CN112180193A - 一种基于轨迹图像识别的非侵入式负荷识别系统及方法 - Google Patents

Abstract

本发明属于用电负荷识别技术领域，公开了一种基于轨迹图像识别的非侵入式负荷识别系统及方法，基于轨迹图像识别的非侵入式负荷识别系统包括：电器数据采集模块、主控模块、AI识别模块、无线通信模块、云端；所述基于V‑I轨迹图像识别的非侵入式负荷识别方法包括：负荷数据采集、提取投切电器的电流和电压数据、V‑I轨迹图合成、V‑I轨迹图识别、识别结果上传。本发明采用电磁式传感器，避免了对原用电系统产生干扰；安装简单，不用改变原用电系统电路；通过将电器的电气特征转化为V‑I轨迹图，利用成熟的图像识别技术，更准确地识别电器种类；同时V‑I轨迹图库与现有的电器特征库相比，建立与维护工作更加简单。

Description

一种基于轨迹图像识别的非侵入式负荷识别系统及方法

技术领域

本发明属于用电负荷识别技术领域，尤其涉及一种基于轨迹图像识别的非侵入式负荷识别系统及方法。

背景技术

目前，非侵入式用电负荷识别技术的应用范围比较广，可以应用于智能公寓、智慧家居，通过数据分析可以了解居民用电的组成情况，做到需求侧响应等，同时用户可以了解自己的用电习惯，提高自己的节能意识。但是，现有技术多采用低频的负荷采集方式，会导致识别精度低，实时性差，不能及时反映负荷变化；高频的采集方式又会导致数据传输量大，网络依赖性强；同时传统的负荷特征库建立比较繁琐，需要人工提取负荷特征，如果前期特征提取不全，会导致后序特征库的维护工作量加大。因此，亟需一种新的非侵入式负荷识别系统。

通过上述分析，现有技术存在的问题及缺陷为：现有技术多采用低频的负荷采集方式，会导致识别精度低，实时性差，不能及时反映负荷变化；高频的采集方式又会导致数据传输量大，网络依赖性强；同时传统的负荷特征库建立比较繁琐，需要人工提取负荷特征，如果前期特征提取不全，会导致后序特征库的维护工作量加大。

解决以上问题及缺陷的难度和意义为：通过结合AIOT技术，将负荷数据采集和负荷识别都放在数据采集的边缘处，避免了大量数据的上传；将传统的特征库转化为V-I轨迹图像，一张V-I轨迹图可以包含更多的负荷特征信息，从而降低了负荷特征库的维护工作；同时结合云服务，可以让用户不断完善负荷V-I轨迹图像库，使得识别电器种类更多。

发明内容

针对现有技术存在的问题，本发明提供了一种基于V-I轨迹图像识别的非侵入式负荷识别系统及方法，具体涉及一种基于V-I轨迹图像识别的非侵入式负荷识别系统及方法。

本发明是这样实现的，一种基于轨迹图像识别的非侵入式负荷识别系统，包括：电器数据采集模块、主控模块、AI识别模块、无线通信模块、云端。

电器数据采集模块，由电流互感器、电压互感器、电能计量芯片组成，传感器安装在家庭用电的入口，用于采集家庭用电的电流、电压值，电能计量芯片将电流、电压传感器输出的模拟量转换为数字量，并统计有功功率和无功功率，将实时电流、电压值、功率值传递给主控模块；

主控模块，采用低功耗的MCU作为数据采集系统的核心，对电器数据采集模块产生的数据进行处理，根据功率变化情况判断是否有电器投切事件发生，如果存在电器投切，则根据电流、电压数据生成投切电器的V-I轨迹图像，并将生成的V-I轨迹图传输给AI识别模块；

AI识别模块，通过I²C与主控模块连接，采用专有的AI处理器，可以在超低功耗下进行高速卷积神经网络计算，能够迅速对V-I轨迹图进行识别得到结果；

无线通信模块，用于将AI识别模块输出的识别结果通过网络的方式传输到云端数据库；

云端，主要有数据库、AI学习功能，数据库对边缘端上传的用电数据进行存储，用于应用端数据访问，AI学习功能用于对电器V-I轨迹图进行训练，生成神经网络模型，通过无线通信模块下载到AI识别模块中。

进一步，所述基于V-I轨迹图像识别的非侵入式负荷识别系统整体架构分为三层：端/边缘层、云端、应用层；

端/边缘层：传感器、电能计量芯片、MCU、AI模块以及通信模块；

云端：AI学习、数据库；

应用层：家庭用电监测应用，如WEB、手机APP。

本发明的另一目的在于提供一种应用所述基于轨迹图像识别的非侵入式负荷识别系统的基于轨迹图像识别的非侵入式负荷识别方法，包括以下步骤：

步骤一，负荷数据采集：通过电能采集芯片进行负荷数据的采集。

步骤二，提取投切电器的电流{Ieq}和电压{Veq}数据。

图9为单个周期内荧光灯的波形，左边为电流波形{Ieq}，右边为电压波形{Veq}。

步骤三，V-I轨迹图合成：对步骤二中提取的电流{Ieq}和电压{Veq}，生成V-I轨迹图。

图10为不同采用率下生成的荧光灯V-I轨迹从上往下，从左向右依次为30kHz、15kHz、6kHz、3kHz。

步骤四，V-I轨迹图识别：将步骤三中生成的V-I图像通过I²C接口传输到AI芯片K210上进行神经网络的图像识别。

步骤五，识别结果上传：通过WIFI模块RW007向云端数据库上传投切电器的种类、功率以及发生投切事件的时刻。

进一步，步骤一中，通过电压互感器、电流互感器、电流采样电路、电能采集芯片实时监测电流、电压、功率的用电数据。

进一步，步骤一中，所述电能采集芯片采用带SPI通信接口的单相多功能计量芯片ATT7053，具有19bit Sigma-Delta ADC，可以将电流、电压转换为数字量，同时还支持片上计算有功功率、无功功率，通过SPI接口将数据传输给主控STM32L476处理。

进一步，步骤二中，所述提取投切电器的电流、电压数据，包括：

(1)先记录电器投切的时刻t，表示在t时刻有某电器的状态发生改变；

(2)截取t时刻前T秒内电流序列{IIprev}和电压序列{VVprev}；

(3)截取t时刻稳定后的T秒内电流序列{IInext}和电压序列{VVnext}；

(4)对{IIprev}、{VVprev}、{IInext}、{VVnext}进行傅里叶变换，将基波电压相角最接近0的采样点作为每个周期的起始采样点，取N个周期的相同采样点的电流、电压的平均值作为投切电器前后的稳态电流、电压序列，分别为投切前的稳态电流{Iprev}、投切前的稳态电压{Vprev}、投切后的稳态电流{Inext}、投切后的稳态电压{Vnext}；

(5)计算投切电器的电压

电流{Ieq}＝{|Iprev-Inext|}。

进一步，步骤四中，所述神经网络模型事先在云端训练完成，通过网络下载到K210的Flash中，在识别的时候只需加载模型。同时，用户可以对未知电器的V-I轨迹图进行标记，云端可以对新的V-I轨迹图重新训练生成新的神经网络模型，然后通过网络更新K210Flash中的模型。

进一步，步骤五中，所述应用层的家庭用电监测应用可以读取云端数据库的数据，将用电情况展示给用户，用户实时了解家庭电器的运行状态。

本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

负荷数据采集：通过电能采集芯片进行负荷数据的采集；

提取投切电器的电流{Ieq}和电压{Veq}数据；

V-I轨迹图合成：对提取的电流{Ieq}和电压{Veq}，生成V-I轨迹图；

V-I轨迹图识别：将生成的V-I图像通过I²C接口传输到AI芯片K210上进行神经网络的图像识别；

识别结果上传：通过WIFI模块RW007向云端数据库上传投切电器的种类、功率以及发生投切事件的时刻。

本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

负荷数据采集：通过电能采集芯片进行负荷数据的采集；

提取投切电器的电流{Ieq}和电压{Veq}数据；

V-I轨迹图合成：对提取的电流{Ieq}和电压{Veq}，生成V-I轨迹图；

V-I轨迹图识别：将生成的V-I图像通过I²C接口传输到AI芯片K210上进行神经网络的图像识别；

识别结果上传：通过WIFI模块RW007向云端数据库上传投切电器的种类、功率以及发生投切事件的时刻。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的基于V-I轨迹图像识别的非侵入式负荷识别系统，结合物联网和边缘计算，以非侵入式的方式监测一定范围内用电设备的使用情况，在靠近传感器端通过提取投切电器的V-I轨迹图，用图像识别的方式识别当前投切电器的种类，无需将大量数据送至云端分析，降低数据传输的要求，并可以在手机/PC端远程控制查看各用电设备的耗电量和实时状态。本发明的目的在于实时监测用电情况，记录各电器的用电数据，并且能够实时识别当前在线电器种类；同时识别算法在设备端完成，不需要上传大量的电流、电压数据至云端分析，降低了对网络的依赖，提高识别的实时性。本发明的有益效果还包括：

(1)本发明采用电磁式传感器，无需接入待监测系统中，避免了对原用电系统产生干扰，并且安装简单，不用改变原用电系统电路；

(2)本发明能够通过物联网技术实时检测用电电器状态，能够远程查看当前家中电器的启停状态，避免出现某电器意外的打开或忘记关闭的情况，同时用户可以了解家中电器的使用情况，用数据提高自己的节能意识，最大程度地降低家用电能消耗；

(3)本发明将负荷识别算法运行在靠近传感器端，无需将大量数据送至云端分析，降低数据传输的要求；

(4)本发明通过将电器的电气特征转化为V-I轨迹图，利用成熟的图像识别技术，更准确地识别电器种类，同时V-I轨迹图库与现有的电器特征库相比，建立与维护工作更加简单。

对比的技术效果或者实验效果。包括：

图8为九种电器的V-I轨迹图效果图，自上而下，自左向右，依次为：空调、荧光灯、风扇、白炽灯、笔记本电脑、微波炉、吸尘器、洗衣机。每一张V-I轨迹图为一种电器，可以利用目前成熟的图像识别技术，实现更高的准确率。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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是本发明实施例提供的基于V-I轨迹图像识别的非侵入式负荷识别系统整体示意图。

图2是本发明实施例提供的基于V-I轨迹图像识别的非侵入式负荷识别系统结构图。

图3是本发明实施例提供的识别装置结构图。

图4是本发明实施例提供的基于V-I轨迹图像识别的非侵入式负荷识别方法流程图。

图5是本发明实施例提供的基于V-I轨迹图像识别的非侵入式负荷识别方法原理图。

图6是本发明实施例提供的V-I提取算法流程图。

图7是本发明实施例提供的合成的64*64像素的V-I轨迹图。

图8是本发明实施例提供的单个周期内荧光灯的电流电压波形图

图9是本发明实施例提供的不同采用率下生成的荧光灯V-I轨迹图

图10是本发明实施例提供的九种电器的V-I轨迹图效果图。

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。

针对现有技术存在的问题，本发明提供了一种基于V-I轨迹图像识别的非侵入式负荷识别系统及方法，下面结合附图对本发明作详细的描述。

本发明首先提出了一种基于V-I轨迹图像识别的非侵入式负荷识别系统，包括：

电器数据采集模块，主要由电流互感器、电压互感器、电能计量芯片组成，传感器安装在家庭用电的入口(如电表附近)，如图1所示，用于采集家庭用电的电流、电压值，电能计量芯片将电流、电压传感器输出的模拟量转换为数字量，并统计有功功率和无功功率，将实时电流、电压值、功率值传递给主控模块；

主控模块，采用低功耗的MCU作为数据采集系统的核心，对电器数据采集模块产生的数据进行处理，根据功率变化情况判断是否有电器投切事件发生，如果存在电器投切，则根据电流、电压数据生成投切电器的V-I轨迹图像，并将生成的V-I轨迹图传输给AI识别模块；

AI识别模块，采用专有的AI处理器，可以在超低功耗下进行高速卷积神经网络计算，能够迅速对V-I轨迹图进行识别得到结果，AI识别模块通过I²C与主控模块连接；

无线通信模块，负责将AI识别模块输出的识别结果通过网络的方式传输到云端数据库。

云端，主要有数据库、AI学习功能，数据库对边缘端上传的用电数据进行存储，用于应用端数据访问，AI学习功能用于对电器V-I轨迹图进行训练，生成神经网络模型，通过无线通信模块下载到AI识别模块中。

图1是本发明的整体示意图，展示了非侵入式负荷识别装置与待监测电器的关系，安装在用户用电的入口，通过监测电流、电压、功率值来识别不同电器的投切情况。

图2是非侵入负荷识别的系统结构图，主要分为三层，

端/边缘层：传感器、电能计量芯片、MCU、AI模块以及通信模块；

云端：AI学习、数据库；

应用层：家庭用电监测应用，如WEB、手机APP。

具体实现步骤如下：

步骤一：负荷数据采集

负荷数据采集是实现负荷识别的基础，通过电压互感器、电流互感器、电流采样电路、电能采集芯片实时监测电流、电压、功率等用电数据，图3展示了识别装置的结构图，其中电能采集芯片采用带SPI通信接口的单相多功能计量芯片ATT7053，具有19bit Sigma-Delta ADC，可以将电流、电压转换为数字量，同时还支持片上计算有功功率、无功功率，通过SPI接口将数据传输给主控STM32L476处理。

步骤二：提取投切电器的电流、电压数据

通过对功率的监测，当功率变化大于设定的阈值，则判断有电器投切事件发生，需要进一步提取投切电器的电流、电压数据用于负荷识别。

1、先记录电器投切的时刻t，表示在t时刻有某电器的状态发生改变；

2、截取t时刻前T秒内电流序列{IIprev}和电压序列{VVprev}；

3、截取t时刻稳定后的T秒内电流序列{IInext}和电压序列{VVnext}；

4、对{IIprev}、{VVprev}、{IInext}、{VVnext}进行傅里叶变换，将基波电压相角最接近0的采样点作为每个周期的起始采样点，取N个周期的相同采样点的电流、电压的平均值作为投切电器前后的稳态电流、电压序列，分别为投切前的稳态电流{Iprev}、投切前的稳态电压{Vprev}、投切后的稳态电流{Inext}、投切后的稳态电压{Vnext}；

5、计算投切电器的电压

电流{Ieq}＝{|Iprev-Inext|}。

本发明实施例提供的V-I提取算法流程图如图6所示。

步骤三：V-I轨迹图合成

对步骤二中提取的电流{Ieq}和电压{Veq}，生成V-I轨迹图。

本发明实施例提供的合成的64*64像素的V-I轨迹图如图7所示。

步骤四：V-I轨迹图识别

将步骤三中生成的V-I图像通过I²C接口传输到AI芯片K210上进行神经网络的图像识别，神经网络模型事先在云端训练完成，通过网络下载到K210的Flash中，在识别的时候只需加载模型。同时，用户可以对未知电器的V-I轨迹图进行标记，云端可以对新的V-I轨迹图重新训练生成新的神经网络模型，然后通过网络更新K210 Flash中的模型，使得识别更准准确。

步骤五：识别结果上传

通过WIFI模块RW007向云端数据库上传投切电器的种类、功率以及发生投切事件的时刻，应用层的家庭用电监测应用可以读取云端数据库的数据，将用电情况展示给用户，使得用户能够实时了解家庭电器的运行状态。

如图4所示，本发明实施例提供的基于V-I轨迹图像识别的非侵入式负荷识别方法包括以下步骤：

S101，负荷数据采集：通过电能采集芯片进行负荷数据的采集。

S102，提取投切电器的电流{Ieq}和电压{Veq}数据。

S103，V-I轨迹图合成：对S102中提取的电流{Ieq}和电压{Veq}，生成V-I轨迹图。

S104，V-I轨迹图识别：将S103中生成的V-I图像通过I²C接口传输到AI芯片K210上进行神经网络的图像识别。

S105，识别结果上传：通过WIFI模块RW007向云端数据库上传投切电器的种类、功率以及发生投切事件的时刻。

本发明实施例提供的基于V-I轨迹图像识别的非侵入式负荷识别方法原理图如图5所示。

在本发明中，图8为单个周期内荧光灯的电流电压波形图。

图9是本发明实施例提供的不同采用率下生成的荧光灯V-I轨迹图。

图10是九种电器的V-I轨迹图效果图，自上而下，自左向右，依次为：空调、荧光灯、风扇、白炽灯、笔记本电脑、微波炉、吸尘器、洗衣机。每一张V-I轨迹图为一种电器，可以利用目前成熟的图像识别技术，实现更高的准确率。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于轨迹图像识别的非侵入式负荷识别系统，其特征在于，所述基于轨迹图像识别的非侵入式负荷识别系统包括：

电器数据采集模块，包括电流互感器、电压互感器、电能计量芯片，所述传感器安装在家庭用电器的入口，用于采集家庭用电的电流、电压值；所述电能计量芯片将电流、电压传感器输出的模拟量转换为数字量，并统计有功功率和无功功率，将实时电流、电压值、功率值传递给主控模块；

主控模块，用于对电器数据采集模块产生的数据进行处理，根据功率变化情况判断是否有电器投切事件发生，存在电器投切，则根据电流、电压数据生成投切电器的V-I轨迹图像，并将生成的V-I轨迹图传输给AI识别模块；

AI识别模块，通过I²C与主控模块连接，AI处理器在超低功耗下进行高速卷积神经网络计算，对V-I轨迹图进行识别得到结果；

无线通信模块，用于将AI识别模块输出的识别结果通过网络的方式传输到云端数据库；

云端，通过数据库对边缘端上传的用电数据进行存储，用于应用端数据访问，通过AI学习功能用于对电器V-I轨迹图进行训练，生成神经网络模型，通过无线通信模块下载到AI识别模块中。

2.如权利要求1所述的基于轨迹图像识别的非侵入式负荷识别系统，其特征在于，所述基于V-I轨迹图像识别的非侵入式负荷识别系统进一步包括：端/边缘层、云端、应用层；

端/边缘层：包括传感器、电能计量芯片、MCU、AI模块以及通信模块；

云端：包括AI学习、数据库；

应用层：家庭用电监测应用。

3.一种应用如权利要求1～2任意一项所述的基于轨迹图像识别的非侵入式负荷识别系统的基于轨迹图像识别的非侵入式负荷识别方法，其特征在于，所述基于轨迹图像识别的非侵入式负荷识别方法包括以下步骤：

步骤一，负荷数据采集：通过电能采集芯片进行负荷数据的采集；

步骤二，提取投切电器的电流{Ieq}和电压{Veq}数据；

步骤三，V-I轨迹图合成：对步骤二中提取的电流{Ieq}和电压{Veq}，生成V-I轨迹图；

步骤四，V-I轨迹图识别：将步骤三中生成的V-I图像通过I²C接口传输到AI芯片K210上进行神经网络的图像识别；

步骤五，识别结果上传：通过WIFI模块RW007向云端数据库上传投切电器的种类、功率以及发生投切事件的时刻。

4.如权利要求3所述的基于轨迹图像识别的非侵入式负荷识别方法，其特征在于，步骤一中，通过电压互感器、电流互感器、电流采样电路、电能采集芯片实时监测电流、电压、功率的用电数据。

5.如权利要求3所述的基于轨迹图像识别的非侵入式负荷识别方法，其特征在于，步骤一中，所述电能采集芯片采用带SPI通信接口的单相多功能计量芯片ATT7053，具有19bitSigma-Delta ADC，可以将电流、电压转换为数字量，同时还支持片上计算有功功率、无功功率，通过SPI接口将数据传输给主控STM32L476处理。

6.如权利要求3所述的基于轨迹图像识别的非侵入式负荷识别方法，其特征在于，步骤二中，所述提取投切电器的电流、电压数据，包括：

(1)先记录电器投切的时刻t，表示在t时刻有某电器的状态发生改变；

(2)截取t时刻前T秒内电流序列{IIprev}和电压序列{VVprev}；

(3)截取t时刻稳定后的T秒内电流序列{IInext}和电压序列{VVnext}；

(4)对{IIprev}、{VVprev}、{IInext}、{VVnext}进行傅里叶变换，将基波电压相角最接近0的采样点作为每个周期的起始采样点，取N个周期的相同采样点的电流、电压的平均值作为投切电器前后的稳态电流、电压序列，分别为投切前的稳态电流{Iprev}、投切前的稳态电压{Vprev}、投切后的稳态电流{Inext}、投切后的稳态电压{Vnext}；

(5)计算投切电器的电压

电流{Ieq}＝{|Iprev-Inext|}。

7.如权利要求3所述的基于轨迹图像识别的非侵入式负荷识别方法，其特征在于，步骤四中，所述神经网络模型事先在云端训练完成，通过网络下载到K210的Flash中，在识别的时候只需加载模型；同时，用户可以对未知电器的V-I轨迹图进行标记，云端可以对新的V-I轨迹图重新训练生成新的神经网络模型，然后通过网络更新K210 Flash中的模型。

8.如权利要求3所述的基于轨迹图像识别的非侵入式负荷识别方法，其特征在于，步骤五中，所述应用层的家庭用电监测应用可以读取云端数据库的数据，将用电情况展示给用户，实时了解家庭电器的运行状态。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

负荷数据采集：通过电能采集芯片进行负荷数据的采集；

提取投切电器的电流{Ieq}和电压{Veq}数据；

V-I轨迹图合成：对提取的电流{Ieq}和电压{Veq}，生成V-I轨迹图；

V-I轨迹图识别：将生成的V-I图像通过I²C接口传输到AI芯片K210上进行神经网络的图像识别；

识别结果上传：通过WIFI模块RW007向云端数据库上传投切电器的种类、功率以及发生投切事件的时刻。

10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

负荷数据采集：通过电能采集芯片进行负荷数据的采集；

提取投切电器的电流{Ieq}和电压{Veq}数据；

V-I轨迹图合成：对提取的电流{Ieq}和电压{Veq}，生成V-I轨迹图；

V-I轨迹图识别：将生成的V-I图像通过I²C接口传输到AI芯片K210上进行神经网络的图像识别；

识别结果上传：通过WIFI模块RW007向云端数据库上传投切电器的种类、功率以及发生投切事件的时刻。

Images