非侵入式负荷识别装置与系统

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装置与系统。

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非侵入式负荷识别装置》，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装置、控制器与系统，用于根据电参数的采样数据来对负荷类型特征进行识别，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装置，其包括主机单元和用户接口单元，所述主机单元包括输入输出模块、处理器和存储模块，所述用户接口单元中设有操作面板；所述主机单元被配置为：

3、获取电气负荷动作信号，并基于所述动作信号在某一种电气负荷投入与切出之间的时间段内，接收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，

4、数据预处理模块对所述电参数信号进行降噪和归一化处理后，绘制为vi轨迹图，对所述vi轨迹图进行连续化处理后形成连续轨迹图，将所述连续轨迹图保存为一个标注为对应电气负荷工况类型的样本；重复获取不同电气负荷不同工况下的所述工况样本并形成训练集，

5、在类型识别模块中构造基于vggnet-vit网络的电气负荷辨识模型，所述辨识模型以所述工况样本、及其对应的电气负荷工况类型分别作为为输入和输出，

6、迭代学习模块利用所述训练集对所述辨识模型进行离线训练，调整所述辨识模型中网络的连接权值，形成经训练的vggnet-vit网络模型，

7、在现场环境中，响应于电气负荷的投入事件信号，数据获取模块获取电气负荷投入前后所采集电参数信号的增量信息片段，经数据预处理模块对所述增量信息片段进行降噪滤波和归一化处理，并提取出其所对应的vi连续轨迹图，对所述vi轨迹图输入到所述经训练的vggnet-vit网络模型，将所述经训练的vggnet-vit网络模型识别出的负荷类型输出。

8、作为优选，训练集中，对同一种电气负荷工况，可以取该电气负荷投入与切出之间的多个时间片段，每个片段分别作为一个训练样本。

9、作为优选，所述主机单元还发出指令使电气负荷动作，以产生所述投入或切出事件；其中，可对负荷的每个典型性工况进行任意排列并形成对应的指令，以形成充足的训练样本。

10、作为优选，所述主机单元还被配置为：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。

11、作为优选，所述主机单元还被配置为：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。

12、作为优选，所述主机单元还被配置为：根据所采集的离散数据流，进行负荷投切事件检测。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，最终判定当前检测位置存在所述电器的投入或切出负荷事件。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。

13、作为优选，所述主机单元还被配置为：所述工况样本及增量信息片段所对应电参数信号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。在检测到电气负荷投入事件后，将稳态状态下事件后的电流与事件前电流在同相位上的差分值，作为所述工况样本及增量信息片段制作vi轨迹图所用电参数信号中的电流值。

14、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。

15、作为优选，所述处理器包括通用处理模块、数据获取模块、数据预处理模块、迭代学习模块和类型识别模块；所述数据获取模块周期性地经输入输出模块从电气信号传感单元接收所采集的电参数信号；所述数据预处理模块对所采集的电参数信号进行滤波降噪和数据归一化处理，归一化公式采用：

16、

17、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且大于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；类型识别模块中所构造的电气负荷辨识模型，其输入层从通用处理模块接收轨迹图，输出层分别通过第一连接阵和第二连接阵传输至迭代学习模块和处理模块；离线训练所述电气负荷辨识模型时，迭代学习模块根据处理模块和电气负荷辨识模型分别通过第一连接阵输入的电气负荷工况类型实际值和模型中vggnet-vit网络输出值，调整网络的连接权值；现场环境中，第一连接阵断开，vggnet-vit网络对电气负荷工况类型进行识别并经第二连接阵输出给处理模块，由处理模块处理分析后通过输入输出模块中的输出部输出。

18、作为优选，所述主机单元还被配置为：所述vi轨迹图绘制中，创建一个m×m的全零网格背景图，然后，将归一化后电压、电流数据序列在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；连续化处理中，以一个直角形或十字形等形状的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后建立电气负荷工况类型的样本。

19、作为优选，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；其中，图片输入层读入上述基于灰度的连续轨迹图并将其输出到深度学习模型特征提取部中；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；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。

20、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；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，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。

21、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softmax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。

22、作为优选，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存入存储模块，将所述绝对时间及电气负荷类型输出。

23、作为优选，所述主机单元还被配置为：订阅手持终端的获取信息主题、并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。

24、作为优选，所述用户接口单元设有操作面板用来进行参数输入，还设有显示屏用来辅助参数的输入并将负荷类型识别结果以列表的形式显示；所述主机单元还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；所述电器信号传感单元包括电流传感模块、电压传感模块，所述电参数信号采用电压值、电流值和/或电功率值。

25、作为优选，所述电器信号传感单元还包括跳变检测模块，所述跳变检测模块通过一个比较器电路对电参数信号的跳变沿进行检测，并在检测到跳变沿后向所述主机单元发送一个触发信号。

26、作为优选，所述采集的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、在本发明的另一个实施例中，还提供一种非侵入式负荷识别系统，其包括：用于在电气负荷电力供给入口处采集电参数信号的电气信号传感单元，用来进行参数输入和操作以及电气负荷工作状态显示的用户接口单元，用于数据管理和信息传输的服务器，用来进行远程操作和电气负荷信息交互的手持终端，以及与所述用户接口单元、服务器、电器信号传感单元相连的主机单元，

28、所述主机单元包括输入输出模块、处理器和存储模块，所述用户接口单元中设有操作面板，且被配置为：

29、获取电气负荷动作信号，并基于所述动作信号在某一种电气负荷投入与切出之间的时间段内，接收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，

30、数据预处理模块对所述电参数信号进行降噪和归一化处理后，绘制为vi轨迹图，对所述vi轨迹图进行连续化处理后形成连续轨迹图，将所述连续轨迹图保存为一个标注为对应电气负荷工况类型的样本；重复获取不同电气负荷不同工况下的所述工况样本并形成训练集，

31、在类型识别模块中构造基于vggnet-vit网络的电气负荷辨识模型，所述辨识模型以所述工况样本、及其对应的电气负荷工况类型分别作为为输入和输出；迭代学习模块利用所述训练集对所述辨识模型进行离线训练，调整所述辨识模型中网络的连接权值，形成经训练的vggnet-vit网络模型，

32、在现场环境中，响应于电气负荷的投入事件信号，数据获取模块获取电气负荷投入前后所采集电参数信号的增量信息片段，经数据预处理模块对所述增量信息片段进行降噪滤波和归一化处理，并提取出其所对应的vi连续轨迹图，对所述vi轨迹图输入到所述经训练的vggnet-vit网络模型，将所述经训练的vggnet-vit网络模型识别出的负荷类型输出。

33、作为优选，所述非侵入式负荷识别系统也可以不包括所述服务器、手持终端，而是在应用时通过通信网络将所述非侵入式负荷识别系统与所述服务器、手持终端和电气负荷连接起来。

34、作为优选，所述非侵入式负荷识别系统还包括一个外部控制设备，响应于用户在操作面板上的操作、或所述主机单元的指令，所述外部控制设备接通或断开电气负荷的供电，使得某一个电器在预设时刻投入或切出电力系统。作为优选，所述外部控制设备连接在供电电源与电器信号传感单元之间。

35、作为优选，在其电器的主体与供电电源之间设置电器驱动控制模块，主机单元还通过接口电路控制所述电器驱动控制模块动作，以切断或连通电器的供电，从而在进行样本生成时有序地控制投切事件的发生。

36、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。

37、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。