、长短期记忆网络、去噪自动编码器、生成对抗网络等都是常用的人工智能方法。当前卷积神经网络的负荷辨识效果最好，但卷积神经网络中的池化层会丢失大量的信息，降低空间分辨率。新提出的胶囊神经网络，在特征学习过程中保留细节的姿态信息，如对象的准确位置、旋转、厚度、倾斜度、尺寸等，可以学习更细节的特征，因此本发明使用胶囊神经网络解决非侵入式负荷辨识问题，以期训练出准确度高的负荷分解模型。
发明内容
针对上述现有技术的不足，本发明提供一种基于胶囊网络的非侵入式负荷监测方法与系统。
为解决上述技术问题，本发明所采取的技术方案是：一种基于胶囊网络的非侵入式负荷监测方法，包括如下步骤：
步骤1：采集房屋总线的电压和电流数据，并构造成电压序列和电流序列，其中是序列的长度；
步骤2：对电压、电流序列中的数据进行预处理，包括：去除明显的异常值、缺失数据的填补及降噪；
所述缺失数据的填补采用Hermite插值法，所述降噪采用中值滤波法。
步骤3：进行电压、电流序列事件检测，提取单个设备在负荷投切时的电压、电流数据；
步骤3.1：对电流序列进行事件检测，用快速傅里叶变换计算电流相位角，计算相邻两个周期同相位角时刻电流差值的绝对值，如果这个绝对值连续几个周期大于设定好的阈值，则判定发生了负荷投切事件；
步骤3.2：将发生负荷投切事件的时间段截取出来，形成电流事件片段序列；
步骤3.3：在电压序列中，搜索相同负荷投切事件时间段，截取得到电压事件片段
序列；
步骤4：将步骤3提取的数据构成电压、电流轨迹图像，并对图像进行二值化处理；
步骤4.1：对获得的单个设备在负荷投切时的电压事件片段序列、电流事
件片段序列数据进行标准化处理；
步骤4.2：将标准化处理后的数据构成连续的电压、电流轨迹图像；
步骤4.3：对电压、电流轨迹图像进行二值化处理，将电压、电流轨迹映射到像素格。
步骤4.3.1：将电压、电流轨迹图像分为3232个像素格，每个图像像素格分配一
个二进制数；
步骤4.3.2：如果电压、电流轨迹经过某个像素格，则该像素格将被该电压、电流轨迹所占据，并在该像素格中分配1，否则分配为0。
步骤5：利用二值化处理后的电压、电流轨迹图像训练胶囊网络负荷辨识模型；
步骤5.1：构造胶囊网络结构，共包含七层，第一层卷积层，卷积核长度为9，步长为1，激活函数为ReLU；第二层卷积层，卷积核长度为3，步长为1，激活函数为ReLU；第三层初始胶囊层，接受卷积层检测到的基本特征，生成特征的组合；第四层设备胶囊层，每个胶囊和一种设备对应；设备胶囊的输出送到由3个完全连接层组成的解码器，解码器强制胶囊学习对重构输入图像有用的特征，重构输入图像，损失函数为重构图像与输入图像之间的欧氏距离，使用Tensorflow编码，采用Adam算法；
步骤5.2：使用胶囊网络训练负荷辨识模型，为了得到最好的负荷辨识模型，从单个设备运行曲线中提取二值化电压电流图像，作为神经网络的输入对象，并输出设备分类的预测概率值。
步骤6：测试胶囊网络负荷辨识模型，根据测试结果调整神经网络参数，直至模型最优，并保存最优负荷辨识模型；
步骤6.1：使用单个设备运行曲线提取的电压电流图像中未曾训练的二值化图像进行胶囊网络负荷辨识模型的测试；
步骤6.2：根据测试数据的输出结果对胶囊网络负荷辨识模型进行结果分析，即准
确率、召回率和分数判断模型优异，若分数未达到最大，则调整胶囊网络模型结构和网
络超参数，重新训练胶囊网络负荷辨识模型，若分数达到最大，则执行步骤6.3；
步骤6.3：保存胶囊网络负荷辨识模型。
步骤7：利用保存的最优负荷辨识模型对总线数据进行实时辨识，并根据辨识结果对胶囊网络负荷辨识模型进行修正；
步骤7.1：对总线数据进行总线数据实时事件检测，提取单个设备的电压、电流数据，构成二值化电压、电流图像，并利用保存的胶囊网络负荷辨识模型进行非侵入式负荷辨识；
步骤7.2：将总线数据提取的二值化电压、电流图像与单个设备运行曲线提取的二
值化电压、电流图像分别经过胶囊网络负荷辨识模型后的整体结果进行对比，若分数结
果相差很大，则调整总线数据实时事件检测过程中提取的电压电流序列长度，并再次进行
测试，直至结果相差不大。
步骤8：辨识各个设备的投切情况，实现非侵入式负荷监测。
步骤8.1：利用步骤1至步骤7进行非侵入式负荷监测，辨识各设备投切情况；
步骤8.2：实现各设备电气量统计，各设备使用情况及各个设备用能占总能量的比值，达到负荷监测的目的。
另一方面，本发明还提供一种实现基于胶囊网络的非侵入式负荷监测方法的系统，包括主板、数据采集板和单板计算机；
所述主板是物理传感单元和数据采集板之间的接触点，包括电源、传感器和辅助连接；
所述传感器包括电压互感器和电流传感器，用于捕获高频电压和电流数据流，并直接馈入所述数据采集板；
所述数据采集板处理原始模拟输入并将其转换为数字值，并将转换后的数据转发到所述单板计算机进行处理和存储；
所述单板计算机将数据从数据采集板压缩和传输到存储器中；
所述存储器为USB存储设备连接到单板计算机，充当备份缓冲区。
采用上述技术方案所产生的有益效果在于：
1、本发明采用非侵入式方法进行负荷监测，免于安装大量用电数据采集装置；
2、对电压、电流序列中的数据进行预处理可以消除异常数据的影响，保证构造的二值化电压电流图像的质量，便于后续利用胶囊网络负荷辨识模型进行设备投切情况的辨识；
3、对电压、电流轨迹图像进行二值化处理可以在不增加计算复杂度的情况下将轨迹映射到矩阵，而且减轻了设备负载的小波动，利于后续负荷辨识；
4、采用胶囊网络负荷辨识模型对总线数据进行实时辨识，可以在特征提取过程中保留细节的图像信息，学习更细节的特征，提高负荷辨识的准确率；
5、本发明提供一种基于胶囊网络的非侵入式负荷监测方法与系统，介绍了电压电流数据采集装置、电压电流二值化图像的特征提取方法，基于胶囊网络的负荷辨识模型，以及整体负荷监测流程的改进方法；免于安装大量数据采集装置，提供了一种易于操作处理复杂度不高的特征提取方法，用胶囊网络代替传统的卷积神经网络，学习更多细节特征，提出单个设备特征训练模型，总线特征修正模型的模型改进办法，提高整体辨识的准确率，提供了对家庭负荷投切情况进行监测的先进技术方法，便于了解家庭用电详情，促进科学合理用电。
附图说明
图1为本发明实施例中一种基于胶囊网络的非侵入式负荷监测方法的流程图；
图2为本发明实施例中胶囊网络的结构示意图；
图3为本发明实施例中实现基于胶囊网络的非侵入式负荷监测方法的系统结构图；
图4为本发明实施例中识别分类的分数结果图。
实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例以某房屋总线为例，其中包含11种设备的用电情况数据，包括：紧凑型荧光灯，冰箱，电吹风，微波炉，空调，笔记本电脑，真空吸尘器，风扇，洗衣机，白炽灯和加热器。
如图1所示，本实施例的方法如下所述。
步骤1：采集房屋总线的电压和电流数据，并构造成电压序列和电流序列，其中是序列的长度；
本实施例中实现基于胶囊网络的非侵入式负荷监测方法的系统结构如图3所示，采用其中的电压互感器和电流传感器捕获房屋总线处的高频电压和电流模拟量数据流共形成1793个样本，每个样本采集60000次，传输至数据采集板；
数据采集板处理原始模拟输入并将其转换为数字值，本实施例为了正确处理这些高频数据流，利用FPGA收集和传输数据，来自数据采集板的数字数据被转发到单板计算机进行处理和存储，单板计算机充当了将数据从数据采集板压缩和传输到存储系统的桥梁；USB存储设备连接到单板计算机，充当备份缓冲区，可在网络出现故障时将数据存储几天。
步骤2：对电压、电流序列中的数据进行预处理，包括：去除明显的异常值、缺失数据的填补及降噪；
所述缺失数据的填补采用Hermite插值法，所述降噪采用中值滤波法。
本实施例去除明显的异常值的方法：如设备、通信丢包等原因导致的不连续异常值，即当前采样值大于前10个采样值均值的10倍且大于后10个采样值均值的10倍，公式表示为，其中/>为电压或电流在/>时刻的采样值，/>表示平均值；
采用中值滤波法降噪，公式为
其中指电压或电流在/>时刻的去噪后的值，/>指序列片段的中位数，/>指序列片段的长度。
步骤3：进行电压、电流序列事件检测，提取单个设备在负荷投切时的电压、电流数据；
步骤3.1、使用电流序列进行事件检测，用快速傅里叶变换计算电流相位角，用算出相邻两个周期同相位角时刻电流差值的绝对值，是时刻的电流
值，是时刻的电流值，是时刻与时刻电流值差的绝对值，即电流的
变化量，如果这个绝对值连续几个时刻大于设定好的阈值，即，则判定发生了
负荷转换事件；
步骤3.2、将发生负荷投切事件的时间段截取出来，形成电流事件片段序列，其中是事件片段的时长，因此获得单个设备的电流数据；
步骤3.3、在电压序列中搜索相同负荷投切事件时刻，截取得到电压事件片段序列，其中是事件片段的时长，得到单个设备的电压数据。
本实施例中，提取到单个设备在负荷投切时的电压、电流数据分别为：空调208个，荧光灯220个，风扇210个，冰箱90个，电吹风248个，加热器85个，白炽灯148个，笔记本电脑207个，微波炉229个，真空吸尘器73个，洗衣机75个。
步骤4：将步骤3提取的数据构成电压、电流轨迹图像，并对图像进行二值化处理；
步骤4.1：对获得的单个设备在负荷投切时的电压事件片段序列、电流事
件片段序列数据进行标准化处理；
步骤4.2：将标准化处理后的数据构成连续的电压、电流轨迹图像；
步骤4.3：对电压、电流轨迹图像进行二值化处理，将图像划分为的均匀单
元格（），为电压电流图像长度的一半，假设电压电流轨迹上共有个数据点，形
式为，，其中，分别为第个数据点的标准化电压值和电流值，计算每个
单元格轨迹长度，，，是最大值，图像所有单元格初始
化为空白单元格，根据将电压电流轨迹映射到对
应单元格中，其中是第个数据点在电压电流图像上的位置，得到电压电流二值
化图像。
步骤5：利用二值化处理后的电压、电流轨迹图像训练胶囊网络负荷辨识模型；
步骤5.1：构造胶囊网络结构，其结构如图2所示，共包含七层，第一层卷积层，卷积核长度为9，步长为1，激活函数为ReLU；第二层卷积层，卷积核长度为3，步长为1，激活函数为ReLU；第三层初始胶囊层，接受卷积层检测到的基本特征，生成特征的组合；第四层设备胶囊层，每个胶囊和一种设备对应；设备胶囊的输出送到由3个完全连接层组成的解码器，解码器强制胶囊学习对重构输入图像有用的特征，重构输入图像，损失函数为重构图像与输入图像之间的欧氏距离，使用Tensorflow编码，采用Adam算法；
步骤5.2：使用胶囊网络训练负荷辨识模型，为了得到最好的负荷辨识模型，从单个设备运行曲线中提取二值化电压电流图像，作为神经网络的输入对象，并输出设备分类的预测概率值。
步骤6：测试胶囊网络负荷辨识模型，根据测试结果调整神经网络参数，直至模型最优，并保存最优负荷辨识模型；
步骤6.1：使用单个设备运行曲线提取的电压电流图像中未曾训练的二值化图像进行胶囊网络负荷辨识模型的测试；
步骤6.2：根据测试数据的输出结果对胶囊网络负荷辨识模型进行结果分析，即准
确率、召回率和分数判断模型优异：
上述参数的计算公式如下：
其中，是判断为正向的正确率，是负向判断成正向的误报率，是正向
判断成负向的漏报率。
若分数未达到最大，则调整胶囊网络模型结构和网络超参数，重新训练胶囊网
络负荷辨识模型，若分数达到最大，则执行步骤6.3；
步骤6.3：保存胶囊网络负荷辨识模型。
步骤7：利用保存的最优负荷辨识模型对总线数据进行实时辨识，并根据辨识结果对胶囊网络负荷辨识模型进行修正；
步骤7.1：对总线数据进行总线数据实时事件检测，提取单个设备的电压、电流数据，构成二值化电压、电流图像，并利用保存的胶囊网络负荷辨识模型进行非侵入式负荷辨识；
步骤7.2：将总线数据提取的二值化电压、电流图像与单个设备运行曲线提取的二
值化电压、电流图像分别经过胶囊网络负荷辨识模型后的整体结果进行对比，若分数结
果相差很大，则调整总线数据实时事件检测过程中提取的电压电流序列长度，并再次进行
测试，直至结果相差不大。
步骤8：辨识各个设备的投切情况，实现非侵入式负荷监测。
步骤8.1：利用步骤1至步骤7进行非侵入式负荷监测，辨识各设备投切情况；
本实施例胶囊网络负荷辨识模型的分数结果如图4所示，整体辨识结果的分
数即11种设备的平均分数为0.84，其中冰箱、风扇、空调、洗衣机的分数在平均值之
下，冰箱的结果最低，为0.46，微波炉和真空机的分数结果最好，都达到了全部可以识别
的程度，经分析，冰箱、空调、风扇和洗衣机都是有多种运行状态的设备，比起只有单一的开
关状态的设备，二值化电压电流图像也有多种不同的形状，而微波炉和真空机的电压电流
二值化图像只有一种形状，并且在冰箱、风扇、空调、洗衣机的多种形状的二值化电压电流
图像中有一些图像和其他设备的图像类似，造成胶囊网络识别错误，给负荷辨识带来了一
定难度，说明具有越独特的二值化电压电流图像的用电设备越容易被识别出来，这在结果
中也有体现；
步骤8.2：实现各设备电气量统计，各设备使用情况及各个设备用能占总能量的比值，达到负荷监测的目的。
Claims (10)
1.一种基于胶囊网络的非侵入式负荷监测方法，其特征在于，包括如下步骤：
步骤1：采集房屋总线的电压和电流数据，并构造成电压序列和电流序列/>，其中/>是序列的长度；
步骤2：对电压、电流序列中的数据进行预处理，包括：去除明显的异常值、缺失数据的填补及降噪；
步骤3：进行电压、电流序列事件检测，提取单个设备在负荷投切时的电压、电流数据；
步骤4：将步骤3提取的数据构成电压、电流轨迹图像，并对图像进行二值化处理；
步骤5：利用二值化处理后的电压、电流轨迹图像训练胶囊网络负荷辨识模型；
步骤6：测试胶囊网络负荷辨识模型，根据测试结果调整神经网络参数，直至模型最优，并保存最优负荷辨识模型；
步骤7：利用保存的最优负荷辨识模型对总线数据进行实时辨识，并根据辨识结果对胶囊网络负荷辨识模型进行修正；
步骤8：辨识各个设备的投切情况，实现非侵入式负荷监测。
2.根据权利要求1所述的一种基于胶囊网络的非侵入式负荷监测方法，其特征在于：所述步骤2中缺失数据的填补采用Hermite插值法，所述降噪采用中值滤波法。
3.根据权利要求1所述的一种基于胶囊网络的非侵入式负荷监测方法，其特征在于：所述步骤3的过程如下：
步骤3.1：对电流序列进行事件检测，用快速傅里叶变换计算电流相位角，计算相邻两个周期同相位角时刻电流差值的绝对值，如果这个绝对值连续几个周期大于设定好的阈值，则判定发生了负荷投切事件；
步骤3.2：将发生负荷投切事件的时间段截取出来，形成电流事件片段序列；
步骤3.3：在电压序列中，搜索相同负荷投切事件时间段，截取得到电压事件片段序列。
4.根据权利要求1所述的一种基于胶囊网络的非侵入式负荷监测方法，其特征在于：所述步骤4的过程如下：
步骤4.1：对获得的单个设备在负荷投切时的电压事件片段序列、电流事件片段序列/>数据进行标准化处理；
步骤4.2：将标准化处理后的数据构成连续的电压、电流轨迹图像；
步骤4.3：对电压、电流轨迹图像进行二值化处理，将电压、电流轨迹映射到像素格。
5.根据权利要求4所述的一种基于胶囊网络的非侵入式负荷监测方法，其特征在于：所述步骤4.3的过程如下：
步骤4.3.1：将电压、电流轨迹图像分为个像素格，每个图像像素格分配一个二进制数；
步骤4.3.2：如果电压、电流轨迹经过某个像素格，则该像素格将被该电压、电流轨迹所占据，并在该像素格中分配1，否则分配为0。
6.根据权利要求1所述的一种基于胶囊网络的非侵入式负荷监测方法，其特征在于：所述步骤5的过程如下：
步骤5.1：构造胶囊网络结构，共包含七层，第一层卷积层，卷积核长度为9，步长为1，激活函数为ReLU；第二层卷积层，卷积核长度为3，步长为1，激活函数为ReLU；第三层初始胶囊层，接受卷积层检测到的基本特征，生成特征的组合；第四层设备胶囊层，每个胶囊和一种设备对应；设备胶囊的输出送到由3个完全连接层组成的解码器，解码器强制胶囊学习对重构输入图像有用的特征，重构输入图像，损失函数为重构图像与输入图像之间的欧氏距离，使用Tensorflow编码，采用Adam算法；
步骤5.2：使用胶囊网络训练负荷辨识模型，为了得到最好的负荷辨识模型，从单个设备运行曲线中提取二值化电压电流图像，作为神经网络的输入对象，并输出设备分类的预测概率值。
7.根据权利要求1所述的一种基于胶囊网络的非侵入式负荷监测方法，其特征在于：所述步骤6的过程如下：
步骤6.1：使用单个设备运行曲线提取的电压电流图像中未曾训练的二值化图像进行胶囊网络负荷辨识模型的测试；
步骤6.2：根据测试数据的输出结果对胶囊网络负荷辨识模型进行结果分析，即准确率、召回率和F分数判断模型优异，若F分数未达到最大，则调整胶囊网络模型结构和网络超参数，重新训练胶囊网络负荷辨识模型，若F分数达到最大，则执行步骤6.3；
步骤6.3：保存胶囊网络负荷辨识模型。
8.根据权利要求1所述的一种基于胶囊网络的非侵入式负荷监测方法，其特征在于：所述步骤7的过程如下：
步骤7.1：对总线数据进行总线数据实时事件检测，提取单个设备的电压、电流数据，构成二值化电压、电流图像，并利用保存的胶囊网络负荷辨识模型进行非侵入式负荷辨识；
步骤7.2：将总线数据提取的二值化电压、电流图像与单个设备运行曲线提取的二值化电压、电流图像分别经过胶囊网络负荷辨识模型后的整体结果进行对比，若F分数结果相差很大，则调整总线数据实时事件检测过程中提取的电压电流序列长度，并再次进行测试，直至结果相差不大。
9.根据权利要求1所述的一种基于胶囊网络的非侵入式负荷监测方法，其特征在于：所述步骤8的过程如下：
步骤8.1：利用步骤1至步骤7进行非侵入式负荷监测，辨识各设备投切情况；
步骤8.2：实现各设备电气量统计，各设备使用情况及各个设备用能占总能量的比值，达到负荷监测的目的。
10.实现权利要求1所述基于胶囊网络的非侵入式负荷监测方法的系统，其特征在于，包括主板、数据采集板和单板计算机；
所述主板是物理传感单元和数据采集板之间的接触点，包括电源、传感器和辅助连接；
所述传感器包括电压互感器和电流传感器，用于捕获高频电压和电流数据流，并直接馈入所述数据采集板；
所述数据采集板处理原始模拟输入并将其转换为数字值，并将转换后的数据转发到所述单板计算机进行处理和存储；
所述单板计算机将数据从数据采集板压缩和传输到存储器中；
所述存储器为USB存储设备连接到单板计算机，充当备份缓冲区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010696830.8A CN111881793B (zh) | 2020-07-20 | 2020-07-20 | 一种基于胶囊网络的非侵入式负荷监测方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010696830.8A CN111881793B (zh) | 2020-07-20 | 2020-07-20 | 一种基于胶囊网络的非侵入式负荷监测方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111881793A CN111881793A (zh) | 2020-11-03 |
| CN111881793B true CN111881793B (zh) | 2024-03-01 |
Family
ID=73156094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010696830.8A Active CN111881793B (zh) | 2020-07-20 | 2020-07-20 | 一种基于胶囊网络的非侵入式负荷监测方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111881793B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112485516B (zh) * | 2020-11-27 | 2024-04-05 | 杭州万高科技股份有限公司 | 一种电能表及一种非介入负荷识别的芯片架构 |
| CN113627289B (zh) * | 2021-07-27 | 2023-06-16 | 广西电网有限责任公司 | 一种基于深度学习的电力设备识别方法及其装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104483575A (zh) * | 2014-12-22 | 2015-04-01 | 天津求实智源科技有限公司 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
| CN109447162A (zh) * | 2018-11-01 | 2019-03-08 | 山东大学 | 一种基于Lora和Capsule的实时行为识别系统及其工作方法 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2799441A1 (en) * | 2010-06-04 | 2011-12-08 | Sensus Usa Inc. | Method and system for non-intrusive load monitoring and processing |
-
2020
- 2020-07-20 CN CN202010696830.8A patent/CN111881793B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104483575A (zh) * | 2014-12-22 | 2015-04-01 | 天津求实智源科技有限公司 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
| CN109447162A (zh) * | 2018-11-01 | 2019-03-08 | 山东大学 | 一种基于Lora和Capsule的实时行为识别系统及其工作方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| Non-Intrusive Load Monitoring by voltage current Trajectory Enabled Transfer Learning;Yanchi Liu等;《IEEE Transactions on Smart Grid》;第10卷(第5期);5609-5619 * |
| 基于特征融合与深度学习的非侵入式负荷辨识算法;王守阳等;《电力系统自动化》;第44卷(第9期);103-110 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111881793A (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112180193B (zh) | 一种基于轨迹图像识别的非侵入式负荷识别系统及方法 | |
| CN111881793B (zh) | 一种基于胶囊网络的非侵入式负荷监测方法与系统 | |
| CN109359697A (zh) | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 | |
| CN112434799B (zh) | 基于全卷积神经网络的非侵入式负荷识别方法 | |
| CN113076985B (zh) | 电力用户负荷识别方法、装置及计算机可读介质 | |
| CN111563827B (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
| CN111242276B (zh) | 一种用于负荷电流信号识别的一维卷积神经网络构建方法 | |
| CN113036759B (zh) | 一种电力用户负荷细粒度识别方法及识别系统 | |
| CN113344346B (zh) | 基于非侵入式负荷分解的用电异常检测方法和系统 | |
| Yu et al. | Non-intrusive adaptive load identification based on siamese network | |
| CN107490769B (zh) | 一种燃料电池水分布可视化在线检测系统 | |
| CN110850717B (zh) | 利用风机电流的神经网络热泵除霜控制装置及控制方法 | |
| CN112765149A (zh) | 储能系统容量的计算系统及方法 | |
| CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
| CN116995734B (zh) | 面向电网的分布式能源电能质量监测控制评价系统 | |
| CN116089843B (zh) | 一种基于数据聚类的新能源结算数据异常检测与预警方法 | |
| CN115112989B (zh) | 基于低频数据的非侵入式负荷监测方法 | |
| CN113537330B (zh) | 一种非侵入式负荷识别方法 | |
| CN115563583A (zh) | 基于多物理量融合的非侵入式负荷监测方法 | |
| CN115828091A (zh) | 基于端-云协同的非侵入式负荷辨识方法与系统 | |
| Yao et al. | AdaBoost-CNN: a hybrid method for electricity theft detection | |
| CN114662576A (zh) | 基于有监督分类的非侵入式电瓶车充电检测方法及系统 | |
| Wu et al. | Overview of day-ahead solar power forecasts based on weather classifications | |
| Li et al. | Non-intrusive Load Monitoring Method Based on Transfer Learning and Sequence-to-point Model | |
| CN112381130A (zh) | 一种基于聚类分析的配电房多元数据异常检测方法 |
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 |