基于格拉姆角场和CNN的电动车充电接入特征提取识别方法技术

本发明专利技术提供一种基于格拉姆角场和CNN的电动车充电接入特征提取、识别方法，包括：步骤1，数据采集；步骤2，特征选择；步骤3，构建样本库；步骤4，搭建模型；步骤5，负荷接入识别；步骤6，模型优化。本发明专利技术能够在小样本库上有效地解决采用低频数据进行非侵入式负载接入识别的问题，以电动车充电接入为例，在监管区域的用电总线实时监测分析，监测到特定设备接入时，3秒内辨析发出告警信息，协助消防监管，降低安全隐患。隐患。隐患。

【技术实现步骤摘要】
基于格拉姆角场和CNN的电动车充电接入特征提取识别方法


[0001]本专利技术涉及基于格拉姆角场和CNN的电力负荷检测技术，具体涉及一种基于格拉姆角场和CNN的电动车充电接入特征提取识别方法，属于消防安全治理电动车违规充电的创新管理方法。

技术介绍

[0002]基于电压电流的幅值相位特征变化进行非侵入式负荷识别，可以通过总端电压电流幅值相位负荷接入的时序变化关系进行识别接入的负载。
[0003]现有的基于电压电流的低频时序数据、或采用电流高频时序数据进行谐波分解得到各次谐波特征进行负荷识别，问题在于特征无法完全表现负载的特性、或特征过多数据量大，造成识别准确率不高及样本库庞杂冗余。
[0004]此外，现有的基于电压电流的时序数据、电流电压轨迹图进行负荷识别的方法，在高频数据集上进行单一负荷的接入识别时表现良好。但是，未考虑实际生活场景中多负荷同时接入时的识别问题，也未考虑高频数据在实际应用中于边缘或云端处理时对采集设备的硬件要求、计算单元计算能力要求、数据传输带宽要求，因此实用性不高。

技术实现思路

[0005]本专利技术旨在提出一种基于格拉姆角场和CNN的电动车充电接入特征提取识别方法，以解决
技术介绍
中存在的技术问题中的至少一种。
[0006]为了实现上述目标，本专利技术提供的一种基于格拉姆角场和CNN的电动车充电接入特征提取识别方法，依托物联网、大数据、深度学习，分析挖掘负载的用电特性，识别特定负载接入，并针对电动车接入识别进行验证。
[0007]本专利技术提供的一种基于格拉姆角场和CNN的电动车充电接入特征提取识别方法，包括以下步骤：
[0008]步骤1：数据采集。于监控点安装采集设备，以设置采集频率获取电压相位、电流幅值、相位、总谐波畸变率、9次谐波畸变率，通过电流变化识别负载接入，并采集多个周期的时序数据作为待识别数据。
[0009]步骤2：特征选择。选择电压电流相角差、电流稳态有效值、电流总谐波畸变率、电流9次谐波畸变率作为特征数据。
[0010]步骤3：构建样本库。将特征数据拉伸为一维序列数据，生成二维GADF矩阵，转换为二维RGB图像，将图像存入样本库。
[0011]步骤4：搭建模型。搭建卷积神经网络模型，调整参数、训练模型，测试集准确度收敛时，结束训练保存模型。
[0012]步骤5：负荷接入识别。对实时数据预处理，经过步骤2后将特征数据拉伸为一维序列数据，生成二维GADF矩阵，转换为二维RGB图像，作为模型的输入，计算后输出负荷接入识别结果。
[0013]步骤6：模型优化。样本库实时积累，模型不断优化更新，以提升图像识别准确率。
[0014]更具体地，所述步骤1中，以5Hz的采样频率分别采样首端电压的相位，末端电流的有效值、相位、总谐波畸变率、9次谐波畸变率为原始特征数据；当第m个采样周期的电流有效值与第m
‑
1个采样周期的电流有效值的差值超过预设阈值时，判别为当前有待关注负荷接入，并记录采样周期为[m
‑
1，m+14)的15组时序数据。
[0015]更具体地，所述步骤3中，通过GADF矩阵逆向恢复原始时间序列，使构建的样本库在场景变换时能够复用；GADF矩阵将不同特征之间的时序变化相关联，差异值输入余弦函数输出为图像的像素点，生成的完整图像用于表现设备接入的数据特征。
[0016]更具体地，所述步骤4中，搭建卷积神经网络结构，通过卷积结构减少深度神经网络占用的内存量，局部感受野、权值共享、池化层Pooling、批归一化BatchNormalization、随机失活Dropout，减少网络的参数个数，缓解模型的过拟合问题；在步骤3样本库上进行训练后保存模型。
[0017]本专利技术基于采样设备于进线总端，采样5Hz低频数据：电压相位、电流幅值相位和总谐波、9次谐波，表征该负载接入的典型特征；截取负荷接入前后15个周期的时序数据生成格拉姆角场(Gramian Angular Difference Fields)矩阵，转换为RGB图像，搭建基于场景的样本库，提升小样本图像识别的准确率；搭建浅层卷积神经网络进行图像分类，搭建合适的结构，防止模型过拟合、降低计算复杂度；判断是否有电动车接入充电，并进行报警通知、可联动断路器进行电源切断等处理。实施本专利技术，具有如下有益效果：
[0018]本专利技术能够在小样本库上有效地解决采用低频数据进行非侵入式负载接入识别的问题，以电动车充电接入为例，在监管区域的用电总线实时监测分析，监测到特定设备接入时，3秒内辨析发出告警信息，协助消防监管，降低安全隐患。
附图说明
[0019]图1是本专利技术一种基于格拉姆角场和CNN的电动车充电接入特征提取识别方法的整体示意图。
[0020]图2是本专利技术实施例电动车电池接入特征曲线，家用阻性、感性、容性设备接入特征曲线。
[0021]图3是本专利技术实施例电动车电池与阻性、感性、容性设备同时接入特征曲线。
[0022]图4是本专利技术实施例电动车电池接入生成GADF图流程。
[0023]图5是本专利技术实施例电动车电池接入GADF图，家用阻性、感性、容性设备接入GADF图。
[0024]图6是本专利技术实施例电动车电池与阻性、感性、容性设备同时接入GADF图。
[0025]图7是本专利技术实施例搭建的卷积神经网络结构图。
[0026]图8是本专利技术实施例图像识别的准确率、损失曲线。
具体实施方式
[0027]为使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术结合实例作进一步地详细描述。
[0028]结合图1，本专利技术所述的一种基于格拉姆角场和CNN的电动车充电接入特征提取识
别方法，包括以下步骤：
[0029]步骤1，数据采集：由于不同设备接入时电压电流的暂态变化与其设备属性相关，具有一定的特异性，因此可以通过其接入时的暂态变化过程来分辨接入的是何种设备。以5Hz的采样频率,分别采样首端电压的相位，末端电流的有效值、相位、总谐波畸变率、9次谐波畸变率为原始特征数据。当第m个采样周期的电流有效值与第m
‑
1个采样周期的电流有效值的差值超过预设阈值时，判别为当前有待关注负荷接入，并记录采样周期为[m
‑
1，m+14)的15组时序数据；
[0030]步骤2，特征选择：家用电器大致分为感性、阻性、容性，其中电动车电池属于容性负载。数据采集频率高时，大部分负载接入时电流电压相位变化、电流幅值暂态变化表现有明显区别于其他设备的特征。当多类负载同时接入时，上述特征时序关系仍可保留部分特异性。但数据采集频率高，数据量大，对芯片处理数据的算力要求较高，边缘处理时硬件成本高，云端处理时大数据传输速度受限于通讯水平。因此，考虑在识别特定负载时采用能表现出其设备特性的特征进行分析。通过数据分析，基于电动车电池的特性，其接入充电时9次谐波有较明显且稳定的变化曲线，因此，本次研究选择电压电流相角差、电流稳态有效值、电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于格拉姆角场和CNN的电动车充电接入特征提取、识别方法，其特征在于，包括以下步骤：步骤1、数据采集：于监控点安装采集设备，以设置采集频率获取电压相位，电流幅值，相位，总谐波畸变率，9次谐波畸变率，通过电流识别负载接入，并采集多个周期的时序数据；步骤2、特征选择：选择电压电流相角差，电流稳态有效值，电流总谐波畸变率，电流9次谐波畸变率作为特征数据；步骤3、构建样本库：将特征数据拉伸为一维序列数据，生成二维GADF矩阵，转换为二维RGB图像，将图像存入样本库；步骤4、搭建模型：搭建卷积神经网络模型，调整参数，训练模型，测试集准确度收敛时，结束训练保存模型；步骤5、负荷接入识别：对实时数据预处理，经过步骤2后将特征数据拉伸为一维序列数据，生成二维GADF矩阵，转换为二维RGB图像，作为模型的输入，计算后输出负荷接入识别结果。2.根据权利要求1所述的基于格拉姆角场和CNN的电动车充电接入特征提取、识别方法，其特征在于，所述方法还包括：步骤6、模型优化：样本库实时积累，模型不断优化更新，以提升图像识别准确率。3.根据权利要求1所述的基于格拉姆角场和CNN的电动车充电接入特征提取、识别方法，其特征在于，所述步骤1中，以设置的采样频率分别采样首端电压的相位，末端电流的有效值、相位、总谐波畸...

【专利技术属性】
技术研发人员：李陈晨，利国鹏，周冠宇，陈祎哲，刘海，夏岳义，
申请(专利权)人：广东润建电力科技有限公司，
类型：发明
国别省市：