一种基于低频采样和特征融合的非侵入式负荷识别方法

本发明属于数据处理，涉及智慧电网的负荷监测方法，具体涉及一种基于低频采样和特征融合的非侵入式负荷识别方法。

背景技术：

1、在非侵入式负荷监测（non-intrusive load monitoring，简称nilm）中，负荷识别技术扮演着至关重要的角色。

2、对家庭负荷使用低频采样时，由于采样频率的限制导致难以获取精准的电压、电流信息，只能使用率时序信息作为负荷识别特性信号。而在家庭电器的使用过程中，往往有多个电器同时在运行，而且这些电器的运行功率也并非恒定不变，因此当有一个新的电器投入时，无法通过对投入前后时刻的功率信号进行简单差值运算来获取对应电器的运行信息。尤其是当投入的新电器为小功率电器时，往往会因其能耗特征较弱而被运行电器功率的波动信号所掩盖，导致无法准确识别。

3、此外，现有技术中的有监督的nilm算法的泛化性能较差，针对新出现的组合负荷需要重新训练网络，收敛速度较慢且精度较低，这不仅影响了整体的识别准确率，也限制了nilm技术在多样化电器环境下的适用性。

技术实现思路

1、针对现有技术的不足，本发明提出了一种基于低频采样和特征融合的非侵入式负荷识别方法，针对有功功率的一维时序信号建立格拉姆角场矩阵和功率绝对值信息矩阵，通过特征融合得到功率多维特征谱图。将单个电器的特征作为先验知识引入知识库，并构建组合电器总负荷库；在新的组合电器出现时，构建对应的分负荷库并添加到组合电器总负荷库中，实现对组合电器总负荷库的更新，增强泛化性与识别速度。

2、一种基于低频采样和特征融合的非侵入式负荷识别方法，具体步骤如下：

3、步骤一、双阈值cusum事件检测及分类

4、设置第一类、第二类功率阈值h、h，其中h=1/2h，使用cusum事件算法进行事件捕捉，比较第i个事件投切点前后功率绝对值变化量与功率阈值的大小，当时，捕捉为大功率负荷事件；当时，捕捉为小功率负荷事件。

5、步骤二、gaf矩阵构建

6、从电器投入开始，经过25个电网周期后，采集x个采样点，，为采样时间，f为采集频率。根据采样频率f的大小，通过抽取或插值的方式将x个采样点的数据转换为长度为n的一维功率序列。同时计算投入时刻前x个采样点的平均值，将功率序列中每个值减去，进行格拉姆角场变化，生成gaf矩阵。

7、步骤三、功率绝对值信息矩阵构建

8、首先创建两个大小为的全零矩阵，然后将步骤二中的一维功率序列依次填入矩阵的第一列中，矩阵每一行的值相同。设置功率值pref1＜pref2＜pref3，对功率序列进行功率绝对值信息编码，得到两个功率绝对值信息矩阵：

9、①对于大功率负荷事件：

10、

11、

12、其中，pi表示矩阵第i行的数值，、分别表示向下取整、向上取整；min（）表示取最小值，max（）表示取最大值；l1(i)、l2(i)分别表示大功率负荷事件的第一、第二个功率绝对值信息矩阵中第i行的值。

13、②对于小功率负荷事件：

14、

15、

16、其中，l1(i)、l2(i)分别表示小功率负荷事件的第一、第二个功率绝对值信息矩阵中第i行的值。

17、步骤四、功率多维特征谱图构建

18、将步骤二、三得到的gaf矩阵和两个功率绝对值信息矩阵，分别作为rgb颜色空间的3个通道，从而合成一个功率多维特征谱图，图像中每个像素点的颜色值代表相应位置的功率绝对值信息。返回步骤二，直到将所有事件投切点的功率信号都转换为功率多维特征谱图。

19、对所有的事件投入点进行判别，若投入时刻前x个采样点的平均值，标记为单一电器投入事件，若投入时刻前x个采样点的平均值，标记为组合电器投入事件。

20、步骤五、构建并训练基于迁移学习的se-resnext-50网络

21、收集所有单一电器投入事件对应的功率多维特征谱图，将带有负荷标签的单一电器特征图数据划分为训练集和测试集，接着利用迁移学习的方法，使用预训练的resnext-50模型来初始化网络参数。然后，将预训练的resnext-50模型迁移到电器类型识别任务中，引入注意力机制构建se-resnext50模型，所述注意力机制se根据每个特征通道的重要性进行自适应校准，将校准后的特征与原始特征进行融合，以增强模型的泛化能力和分类识别效果。在训练过程中，选择交叉熵损失函数作为优化目标，通过反向传播算法计算梯度，并利用adam优化器来更新se-resnext50模型参数，并监控模型在训练集和验证集上的表现，直到在测试集上的性能保持稳定为止，得到单一电器负荷辨识网络。

22、步骤六、构建组合电器总负荷库及训练孪生网络

23、步骤6.1、收集所有组合电器投入事件对应的功率多维特征谱图，根据已知电器标签对组合负荷的功率多维特征谱图进行归类，构建分负荷库，将所有分负荷库整合在一起，形成完整的组合电器总负荷库。

24、步骤6.2、将组合电器总负荷库中的所有图像按照4：3的比例划分为训练集和测试集。构建由两个权重共享的主干网络组成的孪生网络。在训练阶段，将训练集中的图像两两组成样本对，输入孪生网络中进行特征信息提取，使用二元交叉熵损失函数作为优化目标，通过反向传播算法计算梯度，并利用adam优化器更新孪生网络参数，直到孪生网络在测试集上的性能稳定，得到组合电器负荷辨识网络。

25、步骤七、测试验证

26、步骤7.1、另外采集待辨识居民用户过去三天的低频功率信号，按照步骤一的方法进行事件捕捉，按照设置的第一类、第二类功率阈值进行大、小功率负荷事件的分类。剔除近同时事件投入点后，记录剩余事件发生次数以及每个事件的时刻。初始化负荷先验知识库。

27、步骤7.2、按照剩余事件发生先后顺序，依次处理事件投切点。若为事件投入点，则进入步骤7.3。若为事件切出点，则根据功率量变化大小与已投入电器的信息对比，得到关闭电器信息，即切出电器的辨识结果，更新负荷先验知识库，接着处理下一个事件投切点。

28、步骤7.3、获取事件投入点的功率多维特征谱图，若事件投入前，标记为单一电器功率多维特征谱图，进入步骤7.4；若事件投入前，，标记为组合电器功率多维特征谱图，进入步骤7.5。

29、步骤7.4、将单一电器功率多维特征谱图输入步骤五得到的单一电器负荷辨识网络中，输出对应的辨识结果，更新负荷先验知识库，并返回步骤7.2。

30、所述负荷先验知识库的更新方法为：当得到事件切出点的辨识结果时，从先验知识库中删除对应的切出电器信息；当得到事件投入点的辨识结果时，将辨识结果添加到负荷先验知识库中。通过该方法进行信息的实时追踪，保证负荷先验知识库的实时性。

31、步骤7.5、从负荷先验知识库中提取先验知识，与步骤六得到的总负荷库进行比对，若负荷先验知识库为空，则遍历组合电器总负荷库。判断是否存在与步骤7.3中的组合电器功率多维特征谱图对应的分负荷库，若不存在，则新建以该组合电器功率多维特征谱图作为先验知识的分负荷库，人为标注负荷信息后，将新建的分负荷库添加到组合电器总负荷库当中；若存在对应的分负荷库，则直接锁定该分负荷库。

32、步骤7.6、将组合电器功率多维特征谱图与先验知识对应的分负荷库中的图像两两组成样本对，输入步骤六得到的组合电器负荷辨识网络中，经过两个权重共享的主干网络进行特征信息提取，然后对样本对的相似度进行预测。

33、步骤7.7、当相似度大于阈值时，根据分负荷库的标签输出当前组合负荷状态下引起功率变换的电器，以及当前运行的电器，组合电器负荷辨识网络输出负荷辨识结果。若相似度小于阈值，则认定为有新的组合负荷出现，对未知负荷进行人为标注，并新建一个以该组合负荷为先验知识的分负荷库，将分负荷库添加到组合电器总负荷库中。返回步骤7.2。

34、本发明具有以下有益效果：

35、1、通过rgb特征融合的方法，将格拉姆角场矩阵与有功功率特征矩阵进行特征融合，得到的功率多维特征谱图，不仅保留负荷功率随时间的变化关系，也融合了负荷的功率绝对值信息，进一步地丰富了样本信息，可以更全面得描述负荷的特征。

36、2、通过监测电器启动时的平均功率，有效地区分了单一电器与组合电器的能耗特征。利用基于迁移学习的se-resnext50网络和孪生网络对这些特征进行分别处理，不仅能够有效地区分并处理单一电器和组合电器的负荷模式，还降低了网络训练的复杂度，减少了所需的训练时间，并且由于针对性的处理策略，显著提高了负荷识别的准确率。

37、3、构建负荷先验知识库和组合电器总负荷库，负荷先验知识库为网络提供了电器类别的精确定位，组合电器总负荷库存储已知组合电器功率多维特征谱图，不仅使得孪生网络能实现对组合电器的精准识别，还有效地减少了孪生网络的计算量。此外，即使在遇到新的组合负荷时，也不需要对孪生网络进行额外的训练，这不仅提升了识别过程的灵活性和适应性，而且有效地提高了整体负荷识别的准确度。