CN114662624B - 基于可再训练孪生网络的非侵入式负荷识别方法及系统 - Google Patents

基于可再训练孪生网络的非侵入式负荷识别方法及系统 Download PDF

Info

Publication number
CN114662624B
CN114662624B CN202210574224.8A CN202210574224A CN114662624B CN 114662624 B CN114662624 B CN 114662624B CN 202210574224 A CN202210574224 A CN 202210574224A CN 114662624 B CN114662624 B CN 114662624B
Authority
CN
China
Prior art keywords
load
similarity
identified
data
power
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
Application number
CN202210574224.8A
Other languages
English (en)
Other versions
CN114662624A (zh
Inventor
于淼
强柱成
陆玲霞
包哲静
齐冬莲
王丙楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210574224.8A priority Critical patent/CN114662624B/zh
Publication of CN114662624A publication Critical patent/CN114662624A/zh
Application granted granted Critical
Publication of CN114662624B publication Critical patent/CN114662624B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

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)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于可再训练孪生网络的非侵入式负荷识别方法及系统，本发明通过卷积神经网络和BP神经网络构造孪生网络并对负荷V‑I进行分类；其中孪生网络部署于嵌入式设备上，可以提高整个系统的实时性以及扩展性。本发明的BP神经网络还根据新发现的负荷可以重新训练并更新网络模型，从而可以实时提高网络模型的特征提取能力及识别能力进一步地，本发明在V‑I分类的基础上通过P‑Q特征进行进一步分类。本发明具有准确识别未知负荷的能力。

Description

基于可再训练孪生网络的非侵入式负荷识别方法及系统
技术领域
本发明涉及非侵入式负荷识别技术(non-intrusive load monitoring, NILM)领域，尤其涉及一种基于可再训练孪生网络的非侵入式负荷识别方法及系统。
背景技术
智能用电管理系统是智能电网建设的重要组成部分，而负荷识别技术是智能用电管理系统的关键技术之一。负荷识别一般分为侵入式负荷识别和非侵入式负荷识别两大类。虽然侵入式负荷识别方法的识别结果较为准确，但是成本高、难以安装等原因不太受欢迎。而非侵入式负荷识别方法(non-intrusive load monitoring, NILM)成本低而且实用性强，所以NILM成为了当今电力系统智能计量领域的热点。通过在入户电表上安装嵌入式非侵入电力识别模块，然后通过负荷识别算法来检测建筑内的负荷工作情况。结合有效的电源管理，可以在不影响用户体验的情况下实现省电节能。
但现有大部分 NILM 的研究目标还是局限在识别种类较为有限的负荷，没有很好的解决对未知负荷的识别以及NILM系统的可扩展性的问题。
发明内容
本发明针对上述问题提供了一种发现未知负荷后能在嵌入式设备上进行在线再训练模型的非侵入式负荷识别方法及系统。
本发明采用的技术方案具体如下：
一种基于可再训练孪生网络的非侵入式负荷识别方法，具体为：
实时采集用电入户端的电压和电流以及功率数据，并通过电器设备投切事件判断获得引起该事件待识别负荷的电力数据，所述电力数据包括电压和电流数据；
对待识别负荷的电压电流数据进行归一化处理，得到待识别负荷的V-I轨迹特征图；
利用预训练的基于卷积神经网络和BP神经网络的孪生网络模型逐一获取待识别负荷与负荷特征库中每个样本的V-I轨迹图的相似度；判断相似度是否满足相似度阈值条件，不满足则认为是未知负荷，存储当前待识别负荷的数据至负荷特征库中；满足则将相似度对应的样本的负荷类别作为待识别负荷识别得到的负荷类别；
所述负荷特征库中包含多种负荷的V-I轨迹图；
所述预训练的基于卷积神经网络和BP神经网络的孪生网络模型部署于嵌入式设备上，其中，BP神经网络通过如下方法训练及更新：
a.构建训练数据对，若数据对属于相同类别负荷设为正样本，否则设为负样本；
b.将数据对输入至孪生网络模型，获取所述BP神经网络的网络参数
Figure 145870DEST_PATH_IMAGE001
和
Figure 594169DEST_PATH_IMAGE002
，计算
Figure 409459DEST_PATH_IMAGE003
以及它们之间的相似度d；其中，
Figure 70248DEST_PATH_IMAGE004
、
Figure 415779DEST_PATH_IMAGE005
分别为输入数据对经所述卷积神经网络处理输出的V-I轨迹特征，
Figure 503820DEST_PATH_IMAGE006
；
c.计算网络参数
Figure 302012DEST_PATH_IMAGE001
和
Figure 766491DEST_PATH_IMAGE002
的变化率
Figure 966529DEST_PATH_IMAGE007
以及
Figure 225472DEST_PATH_IMAGE008
：
当y=1的时候，
Figure 510959DEST_PATH_IMAGE009
Figure 513551DEST_PATH_IMAGE010
当y=0的时候，
Figure 69559DEST_PATH_IMAGE011
Figure 764983DEST_PATH_IMAGE012
其中
Figure 537767DEST_PATH_IMAGE013
函数是
Figure 78469DEST_PATH_IMAGE014
函数的导数，
Figure 253099DEST_PATH_IMAGE015
；
d.根据变化率
Figure 119424DEST_PATH_IMAGE007
以及
Figure 113924DEST_PATH_IMAGE008
更新网络参数
Figure 723897DEST_PATH_IMAGE001
和
Figure 487454DEST_PATH_IMAGE002
：
Figure 790259DEST_PATH_IMAGE016
，其中
Figure 6477DEST_PATH_IMAGE017
是学习率；
e.计算损失函数；
重复步骤b~e直到损失函数满足要求。
进一步地，所述负荷特征库中还存储有负荷的功率特征，当负荷特征库中多个样本相似度满足相似度阈值条件时，根据功率特征进一步匹配识别。
进一步地，根据功率特征进一步匹配识别具体为：
计算待识别负荷的(P, Q)向量
Figure 918676DEST_PATH_IMAGE018
与负荷特征库中相似度满足相似度阈值条件对应 样本的(P, Q)向量
Figure 536739DEST_PATH_IMAGE019
之间的大小和方向的相似度，其中，P、Q分别是有功功率和无功功率， 方向的相似度为两个向量之间夹角的余弦值；
判断大小和方向的相似度是否满足阈值条件，若不满足则认为是未知负荷并存储当前待识别负荷的数据至负荷特征库中；若满足则将相似度对应的样本的负荷类别作为待识别负荷识别得到的负荷类别。
进一步地，所述损失函数为：
Figure 10446DEST_PATH_IMAGE020
当
Figure 713960DEST_PATH_IMAGE004
和
Figure 665735DEST_PATH_IMAGE005
属于相同类别负荷时
Figure 403884DEST_PATH_IMAGE021
，否则
Figure 48492DEST_PATH_IMAGE022
，其中
Figure 239302DEST_PATH_IMAGE023
为阈值。
一种实现上述基于可再训练孪生网络的非侵入式负荷识别方法的系统，所述系统部署于嵌入式设备上，包括：
负荷特征库，所述负荷特征库中包含多种负荷的V-I轨迹图；
识别模块，用于利用预训练的基于卷积神经网络和BP神经网络的孪生网络模型逐一获取待识别负荷与负荷特征库中每个样本的V-I轨迹图的相似度；判断相似度是否满足相似度阈值条件，不满足则认为是未知负荷，存储当前待识别负荷的数据至负荷特征库中；满足则将相似度对应的样本的负荷类别作为待识别负荷识别得到的负荷类别；
训练模块，用于对所述BP神经网络进行训练及更新。
进一步地，还包括：
数据获取模块，用于实时采集用电入户端的电压和电流以及功率数据，并通过电器设备投切事件判断获得引起该事件待识别负荷的电力数据，所述电力数据包括电压和电流数据；对待识别负荷的电压电流数据进行归一化处理，得到待识别负荷的V-I轨迹特征图。
进一步地，所述负荷特征库中还存储有负荷的功率特征，所述识别模块还包括用于当负荷特征库中多个样本相似度满足相似度阈值条件时，根据功率特征进一步匹配识别。
本发明的有益效果是：通过孪生网络准确地识别未知负荷。发现未知负荷后，可以重新训练孪生网络的BP网络部分，从而提高更新孪生网络的特征提取能力。利用边缘机器学习可以在嵌入式终端上实现整个算法，因此提高系统的实时性。
附图说明
图1为本发明方法流程图；
图2为本发明实施例中的基于卷积神经网络和BP神经网络的孪生网络模型；
图3 为本发明实施例中WHITED数据集上一些负荷V-I轨迹（左：参加训练的负荷，右：未参加训练的负荷）；
图4为本发明系统结构图。
具体实施方式
下面结合附图以及利用WHITED公共数据集的实施方式来解释本发明，具体实施步骤如下：
本发明提供了一种基于可再训练孪生网络的非侵入式负荷识别方法，识别过程如图1所示，其实施步骤具体包括：
S1：实时采集用电入户端的电压和电流以及功率数据，并通过电器设备投切事件判断获得引起该事件待识别负荷的电力数据，所述电力数据包括电压和电流数据；
对待识别负荷的电压电流数据进行归一化处理，得到待识别负荷的V-I轨迹特征图；
S2：利用预训练的基于卷积神经网络和BP神经网络的孪生网络模型逐一获取待识别负荷与负荷特征库中每个样本的V-I轨迹图的相似度；判断相似度是否满足相似度阈值条件，不满足则认为是未知负荷，存储当前待识别负荷的数据至负荷特征库中；满足则将相似度对应的样本的负荷类别作为待识别负荷识别得到的负荷类别。
其中，所述预训练的基于卷积神经网络和BP神经网络的孪生网络模型部署于嵌入式设备上，例如在A7内核为核心的嵌入式Linux系统下，利用Tensorflow Lite工具的嵌入式AI来完成，所述训练及部署的过程具体如下：
训练基于卷积神经网络和BP神经网络的孪生网络模型：
从WHITED数据集中获取大量的V-I轨迹图，并构造用于孪生网络训练的训练集，将V-I轨迹图两两组对构建训练数据对，其中属于相同类别负荷设为正样本，否则设为负样本。在电脑或服务器上以样本作为输入，样本的相似度作为输出，训练基于CNN神经网络和BP神经网络的孪生网络模型，模型结构如图2所示，参加训练的一些负荷和未知负荷的VI轨迹如图3所示。
模型训练后，去掉最后的两个全连接层，只留下前面的CNN网络。CNN网络在以后的识别过程中负责进行输入V-I轨迹的压缩，并获取V-I轨迹特征，本实施例中为128维的特征向量。利用Tensorflow lite工具包将电脑上训练的CNN网络模型转换成能够在嵌入式平台上运行的tflite格式，并部署到以STM32MP1为核心的嵌入式平台上。
CNN网络模型部署后，根据负荷电压电流数据获取大量的128维特征向量，然后重新构造用于训练BP孪生网络的训练集，并进行训练。训练的具体方法为；
（1）初始化BP网络的w和b参数。本实施例中w是（128，64）矩阵、b是（1，64）矩阵。
（2）计算
Figure 994768DEST_PATH_IMAGE024
以及它们之间的相似 度，本实施例中采用欧氏距离d=||a1-a2||2。其中
Figure 587424DEST_PATH_IMAGE006
，
Figure 638818DEST_PATH_IMAGE004
、
Figure 582504DEST_PATH_IMAGE005
分 别为输入数据对经所述卷积神经网络处理输出的V-I轨迹特征。
（3）定义损失函数，具体如下；
Figure 876082DEST_PATH_IMAGE025
。当x1和x2属于相同类别负荷的时候y =1，否则y=0。本实施例中的
Figure 323244DEST_PATH_IMAGE026
。以上的运算属于神经网络的前向传播。
（4）计算网络参数
Figure 44075DEST_PATH_IMAGE001
和
Figure 475056DEST_PATH_IMAGE002
的变化率
Figure 306746DEST_PATH_IMAGE007
和
Figure 139573DEST_PATH_IMAGE008
：
当y=1的时候，
Figure 765726DEST_PATH_IMAGE009
Figure 684004DEST_PATH_IMAGE010
当y=0的时候，
Figure 319384DEST_PATH_IMAGE011
Figure 233814DEST_PATH_IMAGE027
其中
Figure 562027DEST_PATH_IMAGE013
函数是
Figure 436442DEST_PATH_IMAGE014
函数的导数，
Figure 875514DEST_PATH_IMAGE015
。
（5）根据变化率
Figure 417354DEST_PATH_IMAGE007
以及
Figure 650889DEST_PATH_IMAGE008
更新网络参数
Figure 278179DEST_PATH_IMAGE001
和
Figure 520942DEST_PATH_IMAGE002
：
Figure 651709DEST_PATH_IMAGE016
，其中
Figure 321725DEST_PATH_IMAGE017
是学习率，根据经验设置，本实施例中学习率 设为0.1。
计算损失函数，重复以上步骤直到损失函数满足要求，完成基于卷积神经网络和BP神经网络的孪生网络模型的训练及部署。
示例性地，损失函数如下：
Figure 672197DEST_PATH_IMAGE028
当
Figure 187492DEST_PATH_IMAGE029
和
Figure 703924DEST_PATH_IMAGE030
属于相同类别负荷时
Figure 279262DEST_PATH_IMAGE031
，否则
Figure 881144DEST_PATH_IMAGE032
，其中
Figure 465709DEST_PATH_IMAGE033
为阈值。
所述负荷特征库中包含多种负荷的V-I轨迹图，本实施例中，通过上面的已知的负荷数据构造负荷特征库，并可以通过后续孪生网络模型的识别结果实时更新。负荷特征库里V-I轨迹形状相似的负荷放在一个集合里，本实施例中，从WHITED数据集中调取15个负荷数据构造负荷特征库，如图3所示。
其中，在判断相似度是否满足相似度阈值条件时，当V-I轨迹相似度大于阈值时，表示该待识别负荷的V-I轨迹形状已在负荷特征库里，且可能待识别负荷类别为该样本对应的负荷类别，相似度阈值条件通过事先设定，相似度阈值条件越大，表明符合要求的相似度越大；相似度可以通过相对误差、比值、欧式距离等进行表示，本实施例中采用欧式距离，欧式距离的阈值设为0.05。
进一步地，当相似度阈值条件较为宽松时（阈值较小），可能存在负荷特征库中多个样本相似度满足相似度阈值条件，此时可以将最高相似度对应的样本负荷类别作为对应的待识别负荷的负荷类别。或者根据功率特征进一步匹配识别；所述功率特征可以为无功功率、有功功率或者其组合，通过功率特征的相似度进行匹配，功率特征的相似度可以通过相对误差、比值、欧式距离等进行表示；示例性地，以无功功率、有功功率组合P-Q特征作为功率特征进行匹配识别的方法具体如下：
计算待识别负荷的(P，Q)向量
Figure 571069DEST_PATH_IMAGE018
与负荷特征库中相似度满足相似度阈值条件对应 样本的(P，Q)向量
Figure 582887DEST_PATH_IMAGE019
的之间的大小和方向的相似度；
Figure 140907DEST_PATH_IMAGE034
Figure 529163DEST_PATH_IMAGE035
其中P、Q是待识别负荷的有功功率和无功功率，
Figure 489029DEST_PATH_IMAGE036
和
Figure 170284DEST_PATH_IMAGE037
是负荷特征库中相似度满 足相似度阈值条件对应样本i的有功功率和无功功率；
当
Figure 746759DEST_PATH_IMAGE038
，且
Figure 407547DEST_PATH_IMAGE039
的时候，认为是负荷特征库里的负荷，并将相似度对 应的样本的负荷类别作为待识别负荷识别得到的负荷类别；否则认为是未知负荷并将该负 荷的(P，Q)向量添加到负荷特征库中，最后用户根据历史投切记录结合当日实际使用情况， 标注新增负荷的实际负荷类别。
当负荷特征库更新后可以基于负荷特征库数据重新训练BP神经网络。训练方法同上，其中初始化网络参数的时候，直接读取已有的参数。
本发明可以实时更新BP孪生网络，所以实时提高网络模型的特征提取能力。实验结果如表1、2、3所示。表1是系统的负荷特征库更新之前的识别结果，从表1的结果可知，本发明提出的方法可以准确地识别未知负荷。表2是发现未知负荷后，没有重新训练BP孪生网络，只把未知负荷的特征添加到负荷特征库里，表3是发现未知负荷并重新训练BP孪生网络之后的识别结果。从表2和表3的结果可知，基于可再训练孪生网络的负荷识别方法可以准确的识别未知负荷，而且再训练模型之后可以提高新发现负荷的识别率。
本发明除了CNN孪生网络训练之外，所有的运算都在以STM32MP1为核心的嵌入式Linux系统上进行，可以大大提高整个系统的实时性以及可扩展性。
表1：负荷特征库更新之前的识别结果
Figure 487499DEST_PATH_IMAGE040
表2：只把未知负荷特征添加到负荷特征库后的识别结果
Figure 841120DEST_PATH_IMAGE041
表3：发现未知负荷后重新训练BP网络后的识别结果
Figure 904891DEST_PATH_IMAGE042
与前述基于可再训练孪生网络的非侵入式负荷识别方法的实施例相对应，本发明还提供了基于可再训练孪生网络的非侵入式负荷识别系统的实施例。
系统部署于嵌入式设备上，如图4所示，包括：
负荷特征库，所述负荷特征库中包含多种负荷的V-I轨迹图；
识别模块，用于利用预训练的基于卷积神经网络和BP神经网络的孪生网络模型逐一获取待识别负荷与负荷特征库中每个样本的V-I轨迹图的相似度；判断相似度是否满足相似度阈值条件，不满足则认为是未知负荷，存储当前待识别负荷的数据至负荷特征库中；满足则将相似度对应的样本的负荷类别作为待识别负荷识别得到的负荷类别。
进一步地，还包括：
数据获取模块，用于实时采集用电入户端的电压和电流以及功率数据，并通过电器设备投切事件判断获得引起该事件待识别负荷的电力数据；对待识别负荷的电压电流数据进行归一化处理，得到待识别负荷的V-I轨迹特征图。
进一步地，所述负荷特征库中还存储有负荷的功率特征，所述识别模块还包括用于当负荷特征库中多个样本相似度满足相似度阈值条件时，根据功率特征进一步匹配识别。
对于系统实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，并且可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
最后，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 (7)

1.一种基于可再训练孪生网络的非侵入式负荷识别方法，其特征在于，具体为：
实时采集用电入户端的电压和电流以及功率数据，并通过电器设备投切事件判断获得引起该事件待识别负荷的电力数据，所述电力数据包括电压和电流数据；
对待识别负荷的电压电流数据进行归一化处理，得到待识别负荷的V-I轨迹特征图；
利用预训练的基于卷积神经网络和BP神经网络的孪生网络模型逐一获取待识别负荷与负荷特征库中每个样本的V-I轨迹图的相似度；判断相似度是否满足相似度阈值条件，不满足则认为是未知负荷，存储当前待识别负荷的数据至负荷特征库中；满足则将相似度对应的样本的负荷类别作为待识别负荷识别得到的负荷类别；
所述负荷特征库中包含多种负荷的V-I轨迹图；
所述预训练的基于卷积神经网络和BP神经网络的孪生网络模型部署于嵌入式设备上，其中，基于卷积神经网络和BP神经网络的孪生网络模型通过如下方法训练及更新：
a.构建训练数据对，若数据对属于相同类别负荷设为正样本，否则设为负样本；
b.将数据对输入至孪生网络模型，获取所述BP神经网络的网络参数
Figure DEST_PATH_IMAGE001
和
Figure DEST_PATH_IMAGE002
，计算
Figure DEST_PATH_IMAGE003
以及它们之间的相似度d；其中，
Figure DEST_PATH_IMAGE004
、
Figure DEST_PATH_IMAGE005
分别为输入数据对经所述卷积神经网络处理输出的V-I轨迹特征，
Figure DEST_PATH_IMAGE006
；
c.计算网络参数
Figure 310467DEST_PATH_IMAGE001
和
Figure 899711DEST_PATH_IMAGE002
的变化率
Figure DEST_PATH_IMAGE007
以及
Figure DEST_PATH_IMAGE008
：
当y=1即
Figure DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE012
属于相同类别负荷的时候，
Figure DEST_PATH_IMAGE013
Figure DEST_PATH_IMAGE014
当y=0即
Figure 955480DEST_PATH_IMAGE010
和
Figure 757214DEST_PATH_IMAGE012
不属于相同类别负荷的时候，
Figure DEST_PATH_IMAGE015
Figure DEST_PATH_IMAGE016
其中
Figure DEST_PATH_IMAGE017
函数是
Figure DEST_PATH_IMAGE018
函数的导数，
Figure DEST_PATH_IMAGE019
；
d.根据变化率
Figure 709602DEST_PATH_IMAGE007
以及
Figure DEST_PATH_IMAGE021
更新网络参数
Figure 876272DEST_PATH_IMAGE001
和
Figure 48365DEST_PATH_IMAGE002
：
Figure DEST_PATH_IMAGE022
，其中
Figure DEST_PATH_IMAGE023
是学习率；
e.计算损失函数；
重复步骤b~e直到损失函数满足要求。
2.根据权利要求1所述的方法，其特征在于，所述负荷特征库中还存储有负荷的功率特征，当负荷特征库中多个样本相似度满足相似度阈值条件时，根据功率特征进一步匹配识别。
3.根据权利要求1所述的方法，其特征在于，根据功率特征进一步匹配识别具体为：
计算待识别负荷的(P, Q)向量
Figure DEST_PATH_IMAGE024
与负荷特征库中相似度满足相似度阈值条件对应样本 的(P, Q)向量
Figure DEST_PATH_IMAGE025
之间的大小和方向的相似度，其中，P、Q分别是有功功率和无功功率，方向 的相似度为两个向量之间夹角的余弦值；
判断大小和方向的相似度是否满足阈值条件，若不满足则认为是未知负荷并存储当前待识别负荷的数据至负荷特征库中；若满足则将相似度对应的样本的负荷类别作为待识别负荷识别得到的负荷类别。
4.根据权利要求1所述的方法，其特征在于，所述损失函数为：
Figure DEST_PATH_IMAGE026
当
Figure 14309DEST_PATH_IMAGE004
和
Figure 355292DEST_PATH_IMAGE005
属于相同类别负荷时
Figure DEST_PATH_IMAGE027
，否则
Figure DEST_PATH_IMAGE028
，其中
Figure DEST_PATH_IMAGE029
为阈值。
5.一种实现权利要求1所述基于可再训练孪生网络的非侵入式负荷识别方法的系统，其特征在于，所述系统部署于嵌入式设备上，包括：
负荷特征库，所述负荷特征库中包含多种负荷的V-I轨迹图；
识别模块，用于利用预训练的基于卷积神经网络和BP神经网络的孪生网络模型逐一获取待识别负荷与负荷特征库中每个样本的V-I轨迹图的相似度；判断相似度是否满足相似度阈值条件，不满足则认为是未知负荷，存储当前待识别负荷的数据至负荷特征库中；满足则将相似度对应的样本的负荷类别作为待识别负荷识别得到的负荷类别；
训练模块，用于对所述BP神经网络进行训练及更新。
6.根据权利要求5所述的系统，其特征在于，还包括：
数据获取模块，用于实时采集用电入户端的电压和电流以及功率数据，并通过电器设备投切事件判断获得引起该事件待识别负荷的电力数据，所述电力数据包括电压和电流数据；对待识别负荷的电压电流数据进行归一化处理，得到待识别负荷的V-I轨迹特征图。
7.根据权利要求5所述的系统，其特征在于，所述负荷特征库中还存储有负荷的功率特征，所述识别模块还包括用于当负荷特征库中多个样本相似度满足相似度阈值条件时，根据功率特征进一步匹配识别。
CN202210574224.8A 2022-05-25 2022-05-25 基于可再训练孪生网络的非侵入式负荷识别方法及系统 Active CN114662624B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210574224.8A CN114662624B (zh) 2022-05-25 2022-05-25 基于可再训练孪生网络的非侵入式负荷识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210574224.8A CN114662624B (zh) 2022-05-25 2022-05-25 基于可再训练孪生网络的非侵入式负荷识别方法及系统

Publications (2)

Publication Number Publication Date
CN114662624A CN114662624A (zh) 2022-06-24
CN114662624B true CN114662624B (zh) 2022-09-13

Family

ID=82038331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210574224.8A Active CN114662624B (zh) 2022-05-25 2022-05-25 基于可再训练孪生网络的非侵入式负荷识别方法及系统

Country Status (1)

Country Link
CN (1) CN114662624B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115201615B (zh) * 2022-09-15 2022-12-20 之江实验室 基于物理约束神经网络的非侵入式负荷监测方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107991873A (zh) * 2017-12-11 2018-05-04 中国矿业大学 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法
CN110443302A (zh) * 2019-08-02 2019-11-12 天津相和电气科技有限公司 基于特征融合与深度学习的负荷辨识方法及其应用
CN111461463A (zh) * 2020-04-30 2020-07-28 南京工程学院 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN112418722A (zh) * 2020-12-08 2021-02-26 浙江大学 基于v-i轨迹图和神经网络的非侵入式负荷识别方法
CN112861976A (zh) * 2021-02-11 2021-05-28 温州大学 一种基于孪生图卷积哈希网络的敏感图像识别方法
CN113191253A (zh) * 2021-04-28 2021-07-30 浙江大学 一种边缘机器学习下基于特征融合的非侵入式负荷识别方法
CN113255236A (zh) * 2021-07-07 2021-08-13 浙江大学 基于孪生网络的非侵入式负荷自适应识别方法
CN114359674A (zh) * 2022-01-12 2022-04-15 浙江大学 基于度量学习的非侵入式负荷识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3704502A1 (en) * 2017-11-03 2020-09-09 3M Innovative Properties Company System and method for anomaly detection in an electrical network
CN112784130B (zh) * 2021-01-27 2022-05-27 杭州网易云音乐科技有限公司 孪生网络模型训练、度量方法、装置、介质和设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107991873A (zh) * 2017-12-11 2018-05-04 中国矿业大学 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法
CN110443302A (zh) * 2019-08-02 2019-11-12 天津相和电气科技有限公司 基于特征融合与深度学习的负荷辨识方法及其应用
CN111461463A (zh) * 2020-04-30 2020-07-28 南京工程学院 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN112418722A (zh) * 2020-12-08 2021-02-26 浙江大学 基于v-i轨迹图和神经网络的非侵入式负荷识别方法
CN112861976A (zh) * 2021-02-11 2021-05-28 温州大学 一种基于孪生图卷积哈希网络的敏感图像识别方法
CN113191253A (zh) * 2021-04-28 2021-07-30 浙江大学 一种边缘机器学习下基于特征融合的非侵入式负荷识别方法
CN113255236A (zh) * 2021-07-07 2021-08-13 浙江大学 基于孪生网络的非侵入式负荷自适应识别方法
CN114359674A (zh) * 2022-01-12 2022-04-15 浙江大学 基于度量学习的非侵入式负荷识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
"A New Multitask Learning Method for Tool Wear Condition and Part Surface Quality Prediction";Yongqing Wang等;《IEEE Transactions on Industrial Informatics》;20201124;6023-6033页 *
"Adaptive Non-Intrusive Load Monitoring Based on Feature Fusion";Ju-Song Kang等;《IEEE Sensors Journal》;20220302;第6985-6994页 *
"Non-Intrusive Adaptive Load Identification Based on Siamese Network";MIAO YU等;《IEEE Access》;20220125;第11564-11573页 *
"一种基于度量学习的自适应非侵入式负荷识别方法";王丙楠等;《https://kns.cnki.net/kcms/detail/23.1202.TH.20220523.1708.004.html》;20220524;第1-9页 *
"基于改进卷积神经网络的铁轨伤损图像识别";江白华等;《测控技术》;20190630;第19-22、27页 *
"面向高压共轨柴油机运维管理的数字孪生建模研究";李响;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20220301;C036-317 *

Also Published As

Publication number Publication date
CN114662624A (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
Kang et al. A weight-incorporated similarity-based clustering ensemble method based on swarm intelligence
CN112383052B (zh) 基于电力物联网的电网故障修复方法和装置
CN108154430A (zh) 一种基于机器学习和大数据技术的信用评分构建方法
CN105930862A (zh) 一种基于密度自适应距离的密度峰聚类算法
CN110795690A (zh) 风电场运行异常数据检测方法
CN114662624B (zh) 基于可再训练孪生网络的非侵入式负荷识别方法及系统
CN111191814A (zh) 一种电价预测方法、系统和计算机可读存储介质
WO2018224165A1 (en) Device and method for clustering a set of test objects
CN116821832A (zh) 针对高压工商业用户用电负荷的异常数据辨识与修正方法
CN116148753A (zh) 一种智能电能表运行误差监测系统
Fang et al. Learning decomposed spatial relations for multi-variate time-series modeling
CN107274025B (zh) 一种实现用电模式智能识别与管理的系统和方法
CN111651448B (zh) 一种基于降噪差分进化的低压拓扑识别方法
CN113988558A (zh) 基于盲区识别和电气坐标系扩展的电网动态安全评估方法
Lee et al. Effective feature-based automatic modulation classification method using DNN algorithm
CN116127298B (zh) 基于三元组损失的小样本射频指纹识别方法
CN114841266A (zh) 一种小样本下基于三元组原型网络的电压暂降识别方法
CN116224070A (zh) 一种基于ocv-soc模型的全温度锂离子电池ocv评估方法及系统
CN115169654A (zh) 基于无监督聚类和支持向量机的短期电力负荷预测方法
CN114818827A (zh) 基于seq2point网络的非侵入式负荷分解方法
Liang et al. A Mahalanobis Distance-Based Fitness Approximation Method for Estimation of Distribution Algorithms in Solving Expensive Optimization Problems
Yan et al. A data clustering algorithm based on mussels wandering optimization
CN113988161A (zh) 一种用户用电行为模式识别方法
Yang et al. Sparse-dense subspace clustering
Lee et al. Performance-related internal clustering validation index for clustering-based anomaly detection

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