基于低频负荷特征编码的非侵入式负荷监测方法与系统技术方案

本发明专利技术提供一种基于低频负荷特征编码的非侵入式负荷监测方法与系统，涉及电力负荷监测技术领域。本发明专利技术通过使用时间窗内低频负荷数据，结合特征增强的手段，提取出现有方法需要多类负荷数据才能提取到的时间特征，这样不仅能减少了数据量的需求，降低数据管理成本，且能根据低频负荷数据，分析出具体时间内的用电器能耗，为后续的能耗管理提供数据支撑。为后续的能耗管理提供数据支撑。为后续的能耗管理提供数据支撑。

【技术实现步骤摘要】
基于低频负荷特征编码的非侵入式负荷监测方法与系统


[0001]本专利技术涉及电力负荷监测
，具体涉及一种基于低频负荷特征编码的非侵入式负荷监测方法与系统。

技术介绍

[0002]随着用电设备数量、种类迅速增长，针对不同场景下用能习惯的分析算法得到了越来越多的关注。非侵入式负荷监测是不必在每个用电设备额外安装分表，只通过智能总表中的数据，分析、挖掘出总表内统计的各个电器的运行状态，包括启停时间，使用周期，能源消费等。非侵入式负荷监测能够给家庭用户提供详细的能源账单和个性化的节能建议，监测故障的设备，帮助负荷供应商进行客户细分，增强微电网需求侧管理。
[0003]目前，常见的监测方法为基于CNN的非侵入式负荷监测方法，这类监测方法通常是采用两类高频数据，例如电压和电流，在时间序列上进行叠加，生成V
‑
I轨迹图。
[0004]然而，由于输入到深度学习模型的数据是高频复合数据，因此最终分解出的家用电器数据也是高频复合数据，这类数据只能用来进行用电器的开关识别以及故障检测，不能后续的能耗管理提供数据支撑。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种基于低频负荷特征编码的非侵入式负荷监测方法与系统，解决了现有的非侵入式负荷监测方法不能后续的能耗管理提供数据支撑的技术问题。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]第一方面，本专利技术提供一种基于低频负荷特征编码的非侵入式负荷监测方法，所述方法包括：
[0010]S1、将总表预设时间内采集的一维功率数据按照固定的时间窗进行分割，得到多条时间窗内的一维功率数据，并对多条时间窗内的一维功率数据进行开关事件判别；
[0011]S2、对开关事件判别后的所述多条时间窗内的一维功率数据分别进行归一化处理，得到多条时间窗内的归一化数据，将所述多条时间窗内的归一化数据按照时间进行极坐标编码，得到极坐标数据；
[0012]S3、对所述极坐标数据进行格拉姆角场转化，生成同时包含用电器功率特征和时间特征的二维图像；
[0013]S4、调整RGB三个通道内的数值对二维图像进行特征增强，得到特征增强图像；
[0014]S5、对所述特征增强图像进行预处理，得到标准化二维图像；
[0015]S6、将所述标准化二维图像输入到预训练的基于CNN的非侵入式负荷监测模型中，得出各个时间窗内各用电负荷的工作状态，并计各个时间窗内各用电负荷功率消耗。
[0016]优选的，在步骤S1中，所述对多条时间窗内的一维功率数据进行开关事件判别，包括：
[0017]将含有功率特征的时间窗标记为有用电器开启，而不含有功率特征的时间窗将会标记为该时间段内没有用电器开启。
[0018]优选的，所述调整RGB三个通道内的数值对二维图像进行特征增强，得到特征增强图像，包括：
[0019]以前一时刻负荷和当前时刻负荷变化为调整因子，结合一个时间窗内的负荷均值与方差，调整RGB三个通道内的数值对二维图像进行特征增强，得到特征增强图像。
[0020]优选的，所述对所述特征增强图像进行预处理，得到标准化二维图像，包括：
[0021]根据基于CNN的非侵入式负荷监测模型中输入层的图像的大小，将特征增强图像进行缩放，并将缩放后的特征增强图像进行零值归一化处理，得到标准化二维图像
[0022][0023]其中：R
k
表示经过缩放处理后的特征增强图像，R
k_mean
表示R
k
的均值，R
k_var
表示P
k
的方差，R
′
k
为标准化二维图像。
[0024]优选的，所述预训练的基于CNN的非侵入式负荷监测模型的构建过程包括：
[0025]t1、将分表预设时间内采集的一维功率数据按照固定的时间窗进行分割，得到多条时间窗内的一维功率数据；
[0026]t2、对多条时间窗内的一维功率数据进行开关事件判别，将含有功率特征的时间窗标记为有用电器开启，而不含有功率特征的时间窗将会标记为该时间段内没有用电器开启；
[0027]t3、对多条时间窗内的一维功率数据分别进行归一化处理，得到多条时间窗内的归一化数据，将多条时间窗内的归一化数据按照时间进行极坐标编码，得到极坐标数据；
[0028]t4、对极坐标数据进行格拉姆角场转化，生成同时包含用电器功率特征和时间特征的二维图像；
[0029]t5、调整RGB三个通道内的数值对二维图像进行特征增强，得到特征增强图像；
[0030]t6、对建模过程中的特征增强图像进行预处理，得到标准化二维图像；
[0031]t7、对标准化二维图像进行标签处理和分割处理，得到训练集和测试集；
[0032]t8、基于训练集和CNN模型，得到初始非侵入式负荷监测模型，并进行梯度检验；
[0033]t9、基于测试集对初始非侵入式负荷监测模型进行测试，得到测试结果，基于所述测试结果获取评价结果；
[0034]t10、根据评价结果，对初始非侵入式负荷监测模型优化，得到非侵入式负荷监测模型。
[0035]优选的，所述t8具体包括：
[0036]设置CNN模型中卷积层的层数及其卷积核大小，全连接层各层神经元个数、正则化参数，dropout参数，batch大小，learning rate大小，选择Adam进行梯度检验；输入训练集train并训练，得到初始非侵入式负荷监测模型；
[0037]利用以下公式进行梯度检验：
[0038][0039][0040]其中：J(θ
i
)是带有正则化参数的损失函数，ε＝10
‑7，dθ为初始非侵入式负荷监测模型反向传播时计算出来的导数值。
[0041]优选的，所述t10具体包括：
[0042]根据测试结果和测试集中实际对应的用电电器种类，使用均方根误差、平均绝对误差和平均绝对误差百分比对测试结果进行评价，得到评价结果；均方根误差、平均绝对误差和平均绝对误差百分比的计算公式如下：
[0043][0044][0045][0046]其中：y
p,i
为初始非侵入式负荷监测模型针对每一组输入数据得出的测试结果，即模型预测的电器种类；而y
r,i
为该输入数据实际对应的用电电器种类；n为每一组输入数据中的电器种类的总量。
[0047]第二方面，本专利技术提供一种基于低频负荷特征编码的非侵入式负荷监测系统，所述系统包括：
[0048]数据分割模块，用于将总表预设时间内采集的一维功率数据按照固定的时间窗进行分割，得到多条时间窗内的一维功率数据，并对多条时间窗内的一维功率数据进行开关事件判别；
[0049]极坐标编码模块，用于对开关事件判别后的所述多条时间窗本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于低频负荷特征编码的非侵入式负荷监测方法，其特征在于，所述方法包括：S1、将总表预设时间内采集的一维功率数据按照固定的时间窗进行分割，得到多条时间窗内的一维功率数据，并对多条时间窗内的一维功率数据进行开关事件判别；S2、对开关事件判别后的所述多条时间窗内的一维功率数据分别进行归一化处理，得到多条时间窗内的归一化数据，将所述多条时间窗内的归一化数据按照时间进行极坐标编码，得到极坐标数据；S3、对所述极坐标数据进行格拉姆角场转化，生成同时包含用电器功率特征和时间特征的二维图像；S4、调整RGB三个通道内的数值对二维图像进行特征增强，得到特征增强图像；S5、对所述特征增强图像进行预处理，得到标准化二维图像；S6、将所述标准化二维图像输入到预训练的基于CNN的非侵入式负荷监测模型中，得出各个时间窗内各用电负荷的工作状态，并计各个时间窗内各用电负荷功率消耗。2.如权利要求1所述的基于低频负荷特征编码的非侵入式负荷监测方法，其特征在于，在步骤S1中，所述对多条时间窗内的一维功率数据进行开关事件判别，包括：将含有功率特征的时间窗标记为有用电器开启，而不含有功率特征的时间窗将会标记为该时间段内没有用电器开启。3.如权利要求1所述的基于低频负荷特征编码的非侵入式负荷监测方法，其特征在于，所述调整RGB三个通道内的数值对二维图像进行特征增强，得到特征增强图像，包括：以前一时刻负荷和当前时刻负荷变化为调整因子，结合一个时间窗内的负荷均值与方差，调整RGB三个通道内的数值对二维图像进行特征增强，得到特征增强图像。4.如权利要求1所述的基于低频负荷特征编码的非侵入式负荷监测方法，其特征在于，所述对所述特征增强图像进行预处理，得到标准化二维图像，包括：根据基于CNN的非侵入式负荷监测模型中输入层的图像的大小，将特征增强图像进行缩放，并将缩放后的特征增强图像进行零值归一化处理，得到标准化二维图像其中：R
k
表示经过缩放处理后的特征增强图像，R
k_mean
表示R
k
的均值，R
k_var
表示P
k
的方差，R
k
′
为标准化二维图像。5.如权利要求1～4任一所述的基于低频负荷特征编码的非侵入式负荷监测方法，其特征在于，所述预训练的基于CNN的非侵入式负荷监测模型的构建过程包括：t1、将分表预设时间内采集的一维功率数据按照固定的时间窗进行分割，得到多条时间窗内的一维功率数据；t2、对多条时间窗内的一维功率数据进行开关事件判别，将含有功率特征的时间窗标记为有用电器开启，而不含有功率特征的时间窗将会标记为该时间段内没有用电器开启；t3、对多条时间窗内的一维功率数据分别进行归一化处理，得到多条时间窗内的归一化数据，将多条时间窗内的归一化数据按照时间进行极坐标编码，得到极坐标数据；t4、对极坐标数据进行格拉姆角场转化，生成同时包含用电器功率特征和时间特征的二维图像；t5、调整RGB三个通道内的数值对二维图像进行特征增强，得到特征增强图像；
t6、对建模过程中的特征增强图像进行预处理，得到标准化二维图像；t7、对标准化二维图像进行标签...

【专利技术属性】
技术研发人员：周开乐，殷辉，杨善林，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：