一种非侵入式负荷识别与控制方法

本发明属于非侵入式电气负荷监测，具体涉及一种非侵入式负荷识别与控制方法。

背景技术：

1、随着社会的快速发展，越来越多的电器设备进入到千家万户，在实现生活便利化的同时也出现了局部电能紧张的问题。通过非侵入式负荷监测技术在电力供给的入口处装上采集器，收集电流、电压、功率等电力信号特征，进行电气负荷识别和电能量测，实现对用户用电情况的精确获取。基于所刻画的电气负荷类别、事件，用户能了解其用电特征；而供电企业依据这些精细化的用电数据，可制定合理的电力调度计划，实现电网的峰谷平衡，提高电能的利用效率。

2、目前，非侵入式负荷监测技术主要有事件检测和负荷辨识。在实际使用时，非侵入式电气负荷识别研究关注的是电气负荷识别结果的准确率。

3、如公开号为cn217278616中国专利《一种家用电器用电特征的采集装置》，该专利所提供了一种能在复杂干扰环境下能够稳定采集符合数据的硬件装置，降低噪声对负荷识别结果准确率的影响，并通过直接监测用户的总负荷电能信息来获知各用电负荷的类别，运行情况以及相关参数。

4、公开号为cn214473641中国专利《一种基于轨迹图像识别的一种非侵入式负荷识别方法》，该专利提供了一种将负荷数据转换为v-i轨迹图，再利用成熟图像算法提高识别结果的负荷识别装置；装置包括电流互感器、电压互感器、电能计量芯片、主控芯片、ai处理器、无线通信设备、云服务器，所建立的v-i轨迹图库相比现有的电器特征库，更加简单。

5、随着国民经济和科学技术的高速发展，越来越多的家电产品被生产制造，家电负荷种类也越来越多，给家电负荷识别带来了困难，尤其是在识别特征相似的家电负荷时经常发生误判。

技术实现思路

1、本发明的目的在于提供一种非侵入式负荷识别方法、控制方法，用于根据电参数的采样数据来对负荷类型特征进行识别与控制，且能够降低对特征相似电气负荷的误判。

2、为解决上述技术问题，本发明提供一种非侵入式负荷识别方法，包括以下步骤：

3、s1、初始化，在电气负荷电力供给入口处设置电气信号传感单元，建立一个基于vggnet-vit网络的电气负荷辨识模型；

4、s2、获取电气负荷动作信号或电参数跳变信号，判断是否发生负荷投入事件，若是则开始采集一个新传感数据样本，记录当前工作负荷类型，并转步骤s3，否则转步骤s4；

5、s3、判断当前传感数据样本是否需要补充，若是则转步骤s4，否则转步骤s7；

6、s4、获取并记录电参数传感数据；

7、s5、检测有无退出指令，若有则转步骤s14，否则转下一步骤s6；

8、s6、等待下一周期，转步骤s2；

9、s7、对样本中的电参数传感数据序列进行降噪和归一化处理，并将归一化后的数据序列绘制为vi轨迹图；

10、s8、对所述vi轨迹图进行连续化处理后形成连续轨迹图；

11、s9、基于所述电气负荷辨识模型，对所形成的连续轨迹图，分别通过vggnet卷积网络、vit transformer编码网络两个网络并行地进行特征提取；

12、s10、将所述两个网络输出的特征进行特征融合后，由全连接层和分类层处理后输出属于各负荷类型的概率及最终负荷类型；

13、s11、根据当前模式进行跳转，若为离线训练模式，则转步骤s12，否则转步骤s13；

14、s12、根据分类层中训练集各样本的概率输出、样本所记录的工作负荷类型、及交叉熵损失函数计算预测误差，基于所计算的预测误差通过反向传播来训练所述基于vggnet-vit网络的电气负荷辨识模型，对网络模型中的参数进行更新，迭代训练直至训练结束，转步骤s2；

15、s13、将负荷类型作为识别结果输出，转步骤s5；

16、s14、结束负荷识别。

17、作为优选，所述步骤s2中包括：s21、判断是否发生负荷投切事件，若是则转步骤s22，否则转步骤s4；

18、s22、判断当前事件是否为切出事件，若是则转步骤s3，否则开始采集一个新传感数据样本，记录当前工作负荷类型，赋值当前状态为采集样本状态，并转步骤s3，

19、所述步骤s3中包括：

20、s31、若当前处于采集样本状态，则判断当前数据序列长度是否满足样本要求，若是则赋值当前状态为初始状态并转步骤s32，否则直接转步骤s32；

21、s32、判断样本集是否充足，若是则转步骤s7，否则转步骤s4。

22、作为优选，所述步骤s2中，为形成训练集，对同一种电气负荷工况，在该电气负荷投入与切出之间的多个时间片段中采集一个新传感数据样本，每个片段分别对应一个训练样本。

23、作为优选，所述步骤s2中，还通过发出指令使电气负荷动作，以产生投入或切出事件。

24、作为优选，所述步骤s2中，在获取电气负荷动作信号时，监测所采集的电参数信号，若发现电压暂降幅度超过所设定的电压降阈值du且持续时间达到设定阈值时长如0.5个工频周期，则判定为出现电气负荷投入事件。其中，所述电压降阈值du可设定为额定电压的5％至10％。或者，监测每周期的电流有效值的增量，当某一周期的电流有效值增量大于预先设定的电流有效值增量阈值di，则判定为有电气负荷投入事件。

25、作为优选，所述步骤s2中，在获取电气负荷动作信号时，以电流序列中当前检测点位置或当前时刻为尾端，以所述尾端前一个工频周期统计当前电流有效值，计算当前电流有效值与其之前电流有效值的差分值，以所述差分值与先验的电气负荷中任一电器投入时电流有效值的差分值特征进行比较，若前者超过后者第一预设倍数，则判定为发生电气负荷投入事件。

26、作为优选，所述步骤s6中的周期为采样周期，所述采样周期为工频周期的系数倍，且系数在1/100至1/32之间取值；

27、所述步骤s31中所述样本要求为：当前数据序列长度的时间范围取为工频周期的整数倍，如可取为2至5个工频周期的时长；

28、所述步骤s4中，以稳态状态下，投入事件后的电流与事件前电流在同相位上的差分值作为电流序列中当前点位值。

29、当起始监测时刻多个电气负荷处于工作状态时，回溯地计算电参数序列的电流值；即等待某一种电气负荷切出事件发生后，用稳态状态下事件前的电流与事件后电流在同相位上的差分值作为所述工况样本制作vi轨迹图所需的电流序列的各点位值。

30、作为优选，所述步骤s2包括：以电压、电流及对应功率等数据序列中当前检测位置处的电参数跳变量特征、与先验的电气负荷中任一电器投入或切出时电参数跳变量特征进行相似度计算，若所获相似度值高于预设相似度阈值时，判定当前检测位置存在所述电器的投入或切出负荷事件。

31、作为优选，所述电参数跳变量为由单位时间内统计出的电流有效值、功率等组成的向量，所述相似度计算采用余弦相似度。

32、作为优选，所述步骤s2包括：在获取电气负荷动作信号时，监测由电气信号传感单元在电气负荷电力供给入口处所采集的电参数信号，若发现电压暂降幅度超过所设定的电压降阈值du且持续时间达到0.5个工频周期，则判定为出现电气负荷投入事件。

33、作为优选，所述步骤s7中，数据归一化处理采用公式：其中，x为电压值或电流值，a为避免上下限双边区域数值饱和的大于1的底数；经归一化处理后所得的离散数据流构造成长度相等、且沿时间相位对齐的电压数据序列和电流数据序列，

34、所述步骤s12中，迭代训练所述电气负荷辨识模型时，根据样本的电气负荷工况类型实际值和模型输出值，调整网络的连接权值。

35、作为优选，所述步骤s7包括：绘制vi轨迹图时，先创建一个m×m的全零网格背景图，再将归一化后电压、电流数据序列依对齐位置组成数对后，按比例映射到背景图中的相应网格处并在对应网格处置1，对数据序列中所有数据点映射完成后形成初始二值化vi轨迹图；

36、所述步骤s8包括：连续化处理中，以一个结构元素遍历所述二值化vi轨迹图，将所述结构元素中心点沿所述二值化vi轨迹图中的每一个非零网格逐步移动，将移动期间所述结构元素与二值化vi轨迹图的非零网格并集构造为连续轨迹图；以连续轨迹图中心为起端，以电流数据序列所对应电流有效值为系数，设置一根高度为所述系数与轨迹图半高乘积、灰度值为所述系数与255乘积的直线段，形成基于灰度的连续轨迹图；

37、所述步骤s9中，以所述基于灰度的连续轨迹图作为样本输入所述电气负荷辨识模型。

38、作为优选，所述步骤s1中所述基于vggnet-vit网络的电气负荷辨识模型包括：图片输入层、深度学习模型特征提取部、特征融合部和负荷辨识部；

39、其中，深度学习模型特征提取部包括第一深度网络特征提取部、第二深度网络特征值提取部两个并行分支，所述第一深度网络特征提取部采用vggnet卷积网络，所述第二深度网络特征值提取部采用vit transformer编码网络；

40、所述负荷辨识部包括全连接层和分类层；所述特征融合部将两种不同维度的特征向量融合成一个特征向量，并将融合后的特征向量输入到所述全连接层。

41、作为优选，所述vggnet卷积网络的结构由卷积层、池化层、卷积层、池化层、卷积层、卷积层、池化层、卷积层、卷积层、池化层、卷积层、卷积层、池化层依次连接而成，所述的池化层从图像的局部区域选取最大值，

42、所述vit transformer编码网络包括图形分割层、线性映射层、位置编码层、transformer编码器层；其中，所述图形分割层将输入的图片分割成若干个大小相等的图片块后输出给线性映射层；所述线性映射层将单个二维图片块转换为一维向量，并将所有图像块生成的一维向量构建词向量；所述的位置编码层将位置信息加入词向量，同时在词向量中添加一个表示头部的特殊字符；所述transformer编码器中包含13个transformer层，其中每个transformer层由归一化层、多头注意力机制模块和多层感知模块组成。

43、作为优选，所述全连接层将特征融合部所得到的特征信息投射到样本标签空间，之后由soffmax层转换为分类概率后，将概率最大的负荷类型作为识别结果输出。

44、作为优选，所述步骤s13包括：在识别出电气负荷类型后，还将负荷事件的发生时刻转换为绝对时间后进行存储，将所述绝对时间及电气负荷类型输出；或者，将所采集的电参数信号进行滤波后得到的离散数据流以曲线形式动态地显示在所述显示屏上，并在所述曲线上标出所识别出的负荷类型。

45、作为优选，所述步骤s1中，还订阅手持终端的获取信息主题；所述步骤s13包括：响应于该主题消息将所检测出的负荷类型及对应投入时刻通过服务器传送给所述手持终端；或者在检测到负荷投入事件后将所识别出的负荷类型及对应时刻通过事件主题消息发布的形式传送给服务器。

46、在本发明的另一个实施例中，还提供一种非侵入式负荷控制方法，包括以下步骤：

47、t1、初始化，在电气负荷电力供给入口处设置电气信号传感单元，建立一个基于vggnet-vit网络的电气负荷辨识模型，对各电气负荷的每个典型性工况进行任意排列并形成对应的操作指令集；

48、t2、发出指令使电气负荷动作，以产生投入或切出事件；在每一次负荷投入事件发生后，开始采集一个新传感数据样本，记录当前工作负荷类型，并转步骤t3，否则转步骤t4；

49、t3、判断当前工况下传感数据样本是否需要补充，若是则转步骤t4，否则转步骤t5；

50、t4、获取、记录电参数传感数据，并检测有无退出指令，若有则转步骤t14，否则转下一步骤t6；

51、t5、判断用于网络模型训练的样本集是否充足，若是则转步骤t7，否则依次从所述操作指令集中提取一条指令，转步骤t2；

52、t6、等待下一周期，转步骤t2；

53、t7、对样本集内各样本中的电参数传感数据序列进行降噪和归一化处理，并将归一化后的数据序列绘制为vi轨迹图；

54、t8、对所述vi轨迹图进行连续化处理后形成连续轨迹图；

55、t9、基于所述电气负荷辨识模型，对所形成的连续轨迹图，分别通过vggnet卷积网络、vit trantformer编码网络两个网络并行地进行特征提取；

56、t10、将所述两个网络输出的特征进行特征融合后，由全连接层和分类层处理后输出属于各负荷类型的概率及最终负荷类型；

57、t11、根据当前模式进行跳转，若为离线训练模式，则转步骤t12，否则转步骤t13；

58、t12、根据分类层中训练集各样本的概率输出、样本所记录的工作负荷类型、及交叉熵损失函数计算预测误差，基于所计算的预测误差通过反向传播来训练所述基于vggnet-vit网络的电气负荷辨识模型，对网络模型中的参数进行更新，迭代训练直至训练结束，转步骤t2；

59、t13、将负荷类型作为识别结果输出，并进行异常负荷状态检测，

60、若所识别出的负荷类型其工作时间段不包括当前时间，则发出异常警告，并可经过或不经过确认后断开该类型负荷的供电，

61、若一种电气负荷其工作时间段包括当前时间，但其并没有包括在当前所识别出的负荷类型中，则发出异常警告，并可经过或不经过确认后自动闭合该类型负荷的供电，

62、若当前电流有效值与其之前电流有效值的差分值超过一个预设倍数，则判定为发生电气负荷异常事件，控制电气负荷供电入口处开关动作，切断电力输入，

63、转步骤t5；

64、t14、结束负荷识别与控制。

65、采用本发明方案，与现有技术相比，具有以下优点：本发明构造基于vggnet-vit网络的电气负荷辨识模型，以电气负荷投入与切出之间的多个时间片段来生成训练样本，用训练样本集对模型进行训练后，经训练的模型用于在线对电气负荷类型进行辨识，并将所识别出的负荷类型及投切事件输出，从而为用户对电器工作时段、能耗分布等特征的分析提供了基础。本发明对应用场景下电气负荷采用统一的映射式进行电参数值的归一化处理，从而能即时对数据流进行处理以生成辨识模型的输入，提高了识别的实时性；基于膨胀操作的二值化vi轨迹图连续化操作，能避对轨迹图中非线性特征的线性化，提高了识别的可靠性；在二值化图像中融合体现电流有效值的灰度线段，弥补了归一化处理的不足且不增加图像本身的通道，减小了计算量，提高了输入特征的分辨能力。结合vggnet网络对图像局部特征的提取和vit网络的全局特征提取，将两种不同维度的特征图有效融合后，使得所建立的vggnet-vit网络辨识模型能同时具备两种网络模型的特征信息提取能力，从而使得本发明有效减小了对特征相似电气负荷分类的误判，提升了电气负荷识别的准确率。本发明还通过主动控制电气负荷动作来产生投入事件，以对负荷的每个典型性工况进行任意排列并形成对应的训练样本，从而增加了样本的工况覆盖空间，提高了模型的鲁棒性和识别能力；同时，还通过对不同类型负荷的异常工况进行识别和供电控制，来保证负荷按预约时间段或逻辑进行工作。

66、应当理解的是，前述概念以及下文中更详细地讨论的附加概念的所有组合(倘若这样的概念并非相互不一致)都可以被设想为本文公开的发明主题的一部分。特别地，出现在本公开方案的要求保护的主题的所有组合都可以被设想为本文公开的发明主题的一部分。