CN117132808A - 一种基于小波混合卷积的多负荷识别方法和系统 - Google Patents
一种基于小波混合卷积的多负荷识别方法和系统 Download PDFInfo
- Publication number
- CN117132808A CN117132808A CN202310987277.7A CN202310987277A CN117132808A CN 117132808 A CN117132808 A CN 117132808A CN 202310987277 A CN202310987277 A CN 202310987277A CN 117132808 A CN117132808 A CN 117132808A
- Authority
- CN
- China
- Prior art keywords
- load
- dimensional tensor
- wavelet
- shape
- class
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000010606 normalization Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000011049 filling Methods 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011068 loading method Methods 0.000 claims description 3
- 238000005549 size reduction Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于小波分析的多负荷识别方法,包括:获取高频采集卡同步采集的、负荷稳定运行时的电流数据和电压数据,并对其进行平均值滤波处理,以分别获取负荷在单个周期的稳态电流波形、瞬时功率波形和V‑If轨迹,对负荷在单个周期的稳态电流波形、瞬时功率波形进行归一化处理,以获得两个灰度值矩阵;同时对负荷单个周期的V‑If轨迹图像进行转换,以得到黑白二值矩阵,并将得到的两个灰度值矩阵和一个黑白二值矩阵转化为三张灰度图像,将三张灰度图像作为R/G/B通道合成一张真彩色图像,将真彩色图像输入预先训练好的多负荷识别网络模型中,以获取多负荷识别结果。本发明能够解决现有多负荷分类方法由于对电流波形数据采样设备的精度较高的技术问题。
Description
技术领域
本发明属于深度学习和模式识别技术领域,更具体地,涉及一种基于小波混合卷积的多负荷识别方法和系统。
背景技术
在科技越来越发达的当今社会,家用电器这类电气负载的种类越来越多,电能的消耗量和用电线路的复杂性都随之增加。通过对用户产生的总能耗数据监测与分解,从中分析多个负荷一起工作情况,是实现智能住宅节约能源并提高电力利用率的关键。
现有的多负荷识别分类的研究较少,主要通过以下两种方式实现,第一种方法是采用基于电流特征分析,该方法主要通过分析电器使用时的电流波形特征,实现负荷的分类识别。每个电器在使用时产生独特的电流波形,因此可以通过与预先录制的波形模板进行比对,实现电器的分类识别;第二种方法是采用V-I二进制图像特征分析,可以将负荷的复杂行为转化为计算机可处理的图像数据,从而利用图像处理和计算机视觉技术来提取有用的特征;第三种方法是基于集合经验模态分解(Ensemble Empirical ModeDecomposition,简称EEMD)方法,该方法将电流分解为两种模态分量,应用欧氏距离相似度函数将分解后的电流转化为二维矩阵表示,通过CNN多标签分类器自动提取矩阵的有效特征从而实现多负荷识别。
然而,上述方法都存在一些不可忽略的缺陷:
第一、基于电流特征分析的方法对电流波形数据采样设备的精度较高,而且需要对负荷进行持续不间断的监测,因此会导致能耗的增加;
第二、采用V-I二进制图像特征分析,忽略了不同特征之间的相互关系和依赖,因此会导致模型性能和泛化能力下降;
第三、EEMD方法依赖负荷特性,对负荷数据多样性和复杂性的特征提取能力差,因此会导致分类结果稳定性和准确性下降。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于小波混合卷积的多负荷识别方法和系统,其目的在于,能够解决现有多负荷分类方法由于对电流波形数据采样设备的精度较高,且需要对负荷进行持续不间断的监测,从而会增加能耗的技术问题;以及由于忽略了不同特征之间的相互关系和依赖而导致模型性能和泛化能力下降的技术问题;以及过于依赖负荷特性,应对负荷数据多样性和复杂性的特征提取能力差而导致分类结果稳定性和准确性下降的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于小波分析的多负荷识别方法,包括以下步骤:
(1)获取高频采集卡同步采集的、负荷稳定运行时的电流数据和电压数据,并对其进行平均值滤波处理,以分别获取负荷在单个周期的稳态电流波形、瞬时功率波形和V-If轨迹。
(2)对步骤(1)得到的负荷在单个周期的稳态电流波形、瞬时功率波形进行归一化处理,以获得两个灰度值矩阵;同时对步骤(1)得到的负荷单个周期的V-If轨迹图像进行转换,以得到黑白二值矩阵,并将得到的两个灰度值矩阵和一个黑白二值矩阵转化为三张灰度图像。
(3)将步骤(2)得到的三张灰度图像作为R/G/B通道合成一张真彩色图像。
(4)将步骤(3)得到的真彩色图像输入预先训练好的多负荷识别网络模型中,以获取多负荷识别结果。
优选地,步骤(1)具体为,首先对高频采集卡的数据进行同步采集,确保电流和电压信号的时间戳一致。以获取电流数据和电压数据,然后对获取的电流数据和电压数据进行平均值滤波处理,以去除其中的高频噪声,并分别得到稳态电流信号和稳态电压信号;随后,分别检测稳态电流信号和稳态电压信号的上升过零点,以确定一个周期的起点和终点。从起点开始,截取一个完整周期的采样点,以得到负荷单个周期的稳态电流信号、稳态电压信号以及稳态电流波形、稳态电压波形;其后,对负荷单个周期的稳态电流信号和稳态电压信号进行乘积处理,以得到每个采样点的瞬时功率,针对所有采样点而言,将每个采样点的瞬时功率绘制成瞬时功率波形,同时,计算负荷在单个周期的无功电流,以得到无功电流波形;随后,将负荷在单个周期的稳态电压波形作为横坐标,负荷单个周期的无功电流波形作为纵坐标,生成负荷的V-If轨迹。
优选地,步骤(2)具体为,首先根据采集数据时的采样率和负荷单个周期的采样点个数的不同,选取合适的M和N的数值,构成一个大小为M×N的灰度值矩阵,然后对负荷单个周期的稳态电流波形和瞬时功率波形进行归一化处理,使其数值范围映射到[0,1]之间后乘以255,分别放在M×N大小的矩阵中,以得到两个灰度值矩阵;同时,使用Python图像库PIL来完成加载负荷单个周期的V-If轨迹图像,随后将V-If轨迹图像转换为灰度图像,然后,通过PIL库的numpy模块,将灰度图像转换为二维数组A,将A矩阵元素取反并乘以255,以形成只有0和255的矩阵,即得到一个黑白二值矩阵。最后,通过PIL库将两个灰度值矩阵和一个黑白二值矩阵分别转换为三张灰度图像。
优选地,其特征在于,
多负荷识别模型包含依次连接的卷积网络、小波混合卷积网络、全局平均池化网络,以及全连接网络四个部分;
卷积网络的输入是一个形状为(N,3,H,W)的四维张量,其将四维张量的通道数转换为C/2,并使用3×3的卷积核和1个像素的填充后进一步将通道数转换为C,进而输出一个形状为(N,C,H,W)的四维张量,其中N表示的是批量大小,即一次性输入多负荷识别模型的输入图像的数量,每张输入图像都被表示为一个C×H×W的三维张量,C表示输入图像的通道数,它是根据具体任务和模型性能要求进行调整的超参数(C为3时,输入图像通常为RGB图像,具有3个通道,分别代表红色、绿色和蓝色通道),H表示输入图像的高度,W表示输入图像的宽度。当N张输入图像被同时处理时,这些三维张量会被堆叠成一个四维张量,形状为(N,C,H,W)。
小波混合卷积网络包括n个串联连接的小波混合卷积模块,其中n的取值为大于1的自然数,优选为7;
全局平均池化网络,其输入为小波混合卷积网络得到的一个形状为(N,C,H,W)的四维张量,对四维张量的特征图进行全局平均池化操作,将特征图的空间维度降为1,输出为一个形状为(N,C)的二维张量。
全连接网络,其输入为全局平均池化网络得到的二维张量,将其映射到一个形状为(N,N1)的输出,其中N1表示多负荷识别结果的类别组合,即输出为多负荷识别结果。
优选地,小波混合卷积模块的具体结构为:
第一层是第一卷积层,其输入为卷积网络得到的一个形状为(N,C,H,W)的四维张量,其利用1×1卷积核将输入通道数减少为C/4,并输出一个形状为(N,C/4,H,W)的四维张量。
第二层是小波变换层,其输入为第一层得到的一个形状为(N,C/4,H,W)四维张量,其利用一级二维离散小波变换对该张量进行处理,以得到多尺度的低频子带特征和高频子带特征,并对低频子带特征和高频子带特征进行组合,以输出一个形状为(N,C,H/2,W/2)的四维张量。
第三层是前馈神经网络层,其输入为第二层得到的一个形状为(N,C,H/2,W/2)的四维张量,通过多个卷积层、激活函数(GELU)、Dropout层、反卷积层和批归一化,以输出一个形状为(N,C,H,W)的四维张量。
第四层是残差连接层,其输入为第三层得到的一个形状为(N,C,H,W)的四维张量和第一层输入的一个形状为(N,C,H,W)的四维张量,其将二者进行相加,以输出一个形状为(N,C,H,W)的四维张量。
优选地,多负荷识别模型是通过以下步骤训练得到的:
(4-1)采集不同类别组合的负荷在稳态时的电压数据和电流数据,按照7:3的比例将所有类别组合的负荷在稳态时的电压数据和电流数据划分为训练集和测试集,对训练集中每个类别组合的负荷在稳态时的电压数据和电流数据进行预处理,以分别得到该种类别组合的负荷在单个周期的稳态电流波形、瞬时功率波形和V-If轨迹,将该种类别组合的负荷对应的稳态电流波形、瞬时功率波形进行灰度变换归一化处理,以获得该种类别组合的负荷对应的两个灰度值矩阵,同时对该种类别组合的负荷对应的V-If轨迹进行转换,以得到该种类别组合的负荷对应的黑白二值矩阵,并将得到的两个灰度值矩阵和一个黑白二值矩阵转化为三张灰度图像,将三张灰度图像作为R/G/B通道合成一张该种类别组合的负荷对应的真彩色图像;
(4-2)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,将该真彩色图像输入到卷积网络中,以获得该类别组合的负荷对应的、形状为(N,C,H,W)的四维张量E;
(4-3)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,将步骤(4-2)得到的该类别组合的负荷对应的四维张量E输入到小波混合卷积网络中第一个小波混合卷积模块的第一卷积层,以获取该类别组合的负荷对应的、一个形状为(N,64,H,W)的四维张量F。
(4-4)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,将步骤(4-3)得到的该类别组合的负荷对应的四维张量F输入到小波混合卷积网络中第一个小波混合卷积模块的小波变换层,以获取该类别组合的负荷对应的、一个形状为(N,256,H/2,W/2)的四维张量G。
(4-5)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,将步骤(4-4)得到的该类别组合的负荷对应的四维张量G输入到小波混合卷积网络中第一个小波混合卷积模块的前馈神经网络层,以获取该类别组合的负荷对应的、一个形状为(N,256,H,W)四维张量I。
(4-6)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,将步骤(4-5)得到的该类别组合的负荷对应的四维张量I和步骤(4-3)输入第一卷积层的四维张量E相加之和,即进行残差连接,以获取该类别组合的负荷对应的、一个形状为(N,256,H,W)的四维张量T。
(4-7)针对小波混合卷积网络中剩余的n-1个小波混合卷积模块中的每一个而言,重复上述步骤(4-3)至(4-6),每个小波混合卷模块最终产生输出特征图作为下一层小波混合卷积模块的输入,最终通过第n个小波混合卷积模块输出该类别组合的负荷对应的、一个形状为(N,C,H,W)的四维张量U,即为小波混合卷积网络输出的该类别组合的负荷对应的、一个形状为(N,C,H,W)的四维张量U。
(4-8)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,对步骤(4-7)得到的该类别组合的负荷对应的四维张量U输入到全局平均池化网络中,为批次中的每个样本得到一个一维张量。对特征图进行全局平均池化操作,将特征图的空间维度降为1,以获取该类别组合的负荷对应的、一个形状为(N,256)的二维张量V。
(4-9)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,对步骤(4-8)得到的该类别组合的负荷对应的二维张量V映射到最终的分类类别中,以获取该类别组合的负荷对应的、一个形状为(N,N1)的二维张量Z,其中N1表示分类的类别数量。
(4-10)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,根据步骤(4-9)得到的该类别组合的负荷对应的二维张量Z计算损失函数,并利用该损失函数对多负荷识别模型进行迭代训练,直到该多负荷识别模型收敛为止,从而得到初步训练好的模型。
(4-11)使用步骤(4-1)得到的测试集对步骤(4-10)初步训练好的多负荷识别模型进行验证,直到得到的分类精度达到最优为止,从而得到训练好的多负荷识别模型。
优选地,步骤(4-4)具体为,首先,将得到的四维张量F的通道维度进行一级二维离散小波变换,低频子带特征(LL)是通过小波变换得到的低频部分的子带特征,通常包含图像的低频信息,代表图像的大体结构,即粗略特征,经过二维离散小波变换后,低频子带特征的形状为(N,64,H/2,W/2);同时,高频子带特征(LH,HL,HH)是通过小波变换得到的高频部分的子带特征,通常包含图像的细节特征。其中,LH表示水平方向的高频子带特征,HL表示垂直方向的高频子带特征,HH表示对角线方向的高频特征,高频子带特征的形状为(B,64,3,H/2,W/2),其中3表示有3个高频子带特征(LH、HL、HH),H/2,W/2是由于小波变换中的滤波器导致的尺寸缩小;然后,将形状为(N,64,H/2,W/2)的低频子带特征(LL)和形状为(B,64,3,H/2,W/2)高频子带特征(LH,HL,HH)的在通道维度上进行拼接,以获取该类别组合的负荷对应的、一个形状为(N,256,H/2,W/2)的四维张量G。
优选地,步骤(4-5)具体为,首先是将步骤(4-4)得到的该类别组合的负荷对应的四维张量G输入到卷积核大小为1×1的第二卷积层中,输入通道数为256,输出通道数为256×mult,其中`mult`是一个超参数,设置为2,用于扩展通道数,以获取该类别组合的负荷对应的、一个形状为(N,512,H/2,W/2)的四维张量O;然后,对第二卷积层的输出的该类别组合的负荷对应的四维张量O用GELU激活函数进行非线性变换,以获取该类别组合的负荷对应的、一个形状为(N,512,H/2,W/2)的四维张量P;随后,对GELU激活函数非线性变换输出的该类别组合的负荷对应的四维张量P输入Dropout层进行正则化,以获取该类别组合的负荷对应的、一个形状为(N,512,H/2,W/2)的四维张量Q;其后,将Dropout层输出的该类别组合的负荷对应的四维张量Q输入到卷积核的大小为1×1第三卷积层中,输入通道数为512,输出通道数为C1,以获取该类别组合的负荷对应的、一个形状为(N,256,H/2,W/2)的四维张量R,其中C1是一个超参数,用于控制前馈神经网络层中特征通道的数量;然后,将第三卷积层输出的该类别组合的负荷对应的四维张量R进行反卷积,输入通道数为C1,输出通道数为256,卷积核的大小为4×4,步长为2,填充为1。反卷积的作用是将特征图的大小恢复到原始大小,以获取该类别组合的负荷对应的、一个形状为(N,256,H,W)的四维张量S;最后,将反卷积输出的该类别组合的负荷对应的四维张量S进行批归一化处理,以获取该类别组合的负荷对应的、一个形状为(N,256,H,W)的四维张量I。其中批归一化用于规范化数据,使其具有零均值和单位方差。
优选地,步骤(4-6)中残差连接的计算公式为:
T=attn(x)+x
其中x表示输入第一卷积层的四维张量E,attn(x)表示经过小波混合卷积模块后输出的四维张量I,将经过小波混合卷积模块处理后的输出和原始输入相加,以获取该类别组合的负荷对应的、一个形状;
步骤(4-10)中使用的损失函数为loss_f为:
其中M表示训练集中的样本总数,K表示训练集中类别的数量(在本实施方式中,其为2074),yij表示第j类第i个训练样本输入神经网络后的真实结果,y′ij表示第j类第i个训练样本对应的预测结果,j∈[1,K]。
按照本发明的另一方面,提供了一种基于小波分析的多负荷识别系统,包括:
第一模块,用于获取高频采集卡同步采集的、负荷稳定运行时的电流数据和电压数据,并对其进行平均值滤波处理,以分别获取负荷在单个周期的稳态电流波形、瞬时功率波形和V-If轨迹。
第二模块,用于对第一模块得到的负荷在单个周期的稳态电流波形、瞬时功率波形进行归一化处理,以获得两个灰度值矩阵;同时对第一模块得到的负荷单个周期的V-If轨迹图像进行转换,以得到黑白二值矩阵,并将得到的两个灰度值矩阵和一个黑白二值矩阵转化为三张灰度图像。
第三模块,用于将第二模块得到的三张灰度图像作为R/G/B通道合成一张真彩色图像。
第四模块,用于将第三模块得到的真彩色图像输入预先训练好的多负荷识别网络模型中,以获取多负荷识别结果。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)由于本发明采用了步骤(1),其数据来源仅需要采集多种类型组合的负荷在稳态情况下一段时间内的电压数据和电流数据,大大降低了对数据采样设备的精度要求,因此能够解决现有多负荷分类方法由于需要对电气负载进行持续不间断的监测,从而会增加能耗的技术问题;
(2)由于本发明采用了步骤(2)到步骤(3),形成的彩色图像包含了负荷单个周期的稳态电流、瞬时功率和V-If轨迹信息,彩色图像的不同通道之间可以进行交互,因此能够解决由于忽略了不同特征之间的相互关系和依赖而导致模型性能和泛化能力下降的技术问题;
(3)由于本发明采用了步骤(4-2)到(4-6),使用小波混合卷积作为主要的特征提取方法,可以有效地增强特征提取能力,改善特征的表达,并且有助于在训练过程中传递梯度,因此能够解决负荷数据多样性和复杂性的特征提取能力差而导致分类结果稳定性和准确性下降的技术问题。
附图说明
图1是本发明基于小波混合卷积的多负荷识别方法的流程图;
图2(a)至(f)分别是通过本发明方法的步骤(2)处理得到的稳态电流波形、瞬时功率波形、V-If轨迹、稳态电流波形对应的灰度图像、瞬时功率波形对应的灰度图像、以及V-If轨迹对应的灰度图像;
图3是本发明方法的步骤(3)得到的彩色图像的示意图;
图4是本发明使用的多负荷识别网络模型的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提出了一种基于小波混合卷积的多负荷识别方法,该方法将计算机视觉和非侵入式负载分类技术进行结合,本发明提出利用多层次小波分解的精细尺度并融合了小支持卷积滤波器线性空间不变特征提取的思想,使用更少的参数量与GPU RAM达到更好的多负荷识别效果。
如图1所示,本发明提供了一种基于小波分析的多负荷识别方法,包括以下步骤:
(1)获取高频采集卡同步采集的、负荷稳定运行时的电流数据和电压数据,并对其进行平均值滤波处理,以分别获取负荷在单个周期的稳态电流波形、瞬时功率波形和V-If轨迹。
具体而言,本步骤首先对高频采集卡的数据进行同步采集,确保电流和电压信号的时间戳一致。以获取电流数据和电压数据,然后对获取的电流数据和电压数据进行平均值滤波处理,以去除其中的高频噪声,并分别得到稳态电流信号和稳态电压信号。
随后,分别检测稳态电流信号和稳态电压信号的上升过零点,以确定一个周期的起点和终点。从起点开始,截取一个完整周期的采样点,以得到负荷单个周期的稳态电流信号、稳态电压信号以及稳态电流波形、稳态电压波形。
其后,对负荷单个周期的稳态电流信号和稳态电压信号进行乘积处理,以得到每个采样点的瞬时功率,针对所有采样点而言,将每个采样点的瞬时功率绘制成瞬时功率波形。同时,计算负荷在单个周期的无功电流,以得到无功电流波形。
随后,将负荷在单个周期的稳态电压波形作为横坐标,负荷单个周期的无功电流波形作为纵坐标,生成负荷的V-If轨迹。
由此,就分别得到了负荷在单个周期的稳态电流波形、瞬时功率波形和V-If轨迹。
本步骤中每次采集电压数据和电流数据的持续时间是1秒,采样频率是25到44.1KHz之间,优选是30KHz。
本步骤滤波过程是由电阻及电容组成的低通滤波器,根据奈奎斯特定律,因为本系统的数据采样率为30KHz,则将该滤波器的阈值设置为15KHz,再根据f=1/2πRC可得电容与电阻的数值关系,从而选择合适的电阻和电容器,目的是使得输入到后续识别程序的数据最大程度上减少噪声的存在,同时也排除了测量中出现的偶然误差。
本步骤中检测电压上升过零点,截取负荷稳定运行一个周期的采样点,得到负荷一个周期的稳态电流信号、稳态电压信号,稳态电流波形和瞬时功率波形(instantaneouspower waveform,IPW)在研究中广泛应用于负荷识别,是比较常见的两种负荷印记,目的是从中提取到负荷单个周期的稳态电流波形、瞬时功率波形和V-If轨迹。
(2)对步骤(1)得到的负荷在单个周期的稳态电流波形、瞬时功率波形进行归一化处理,以获得两个灰度值矩阵;同时对步骤(1)得到的负荷单个周期的V-If轨迹图像进行转换,以得到黑白二值矩阵,并将得到的两个灰度值矩阵和一个黑白二值矩阵转化为三张灰度图像。
具体而言,本步骤首先根据采集数据时的采样率和负荷单个周期的采样点个数的不同,选取合适的M和N的数值,构成一个大小为M×N的灰度值矩阵,然后对负荷单个周期的稳态电流波形和瞬时功率波形进行归一化处理,使其数值范围映射到[0,1]之间后乘以255,分别放在M×N大小的矩阵中,以得到两个灰度值矩阵;
同时,使用Python图像库(Python Image Library,简称PIL库)来完成加载负荷单个周期的V-If轨迹图像,随后将V-If轨迹图像转换为灰度图像,然后,通过PIL库的numpy模块,将灰度图像转换为二维数组A,将A矩阵元素取反并乘以255(即A=255–A×255),以形成只有0和255的矩阵,即得到一个黑白二值矩阵。
最后,通过PIL库将两个灰度值矩阵和一个黑白二值矩阵分别转换为三张灰度图像。
本步骤中对负荷单个周期的稳态电流波形和瞬时功率波形进行归一化处理的目的,是为了将它们缩放到固定的数值范围[0,1]内,以消除不同特征之间的数值差异,提高算法的稳定性和收敛速度,使得数据更适合模型的训练和预测。
(3)将步骤(2)得到的三张灰度图像作为R/G/B(即Red红、Green绿色、以及Blue蓝色)通道合成一张真彩色图像。
本步骤中三张灰度图像作为R/G/B通道合成一张彩色图像目的,是使得一张彩色图像能够同时包含稳态电流数据、电压数据和V-If轨迹数据,增添一张图像中所包含的特征信息,使神经网络在训练时最大限度地利用负载特性。
(4)将步骤(3)得到的真彩色图像输入预先训练好的多负荷识别网络模型中,以获取多负荷识别结果。
具体而言,假设m种负荷类别随机组合运行,除去所有负荷都不运行的情况共有2^m-1种组合,多负荷识别网络模型自动识别运行的多负荷类别组合并给出识别结果,其中m的取值为大于1的自然数。
如图4所示,本发明的多负荷识别模型包含依次连接的卷积网络、小波混合卷积网络、全局平均池化网络,以及全连接网络四个部分。
卷积网络的输入是一个形状为(N,3,H,W)的四维张量,其将四维张量的通道数转换为C/2,并使用3×3的卷积核和1个像素的填充后进一步将通道数转换为C,进而输出一个形状为(N,C,H,W)的四维张量,其中N表示的是批量大小(Batch Size),即一次性输入多负荷识别模型的输入图像的数量,“输入图像”是指输入到神经网络进行处理的原始图像数据。每张输入图像都被表示为一个C×H×W的三维张量,其中C表示输入图像的通道数,它是根据具体任务和模型性能要求进行调整的超参数(C为3时,输入图像通常为RGB图像,具有3个通道,分别代表红色、绿色和蓝色通道)。H表示输入图像的高度,W表示输入图像的宽度。当N张输入图像被同时处理时,这些三维张量会被堆叠成一个四维张量,形状为(N,C,H,W)。
小波混合卷积网络包括n个串联连接的小波混合卷积模块,其中n的取值为大于1的自然数,优选为7;
对于小波混合卷积模块而言,其具体结构为:
第一层是第一卷积层,其输入为卷积网络得到的一个形状为(N,C,H,W)的四维张量,其利用1×1卷积核将输入通道数减少为C/4,并输出一个形状为(N,C/4,H,W)的四维张量。
第二层是小波变换层,其输入为第一层得到的一个形状为(N,C/4,H,W)四维张量,其利用一级二维离散小波变换对该张量进行处理,以得到多尺度的低频子带特征和高频子带特征,并对低频子带特征和高频子带特征进行组合,以输出一个形状为(N,C,H/2,W/2)的四维张量。
第三层是前馈神经网络层,其输入为第二层得到的一个形状为(N,C,H/2,W/2)的四维张量,通过多个卷积层、激活函数(GELU)、Dropout层、反卷积层和批归一化,以输出一个形状为(N,C,H,W)的四维张量。。
第四层是残差连接层,其输入为第三层得到的一个形状为(N,C,H,W)的四维张量和第一层输入的一个形状为(N,C,H,W)的四维张量,其将二者进行相加,以输出一个形状为(N,C,H,W)的四维张量。
对于小波混合卷积网络而言,由于通过多个小波混合模块串联来构建深度网络,每个小波混合卷模块最终产生输出四维张量作为下一层小波混合卷积模块的输入,最终通过第n个小波混合卷积模块输出的一个形状为(N,C,H,W)的四维张量即为小波混合卷积网络的输出,其中n的取值为大于1的自然数,优选为7。
全局平均池化网络,其输入为小波混合卷积网络得到的一个形状为(N,C,H,W)的四维张量,对四维张量的特征图进行全局平均池化操作,将特征图的空间维度降为1,输出为一个形状为(N,C)的二维张量。
全连接网络,其输入为全局平均池化网络得到的二维张量,将其映射到一个形状为(N,N1)的输出,其中N1表示多负荷识别结果的类别组合,即输出为多负荷识别结果。
具体而言,本发明的多负荷识别模型是通过以下步骤训练得到的:
(4-1)采集不同类别组合的负荷在稳态时的电压数据和电流数据,按照7:3的比例将所有类别组合的负荷在稳态时的电压数据和电流数据划分为训练集和测试集,对训练集中每个类别组合的负荷在稳态时的电压数据和电流数据进行预处理,以分别得到该种类别组合的负荷在单个周期的稳态电流波形、瞬时功率波形和V-If轨迹,将该种类别组合的负荷对应的稳态电流波形、瞬时功率波形进行灰度变换归一化处理,以获得该种类别组合的负荷对应的两个灰度值矩阵,同时对该种类别组合的负荷对应的V-If轨迹进行转换,以得到该种类别组合的负荷对应的黑白二值矩阵,并将得到的两个灰度值矩阵和一个黑白二值矩阵转化为三张灰度图像,将三张灰度图像作为R/G/B通道合成一张该种类别组合的负荷对应的真彩色图像;
本步骤中对每个类别组合的负荷在稳态时的电压数据和电流数据进行预处理的过程和上述步骤(1)完全相同,灰度变换归一化处理的过程和上述步骤(2)完全相同,合成该类别组合的负荷数据真彩色图像的过程和上述步骤(3)完全相同,在此不再赘述;
本发明中使用了11类负荷,包括:空调(airc)、日光灯(bulb)、风扇(fan)、电冰箱(fridge)、电吹风(hairdryer)、热得快(heater)、台灯(lamp)、笔记本电脑(laptop)、微波炉(micro)、吸尘器(vacuum)和洗衣机(washer)。应该理解的是,本发明不局限于上述用电设备,任何用电设备都被纳入本发明的保护范围。
在本实施方式中,11类负荷随机叠加,除去所有负荷都不运行的情况共有2047种组合方式,即负荷的类别组合有2047种。
本步骤数据的划分步骤如下:首先将11类负荷随机叠加组合获得的电压数据和电流数据随机打乱,之后将数据均匀的划分成10份,从10份数据中取任意3份作为测试集,其余7份作为训练集。
本步骤(4-1)的优点在于,负荷的类别组合数据真彩色图像能够同时展示该种类别组合的负荷在单个周期的稳态电流波形、瞬时功率波形和V-If轨迹,为网络模型提供更丰富的信息。其提供了一种直观的数据可视化方式,使得人们能够更直观地理解和分析该种类别组合的负荷数据,使得数据的分析更加形象化、直观化。
图2(a)、(b)和(c)展示了步骤(4-1)中的一种类别组合的负荷——“空调+日光灯(airc+bulb)”的单个周期稳态电流波形、瞬时功率波形和V-If轨迹,(d)、(e)和(f)展示了稳态电流波形、瞬时功率波形和V-If轨迹对应的灰度图像。
图3展示上述“空调+日光灯(airc+bulb)”的三个灰度图像合并成的真彩色图像,其中包含了单个周期的稳态电流波形、瞬时功率波形和V-If轨迹的特征信息。
(4-2)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,将该真彩色图像输入到卷积网络中,以获得该类别组合的负荷对应的、形状为(N,C,H,W)的四维张量E;
本步骤(4-2)的优点在于,通过使用一组可学习的滤波器(也称为卷积核)在输入图像上进行滑动操作,从而提取图像中的局部特征。每个滤波器在输入图像上计算卷积操作,得到一个特征图,其中每个通道对应着不同的特征。这样,神经网络能够自动学习图像的特征表示,无需手动设计特征提取算法,从而简化了图像处理的流程。
(4-3)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,将步骤(4-2)得到的该类别组合的负荷对应的四维张量E输入到小波混合卷积网络中第一个小波混合卷积模块的第一卷积层,以获取该类别组合的负荷对应的、一个形状为(N,64,H,W)的四维张量F。
(4-4)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,将步骤(4-3)得到的该类别组合的负荷对应的四维张量F输入到小波混合卷积网络中第一个小波混合卷积模块的小波变换层,以获取该类别组合的负荷对应的、一个形状为(N,256,H/2,W/2)的四维张量G。
具体而言,本步骤首先将得到的四维张量F的通道维度进行一级二维离散小波变换,低频子带特征(LL)是通过小波变换得到的低频部分的子带特征,通常包含图像的低频信息,代表图像的大体结构,即粗略特征,经过二维离散小波变换后,低频子带特征的形状为(N,64,H/2,W/2);
同时,高频子带特征(LH,HL,HH)是通过小波变换得到的高频部分的子带特征,通常包含图像的细节特征。其中,LH表示水平方向的高频子带特征,HL表示垂直方向的高频子带特征,HH表示对角线方向的高频特征,高频子带特征的形状为(B,64,3,H/2,W/2),其中3表示有3个高频子带特征(LH、HL、HH),H/2,W/2是由于小波变换中的滤波器导致的尺寸缩小。
然后,将形状为(N,64,H/2,W/2)的低频子带特征(LL)和形状为(B,64,3,H/2,W/2)高频子带特征(LH,HL,HH)的在通道维度上进行拼接,以获取该类别组合的负荷对应的、一个形状为(N,256,H/2,W/2)的四维张量G。
(4-5)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,将步骤(4-4)得到的该类别组合的负荷对应的四维张量G输入到小波混合卷积网络中第一个小波混合卷积模块的前馈神经网络层(即将输入数据在高和宽的维度上放大2倍),以获取该类别组合的负荷对应的、一个形状为(N,256,H,W)四维张量I。
具体而言,本步骤首先是将步骤(4-4)得到的该类别组合的负荷对应的四维张量G输入到卷积核大小为1×1的第二卷积层中,输入通道数为256,输出通道数为256×mult,其中`mult`是一个超参数,设置为2,用于扩展通道数,以获取该类别组合的负荷对应的、一个形状为(N,512,H/2,W/2)的四维张量O。
然后,对第二卷积层的输出的该类别组合的负荷对应的四维张量O用GELU激活函数进行非线性变换,以获取该类别组合的负荷对应的、一个形状为(N,512,H/2,W/2)的四维张量P。
随后,对GELU激活函数非线性变换输出的该类别组合的负荷对应的四维张量P输入Dropout层进行正则化,用于防止过拟合,以概率`dropout`(一个超参数,设置为0.5)随机丢弃一部分神经元的输出,从而使其在前向传播中失效,以获取该类别组合的负荷对应的、一个形状为(N,512,H/2,W/2)的四维张量Q。
其后,将Dropout层输出的该类别组合的负荷对应的四维张量Q输入到卷积核的大小为1×1第三卷积层中,输入通道数为512,输出通道数为`C1`,(C1是一个超参数,用于控制前馈神经网络层中特征通道的数量,优选256),以获取该类别组合的负荷对应的、一个形状为(N,256,H/2,W/2)的四维张量R。
然后,将第三卷积层输出的该类别组合的负荷对应的四维张量R进行反卷积,输入通道数为C1,输出通道数为256,卷积核的大小为4×4,步长为2,填充为1。反卷积的作用是将特征图的大小恢复到原始大小,以获取该类别组合的负荷对应的、一个形状为(N,256,H,W)的四维张量S。
最后,将反卷积输出的该类别组合的负荷对应的四维张量S进行批归一化处理,以获取该类别组合的负荷对应的、一个形状为(N,256,H,W)的四维张量I。其中批归一化用于规范化数据,使其具有零均值和单位方差。
(4-6)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,将步骤(4-5)得到的该类别组合的负荷对应的四维张量I和步骤(4-3)输入第一卷积层的四维张量E相加之和,即进行残差连接,以获取该类别组合的负荷对应的、一个形状为(N,256,H,W)的四维张量T。
具体而言,本步骤残差连接的计算公式为:
T=attn(x)+x
其中x表示输入第一卷积层的四维张量E,attn(x)表示经过小波混合卷积模块后输出的四维张量I,将经过小波混合卷积模块处理后的输出和原始输入相加,以获取该类别组合的负荷对应的、一个形状为(N,256,H,W)的四维张量T。
上述步骤(4-2)到(4-6)的优点在于,可以有效地增强特征提取能力,改善特征的表达,也有助于在训练过程中传递梯度。
(4-7)针对小波混合卷积网络中剩余的n-1个小波混合卷积模块中的每一个而言,重复上述步骤(4-3)至(4-6),每个小波混合卷模块最终产生输出特征图作为下一层小波混合卷积模块的输入,最终通过第n个小波混合卷积模块输出该类别组合的负荷对应的、一个形状为(N,C,H,W)的四维张量U,即为小波混合卷积网络输出的该类别组合的负荷对应的、一个形状为(N,C,H,W)的四维张量U。
上述步骤(4-7)的优点在于,能够有效地构建深层的神经网络体系结构,以实现更好的特征提取和表示学习。
(4-8)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,对步骤(4-7)得到的该类别组合的负荷对应的四维张量U输入到全局平均池化网络中,为批次中的每个样本得到一个一维张量。对特征图进行全局平均池化操作,将特征图的空间维度降为1,以获取该类别组合的负荷对应的、一个形状为(N,256)的二维张量V。
上述步骤(4-8)的优点在于,将每个特征图的空间维度降低到1×1,从而将整个特征图中的信息汇聚到单个位置。这有助于减少网络中的参数数量和计算复杂性,同时保留了每个通道的重要特征信息。
(4-9)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,对步骤(4-8)得到的该类别组合的负荷对应的二维张量V映射到最终的分类类别中,以获取该类别组合的负荷对应的、一个形状为(N,N1)的二维张量Z,其中N1表示分类的类别数量。
上述步骤(4-9)的优点在于,将高维特征映射到输出类别的空间,实现样本的分类。它可以学习将不同类别之间的特征差异进行区分,从而使模型能够准确地将输入数据分类为不同的类别。
(4-10)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,根据步骤(4-9)得到的该类别组合的负荷对应的二维张量Z计算损失函数,并利用该损失函数对多负荷识别模型进行迭代训练,直到该多负荷识别模型收敛为止,从而得到初步训练好的模型。
本步骤使用的损失函数为loss_f为:
其中M表示训练集中的样本总数,K表示训练集中类别的数量(在本实施方式中,其为2074),yij表示第j类第i个训练样本输入神经网络后的真实结果,y′ij表示第j类第i个训练样本对应的预测结果,j∈[1,K]。
上述步骤(4-10)的优点在于,交叉熵损失函数的目标是最小化预测概率与真实概率之间的差异,从而使得模型的预测结果更接近真实标签,进而提高模型的分类准确率。在本步骤中损失函数的计算使用了PyTorch中提供的CrossEntropyLoss函数。
(4-11)使用步骤(4-1)得到的测试集对步骤(4-10)初步训练好的多负荷识别模型进行验证,直到得到的分类精度达到最优为止,从而得到训练好的多负荷识别模型。
测试结果
本发明的测试环境:在Ubuntu 18.04操作系统下,CPU为Intel(R)Xeon(R)Gold5220R CPU@2.20GHz,GPU为1块NVIDIA GeForce RTX 2080Ti 11GB,采用Pytorch编程实现本发明的算法,主要超参数具体设置如表1。
为了说明本发明方法的有效性以及对于分类效果的提升,由于本发明“背景技术”中提到第一、第二、第三方法中多负荷的类型是将两类负荷随机叠加,所以在本发明11类负荷中随机两类负荷叠加而成的55种类别组合的数据集的测试集上测试,该数据集的测试集统计信息如表2,将本发明得到的测试结果与上述三种方法进行对比,评估结果如表3。
根据表3记载的在测试集上的测试结果,可以看到本发明中提出的基于小波混合卷积的多负荷识别方法,与本发明“背景技术”中提到的基于电流特征分析方法以及基于V-I二进制图像特征分析方法比较,本发明的识别准确率高的多;本发明“背景技术”中提到的基于EEMD分析的多负荷识别方法中随机两类负荷叠加运行的输入图像的数量只有413例,而本发明中随机两类负荷叠加运行的输入图像的数量有22055例,更大的数据集可以帮助减轻过拟合问题,提高模型的泛化能力,即本发明在更复杂的数据集上取得了更优的准确率。
表1超参数设置
表2数据集统计信息(仅测试集)
表3测试结果对比
本发明提出的小波混合卷积的多负荷识别方法,首先利用负荷的类别组合数据真彩色图像同时展示该种类别组合的负荷在单个周期的稳态电流波形、瞬时功率波形和V-If轨迹,为网络模型提供更丰富的信息,使得数据的分析更加形象化、直观化;其次,利用多个小波混合卷积模块串联连接的小波混合卷积网络,能够有效地提高负荷数据多样性和复杂性的特征提取能力,解决分类结果稳定性和准确性低的问题。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于小波分析的多负荷识别方法,其特征在于,包括以下步骤:
(1)获取高频采集卡同步采集的、负荷稳定运行时的电流数据和电压数据,并对其进行平均值滤波处理,以分别获取负荷在单个周期的稳态电流波形、瞬时功率波形和V-If轨迹。
(2)对步骤(1)得到的负荷在单个周期的稳态电流波形、瞬时功率波形进行归一化处理,以获得两个灰度值矩阵;同时对步骤(1)得到的负荷单个周期的V-If轨迹图像进行转换,以得到黑白二值矩阵,并将得到的两个灰度值矩阵和一个黑白二值矩阵转化为三张灰度图像。
(3)将步骤(2)得到的三张灰度图像作为R/G/B通道合成一张真彩色图像。
(4)将步骤(3)得到的真彩色图像输入预先训练好的多负荷识别网络模型中,以获取多负荷识别结果。
2.根据权利要求1所述的基于小波分析的多负荷识别方法,其特征在于,步骤(1)具体为,首先对高频采集卡的数据进行同步采集,确保电流和电压信号的时间戳一致。以获取电流数据和电压数据,然后对获取的电流数据和电压数据进行平均值滤波处理,以去除其中的高频噪声,并分别得到稳态电流信号和稳态电压信号;随后,分别检测稳态电流信号和稳态电压信号的上升过零点,以确定一个周期的起点和终点。从起点开始,截取一个完整周期的采样点,以得到负荷单个周期的稳态电流信号、稳态电压信号以及稳态电流波形、稳态电压波形;其后,对负荷单个周期的稳态电流信号和稳态电压信号进行乘积处理,以得到每个采样点的瞬时功率,针对所有采样点而言,将每个采样点的瞬时功率绘制成瞬时功率波形,同时,计算负荷在单个周期的无功电流,以得到无功电流波形;随后,将负荷在单个周期的稳态电压波形作为横坐标,负荷单个周期的无功电流波形作为纵坐标,生成负荷的V-If轨迹。
3.根据权利要求1或2所述的基于小波分析的多负荷识别方法,其特征在于,步骤(2)具体为,首先根据采集数据时的采样率和负荷单个周期的采样点个数的不同,选取合适的M和N的数值,构成一个大小为M×N的灰度值矩阵,然后对负荷单个周期的稳态电流波形和瞬时功率波形进行归一化处理,使其数值范围映射到[0,1]之间后乘以255,分别放在M×N大小的矩阵中,以得到两个灰度值矩阵;同时,使用Python图像库PIL来完成加载负荷单个周期的V-If轨迹图像,随后将V-If轨迹图像转换为灰度图像,然后,通过PIL库的numpy模块,将灰度图像转换为二维数组A,将A矩阵元素取反并乘以255,以形成只有0和255的矩阵,即得到一个黑白二值矩阵。最后,通过PIL库将两个灰度值矩阵和一个黑白二值矩阵分别转换为三张灰度图像。
4.根据权利要求1至3中任意一项所述的基于小波分析的多负荷识别方法,其特征在于,
多负荷识别模型包含依次连接的卷积网络、小波混合卷积网络、全局平均池化网络,以及全连接网络四个部分;
卷积网络的输入是一个形状为(N,3,H,W)的四维张量,其将四维张量的通道数转换为C/2,并使用3×3的卷积核和1个像素的填充后进一步将通道数转换为C,进而输出一个形状为(N,C,H,W)的四维张量,其中N表示的是批量大小,即一次性输入多负荷识别模型的输入图像的数量,每张输入图像都被表示为一个C×H×W的三维张量,C表示输入图像的通道数,它是根据具体任务和模型性能要求进行调整的超参数(C为3时,输入图像通常为RGB图像,具有3个通道,分别代表红色、绿色和蓝色通道),H表示输入图像的高度,W表示输入图像的宽度。当N张输入图像被同时处理时,这些三维张量会被堆叠成一个四维张量,形状为(N,C,H,W)。
小波混合卷积网络包括n个串联连接的小波混合卷积模块,其中n的取值为大于1的自然数,优选为7;
全局平均池化网络,其输入为小波混合卷积网络得到的一个形状为(N,C,H,W)的四维张量,对四维张量的特征图进行全局平均池化操作,将特征图的空间维度降为1,输出为一个形状为(N,C)的二维张量。
全连接网络,其输入为全局平均池化网络得到的二维张量,将其映射到一个形状为(N,N1)的输出,其中N1表示多负荷识别结果的类别组合,即输出为多负荷识别结果。
5.根据权利要求4所述的基于小波分析的多负荷识别方法,其特征在于,小波混合卷积模块的具体结构为:
第一层是第一卷积层,其输入为卷积网络得到的一个形状为(N,C,H,W)的四维张量,其利用1×1卷积核将输入通道数减少为C/4,并输出一个形状为(N,C/4,H,W)的四维张量。
第二层是小波变换层,其输入为第一层得到的一个形状为(N,C/4,H,W)四维张量,其利用一级二维离散小波变换对该张量进行处理,以得到多尺度的低频子带特征和高频子带特征,并对低频子带特征和高频子带特征进行组合,以输出一个形状为(N,C,H/2,W/2)的四维张量。
第三层是前馈神经网络层,其输入为第二层得到的一个形状为(N,C,H/2,W/2)的四维张量,通过多个卷积层、激活函数(GELU)和Dropout层,以输出一个形状为(N,C,H,W)的四维张量。
第四层是残差连接层,其输入为第三层得到的一个形状为(N,C,H,W)的四维张量和第一层输入的一个形状为(N,C,H,W)的四维张量,其将二者进行相加,以输出一个形状为(N,C,H,W)的四维张量。
6.根据权利要求5所述的基于小波分析的多负荷识别方法,其特征在于,多负荷识别模型是通过以下步骤训练得到的:
(4-1)采集不同类别组合的负荷在稳态时的电压数据和电流数据,按照7:3的比例将所有类别组合的负荷在稳态时的电压数据和电流数据划分为训练集和测试集,对训练集中每个类别组合的负荷在稳态时的电压数据和电流数据进行预处理,以分别得到该种类别组合的负荷在单个周期的稳态电流波形、瞬时功率波形和V-If轨迹,将该种类别组合的负荷对应的稳态电流波形、瞬时功率波形进行灰度变换归一化处理,以获得该种类别组合的负荷对应的两个灰度值矩阵,同时对该种类别组合的负荷对应的V-If轨迹进行转换,以得到该种类别组合的负荷对应的黑白二值矩阵,并将得到的两个灰度值矩阵和一个黑白二值矩阵转化为三张灰度图像,将三张灰度图像作为R/G/B通道合成一张该种类别组合的负荷对应的真彩色图像;
(4-2)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,将该真彩色图像输入到卷积网络中,以获得该类别组合的负荷对应的、形状为(N,C,H,W)的四维张量E;
(4-3)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,将步骤(4-2)得到的该类别组合的负荷对应的四维张量E输入到小波混合卷积网络中第一个小波混合卷积模块的第一卷积层,以获取该类别组合的负荷对应的、一个形状为(N,64,H,W)的四维张量F。
(4-4)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,将步骤(4-3)得到的该类别组合的负荷对应的四维张量F输入到小波混合卷积网络中第一个小波混合卷积模块的小波变换层,以获取该类别组合的负荷对应的、一个形状为(N,256,H/2,W/2)的四维张量G。
(4-5)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,将步骤(4-4)得到的该类别组合的负荷对应的四维张量G输入到小波混合卷积网络中第一个小波混合卷积模块的前馈神经网络层,以获取该类别组合的负荷对应的、一个形状为(N,256,H,W)四维张量I。
(4-6)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,将步骤(4-5)得到的该类别组合的负荷对应的四维张量I和步骤(4-3)输入第一卷积层的四维张量E相加之和,即进行残差连接,以获取该类别组合的负荷对应的、一个形状为(N,256,H,W)的四维张量T。
(4-7)针对小波混合卷积网络中剩余的n-1个小波混合卷积模块中的每一个而言,重复上述步骤(4-3)至(4-6),每个小波混合卷模块最终产生输出特征图作为下一层小波混合卷积模块的输入,最终通过第n个小波混合卷积模块输出该类别组合的负荷对应的、一个形状为(N,C,H,W)的四维张量U,即为小波混合卷积网络输出的该类别组合的负荷对应的、一个形状为(N,C,H,W)的四维张量U。
(4-8)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,对步骤(4-7)得到的该类别组合的负荷对应的四维张量U输入到全局平均池化网络中,为批次中的每个样本得到一个一维张量。对特征图进行全局平均池化操作,将特征图的空间维度降为1,以获取该类别组合的负荷对应的、一个形状为(N,256)的二维张量V。
(4-9)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,对步骤(4-8)得到的该类别组合的负荷对应的二维张量V映射到最终的分类类别中,以获取该类别组合的负荷对应的、一个形状为(N,N1)的二维张量Z,其中N1表示分类的类别数量。
(4-10)针对步骤(4-1)得到的训练集中的每个类别组合的负荷而言,根据步骤(4-9)得到的该类别组合的负荷对应的二维张量Z计算损失函数,并利用该损失函数对多负荷识别模型进行迭代训练,直到该多负荷识别模型收敛为止,从而得到初步训练好的模型。
(4-11)使用步骤(4-1)得到的测试集对步骤(4-10)初步训练好的多负荷识别模型进行验证,直到得到的分类精度达到最优为止,从而得到训练好的多负荷识别模型。
7.根据权利要求6所述的基于小波分析的多负荷识别方法,其特征在于,步骤(4-4)具体为,首先,将得到的四维张量F的通道维度进行一级二维离散小波变换,低频子带特征(LL)是通过小波变换得到的低频部分的子带特征,通常包含图像的低频信息,代表图像的大体结构,即粗略特征,经过二维离散小波变换后,低频子带特征的形状为(N,64,H/2,W/2);同时,高频子带特征(LH,HL,HH)是通过小波变换得到的高频部分的子带特征,通常包含图像的细节特征。其中,LH表示水平方向的高频子带特征,HL表示垂直方向的高频子带特征,HH表示对角线方向的高频特征,高频子带特征的形状为(B,64,3,H/2,W/2),其中3表示有3个高频子带特征(LH、HL、HH),H/2,W/2是由于小波变换中的滤波器导致的尺寸缩小;然后,将形状为(N,64,H/2,W/2)的低频子带特征(LL)和形状为(B,64,3,H/2,W/2)高频子带特征(LH,HL,HH)的在通道维度上进行拼接,以获取该类别组合的负荷对应的、一个形状为(N,256,H/2,W/2)的四维张量G。
8.根据权利要求7所述的基于小波分析的多负荷识别方法,其特征在于,步骤(4-5)具体为,首先是将步骤(4-4)得到的该类别组合的负荷对应的四维张量G输入到卷积核大小为1×1的第二卷积层中,输入通道数为256,输出通道数为256×mult,其中`mult`是一个超参数,设置为2,用于扩展通道数,以获取该类别组合的负荷对应的、一个形状为(N,512,H/2,W/2)的四维张量O;然后,对第二卷积层的输出的该类别组合的负荷对应的四维张量O用GELU激活函数进行非线性变换,以获取该类别组合的负荷对应的、一个形状为(N,512,H/2,W/2)的四维张量P;随后,对GELU激活函数非线性变换输出的该类别组合的负荷对应的四维张量P输入Dropout层进行正则化,以获取该类别组合的负荷对应的、一个形状为(N,512,H/2,W/2)的四维张量Q;其后,将Dropout层输出的该类别组合的负荷对应的四维张量Q输入到卷积核的大小为1×1第三卷积层中,输入通道数为512,输出通道数为C1,以获取该类别组合的负荷对应的、一个形状为(N,256,H/2,W/2)的四维张量R,其中C1是一个超参数,用于控制前馈神经网络层中特征通道的数量;然后,将第三卷积层输出的该类别组合的负荷对应的四维张量R进行反卷积,输入通道数为C1,输出通道数为256,卷积核的大小为4×4,步长为2,填充为1。反卷积的作用是将特征图的大小恢复到原始大小,以获取该类别组合的负荷对应的、一个形状为(N,256,H,W)的四维张量S;最后,将反卷积输出的该类别组合的负荷对应的四维张量S进行批归一化处理,以获取该类别组合的负荷对应的、一个形状为(N,256,H,W)的四维张量I。其中批归一化用于规范化数据,使其具有零均值和单位方差。
9.根据权利要求8所述的基于小波分析的多负荷识别方法,其特征在于,
步骤(4-6)中残差连接的计算公式为:
T=attn(x)+x
其中x表示输入第一卷积层的四维张量E,attn(x)表示经过小波混合卷积模块后输出的四维张量I,将经过小波混合卷积模块处理后的输出和原始输入相加,以获取该类别组合的负荷对应的、一个形状为(N,256,H,W)的四维张量T。
步骤(4-10)中使用的损失函数为loss_f为:
其中M表示训练集中的样本总数,K表示训练集中类别的数量(在本实施方式中,其为2074),yij表示第j类第i个训练样本输入神经网络后的真实结果,y′ij表示第j类第i个训练样本对应的预测结果,j∈[1,K]。
10.一种基于小波分析的多负荷识别系统,其特征在于,包括:
第一模块,用于获取高频采集卡同步采集的、负荷稳定运行时的电流数据和电压数据,并对其进行平均值滤波处理,以分别获取负荷在单个周期的稳态电流波形、瞬时功率波形和V-If轨迹。
第二模块,用于对第一模块得到的负荷在单个周期的稳态电流波形、瞬时功率波形进行归一化处理,以获得两个灰度值矩阵;同时对第一模块得到的负荷单个周期的V-If轨迹图像进行转换,以得到黑白二值矩阵,并将得到的两个灰度值矩阵和一个黑白二值矩阵转化为三张灰度图像。
第三模块,用于将第二模块得到的三张灰度图像作为R/G/B通道合成一张真彩色图像。
第四模块,用于将第三模块得到的真彩色图像输入预先训练好的多负荷识别网络模型中,以获取多负荷识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987277.7A CN117132808B (zh) | 2023-08-07 | 2023-08-07 | 一种基于小波混合卷积的多负荷识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987277.7A CN117132808B (zh) | 2023-08-07 | 2023-08-07 | 一种基于小波混合卷积的多负荷识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117132808A true CN117132808A (zh) | 2023-11-28 |
CN117132808B CN117132808B (zh) | 2024-02-06 |
Family
ID=88853707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310987277.7A Active CN117132808B (zh) | 2023-08-07 | 2023-08-07 | 一种基于小波混合卷积的多负荷识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132808B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257044A (zh) * | 2017-09-19 | 2018-07-06 | 济南大学 | 一种基于稳态电流模型的非侵入式负荷分解方法 |
CN111539275A (zh) * | 2020-04-14 | 2020-08-14 | 中南民族大学 | 一种基于负载特性可视化的电气负载分类方法和系统 |
US10983496B1 (en) * | 2020-10-13 | 2021-04-20 | King Abdulaziz University | Apparatus and method for non-intrusive load monitoring aided hybrid high and low frequency approaches |
CN115470811A (zh) * | 2022-07-25 | 2022-12-13 | 温州大学 | 一种用电系统的非侵入式负荷异常识别方法及系统 |
CN116127409A (zh) * | 2023-02-28 | 2023-05-16 | 湘潭大学 | 基于格拉姆角差场特征融合的非侵入式负荷识别方法 |
-
2023
- 2023-08-07 CN CN202310987277.7A patent/CN117132808B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257044A (zh) * | 2017-09-19 | 2018-07-06 | 济南大学 | 一种基于稳态电流模型的非侵入式负荷分解方法 |
CN111539275A (zh) * | 2020-04-14 | 2020-08-14 | 中南民族大学 | 一种基于负载特性可视化的电气负载分类方法和系统 |
US10983496B1 (en) * | 2020-10-13 | 2021-04-20 | King Abdulaziz University | Apparatus and method for non-intrusive load monitoring aided hybrid high and low frequency approaches |
CN115470811A (zh) * | 2022-07-25 | 2022-12-13 | 温州大学 | 一种用电系统的非侵入式负荷异常识别方法及系统 |
CN116127409A (zh) * | 2023-02-28 | 2023-05-16 | 湘潭大学 | 基于格拉姆角差场特征融合的非侵入式负荷识别方法 |
Non-Patent Citations (1)
Title |
---|
黄友金;熊炜;袁旭峰;李卓;: "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", 电力科学与工程, no. 04, pages 14 - 20 * |
Also Published As
Publication number | Publication date |
---|---|
CN117132808B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Generative adversarial networks with comprehensive wavelet feature for fault diagnosis of analog circuits | |
Qian et al. | Dynamic multi-scale convolutional neural network for time series classification | |
Nejad et al. | A new enhanced learning approach to automatic image classification based on Salp Swarm Algorithm | |
Raymond et al. | Noise invariant partial discharge classification based on convolutional neural network | |
Liang et al. | Image feature selection using genetic programming for figure-ground segmentation | |
Sonavane et al. | Classification and segmentation of brain tumor using Adaboost classifier | |
Xiao et al. | Multi-label classification for power quality disturbances by integrated deep learning | |
Gu et al. | A study of hierarchical correlation clustering for scientific volume data | |
CN113076878A (zh) | 基于注意力机制卷积网络结构的体质辨识方法 | |
Hermle et al. | Employing ICA and SOM for spike sorting of multielectrode recordings from CNS | |
CN110866840A (zh) | 基于知识图谱的电力负荷特征量训练的数据库建模方法 | |
Monteiro et al. | Power quality disturbances diagnosis: A 2D densely connected convolutional network framework | |
CN117132808B (zh) | 一种基于小波混合卷积的多负荷识别方法和系统 | |
Charisma et al. | Transfer learning with Densenet201 architecture model for potato leaf disease classification | |
Jeczmionek et al. | Input reduction of convolutional neural networks with global sensitivity analysis as a data-centric approach | |
CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 | |
CN111539275B (zh) | 一种基于负载特性可视化的电气负载分类方法和系统 | |
Sang et al. | Image recognition based on multiscale pooling deep convolution neural networks | |
CN116310569A (zh) | 一种基于鲁棒纹理特征的乳腺病变检测与分类装置 | |
CN108153414A (zh) | 稳态视觉诱发电位信号的识别方法、系统及装置 | |
CN108615024A (zh) | 一种基于遗传算法和随机森林的eeg信号分类模型 | |
Ganesan et al. | A deep learning approach to fault detection in a satellite power system using Gramian angular field | |
Novin et al. | An improved saliency model of visual attention dependent on image content | |
Zhang et al. | Fast inspection and accurate recognition of target objects for astronaut robots through deep learning | |
Gupta et al. | Hybrid feature based natural scene classification using neural network |
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 |