【技术实现步骤摘要】
本专利技术属于智能电网，涉及非侵入式的负荷识别方法，具体涉及一种基于传递迁移学习的非侵入式负荷识别方法。
技术介绍
1、非侵入式负荷监测（non-intrusive load monitoring，简称nilm）技术是智能电网的重要组成部分之一，对于电能的合理规划利用具有重大意义。精准地了解用户电能的消耗情况可以协助电网更好地调度电力资源。
2、近年来，深度学习算法逐渐成熟并在许多领域成功应用，然而训练深度神经网络需要有大量的标注数据，且样本标注是一项费时费力的工作。迁移学习技术能够缓解样本不足的问题，利用源域中已有的数据来进行网络训练、知识学习，并将学习到的知识迁移到目标域中。相较于传统的机器学习方法，迁移学习也放宽了对训练数据独立同分布的要求，可以通过少量的目标域数据获得较好的迁移效果。但迁移学习的性能仍然会受到源域和目标域的相似度、可共享信息量的影响，若相似度过低、可共享信息过少，可能会给目标领域数据的学习带来“负迁移”现象。
3、此外，在非侵入式负荷识别的实际应用中，由于新建小区的电力负荷数据量较少，标注样本严重不足，迁移学习效果满足难以使用需求，导致识别效果较差。
技术实现思路
1、针对现有技术的不足，本专利技术提出了一种基于传递迁移学习的非侵入式负荷识别方法，为了更好地挖掘负荷功率的时序信息，提高阻性负荷的差异性，该方法以融合v-i轨迹和格拉姆矩阵的图像作为负荷特征。由于imagenet-1k的图像标注质量高且覆盖类别广，故将其作为源域。分别选取
2、一种基于传递迁移学习的非侵入式负荷识别方法，具体步骤如下：
3、步骤一、事件检测
4、采用cusum算法对来自中间域数据的负荷时间序列进行双边事件检测，将连续的电信号信息或者误差进行累积，以此来放大变化信号，当累计值超过设定阈值的时候，检测为事件发生。
5、步骤二、获取稳态周期数据
6、步骤2.1、选择事件发生前的最后一个正向过零点电压值作为稳态数据终止点，向前取六个周期的电流、电压数据ibefore、vbefore；选择事件发生后第一个正向过零点电压值作为稳态数据起始点，向后取六个周期的电流、电压数据iafter、vafter。所述周期长度为两个正向过零点电压的时间间隔。
7、步骤2.2、利用hermite插值的方法将这些离散的数据点之间连接起来，通过在每个数据点处计算斜率，并将这个斜率作为插值信息的一部分，以保证离散数据点和波形尽可能拟合，构造出插值函数h(x)，形成贴近实际波动形态的连续数据：
8、
9、其中，、分别为函数在点处的导数和真实值，n表示一个周期的采样点个数。、是hermite插值所用的基函数：
10、
11、步骤2.3、对步骤2.2插值后得到的连续电压数据进行傅里叶分解，得到电压基波的初相位，计算得到偏移时间，， f表示电压工频。将偏移时间分别与事件发生前、后的稳态电压数据vbefor、vafter中的第一个正向过零电压点的时间相加，得到初始时间，再以初始时间作为起始点，对步骤2.2插值后的连续数据四个周期，得到。
12、步骤2.4、为了得到产生事件动作的电流、电压数据，将重采样后的数据按采样点顺序依次进行处理，计算和，然后对每个周期中对应位置上的采样点数值求平均，将4个周期长度的电流、电压数据压缩到1个周期内，得到稳态周期数据。
13、步骤三、生成v-i轨迹二值图
14、步骤3.1、将步骤二得到的稳态周期数据进行归一化处理，使电压、电流的数值分布在[0,1]之间，然后映射到一个二维平面上，形成v-i轨迹。
15、步骤3.2、将v-i轨迹所处平面分为2n×2n个网格。对每个网格内的电流值和电压值进行判断，当网格内的电流值和电压值同时为正，则令该网格的该像素值为1，否则为0，形成v-i轨迹二值图。
16、步骤四、融合有功功率的v-i轨迹图
17、将稳态周期对应的功率序列转化为格拉姆矩阵。步骤三得到的v-i轨迹二值图复制为三通道图像，与格拉姆矩阵中对应位置的像素值加权平均，并将叠加后的像素值大小限制在0到255之间，得到融合有功功率的v-i轨迹图，作为负荷数据的特征图像。
18、步骤五、源域到中间域的迁移
19、步骤5.1、选用imagenet-1k为源域数据集，构建resnet50网络对源域数据集中的图像进行分类，根据图像标签完成对resnet50网络的预训练。所述resnet50网络包括多个堆叠的残差模块，每个残差模块包括主分支和残差分支，其中主分支中包括两个级联的3x3卷积层，而残差分支中包括一个1x1的卷积层和一个3x3的卷积层，主分支的输出和残差分支的输出相加后作为该残差块的输出。
20、步骤5.2、选用高频负荷数据集作为中间域数据集，通过步骤一~四的方法生成对应的特征图像，选取少量中间域的特征图像对步骤5.1预训练后的resnet50网络卷积层部分进行微调，使其不断学习丰富的底层特征，并将高层特征靠近v-i轨迹特征。
21、步骤六、中间域到目标域的迁移
22、将步骤五训练好的resnet50网络卷积层部分的权重迁移到u-net网络的编码器上，将u-net网络作为负荷辨识网络，收集少量目标域待识别的负荷数据，人工标注后采用全局微调对u-net网络的所有层进行训练，完成从中间域到目标域的迁移。
23、步骤七、非侵入式负荷识别
24、对于未知的待识别负荷数据，按照步骤一~四的方法生成特征图像，然后输入步骤六训练后的u-net网络中，从输出端得到对应的负荷识别结果。
25、本专利技术具有以下有益效果：
26、1、通过将稳态v-i轨迹与有功功率gaf图进行像素值加权平均特征融合，挖掘功率数据前后的时序信息，提高阻性负荷的图片差异性，更全面地描述负荷的特征，解决了传统v-i轨迹二值图像区分度不足、部分阻性负荷易混淆的问题，从而提高了非侵入式负荷识别的整体准确率。
27、2、选用图像标注质量高且覆盖类别广的imagenet-1k作为源域，在其上预训练的网络模型可以通过大量图片数据信息，获得丰富的底层特征，确保了预训练模型能够学习到准确和有用的特征表示。
28、3、引入标签已知的用电负荷数据作为中间域并将其对resnet50网络进行微调，将训练好的resnet50网络卷积层部分的权重赋给分类识别网络u-net，能够在源域和目标域相似性低的情况下实现知识的传递，解决源本文档来自技高网...
【技术保护点】
1.一种基于传递迁移学习的非侵入式负荷识别方法，其特征在于：使用老小区的电力负荷数据作为中间域数据，提取中间域数据特征用于对源域数据预训练后的模型作进一步的训练，具体步骤如下：
2.如权利要求1所述一种基于传递迁移学习的非侵入式负荷识别方法，其特征在于：采用CUSUM算法对电力负荷数据进行事件检测，截取事件发生前后的稳态周期数据，生成V-I轨迹二值图和格拉姆矩阵。
3.如权利要求2所述一种基于传递迁移学习的非侵入式负荷识别方法，其特征在于：选择事件发生前的最后一个正向过零点电压值作为稳态数据终止点，向前取六个周期的电流、电压数据Ibefore、Vbefore；选择事件发生后第一个正向过零点电压值作为稳态数据起始点，向后取六个周期的电流、电压数据Iafter、Vafter；所述周期长度为两个正向过零点电压的时间间隔；
4.如权利要求1所述一种基于传递迁移学习的非侵入式负荷识别方法，其特征在于：所述插值函数H(x)为：
5.如权利要求1所述一种基于传递迁移学习的非侵入式负荷识别方法，其特征在于：对稳态周期数据进行归一化处理，使电压、电流
6.如权利要求1所述一种基于传递迁移学习的非侵入式负荷识别方法，其特征在于：所述ResNet50网络包括多个堆叠的残差模块，每个残差模块包括主分支和残差分支，其中主分支中包括两个级联的3x3卷积层，而残差分支中包括一个1x1的卷积层和一个3x3的卷积层，主分支的输出和残差分支的输出相加后作为该残差块的输出；
7.如权利要求1所述一种基于传递迁移学习的非侵入式负荷识别方法，其特征在于：所述U-Net网络，包括一个编码器和一个解码器；其中编码器包括8个卷积层，每个卷积层的卷积核个数分别为64、64、128、128、256、256、512、512；在编码器的最后加入一层大小为3x3、深度为512的卷积层，以保持特征图的空间维度不变，并应用ReLU激活函数；所述解码器与编码器的结构对称，每个卷积层的卷积核个数分别为512、512、256、256、128、128、64、64；
...【技术特征摘要】
1.一种基于传递迁移学习的非侵入式负荷识别方法，其特征在于：使用老小区的电力负荷数据作为中间域数据，提取中间域数据特征用于对源域数据预训练后的模型作进一步的训练，具体步骤如下：
2.如权利要求1所述一种基于传递迁移学习的非侵入式负荷识别方法，其特征在于：采用cusum算法对电力负荷数据进行事件检测，截取事件发生前后的稳态周期数据，生成v-i轨迹二值图和格拉姆矩阵。
3.如权利要求2所述一种基于传递迁移学习的非侵入式负荷识别方法，其特征在于：选择事件发生前的最后一个正向过零点电压值作为稳态数据终止点，向前取六个周期的电流、电压数据ibefore、vbefore；选择事件发生后第一个正向过零点电压值作为稳态数据起始点，向后取六个周期的电流、电压数据iafter、vafter；所述周期长度为两个正向过零点电压的时间间隔；
4.如权利要求1所述一种基于传递迁移学习的非侵入式负荷识别方法，其特征在于：所述插值函数h(x)为：
5.如权利要求1所述一种基于传递迁移学习的非侵入式负荷识别方法，其特征在于：对稳态周期数据进行归一化处理，使电压、电流的数值分布在[0,1]之间...
【专利技术属性】
技术研发人员：罗平，林广智，孙博宇，潘泳圳，朱振宇，陈张平，王坚，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。