CN113076985A - 电力用户负荷识别方法、装置及计算机可读介质 - Google Patents

Abstract

本发明涉及一种电力用户负荷识别方法、装置及计算机可读介质，其中，电力用户负荷识别方法包括步骤1：提取若干稳态周期的电压电流数据并进行标准化处理，分解出电流序列的无功成分构造二维图像；步骤2：构建基于预训练网络inception_v3的迁移学习模型，利用预处理后的数据对模型进行训练，自动学习图像中的信息；步骤3：利用训练完成的模型对新采集的主表电压电流数据进行负荷识别，获取用电设备的能耗信息。与现有技术相比，本发明具有识别速度快、准确率高等优点。

Description

电力用户负荷识别方法、装置及计算机可读介质

技术领域

本发明涉及电力用户负荷识别技术领域，尤其是涉及一种电力用户负荷识别方法、装置及计算机可读介质。

背景技术

非侵入式负荷监测技术(Non-Intrusive Load Monitoring，NILM)可以为用户反馈家用电器的能源消耗、运行状态等详细信息，对促进电网与用户间的信息交互以及防范化解用电安全问题都有积极的作用。自20世纪80年代美国的George Hart教授首次提出NILM概念至今，负荷特征的选取一直是该领域研究中一项关键任务，分类模型的性能在很大程度上取决于负荷特征自身的性质。研究人员在早期需要通过手动选取特征的方式为负荷打标签，虽然常常会将多个特征进行组合，但仅能从统计学的层次体现负荷特性，且居民侧用电负荷类别和数量的骤增导致这种传统的方式效率愈发低下，逐渐暴露出人工选取的特征存在信息维度单一、类间差异化不足的问题。

近年来，深度学习的快速发展有效地解决了人工提取特征难的问题，它依靠独特的网络结构和训练方法，能够自动地从大规模样本数据中寻找本质特征，完美解决了人工选取特征效率低下的问题。由于深度学习在图像分类、目标检测等领域的优异表现，研究人员通过序列可视化的思想，将众多领域的识别问题转换为深度学习擅长的图像分类任务。V-I轨迹是最早将电信号转换成图像的方法之一，最近的研究表明，利用V-I轨迹将负荷识别问题转移至图像分类领域是行之有效的。尽管特征可视化的思想大幅改善了负荷识别效果，但现有负荷特征的差异化程度依然不足。因此，提取辨识度强的负荷特征并建立可靠且具有泛化能力的分类模型是该领域目前亟需解决的首要问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种识别速度快、准确率高的电力用户负荷识别方法、装置及计算机可读介质。

本发明的目的可以通过以下技术方案来实现：

一种电力用户负荷识别方法，所述的电力用户负荷识别方法及识别装置包括：

步骤1：提取若干稳态周期的电压电流数据并进行标准化处理，分解出电流序列的无功成分构造二维图像；

步骤2：构建基于预训练网络inception_v3的迁移学习模型，利用预处理后的数据对模型进行训练，自动学习图像中的信息；

步骤3：利用训练完成的模型对新采集的主表电压电流数据进行负荷识别，获取用电设备的能耗信息。

优选地，所述的步骤1具体为：

步骤1-1：将采集到的单个负荷的稳态电压电流以周期为单位进行截取；

步骤1-2：分解出负荷电流的无功部分，形成若干时间序列；

步骤1-3：将序列标准化处理并进行极坐标编码；

步骤1-4：利用改进的格拉姆矩阵将一维数组转换成二维矩阵，把矩阵中元素的值映射到一定的颜色区间，使矩阵成为具有颜色和纹理分布的可视化图像。

更加优选地，所述的步骤1-2具体为：

根据Fryze功率理论，负荷电流可分解为有功电流和无功电流：

i(t)＝i_a(t)+i_f(t)

其中，有功电流i_a(t)定义为原始电流在电源电压方向上的投影；无功电流i_f(t)与电源电压正交；

其中，P_a为有功功率；v_rms为电压的有效值；T_s为一个基波周期；

无功电流i_f(t)的计算方法为：

更加优选地，所述的步骤1-3具体为：

选择Min-Max标准化的方法将序列映射到[-1,1]区间，然后进行极坐标编码，幅值作为极坐标系角度的反正弦值，时间戳作为半径，计算过程如下所示：

其中，X＝{x₁,x₂,…,x_n}为n个无功电流采样值的时间序列；

是经过标准化的无功电流序列；t_i为采样时间戳，开始时间点t₀＝0，而n为时间戳的总长度，即电能数据经过格拉姆矩阵变换后所构建图像的尺寸。

更加优选地，所述的步骤1-4具体为：

完成对标准化无功电流数据的极坐标变换后，采用改进的格拉姆矩阵——格拉姆差角场GADF将一维数组转换成矩阵：

将矩阵中元素的值映射到一定的颜色区间，使矩阵成为具有颜色和纹理分布的二维图像。

优选地，所述的步骤2具体为：

步骤2-1：预训练网络的构建；

步骤2-2：将预训练模型的卷积基进行冻结，保证其不受到分类器训练的影响，当分类器训练完成后再与卷积基进行级联；

步骤2-3：利用步骤1处理后的数据对分类器进行训练。

更加优选地，所述的步骤2-1具体为：

使用预训练模型Inception-v3的卷积基连接自定义分类器，分类器包括一个GlobalAveragePooling层、一个Dropout层和两个全连接层，设置最后的全连接层输出与负荷类别数量相同。

优选地，所述的步骤3具体为：

当网络模型训练完成后，对采集到的待识别负荷的电压电流数据按照步骤1的流程进行处理，得到作为负荷标签的可视化图像，然后进入步骤2训练得到的最优模型，根据输出值完成负荷分类识别任务。

一种电力用户负荷识别装置，所述的识别装置包括数据采集模块、传输模块和数据处理终端；所述的传输模块的输入端与数据采集模块相连，输出端与数据处理终端相连；所述的数据处理终端用于执行如权利要求1～8中任一项所述的电力用户负荷识别方法。

一种计算机可读介质，所述的计算机可读介质内存储有如权利要求1～8中任一项所述的电力用户负荷识别方法。

与现有技术相比，本发明具有以下有益效果：

本发明中的电力用户负荷识别方法将原始电流进行分解，并选择无功电流作为负荷特征，进一步扩大了负荷特征间的差异；利用格拉姆矩阵将序列进行可视化，把负荷识别问题转移至深度学习擅长的图像分类领域，提升了信息维度与特征辨识度，且时间信息在运算过程中得到保留；采用预训练好的迁移学习模型连接计算机视觉和NILM领域，，加快并优化了模型的学习效率，提高了负荷识别准确度；同时，将计算机视觉和非侵入式这两个看似不相关的领域联系起来，并将负荷标签的信息维度进行扩充，对未来非侵入式负荷监测满足实际应用需求起到了推动作用。

附图说明

图1为本发明实施例中电力用户负荷识别方法的流程示意图；

图2位本发明实施例中Fryze功率理论分解电流的示意图；

图2(a)为总电流的示意图，图2(b)为有功电流的示意图，图2(c)为无功电流的示意图；

图3为本发明实施例中序列二维可视化流程示意图；

图4为本发明实施例中PLAID数据集11种电器的格拉姆角场图；

图4(a)为空调的格拉姆角场图，图4(b)为节能灯的格拉姆角场图，图4(c)为电风扇的格拉姆角场图，图4(d)为冰箱的格拉姆角场图，图4(e)为吹风机的格拉姆角场图，图4(f)为热水器的格拉姆角场图，图4(g)为白炽灯的格拉姆角场图，图4(h)为笔记本电脑的格拉姆角场图，图4(i)为微波炉的格拉姆角场图，图4(j)为吸尘器的格拉姆角场图，图4(k)为洗衣机的格拉姆角场图。

具体实施方式

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的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

本实施例基于Keras深度学习框架对本发明方法所提的预训练卷积神经网络模型进行构建并试验评价，利用Python语言用于数据集分析与预处理。原始数据集采用2014年公开发布的PLAID数据集。

PLAID数据集包含来自美国宾夕法尼亚州匹兹堡市55个家庭11种电器的1074组电流和电压数据记录，每条记录提取数秒钟长的时间窗口，每种类型都包含不同品牌或型号的电器。PLAID所有测量数据均来自NI-9215采集卡，采样频率高达30kHz，电流使用Flukei200交流电流钳采集，电压用Pico-TA041示波器探头采集。

如图1所示，本实施例提供一种基于时序二维可视化和迁移学习的非侵入式负荷分类识别方法，包括如下步骤：

进行数据采集

利用NI-9215数据采集卡采集家用电器的电压电流数据，并将其转换成数字信号，通过USB连接发送至计算机，使用LabVIEW与NI-9215通信，将数据存储在CSV文件中。

步骤1：数据预处理

提取若干稳态周期的电压电流数据并进行标准化处理，分解出电流序列的无功成分构造二维图像。具体过程如下：

步骤1-1：将采集到的单个负荷的稳态电压电流以周期为单位进行截取：PLAID数据集的采样频率为30kHz，美国的工频为60Hz，因此一个周期包含500个采样点。选取相角为零时的采样点作为初始采样点，每条记录提取十个周期为样本，最终形成10740个样本。

步骤1-2：分解出无功电流：

根据Fryze功率理论，负荷电流可分解为有功电流和无功电流：

i(t)＝i_a(t)+i_f(t)

其中，有功电流i_a(t)定义为原始电流在电源电压方向上的投影；无功电流i_f(t)与电源电压正交；

其中，P_a为有功功率；v_rms为电压的有效值；T_s为一个基波周期；

无功电流i_f(t)的计算方法为：

最终的分解效果图如图2所示。

步骤1-3：序列标准化并进行极坐标编码

选择Min-Max标准化的方法将序列映射到[-1,1]区间，然后进行极坐标编码，幅值作为极坐标系角度的反正弦值，时间戳作为半径，计算过程如下所示：

其中，X＝{x₁,x₂,…,x_n}为n个无功电流采样值的时间序列；

是经过标准化的无功电流序列；t_i为采样时间戳，开始时间点t₀＝0，而n为时间戳的总长度，即电能数据经过格拉姆矩阵变换后所构建图像的尺寸n×n。

步骤1-4：序列二维可视化

完成对标准化无功电流数据的极坐标变换后，采用改进的格拉姆矩阵——格拉姆差角场GADF将一维数组转换成矩阵：

将矩阵中元素的值映射到一定的颜色区间，使矩阵成为具有颜色和纹理分布的二维可视化图像，整个序列二维可视化的流程示意图如图3所示。

图4是本发明实施例提供的PLAID数据集中11种电器的格拉姆角场图。

步骤2：构建基于预训练网络inception_v3的迁移学习模型，利用预处理后的数据对模型进行训练，自动学习图像中的信息；

步骤2-1：预训练网络的构建，使用预训练模型Inception-v3的卷积基连接自定义分类器，分类器包括一个GlobalAveragePooling层、一个Dropout层和两个全连接层，选择RELU作为激活函数，设置最后的全连接层输出与负荷类别数量相同(PLAID数据集共有11个负荷类别)，使用预训练模型Inception-v3的卷积基连接自定义分类器；

步骤2-2：将预训练模型的卷积基进行冻结，保证其不受到分类器训练的影响，当分类器训练完成后再与卷积基进行级联；

步骤2-3：利用步骤1处理后的数据对分类器进行训练，初始学习率设置为5×10^-4。为减小资源占用，训练过程的batch size设置为32，模型的训练轮数设置为75。此外，模型训练引入学习率自适应调整机制，若在训练过程中检测到损失函数loss下降进入平台期，则将学习率调整为原来的1/10(即5×10^-5)以优化模型。

步骤3：当网络模型训练完成后，对采集到的待识别负荷的电压电流数据按照步骤1的流程进行处理，得到作为负荷标签的可视化图像，然后进入步骤2训练得到的最优模型，根据输出值完成负荷分类识别任务。

本实施例还涉及一种电力用户负荷识别装置，包括数据采集模块、传输模块和数据处理终端，传输模块的输入端与数据采集模块相连，输出端与数据处理终端相连，数据处理终端用于执行上述电力用户负荷识别方法。

本实施例中的数据采集模块选用NI-9215数据采集卡，数据处理终端选用计算机终端。

采集流程为：利用NI-9215数据采集卡采集家用电器的电压电流数据，并将其转换成数字信号，通过USB连接发送至计算机，使用LabVIEW与NI-9215通信，将数据存储在CSV文件中；NI-9215数据采集卡可以进行10kHz以上的高频采样，保证采集到的电压电流每个周期预留丰富的原始信息以供数据预处理。

本实施例还涉及一种计算机可读介质，该介质内存储有上述电力用户负荷识别方法。

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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种电力用户负荷识别方法，其特征在于，所述的电力用户负荷识别方法及识别装置包括：

步骤1：提取若干稳态周期的电压电流数据并进行标准化处理，分解出电流序列的无功成分构造二维图像；

步骤2：构建基于预训练网络inception_v3的迁移学习模型，利用预处理后的数据对模型进行训练，自动学习图像中的信息；

步骤3：利用训练完成的模型对新采集的主表电压电流数据进行负荷识别，获取用电设备的能耗信息。

2.根据权利要求1所述的一种电力用户负荷识别方法，其特征在于，所述的步骤1具体为：

步骤1-1：将采集到的单个负荷的稳态电压电流以周期为单位进行截取；

步骤1-2：分解出负荷电流的无功部分，形成若干时间序列；

步骤1-3：将序列标准化处理并进行极坐标编码；

步骤1-4：利用改进的格拉姆矩阵将一维数组转换成二维矩阵，把矩阵中元素的值映射到一定的颜色区间，使矩阵成为具有颜色和纹理分布的可视化图像。

3.根据权利要求2所述的一种电力用户负荷识别方法，其特征在于，所述的步骤1-2具体为：

根据Fryze功率理论，负荷电流可分解为有功电流和无功电流：

i(t)＝i_a(t)+i_f(t)

其中，有功电流i_a(t)定义为原始电流在电源电压方向上的投影；无功电流i_f(t)与电源电压正交；

其中，P_a为有功功率；v_rms为电压的有效值；T_s为一个基波周期；

无功电流i_f(t)的计算方法为：

4.根据权利要求2所述的一种电力用户负荷识别方法，其特征在于，所述的步骤1-3具体为：

选择Min-Max标准化的方法将序列映射到[-1,1]区间，然后进行极坐标编码，幅值作为极坐标系角度的反正弦值，时间戳作为半径，计算过程如下所示：

其中，X＝{x₁,x₂,…,x_n}为n个无功电流采样值的时间序列；

是经过标准化的无功电流序列；t_i为采样时间戳，开始时间点t₀＝0，n为时间戳的总长度，即电能数据经过格拉姆矩阵变换后所构建图像的尺寸。

5.根据权利要求2所述的一种电力用户负荷识别方法，其特征在于，所述的步骤1-4具体为：

完成对标准化无功电流数据的极坐标变换后，采用改进的格拉姆矩阵——格拉姆差角场GADF将一维数组转换成矩阵：

将矩阵中元素的值映射到一定的颜色区间，使矩阵成为具有颜色和纹理分布的二维图像。

6.根据权利要求1所述的一种电力用户负荷识别方法，其特征在于，所述的步骤2具体为：

步骤2-1：预训练网络的构建；

步骤2-2：将预训练模型的卷积基进行冻结，保证其不受到分类器训练的影响，当分类器训练完成后再与卷积基进行级联；

步骤2-3：利用步骤1处理后的数据对分类器进行训练。

7.根据权利要求6所述的一种电力用户负荷识别方法，其特征在于，所述的步骤2-1具体为：

使用预训练模型Inception-v3的卷积基连接自定义分类器，分类器包括一个GlobalAveragePooling层、一个Dropout层和两个全连接层，设置最后的全连接层输出与负荷类别数量相同。

8.根据权利要求1所述的一种电力用户负荷识别方法，其特征在于，所述的步骤3具体为：

当网络模型训练完成后，对采集到的待识别负荷的电压电流数据按照步骤1的流程进行处理，得到作为负荷标签的可视化图像，然后进入步骤2训练得到的最优模型，根据输出值完成负荷分类识别任务。

9.一种电力用户负荷识别装置，其特征在于，所述的识别装置包括数据采集模块、传输模块和数据处理终端；所述的传输模块的输入端与数据采集模块相连，输出端与数据处理终端相连；所述的数据处理终端用于执行如权利要求1～8中任一项所述的电力用户负荷识别方法。

10.一种计算机可读介质，其特征在于，所述的计算机可读介质内存储有如权利要求1～8中任一项所述的电力用户负荷识别方法。

Images