CN112821380A - 一种基于多通道填充矩阵的非侵入式负荷识别方法和系统 - Google Patents

Abstract

本申请公开了一种基于多通道填充矩阵的非侵入式负荷识别方法和系统，利用了多特征之间的互补性，通过构造有功电流A、无功电流F以及融合相位和功率特征的M矩阵，实现了不同类别设备电气特征的有效表征，利用所得到的A通道矩阵、F通道矩阵和M通道矩阵叠加矩阵进行深度学习神经网络训练，利用训练好的深度学习神经网络进行负荷识别，可以大幅提高识别的准确率，对于开展用能监测服务、实现节能降损具有重要实用价值，解决了现有的V‑I轨迹特征法负荷识别仅保留了电压‑电流信号的形状特征，无法体现设备之间的电流、功率和相位的数值特征，导致负荷识别准确率较低的技术问题。

Description

一种基于多通道填充矩阵的非侵入式负荷识别方法和系统

技术领域

本申请涉及配电网电流补偿技术领域，尤其涉及一种基于多通道填充矩阵的非侵入式负荷识别方法和系统。

背景技术

非侵入式负荷监测是一种不依赖用户装置，仅凭外部分析工具和手段即可实现用户用电行为自动感知的方法，一般用于能效监测、故障诊断以及负荷建模等领域。

目前，应用于非侵入式负荷识别的方法是基于数值特征的负荷识别方法和基于V-I轨迹特征的辨识方法，其中，V-I轨迹特征法因其可以对大多数不同类别设备进行有效区分而被广泛应用。V-I轨迹特征法具有较好的负荷辨识效果，但是其在形成V-I轨迹的过程中均对电压和电流采样数据进行归一化处理，且每个像素点仅用0或1两种状态表示，这种处理方式导致所形成的V-I轨迹图像仅保留了电压-电流信号的形状特征，无法体现设备之间的数值差异，尤其是设备的电流(有功电流和无功电流)、功率以及相位等数值特征，根本无法体现，这直接导致了V-I轨迹特征法对于某些原理相同或V-I形状相似的负荷难以做到有效区分，识别的准确率降低。

发明内容

本申请提供了一种基于多通道填充矩阵的非侵入式负荷识别方法和系统，用于解决现有的V-I轨迹特征法负荷识别仅保留了电压-电流信号的形状特征，无法体现设备之间的电流、功率和相位的数值特征，导致负荷识别准确率较低的技术问题。

有鉴于此，本申请第一方面提供了一种基于多通道填充矩阵的非侵入式负荷识别方法，包括：

对采样区域内的负荷设备进行电压和电流波形采样，得到每台负荷设备稳态运行周期内的K个电压-电流采样点，形成电压-电流采样点集；

基于分段平均方法将所述电压-电流采样点集中每台负荷设备的K个电压-电流采样点转化为N个电压-电流采样点；

基于Fryze功率理论，将转化后的N个电压-电流采样点的电流分解为有功电流和无功电流；

基于预置映射关系，将每台负荷设备的有功电流和无功电流映射到(0,1)区间内，所述预置映射关系为：

i_n为第n个采样点的电流值；

计算每台负荷设备的任意两个采样点之间的有功电流点和无功电流点的欧氏距离，将所述欧式距离填充到N维空矩阵中，分别得到有功电流对应的A通道矩阵和无功电流对应的F通道矩阵；

分别将有功电流点和无功电流点的映射值填充到所述A通道矩阵和所述F通道矩阵的主对角线中；

计算每台负荷设备的任意两个采样点之间的相位，并根据所述相位计算采样点的瞬时功率，将所述相位和所述瞬时功率填充到N维空矩阵中，得到M通道矩阵；

以设备类别为标签，将所述A通道矩阵、所述F通道矩阵和所述M通道矩阵叠加为N×N×3维矩阵，得到叠加矩阵；

将所述标签和对应的所述叠加矩阵送入深度学习神经网络模型中进行训练，得到训练好的深度学习神经网络模型；

通过所述训练好的深度学习神经网络模型进行负荷识别。

可选地，所述A通道矩阵为：

其中，

为采样点i和采用点j有功电流的欧氏距离，i∈N，j∈N。

可选地，所述F通道矩阵为：

其中，

为采样点i和采用点j无功电流的欧氏距离。

可选地，所述M通道矩阵为：

其中，p_n＝v_n·i_n/P_max，

δ_i,j＝arctan(Δv_i,j/Δi_i,j)，θ_i′_,j＝θ_i,j/2π，P_max为所有负荷的最大瞬时功率，v_n为第n个采样点的电压值，Δv_i,j为第i个采样点的电压与第j个采样点的电压差值，Δi_i,j为第i个采样点的电压与第j个采样点的电流差值，θ_i,j为采样点i和j之间的相位，θ_i′_,j为单位化后的相位值。

可选地，所述深度学习神经网络模型为AlexNet。

本申请第二方面提供了一种基于多通道填充矩阵的非侵入式负荷识别系统，包括：

采样单元，用于对采样区域内的负荷设备进行电压和电流波形采样，得到每台负荷设备稳态运行周期内的K个电压-电流采样点，形成电压-电流采样点集；

分段单元，用于基于分段平均方法将所述电压-电流采样点集中每台负荷设备的K个电压-电流采样点转化为N个电压-电流采样点；

分解单元，用于基于Fryze功率理论，将转化后的N个电压-电流采样点的电流分解为有功电流和无功电流；

映射单元，用于基于预置映射关系，将每台负荷设备的有功电流和无功电流映射到(0,1)区间内，所述预置映射关系为：

i_n为第n个采样点的电流值；

第一矩阵单元，用于计算每台负荷设备的任意两个采样点之间的有功电流点和无功电流点的欧氏距离，将所述欧式距离填充到N维空矩阵中，分别得到有功电流对应的A通道矩阵和无功电流对应的F通道矩阵；

填充单元，用于分别将有功电流点和无功电流点的映射值填充到所述A通道矩阵和所述F通道矩阵的主对角线中；

第二矩阵单元，用于计算每台负荷设备的任意两个采样点之间的相位，并根据所述相位计算采样点的瞬时功率，将所述相位和所述瞬时功率填充到N维空矩阵中，得到M通道矩阵；

叠加单元，用于以设备类别为标签，将所述A通道矩阵、所述F通道矩阵和所述M通道矩阵叠加为N×N×3维矩阵，得到叠加矩阵；

训练单元，用于将所述标签和对应的所述叠加矩阵送入深度学习神经网络模型中进行训练，得到训练好的深度学习神经网络模型；

识别单元，用于通过所述训练好的深度学习神经网络模型进行负荷识别。

可选地，所述A通道矩阵为：

其中，

为采样点i和采用点j有功电流的欧氏距离，i∈N，j∈N。

可选地，所述F通道矩阵为：

其中，

为采样点i和采用点j无功电流的欧氏距离。

可选地，所述M通道矩阵为：

其中，p_n＝v_n·i_n/P_max，

δ_i,j＝arctan(Δv_i,j/Δi_i,j)，θ′_i,j＝θ_i,j/2π，P_max为所有负荷的最大瞬时功率，v_n为第n个采样点的电压值，Δv_i,j为第i个采样点的电压与第j个采样点的电压差值，Δi_i,j为第i个采样点的电压与第j个采样点的电流差值，θ_i,j为采样点i和j之间的相位，θ′_i,j为单位化后的相位值。

可选地，所述深度学习神经网络模型为AlexNet。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请中提供了一种基于多通道填充矩阵的非侵入式负荷识别方法，包括：对采样区域内的负荷设备进行电压和电流波形采样，得到每台负荷设备稳态运行周期内的K个电压-电流采样点，形成电压-电流采样点集；基于分段平均方法将所述电压-电流采样点集中每台负荷设备的K个电压-电流采样点转化为N个电压-电流采样点；基于Fryze功率理论，将转化后的N个电压-电流采样点的电流分解为有功电流和无功电流；基于预置映射关系，将每台负荷设备的有功电流和无功电流映射到(0,1)区间内，所述预置映射关系为：

i_n为第n个采样点的电流值；计算每台负荷设备的任意两个采样点之间的有功电流点和无功电流点的欧氏距离，将所述欧式距离填充到N维空矩阵中，分别得到有功电流对应的A通道矩阵和无功电流对应的F通道矩阵；分别将有功电流点和无功电流点的映射值填充到所述A通道矩阵和所述F通道矩阵的主对角线中；计算每台负荷设备的任意两个采样点之间的相位，并根据所述相位计算采样点的瞬时功率，将所述相位和所述瞬时功率填充到N维空矩阵中，得到M通道矩阵；以设备类别为标签，将所述A通道矩阵、所述F通道矩阵和所述M通道矩阵叠加为N×N×3维矩阵，得到叠加矩阵；将所述标签和对应的所述叠加矩阵送入深度学习神经网络模型中进行训练，得到训练好的深度学习神经网络模型；通过所述训练好的深度学习神经网络模型进行负荷识别。

本申请提供的基于多通道填充矩阵的非侵入式负荷识别方法，利用了多特征之间的互补性，通过构造有功电流A、无功电流F以及融合相位和功率特征的M矩阵，实现了不同类别设备电气特征的有效表征，利用所得到的A通道矩阵、F通道矩阵和M通道矩阵叠加矩阵进行深度学习神经网络训练，利用训练好的深度学习神经网络进行负荷识别，可以大幅提高识别的准确率，对于开展用能监测服务、实现节能降损具有重要实用价值，解决了现有的V-I轨迹特征法负荷识别仅保留了电压-电流信号的形状特征，无法体现设备之间的电流、功率和相位的数值特征，导致负荷识别准确率较低的技术问题。

附图说明

为了更清楚的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简单的介绍，显而易见地，下面描述中的附图仅仅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相关的附图。

图1为本申请实施例中提供的一种基于多通道填充矩阵的非侵入式负荷识别方法的流程示意图；

图2为传统的V-I轨迹方法识别得到的结果；

图3为本申请实施例中提供的基于多通道填充矩阵的非侵入式负荷识别方法识别得到的结果；

图4为本申请实施例中提供的一种基于多通道填充矩阵的非侵入式负荷识别系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例1

为了便于理解，请参阅图1，本申请提供的一种基于多通道填充矩阵的非侵入式负荷识别方法的一个实施例，包括：

步骤101、对采样区域内的负荷设备进行电压和电流波形采样，得到每台负荷设备稳态运行周期内的K个电压-电流采样点，形成电压-电流采样点集。

步骤102、基于分段平均方法将电压-电流采样点集中每台负荷设备的K个电压-电流采样点转化为N个电压-电流采样点。

步骤103、基于Fryze功率理论，将转化后的N个电压-电流采样点的电流分解为有功电流和无功电流。

步骤104、基于预置映射关系，将每台负荷设备的有功电流和无功电流映射到(0,1)区间内，预置映射关系为：

i_n为第n个采样点的电流值。

步骤105、计算每台负荷设备的任意两个采样点之间的有功电流点和无功电流点的欧氏距离，将欧式距离填充到N维空矩阵中，分别得到有功电流对应的A通道矩阵和无功电流对应的F通道矩阵。

步骤106、分别将有功电流点和无功电流点的映射值填充到A通道矩阵和F通道矩阵的主对角线中。

步骤107、计算每台负荷设备的任意两个采样点之间的相位，并根据相位计算采样点的瞬时功率，将相位和所述瞬时功率填充到N维空矩阵中，得到M通道矩阵。

步骤108、以设备类别为标签，将A通道矩阵、F通道矩阵和M通道矩阵叠加为N×N×3维矩阵，得到叠加矩阵。

步骤109、将标签和对应的叠加矩阵送入深度学习神经网络模型中进行训练，得到训练好的深度学习神经网络模型。

步骤110、通过训练好的深度学习神经网络模型进行负荷识别。

需要说明的是，本申请实施例中，利用电流钳、电压探针及高频示波器组成的采样系统对某台电器设备的电压、电流波形进行采样，得到稳态运行周期内K个电压啊-电流采样点(v_k,i_k)，k＝1,2,…,K。然后利用分段平均方法将K个电压-电流采样点转化为N个电压-电流采样点(v_n,i_n)，n＝1,2,…,N。根据Fryze功率理论，将转化后的电流分解为有功电流部分和无功电流部分，即：

其中，i_n为第n个点的电流值，

分别为第n个电流值的有功电流部分和无功电流部分。

利用

分别将各类负荷设备的有功电流和无功电流映射到(0,1)区间内，f(i_n)用于对电流进行缩放，以保证元素在0～1之间连续变化，缩放后，不同设备之间的电流差异仍能得以保持，同时避免了因部分那设备电流过大而导致其他负荷设备电流信息被淹没的情况出现。

计算任意两点之间有功电流点和无功电流点的欧式距离，然后将其填充到N维空矩阵中，分别得到A通道矩阵和F通道矩阵。

任意两个有功电流点的欧式距离计算公式为：

任意两个无功电流点的欧式距离计算公式为：

A通道矩阵为：

F通道矩阵为：

考虑到A通道矩阵和F通道矩阵的非对角元素无法反映电流值的大小，且A通道矩阵、F通道矩阵的主对角元素均为0，为避免信息丢失，可将有功电流和无功电流的映射值填充到相应矩阵的主对角线中，即有：

计算任意两点之间的相位，并计算瞬时功率，然后将相位和瞬时功率填充到N维空矩阵中，得到M通道矩阵，有：

δ_i,j＝arctan(Δv_i,j/Δi_i,j)

θ′_i,j＝θ_i,j/2π

p_n＝v_n·i_n/P_max

其中，P_max为所有负荷的最大瞬时功率，v_n为第n个采样点的电压值，Δv_i,j为第i个采样点的电压与第j个采样点的电压差值，Δi_i,j为第i个采样点的电压与第j个采样点的电流差值，θ_i,j为采样点i和j之间的相位，θ_i′_,j为单位化后的相位值。

以负荷设备类别为标签，将A通道矩阵、F通道矩阵和M通道矩阵叠加为N×N×3维矩阵，然后将标签和叠加矩阵送入对应的深度学习神经网络模型中进行训练，可选AlexNet。训练完成后，即可使用训练好的模型对各类负荷设备进行负荷识别。

为评价算法的识别能力，定义了负荷识别准确率指标ε。该指标表示分类正确的样本数n_true与总测试样本数n_test之比，即

构造各类电器设备的A、F、M矩阵，然后将设备标签与叠加矩阵集合划分为训练集和测试集，并采用AlexNet卷积神经网络算法进行训练。训练完成后，即可将其用于在线负荷识别。

本申请实施例的方法首先借助分段平局的思想将电压-电流采样点进行数据窗变换，然后采用Fryze功率理论将电流分解为有功电流和无功电流部分，并通过映射函数将有功电流和无功电流幅值投影到(0,1)区间内，根据分解和投影结果，构造了有功电流对应的A通道矩阵、无功电流对应的F通道矩阵以及相位M矩阵，并将有功电流幅值、无功电流幅值和瞬时分别填充到A通道矩阵、F通道矩阵和M通道矩阵的主对角线中，最后以设备类别为标签，将A通道矩阵、F通道矩阵和M通道矩阵叠加为N×N×3维矩阵，得到叠加矩阵，将叠加矩阵送入采用深度学习神经网络进行训练，利用训练好的深度学习神经网络进行负荷识别，从而实现了不同类别负荷设备的有效辨识。

如图2和图3所示，分别展示了传统V-I轨迹方法与本申请实施例提供的方法识别得到的结果-混淆矩阵。图中，电器编号1～11分别对应空调、荧光灯、电风扇、冰箱、吹风机、加热器、白炽灯、计算机、微波炉、吸尘器以及洗衣机等11类家电设备。矩阵中的元素代表设备的数量，横坐标表示设备的预测类别标签，纵坐标表示设备的真实类别标签。混淆矩阵的每一行之和表示测试集中相应设备的样本数，每一列之和表示被预测为该类设备的样本数。

由图2和图3可知，使用V-I轨迹方法识别时的准确率为89.1％，而使用本申请实施例的方法识别时的准确率则高达97.7％。对比这两种场景不难得到，空调、电风扇、吹风机、加热器以及白炽灯的错误分类数高是导致V-I轨迹法识别准确率低的直接原因。进一步分析可以发现，上述几类设备的V-I轨迹形状呈现较大的相似性，是产生该现象的根本性原因。相较而言，使用本申请实施例的方法进行识别时，由于A、F、M通道矩阵不仅蕴含了有功和无功电流信息，而且还嵌入了功率、相位和电流大小等数值信息，因此可以从多个指标维度对V-I形状相似的设备进行更加细致地区分，从而在极大程度上避免了错误分类事件的发生。以上结果对比，有力证明了本申请实施例提供的方法对于提高负荷识别准确率的重要作用。

本申请实施例提供的基于多通道填充矩阵的非侵入式负荷识别方法，根据20kV配网系统的参数要求设定最大容性电流值，当系统规模过大导致容性电流超出最大容性电流值时，对超出部分的容性电流采用电感器进行补偿，在中性点接地小电阻上并联电感器，将系统的容性电流值控制在正常的范围内，并联的电感器作为跳闸开关，将容性电流过大导致的故障切除，解决了现有的20kV电压等级配网未考虑到系统规模的增大带来的容性电流逐步上升，导致单相接地电流过大，引起地电位上升，造成人身安全问题，且过大的容性电流将引起熄弧困难的技术问题的技术问题。

实施例2

为了便于理解，请参阅图4，本申请提供的一种基于多通道填充矩阵的非侵入式负荷识别系统的一个实施例，包括：

采样单元，用于对采样区域内的负荷设备进行电压和电流波形采样，得到每台负荷设备稳态运行周期内的K个电压-电流采样点，形成电压-电流采样点集；

分段单元，用于基于分段平均方法将所述电压-电流采样点集中每台负荷设备的K个电压-电流采样点转化为N个电压-电流采样点；

分解单元，用于基于Fryze功率理论，将转化后的N个电压-电流采样点的电流分解为有功电流和无功电流；

映射单元，用于基于预置映射关系，将每台负荷设备的有功电流和无功电流映射到(0,1)区间内，所述预置映射关系为：

i_n为第n个采样点的电流值；

第一矩阵单元，用于计算每台负荷设备的任意两个采样点之间的有功电流点和无功电流点的欧氏距离，将所述欧式距离填充到N维空矩阵中，分别得到有功电流对应的A通道矩阵和无功电流对应的F通道矩阵；

填充单元，用于分别将有功电流点和无功电流点的映射值填充到所述A通道矩阵和所述F通道矩阵的主对角线中；

第二矩阵单元，用于计算每台负荷设备的任意两个采样点之间的相位，并根据所述相位计算采样点的瞬时功率，将所述相位和所述瞬时功率填充到N维空矩阵中，得到M通道矩阵；

叠加单元，用于以设备类别为标签，将所述A通道矩阵、所述F通道矩阵和所述M通道矩阵叠加为N×N×3维矩阵，得到叠加矩阵；

训练单元，用于将所述标签和对应的所述叠加矩阵送入深度学习神经网络模型中进行训练，得到训练好的深度学习神经网络模型；

识别单元，用于通过所述训练好的深度学习神经网络模型进行负荷识别。

A通道矩阵为：

其中，

为采样点i和采用点j有功电流的欧氏距离，i∈N，j∈N。

F通道矩阵为：

其中，

为采样点i和采用点j无功电流的欧氏距离。

M通道矩阵为：

其中，p_n＝v_n·i_n/P_max，

δ_i,j＝arctan(Δv_i,j/Δi_i,j)，θ′_i,j＝θ_i,j/2π，P_max为所有负荷的最大瞬时功率，v_n为第n个采样点的电压值，Δv_i,j为第i个采样点的电压与第j个采样点的电压差值，Δi_i,j为第i个采样点的电压与第j个采样点的电流差值，θ_i,j为采样点i和j之间的相位，θ′_i,j为单位化后的相位值。

深度学习神经网络模型为AlexNet。

本申请实施例提供的基于多通道填充矩阵的非侵入式负荷识别系统，根据20kV配网系统的参数要求设定最大容性电流值，当系统规模过大导致容性电流超出最大容性电流值时，对超出部分的容性电流采用电感器进行补偿，在中性点接地小电阻上并联电感器，将系统的容性电流值控制在正常的范围内，并联的电感器作为跳闸开关，将容性电流过大导致的故障切除，解决了现有的20kV电压等级配网未考虑到系统规模的增大带来的容性电流逐步上升，导致单相接地电流过大，引起地电位上升，造成人身安全问题，且过大的容性电流将引起熄弧困难的技术问题的技术问题。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于多通道填充矩阵的非侵入式负荷识别方法，其特征在于，包括：

对采样区域内的负荷设备进行电压和电流波形采样，得到每台负荷设备稳态运行周期内的K个电压-电流采样点，形成电压-电流采样点集；

基于分段平均方法将所述电压-电流采样点集中每台负荷设备的K个电压-电流采样点转化为N个电压-电流采样点；

基于Fryze功率理论，将转化后的N个电压-电流采样点的电流分解为有功电流和无功电流；

基于预置映射关系，将每台负荷设备的有功电流和无功电流映射到(0,1)区间内，所述预置映射关系为：

i_n为第n个采样点的电流值；

计算每台负荷设备的任意两个采样点之间的有功电流点和无功电流点的欧氏距离，将所述欧式距离填充到N维空矩阵中，分别得到有功电流对应的A通道矩阵和无功电流对应的F通道矩阵；

分别将有功电流点和无功电流点的映射值填充到所述A通道矩阵和所述F通道矩阵的主对角线中；

计算每台负荷设备的任意两个采样点之间的相位，并根据所述相位计算采样点的瞬时功率，将所述相位和所述瞬时功率填充到N维空矩阵中，得到M通道矩阵；

以设备类别为标签，将所述A通道矩阵、所述F通道矩阵和所述M通道矩阵叠加为N×N×3维矩阵，得到叠加矩阵；

将所述标签和对应的所述叠加矩阵送入深度学习神经网络模型中进行训练，得到训练好的深度学习神经网络模型；

通过所述训练好的深度学习神经网络模型进行负荷识别。

2.根据权利要求1所述的基于多通道填充矩阵的非侵入式负荷识别方法，其特征在于，所述A通道矩阵为：

其中，

为采样点i和采用点j有功电流的欧氏距离，i∈N，j∈N。

3.根据权利要求2所述的基于多通道填充矩阵的非侵入式负荷识别方法，其特征在于，所述F通道矩阵为：

其中，

为采样点i和采用点j无功电流的欧氏距离。

4.根据权利要求3所述的基于多通道填充矩阵的非侵入式负荷识别方法，其特征在于，所述M通道矩阵为：

其中，p_n＝v_n·i_n/P_max，

δ_i,j＝arctan(Δv_i,j/Δi_i,j)，θ′_i，j＝θ_i,j/2π，P_max为所有负荷的最大瞬时功率，v_n为第n个采样点的电压值，Δv_i,j为第i个采样点的电压与第j个采样点的电压差值，Δi_i,j为第i个采样点的电压与第j个采样点的电流差值，θ_i,j为采样点i和j之间的相位，θ′_i,j为单位化后的相位值。

5.根据权利要求1所述的基于多通道填充矩阵的非侵入式负荷识别方法，其特征在于，所述深度学习神经网络模型为AlexNet。

6.一种基于多通道填充矩阵的非侵入式负荷识别系统，其特征在于，包括：

采样单元，用于对采样区域内的负荷设备进行电压和电流波形采样，得到每台负荷设备稳态运行周期内的K个电压-电流采样点，形成电压-电流采样点集；

分段单元，用于基于分段平均方法将所述电压-电流采样点集中每台负荷设备的K个电压-电流采样点转化为N个电压-电流采样点；

分解单元，用于基于Fryze功率理论，将转化后的N个电压-电流采样点的电流分解为有功电流和无功电流；

映射单元，用于基于预置映射关系，将每台负荷设备的有功电流和无功电流映射到(0,1)区间内，所述预置映射关系为：

i_n为第n个采样点的电流值；

第一矩阵单元，用于计算每台负荷设备的任意两个采样点之间的有功电流点和无功电流点的欧氏距离，将所述欧式距离填充到N维空矩阵中，分别得到有功电流对应的A通道矩阵和无功电流对应的F通道矩阵；

填充单元，用于分别将有功电流点和无功电流点的映射值填充到所述A通道矩阵和所述F通道矩阵的主对角线中；

第二矩阵单元，用于计算每台负荷设备的任意两个采样点之间的相位，并根据所述相位计算采样点的瞬时功率，将所述相位和所述瞬时功率填充到N维空矩阵中，得到M通道矩阵；

叠加单元，用于以设备类别为标签，将所述A通道矩阵、所述F通道矩阵和所述M通道矩阵叠加为N×N×3维矩阵，得到叠加矩阵；

训练单元，用于将所述标签和对应的所述叠加矩阵送入深度学习神经网络模型中进行训练，得到训练好的深度学习神经网络模型；

识别单元，用于通过所述训练好的深度学习神经网络模型进行负荷识别。

7.根据权利要求6所述的基于多通道填充矩阵的非侵入式负荷识别方法，其特征在于，所述A通道矩阵为：

其中，

为采样点i和采用点j有功电流的欧氏距离，i∈N，j∈N。

8.根据权利要求7所述的基于多通道填充矩阵的非侵入式负荷识别系统，其特征在于，所述F通道矩阵为：

其中，

为采样点i和采用点j无功电流的欧氏距离。

9.根据权利要求8所述的基于多通道填充矩阵的非侵入式负荷识别系统，其特征在于，所述M通道矩阵为：

其中，p_n＝v_n·i_n/P_max，

δ_i,j＝arctan(Δv_i,j/Δi_i,j)，θ′_i,j＝θ_i,j/2π，P_max为所有负荷的最大瞬时功率，v_n为第n个采样点的电压值，Δv_i,j为第i个采样点的电压与第j个采样点的电压差值，Δi_i,j为第i个采样点的电压与第j个采样点的电流差值，θ_i,j为采样点i和j之间的相位，θ′_i,j为单位化后的相位值。

10.根据权利要求6所述的基于多通道填充矩阵的非侵入式负荷识别系统，其特征在于，所述深度学习神经网络模型为AlexNet。

Images