CN113537330B - 一种非侵入式负荷识别方法 - Google Patents
一种非侵入式负荷识别方法 Download PDFInfo
- Publication number
- CN113537330B CN113537330B CN202110774358.XA CN202110774358A CN113537330B CN 113537330 B CN113537330 B CN 113537330B CN 202110774358 A CN202110774358 A CN 202110774358A CN 113537330 B CN113537330 B CN 113537330B
- Authority
- CN
- China
- Prior art keywords
- current
- voltage
- rgb
- data
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000011176 pooling Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 21
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 description 7
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种非侵入式负荷识别方法,包括以下步骤:数据采集;对采集到的电压、电流数据进行归一化操作;将电流数据和电压数据进行归一化后绘制成V‑I轨迹图,并根据每个周期的V‑I轨迹图计算电流的最大值和最小值的差值;根据电流最大值和最小值的差值赋予负荷每个周期不同的RGB值;搭建一个融合残差模块的卷积神经网络模型,第一层的池化操作采用最大池化,第二层的池化操作采用全局平均池化,并在池化操作后面添加Dropout层,最后实现负荷类型的识别。
Description
技术领域
本发明属于负荷识别技术领域,特别涉及一种非侵入式负荷识别方法。
背景技术
非侵入式负荷监测是在侵入式负荷监测方向上发展起来的对家庭电能消耗进行有效的监测的一种方法。非侵入式负荷监测只需要在家庭的电力入口处安装一个传感器用来监测整个家庭的用电情况,然后通过非侵入式负荷监测技术进行分解,然后通过分解得到的数据进行家庭电器识别。
目前负荷识别主要有几种方法:基于监督学习的方法和基于非监督学习的方法等。基于监督学习的模式识别算法众多,包括K最近邻算法、神经网络、支持向量机、Adaboost算法等,但该类算法设计负荷种类不多,处理场景也简单,在复杂场景下的表现需要进一步提升。基于非监督学习的识别算法目前精度不高,比如隐形马尔科夫模型和主旨模式挖掘等算法直接应用准确率较低,但是人工干预少,算法经改进后表现提升很大,应用前景良好。
非侵入式负荷识别的方法主要有深度学习、机器学习等。各种方法均能够在一定程度上实现非侵入式负荷识别,但由于家庭用电中电器种类复杂,每种电器的特征不同,因此普遍存在鲁棒性一般以及识别准确率不高的问题,导致无法正确识别到正在运行的电器,并具体存在的缺陷通常来说表现在以下两个方面:
(1)电器的种类越来越多,电器类型和型号的增多,使得电器的总体识别准确率较低。
(2)对于很多阻性电器,由于其内部结构复杂,工作方式多种多样,因此,很多负荷识别的方法对于阻性电器的识别准确率较低,无法满足负荷识别的总体要求。
发明内容
针对现有技术存在的不足,本发明提供一种非侵入式负荷识别方法,提出基于改进的V-I图的负荷识别方法,首先通过实验室搭建数据采集装置,通过数据采集装置对负荷的电流和电压数据进行采集,然后将采集到的电流数据和电压数据进行归一化,绘制出V-I轨迹图,在V-I轨迹图上加之颜色编码,增加了信息维度,然后搭建一个融合残差模块的卷积神经网络模型,残差模块的融入很好的解决了参数过多带来的过拟合的问题,从而提高了负荷的识别准确率。
为了解决上述技术问题,本发明采用的技术方案是:
一种非侵入式负荷识别方法,包括以下步骤:
步骤1、数据采集:搭建非侵入式负荷监测数据采集装置,采集电流和电压数据;
步骤2、数据预处理:对采集到的电压、电流数据进行归一化操作;
步骤3、特征提取:将电流数据和电压数据进行归一化后绘制成V-I轨迹图,并根据每个周期的V-I轨迹图计算电流的最大值和最小值的差值;根据电流最大值和最小值的差值赋予负荷每个周期不同的RGB值;
步骤4、搭建卷积神经网络模型:搭建一个融合残差模块的卷积神经网络模型,第一层的池化操作采用最大池化,第二层的池化操作采用全局平均池化,并在池化操作后面添加Dropout层,最后实现负荷类型的识别。
进一步的,在步骤3对V-I轨迹图绘制时,在V-I轨迹图上添加颜色这一特征,具体的算法如下:
首先设置电流和电压的差值的上限为然后根据电流和电压的周期差值,分别对图片的RGB进行不同的处理,RGB分别代表图片的三个颜色通道,R、G、B可以在0-255内取任意值;设置一个RGB的阈值限制50和205,由于原始数据是经过归一化处理之后的,所以将设置的阈值进行相应的处理,最后计算得知RGB的阈值分别为x=50/256,y=255/256,其中每个周期的电流最大值和最小值的差值用变量d表示;
(1)当d小于1倍的时,RGB具体赋值方式如下所示:
(2)当d大于1倍的并且小于2倍的/>时,RGB具体赋值方式如下所示:
(3)当d大于2倍的并且小于3倍的/>时,RGB具体赋值方式如下所示:
(4)除了以上情况外,RGB具体赋值方式如下所示:
进一步的,所述非侵入式负荷监测数据采集装置包括电流传感器、电压传感器、A/D数据转换模块、ARM嵌入式核心处理模块、WIFI通信模块和服务器;所述的电流传感器、电压传感器采集的电流、电压模拟信号经A/D数据转换模块转换为数字信号,输入ARM嵌入式核心处理模块;所述ARM嵌入式核心处理模块对接收的电流、电压数字信号处理得到家用电器开关状态与稳定状态、提取出电流和电压信号的特征,并通过WIFI通信模块将这些特征上传到服务器端,在服务器进一步分类识别处理,实现电器类型判断和用电状态监测功能。
与现有技术相比,本发明优点在于:
(1)本发明的非侵入式负荷监测数据采集装置包含了数据采集模块、ARM嵌入式核心处理模块、存储模块、通信模块等,实现负荷电流数据和电压数据的采集,保证其波形完整,准确率高,为负荷识别的准确性提供了保障。
(2)提出一种基于改进V-I图的负荷识别的方法,将原始数据转换为V-I图的形式进行特征提取,通过颜色编码增加了信息维度,提高了负荷识别的准确率。
(3)搭建了一个融合残差模块的卷积神经网络模型,很好的解决了参数过多带来的过拟合的问题,最终实现负荷识别,识别准确率达到了较好的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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的附图。
图1为本发明的流程图;
图2为本发明的非侵入式负荷监测数据采集装置结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的说明。
如图1所示,一种非侵入式负荷识别方法,包括以下步骤:
步骤1、数据采集:搭建非侵入式负荷监测数据采集装置,采集电流和电压数据。
基于V-I轨迹图的负荷识别方法首先是将整个用电量的消耗数据分解为不同负荷的消耗数据。由于电器类型复杂,相同的电器的型号各种各样,难以用单一的方法对电器进行识别,而本发明通过对电器的电流和电压信号进行分析,设计了非侵入式负荷监测数据采集装置,如图2所示,包括以下几部分:电流传感器、电压传感器、A/D数据转换模块、ARM嵌入式核心处理模块、WIFI通信模块和服务器。
(1)电流传感器:采用ACS756电流传感器模块,将电流传感器串联在家庭用电的火线中,能够检测到家庭用电中的电流的模拟信号,以满足后续工作中对电流信号的处理、存储和控制等要求。
(2)电压传感器:采用CHV-25P/400电压传感器模块,将电压传感器并联在家庭用电的总线路中,能够检测到家庭用电中的电压的模拟信号,满足后续工作的需求。
(3)A/D数据转换模块:采用高精度的ADS1256模数转换芯片,实现电压和电流的模数转换,为ARM嵌入式核心处理模块提供24位的高精度数字信号。
(4)ARM嵌入式核心处理模块:在嵌入式处理系统中,对所得到的电流和电压的数字信号进行了处理,包括得到家用电器开关状态与稳定状态、提取出电流和电压信号的特征,并通过WIFI通信模块将这些特征上传到服务器端,实现电器类型的识别与分类。
(5)WIFI通信模块:负责嵌入式核心处理系统与服务器端的数据与指令的传输。将嵌入式核心处理系统上传到服务器端,同时可以接受服务端下达的各种指令。
(6)服务器:接收ARM嵌入式核心处理模块传输过来的用电特征数据,进行进一步的分类识别处理,实现电器类型判断和用电状态监测等功能。
步骤2、数据预处理:对采集到的电压、电流数据进行归一化操作。
步骤3、特征提取:将电流数据和电压数据进行归一化后绘制成V-I轨迹图,并根据每个周期的V-I轨迹图计算电流的最大值和最小值的差值;根据电流最大值和最小值的差值赋予负荷每个周期不同的RGB值。
对V-I轨迹图绘制时,在V-I轨迹图上添加颜色这一特征,增大了不同电器之间的区别,提高了电器的识别准确率。理论上只对电流在90A以内的进行处理。具体的算法如下:
首先设置电流和电压的差值的上限为然后根据电流和电压的周期差值,分别对图片的RGB进行不同的处理,RGB分别代表图片的三个颜色通道,R、G、B可以在0-255内取任意值。设置一个RGB的阈值限制50和205,由于原始数据是经过归一化处理之后的,所以将设置的阈值进行相应的处理,最后计算得知RGB的阈值分别为x=50/256,y=255/256。其中每个周期的电流最大值和最小值的差值用变量d表示。
(1)当d小于1倍的时,RGB具体赋值方式如下所示:
(2)当d大于1倍的并且小于2倍的/>时,RGB具体赋值方式如下所示:
(3)当d大于2倍的并且小于3倍的/>时,RGB具体赋值方式如下所示:
(4)除了以上情况外,RGB具体赋值方式如下所示:
步骤4、搭建卷积神经网络模型:搭建一个融合残差模块的卷积神经网络模型,第一层的池化操作采用最大池化,第二层的池化操作采用全局平均池化,为了防止过拟合,并在池化操作后面添加Dropout层,最后实现负荷类型的识别。
综上所述,本发明提出基于改进V-I图的负荷识别的方法,通过颜色编码增加了信息维度,提高了负荷识别的准确率;通过融合残差模块的卷积神经网络模型改进的V-I图进行特征提取,解决了参数过多带来的过拟合问题,从而达到了较好的负荷识别效果。
当然,上述说明并非是对本发明的限制,本发明也并不限于上述举例,本技术领域的普通技术人员,在本发明的实质范围内,做出的变化、改型、添加或替换,都应属于本发明的保护范围。
Claims (2)
1.一种非侵入式负荷识别方法,其特征在于,包括以下步骤:
步骤1、数据采集:搭建非侵入式负荷监测数据采集装置,采集电流和电压数据;
步骤2、数据预处理:对采集到的电压、电流数据进行归一化操作;
步骤3、特征提取:将电流数据和电压数据进行归一化后绘制成V-I轨迹图,并根据每个周期的V-I轨迹图计算电流的最大值和最小值的差值;根据电流最大值和最小值的差值赋予负荷每个周期不同的RGB值;
在步骤3对V-I轨迹图绘制时,在V-I轨迹图上添加颜色这一特征,具体的算法如下:
首先设置电流和电压的差值的上限为然后根据电流和电压的周期差值,分别对图片的RGB进行不同的处理,RGB分别代表图片的三个颜色通道,R、G、B可以在0-255内取任意值;设置一个RGB的阈值限制50和205,由于原始数据是经过归一化处理之后的,所以将设置的阈值进行相应的处理,最后计算得知RGB的阈值分别为x=50/256,y=255/256,其中每个周期的电流最大值和最小值的差值用变量d表示;
(1)当d小于1倍的时,RGB具体赋值方式如下所示:
(2)当d大于1倍的并且小于2倍的/>时,RGB具体赋值方式如下所示:
(3)当d大于2倍的并且小于3倍的/>时,RGB具体赋值方式如下所示:
(4)除了以上情况外,RGB具体赋值方式如下所示:
步骤4、搭建卷积神经网络模型:搭建一个融合残差模块的卷积神经网络模型,第一层的池化操作采用最大池化,第二层的池化操作采用全局平均池化,并在池化操作后面添加Dropout层,最后实现负荷类型的识别。
2.根据权利要求1所述的非侵入式负荷识别方法,其特征在于,所述非侵入式负荷监测数据采集装置包括电流传感器、电压传感器、A/D数据转换模块、ARM嵌入式核心处理模块、WIFI通信模块和服务器;所述电流传感器、电压传感器采集的电流、电压模拟信号经A/D数据转换模块转换为数字信号,输入ARM嵌入式核心处理模块;所述ARM嵌入式核心处理模块对接收的电流、电压数字信号处理得到家用电器开关状态与稳定状态、提取出电流和电压信号的特征,并通过WIFI通信模块将这些特征上传到服务器端,服务器进一步分类识别处理,实现电器类型判断和用电状态监测功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110774358.XA CN113537330B (zh) | 2021-07-08 | 2021-07-08 | 一种非侵入式负荷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110774358.XA CN113537330B (zh) | 2021-07-08 | 2021-07-08 | 一种非侵入式负荷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537330A CN113537330A (zh) | 2021-10-22 |
CN113537330B true CN113537330B (zh) | 2024-05-14 |
Family
ID=78127184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110774358.XA Active CN113537330B (zh) | 2021-07-08 | 2021-07-08 | 一种非侵入式负荷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537330B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330461B (zh) * | 2022-03-16 | 2022-06-24 | 北京智芯微电子科技有限公司 | 用于非侵入负荷识别的v-i轨迹生成方法、装置及神经网络 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188771A (zh) * | 2019-05-17 | 2019-08-30 | 湖南大学 | 基于图像处理的非侵入式电力负荷特征提取、识别方法、系统及介质 |
-
2021
- 2021-07-08 CN CN202110774358.XA patent/CN113537330B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188771A (zh) * | 2019-05-17 | 2019-08-30 | 湖南大学 | 基于图像处理的非侵入式电力负荷特征提取、识别方法、系统及介质 |
Non-Patent Citations (2)
Title |
---|
Non-intrusive load monitoring algorithm based on features of V–I trajectory;Longjun Wang et.al;Electric Power Systems Research;第134–144页 * |
深度学习与幅值特征相融合的低频采样非侵入式负荷辨识算法;黄友金;熊炜;袁旭峰;李卓;;电力科学与工程(04);第14-20页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113537330A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418722B (zh) | 基于v-i轨迹图和神经网络的非侵入式负荷识别方法 | |
CN112434799B (zh) | 基于全卷积神经网络的非侵入式负荷识别方法 | |
CN113036759B (zh) | 一种电力用户负荷细粒度识别方法及识别系统 | |
CN111864896A (zh) | 一种电力负荷监测方法及系统 | |
CN110119545B (zh) | 一种基于栈式自编码器的非侵入式电力负荷识别方法 | |
CN111710150A (zh) | 一种基于对抗自编码网络的异常用电数据检测方法 | |
CN111224805A (zh) | 一种网络故障根因检测方法、系统及存储介质 | |
WO2015172374A1 (en) | System, method and apparatuses for identifying load volatility of a power customer and a tangible computer readable medium | |
CN113537330B (zh) | 一种非侵入式负荷识别方法 | |
CN115601197B (zh) | 光伏电站的异常状态检测方法、装置 | |
CN117556377B (zh) | 用于站所自动化终端的多源数据融合处理方法 | |
CN105205460A (zh) | 基于最大方向编码的人脸表情特征提取及识别方法 | |
CN113887912A (zh) | 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法 | |
CN113762355B (zh) | 一种基于非侵入式负荷分解的用户异常用电行为检测方法 | |
CN106886739A (zh) | 一种基于人脸识别的视频监控方法 | |
CN114445369A (zh) | 基于3d成像技术的接触网分段绝缘器识别方法和装置 | |
CN111881793B (zh) | 一种基于胶囊网络的非侵入式负荷监测方法与系统 | |
CN116756638B (zh) | 电动车用电负荷需求检测方法、装置、设备及存储介质 | |
CN115983347A (zh) | 一种非侵入式负荷分解方法、装置及存储介质 | |
CN112614539B (zh) | 基于teo-mic算法的运动想象检测方法 | |
CN112991093B (zh) | 一种基于边缘计算的窃电检测方法及系统 | |
CN112581387B (zh) | 一种配电室智能运维系统、装置及方法 | |
CN112199982B (zh) | 一种基于深度学习的智能家居系统 | |
Qiu et al. | Automatic Locating Technology for Distribution Network Based on Graph Convolution Neural Networks | |
CN106339715B (zh) | 一种适应于采摘机器人的数据分类优化方法 |
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 |