CN113255236A - 基于孪生网络的非侵入式负荷自适应识别方法 - Google Patents

Abstract

本发明提出了一种基于孪生网络的非侵入式负荷自适应识别方法，该方法以负荷的V‑I轨迹和有功功率作为待识别负荷特征，使用孪生网络判别负荷V‑I轨迹的相似度，通过与特征库进行匹配，得到负荷编号信息，从而实现负荷识别。其中，用户根据保存的使用的时刻结合当日实际使用情况，再建立负荷编号信息与电器的实际类型进行映射。通过特征库的动态构建，本发明可实现对未知负荷的准确识别。最后在PLAID数据集和COOLL数据集中验证了模型的有效性和通用性。

Description

基于孪生网络的非侵入式负荷自适应识别方法

技术领域

本发明涉及非侵入式负荷识别（non-intrusive load monitoring, NILM）领域，特别是涉及一种基于孪生网络的非侵入式负荷自适应识别方法。

背景技术

了解用户能耗情况对负荷管理具有重要意义，近年来，非侵入式负荷监测（Non-intrusive load monitoring ，NILM)技术引起人们广泛关注。传统的侵入式负荷监测需要在每个用电负荷安装采集和通信装置以检测负荷状态，需要对现有电器或线路进行改造，实施困难且成本较高。而非侵入式负荷监测技术通过对电力总线进行监测，从而分析线路中各负荷的状态，其具有通用性强、成本低等优势。

传统非侵入式负荷识别算法大多基于分类模型，其主要有以下缺点：一是基于监督学习方式的模型需要大量的标签数据对模型进行训练，现实中这一条件往往无法满足；而且这些方法通常无法识别未知设备，基于分类方法的负荷识别模型只能识别学习过的负荷，无法对新增负荷和未知负荷进行识别；三是模型通用性较差，不同家庭中负荷种类不尽相同，传统负荷识别方法只能够针对特定情况进行建模和优化，通用性较差。

发明内容

本发明针对上述问题，提出了基于孪生网络的非侵入式负荷识别模型。孪生网络是少样本学习（Few-shot Learning, FSL）的方法之一，使用此模型可大大减小对训练样本数量的要求。

本发明采用的技术方案如下：

一种基于孪生网络的自适应非侵入式负荷识别方法，包括如下步骤：

步骤1，根据电力总线电压电流数据在负荷投切前后的变化分离得到单个待识别负荷的电压电流数据；

步骤2，根据待识别负荷的电压电流数据计算有功功率并绘制V-I轨迹图；

步骤3，判断特征库是否存在，若不存在则建立特征库并将V-I轨迹图、有功功率和使用的时刻添加到特征库中，并设置对应的电器编号；

若存在则使用训练好的孪生网络模型，逐一获取待识别负荷与特征库中每个样本的V-I轨迹图的相似度；所述孪生网络模型的输入为待识别负荷和特征库中样本的V-I轨迹图，输出为待识别负荷和特征库中样本的V-I轨迹图的相似度。

步骤4，判断其中最高的相似度是否满足相似度阈值条件，不满足则认为是新电器，将待识别负荷的V-I轨迹图、有功功率添加到特征库中并设置对应的电器编号；满足则判断有功功率是否匹配，不匹配则认为是新电器，将待识别负荷的V-I轨迹图、有功功率添加到特征库并设置对应的电器编号，如果匹配则将最高的相似度对应的样本的电器编号作为待识别负荷识别得到的电器编号；

步骤5，根据电器编号映射为实际电器类型。

其中，新加入特征库的特征样本设置的电器编号通过如下方法与实际电器类型建立映射：

当有新加入特征库的特征样本时，通知用户，用户根据历史投切记录结合当日实际使用情况，判断新增电器编号的实际电器类型。

进一步地，还可以建立识别结果历史数据库，用于保存每次的识别结果，以便其他应用。

进一步地，所述步骤2中，V-I轨迹图绘制方法为：

a构建全零的二维矩阵，其大小即为V-I轨迹图大小；

b对电流和电压数据进行归一化处理，并获取电压电流峰峰值∆Umax和∆Imax；根据二维矩阵的大小和电压电流峰峰值计算每个像素代表的电压电流数值；

c以二维矩阵行和列中心作为零点，计算得到每个采样点对应二维矩阵的像素位置；

d将采样点对应像素位置置1，并对时序上相邻的两点进行连线并将连线上像素点置1，对V-I轨迹进行连续化处理，得到V-I轨迹图。

进一步地，所述步骤3中，孪生网络模型训练过程如下：

采集不同负荷运行时的电流电压数据并绘制V-I轨迹图，将V-I轨迹图两两组合并标记相似度标签作为训练样本；其中，若训练样本中的V-I轨迹图属于同种电器，则相似度标签为1，若训练样本中的V-I轨迹图不属于同种电器，则相似度标签为0。

构建孪生网络模型，并以两幅V-I轨迹图为输入，预测的相似度为输出进行训练，直至损失函数收敛获得训练好的孪生网络模型。所述损失函数采用binary_crossentropy函数：

式中，m表示输入的样本对数，y _i 和

分别代表相似度标签和模型实际输出的相似 度。

进一步地，所述步骤4中，判断有功功率是否匹配的过程具体为：

根据功率阈值判断待识别负荷为大功率电器或小功率电器；

判断待识别负荷与特征库中的V-I轨迹图相似度最大的样本的有功功率是否满足对应的波动范围。根据对电器特征的观测，小功率电器V-I轨迹通常更加多变，而大功率电器在稳定工作期间则相对稳定，即小功率电器V-I轨迹相似即可认为是同一电器，针对大小功率电器（以100W为界限），设置两组功率比较的阈值，当电器功率较小时，允许功率波动范围较大，反之，功率波动范围较小。因此，小功率电器的波动范围大于大功率电器的波动范围。

进一步地，所述判断待识别负荷与特征库中的V-I轨迹图相似度最大的样本的有功功率是否满足对应的波动范围，具体为：

计算待识别负荷与特征库中的V-I轨迹图相似度最大的样本的有功功率的相对差值：

相对差值=（P _max -P _min ）/ P _min

其中P _max 和P _min 分别为待识别负荷的有功功率和特征库中V-I轨迹图相似度最大的样本的有功功率两者中的大值和小值；

若相对差值小于波动阈值，则满足波动范围，反之则不满足。其中，小功率电器的波动阈值为1.5，大功率电器的波动阈值为0.2。

进一步地，将同种电器的不同工作状态视为单独的设备，组合得到的训练样本对应的相似度标签为0。

本发明的有益效果是：

一，本发明可自动识别未知电器，可在识别过程中自动向特征库中添加新样本；

二、本发明使用V-I轨迹特征和功率特征，并且V-I轨迹经过归一化处理，与电压大小与频率无关，具有很强的通用性；

三，与传统基于神经网络的识别方法相比，本发明所需训练样本较少，训练得到的模型通用性很强，无需对模型频繁更新；

四、通过先用训练好的模型获取未知负荷与已知负荷的相似度信息，根据相似度阈值判断是否需要设立新编号，再与实际电器建立映射，从而一种电器可以设置多个编号，可以避免电器不同运行状态下特征差异较大识别有误的问题，从而极大地提高了未知负荷的识别准确性。

附图说明

图1为传统从电流电压波形得到V-I轨迹的过程，(a)电压波形；(b)电流波形；(c)连续VI轨迹；(d)量化为N×N后的二值化图像；

图2为V-I轨迹连续化处理效果展示，(a)为处理前，(b)为处理后；

图3为孪生网络结构；

图4为识别流程图；

图5为模型在PLAID数据集上取得的准确度。

具体实施方式

为了详细说明本发明的特点和效果，下面结合附图以及PLAID和COOLL数据集对本发明做进一步说明。

（1）首先，训练用于获取相识度信息的孪生网络模型，具体如下：

（1.1）选取PLAID数据集中house6数据作为训练集，house6中包括空调、荧光灯、风扇（Fan）、冰箱、吹风机、笔记本电脑等6种电器，共36个用例，其中，空调、冰箱各有3个和2个工作状态，在本发明中，将其视为单独的设备来进行识别。

从house6中每个测试用例中采集10个样本，共采集360个样本，每个包括电压、电流数据，如图1中的（a）和（b）所示；计算其有功功率并绘制每个样本的V-I轨迹图。

优选地，V-I轨迹图的绘制方法如下：

a. 构建N×N的全零矩阵（N为图像大小）；

b. 计算每个像素点代表的电流、电压值：

∆u = ∆U _max /N

∆i = ∆I _max ·exp_fact/N

其中，∆U _max 为样本中电压电流数据中电压波动范围即峰峰值，同理∆I _max 为电压电流数据中电流波动范围，exp_fact是为防止图像边界效应设置的膨胀系数，本实施例中设置为1.1；

c. 计算每个采样点的电压电流对应的图像位置：

x = U/∆u + x _mid

y = I/∆i + y _mid

其中x _mid 和y _mid 分别为x和y轴中点值，U和I分别为每个采样点的电压电流值；

d. 在矩阵中对应位置x，y数据设为1；

e. 为防止图像中出现断续，对时序电压电流相邻数据对应的图像坐标点进行连接，得到连续化的V-I轨迹图像，如图1中的（c）和（d）所示，连续化处理前后的对比如图2所示。

（1.2）构建孪生网络模型，本实施中采用的具体结构如附图3所示，首先将两幅V-I轨迹堆叠成为一个双通道图像（通道1和通道2），使用64个7×7卷积核的卷积层1进行卷积得到大小为32×32×64的特征图，然后使用最大池化层（max_pooling）进行下采样操作，得到16×16×64的特征图；然后进入卷积层2，使用128个3×3卷积核和下采样得到8×8×128的特征图；之后再使用128个和256个3×3卷积核的卷积层（卷积层3和卷积层4）进行卷积核下采样操作，最后经过全局平均池化层（avg_pooling）得到256个特征，将其经过Flatten层维度打平成为一维特征向量，然后经过256个隐含单元的全连接层，最后输出为1个介于0~1之间的相似度信息。为了加快收敛速度，在第二及之后的卷积层后都加入了BN（BatchNormal）层。

（1.3）将训练集样本V-I轨迹两两组合，为保证训练样本的均衡，类内和类间样本对数一致。将V-I堆叠成为2通道图像作为孪生网络的输入，输出定义为V-I轨迹相似度，同类电器输出接近1，否则接近0，对孪生网络进行训练，直至损失函数收敛获得训练好的孪生网络模型。损失函数采用binary_crossentropy函数：

式中，m表示输入的样本对数，y _i 和

分别代表目标相似度（同类电器为1，不同类 为0）和模型实际输出的V-I轨迹相似度。

（2）利用训练好的孪生网络模型的实际负荷识别：

（2.1）根据电力总线电压电流数据在负荷投切前后的变化分离得到单个负荷的电压电流数据；

（2.2）根据分离的电压电流数据计算有功功率并绘制V-I轨迹图；

（2.3）检测是否存在特征库，如果不存在（模型运行初期），则建立特征库，跳到步骤（2.8）；

（2.4）如果特征库存在，则将特征库中存储的V-I轨迹图依次与待识别负荷的V-I轨迹图输入到孪生网络模型，获得待识别V-I轨迹图与特征库中所有V-I轨迹图的相似度序列；

（2.5）将得到的最高的相似度与相似度阈值进行比较，如果小于相似度阈值，则认为是新负荷，跳转到步骤（2.8）；

（2.6）如果大于相似度阈值，则进一步根据功率阈值判断该待识别负荷为大功率电器或小功率电器，再结合判断的大功率电器或小功率电器的允许功率波动范围比较特征库中该特征的有功功率与待识别负荷的功率，如果超出允许功率波动范围，则认为该负荷为新电器，跳转到步骤（2.8）；

根据经验和对负荷数据的观察，当负荷功率较小时，其功率波动一般可能较大（如笔记本电脑等负荷），并且不同电器V-I轨迹各有其特性，换言之，小功率电器如果其V-I轨迹相似，则可认为是同一种电器，而大功率电器在稳定工作时功率变化较小。因此，当V-I轨迹相似时，当其为小功率电器，则对比功率时可增大功率允许误差范围，反之，如果负荷功率较大，功率允许误差范围则较小；

（2.7）如果在允许功率波动范围内，则认为该负荷与特征库中的匹配负荷为同一种电器，得到负荷编号，跳转到步骤（2.9）；

（2.8）将该电器特征（V-I轨迹和有功功率）加入到特征库中，并设置电器编号；

（2.9）获得电器编号信息，通过人为指定标签则可转化为电器类型和状态信息，具体实现如下：

当有新加入特征库的特征样本时，通知用户并根据历史投切记录利用可视化图表展示各编号电器的一段时间内的工作状态，用户据此结合当日实际使用情况，判断新增电器的实际类型。

在本实施用例中，分别使用PLAID数据集其余house数据和COOLL数据集的数据来验证本发明的识别效果，以PLAID数据集为例步骤如下：

S1：从PLAID数据集中获取测试样本：

PLAID数据集中包含56个家庭的电器的采样数据，每个家庭中包含的电器种类和品牌不尽相同，以此测试模型泛用性能。对每个家庭中的采样实例，采集10个样本，构成待识别数据。

S2：根据步骤S1中得到的电压和电流数据计算各电器有功功率，并绘制各样本的V-I轨迹，V-I轨迹大小选择为32×32。

S3：对得到的每个house样本，将其依次输入到模型中，获取电器编号：

识别总体流程如图4所示，模型获得样本数据后，首先判断是否存在特征库，如果特征库不存在，则建立特征库并将样本V-I轨迹和有功功率添加到特征库中，并设置电器编号；如果特征库存在，则使用在训练阶段获得的孪生网络依次计算该样本与特征库样本中各样本V-I轨迹的相似度，得到最高相似度与对应的特征库样本；判断相似度是否满足阈值条件，如果不满足则认为该样本为新负荷，将其添加到特征库并得到识别编号；如果达到相似度阈值条件，则进一步判断样本功率数据，在此阶段，将负荷分为大功率和小功率电器，小功率电器允许功率波动范围较大，相应大功率电器功率允许波动范围则较小，本实施例中，具体根据待识别负荷的功率数据与特征库中V-I轨迹图相似度最大的样本的功率数据的相对差值进行比较并设定阈值，表示为：相对差值=(Pmax-Pmin)/ Pmin，其中Pmax和Pmin分别为待识别负荷的功率数据和特征库中V-I轨迹图相似度最大的样本的功率数据两者中的大值和小值；设定的小功率电器的波动阈值为1.5，大功率电器的波动阈值为0.2。如果功率不满足阈值条件（大于功率阈值），则认为是新负荷，将其添加到特征库中并得到电器编号，否则认为该样本与特征库中V-I轨迹图相似度最大的样本为同类电器，得到电器编号。

获取到每个样本对应的编号信息，与真实类型对比评估识别效果。

为了能够评估识别效果，提出准确度指标，如(1)所示：

（1）

式中，cnt表示每个电器允许的编码个数，n表示同种电器被识别出来的编号数目，s _i 表示每种编号识别数量，sort表示从大到小排序，将识别数量最多的cnt个编号视为正确结果，其余视为误识别，以此观察本发明方法对同种设备的识别性能。

各类型识别电器识别结果如图5所示。

各类型电器平均性能以及在COOLL数据集上的表现如表1所示。

表

模型测试准确度结果

数据集	<i>cnt</i>=1	<i>cnt</i>=2	<i>cnt</i> =3	<i>cnt</i> =4	<i>cnt</i> =5
						PLAID	89.59%	97.34%	99.14%	99.70%	99.98%
COOLL	78.83%	92.30%	96.21%	98.10%	98.90%

本发明中，通过先用训练好的模型获取未知负荷与已知负荷的相似度信息，根据相似度阈值判断是否需要设立新编号，再与实际电器建立映射，从而一种电器可以设置多个编号，可以避免电器不同运行状态下特征差异较大识别有误的问题，从而极大地提高了未知负荷的识别准确性。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。

Claims (6)

1.一种基于孪生网络的自适应非侵入式负荷识别方法，其特征在于，包括如下步骤：

步骤1，根据电力总线电压电流数据在负荷投切前后的变化分离得到单个待识别负荷的电压电流数据；

步骤2，根据待识别负荷的电压电流数据计算有功功率并绘制V-I轨迹图；

步骤3，判断特征库是否存在，若不存在则建立特征库并将V-I轨迹图、有功功率添加到特征库中，并设置对应的电器编号；

若存在则使用训练好的孪生网络模型，逐一获取待识别负荷与特征库中每个样本的V-I轨迹图的相似度；所述孪生网络模型的输入为待识别负荷和特征库中样本的V-I轨迹图，输出为待识别负荷和特征库中样本的V-I轨迹图的相似度；

步骤4，判断其中最高的相似度是否满足相似度阈值条件，不满足则认为是新电器，将待识别负荷的V-I轨迹图、有功功率添加到特征库中并设置对应的电器编号；满足则判断有功功率是否匹配，不匹配则认为是新电器，将待识别负荷的V-I轨迹图、有功功率添加到特征库并设置对应的电器编号，如果匹配则将最高的相似度对应的样本的电器编号作为待识别负荷识别得到的电器编号；

步骤5，根据电器编号映射为实际电器类型；

其中，新加入特征库的特征样本设置的电器编号通过如下方法与实际电器类型建立映射：

当有新加入特征库的特征样本时，通知用户，用户根据历史投切记录结合当日实际使用情况，判断新增电器编号的实际电器类型。

2.如权利要求1所述的自适应非侵入式负荷识别方法，其特征在于，所述步骤2中，V-I轨迹图绘制方法为：

a构建全零的二维矩阵，其大小即为V-I轨迹图大小；

b对电流和电压数据进行归一化处理，并获取电压电流峰峰值∆U _max 和∆I _max ；根据二维矩阵的大小和电压电流峰峰值计算每个像素代表的电压电流数值；

c以二维矩阵行和列中心作为零点，计算得到每个采样点对应二维矩阵的像素位置；

d将采样点对应像素位置置1，并对时序上相邻的两点进行连线并将连线上像素点置1，对V-I轨迹进行连续化处理，得到V-I轨迹图。

3.如权利要求1所述的自适应非侵入式负荷识别方法，其特征在于，所述步骤3中，孪生网络模型训练过程如下：

采集不同负荷运行时的电流电压数据并绘制V-I轨迹图，将V-I轨迹图两两组合并标记相似度标签作为训练样本；其中，若训练样本中的V-I轨迹图属于同种电器，则相似度标签为1，若训练样本中的V-I轨迹图不属于同种电器，则相似度标签为0；

构建孪生网络模型，并以两幅V-I轨迹图为输入，预测的相似度为输出进行训练，直至损失函数收敛获得训练好的孪生网络模型；所述损失函数采用binary_crossentropy函数：

式中，m表示输入的样本对数，y _i 和

分别代表相似度标签和模型实际输出的相似度。

4.如权利要求3所述的自适应非侵入式负荷识别方法，其特征在于，将同种电器的不同工作状态视为单独的设备，组合得到的训练样本对应的相似度标签为0。

5.如权利要求1所述的自适应非侵入式负荷识别方法，其特征在于，所述步骤4中，判断有功功率是否匹配的过程具体为：

根据功率阈值判断待识别负荷为大功率电器或小功率电器；

判断待识别负荷与特征库中的V-I轨迹图相似度最大的样本的有功功率是否满足对应的波动范围；其中，小功率电器的波动范围大于大功率电器的波动范围。

6.如权利要求5所述的自适应非侵入式负荷识别方法，其特征在于，所述判断待识别负荷与特征库中的V-I轨迹图相似度最大的样本的有功功率是否满足对应的波动范围，具体为：

计算待识别负荷与特征库中的V-I轨迹图相似度最大的样本的有功功率的相对差值：

相对差值=（P _max -P _min ）/ P _min

其中P _max 和P _min 分别为待识别负荷的有功功率和特征库中V-I轨迹图相似度最大的样本的有功功率两者中的大值和小值；

若相对差值小于波动阈值，则满足波动范围，反之则不满足；所述小功率电器的波动阈值为1.5，大功率电器的波动阈值为0.2。

Images