一种基于改进V-I轨迹的非侵入式负荷辨识方法

本发明属于电力设备领域，涉及非侵入式负荷监测技术，具体涉及一种基于改进v-i轨迹的非侵入式负荷辨识方法。

背景技术：

1、随着社会的发展，能源消耗和碳排放问题日益严峻。负荷监测技术可以有效监测终端用户各负荷的运行情况，有助于用户更好的了解自身的用电行为，培养绿色的用能习惯，提高能源利用率，助力“双碳”目标的早日实现。因此，实现对不同种类用电设备的辨识具有重要意义。

2、对于负荷辨识问题，国内专家和学者进行了积极的研究工作。lam等使用经过归一化处理的电压、电流数据构造v-i轨迹，并提取相应的形状特征，作为负荷特征进行负荷辨识。du等将v-i轨迹映射到网格中形成二元化的v-i轨迹图像特征来降低运算成本。liu将二元化的v-i轨迹图像特征作为视觉识别和nilm之间的中间域，并采用迁移学习的方法将视觉识别领域的模型用于负荷辨识。传统的v-i轨迹是直接利用电压、电流进行构造，但是因为阻性负载功率因数较大，有功分量含量占比较高，直接采用v-i轨迹特征难以达到预期的辨识精度，teshome等利用无功电流和电压构成v-if轨迹，增加了不同种类阻性负荷之间的特征区分度。

3、由于深度学习在语音识别、图像分类和视频分割方面的优秀表现，深度学习算法也被大量应用于负荷辨识模型。陈军锋等利用gaf将电压、电流、无功电流转换为图片特征，再通过颜色编码技术进行融合，最后采用rbfnet、l2-alexnet分别在边缘端和云端实现协作负荷辨识；崔昊杨等利用迁移学习将经过预训练的inception-v3模型对可视化非有功电流图像特征进行辨识，在保持较高辨识准确率的基础上提升了模型的学习效率；王守相等是分别将功率和v-i轨迹特征输入到由反向传播神经网络和卷积神经网络(cnn)构建的特征提取模型中，再将提取出的特征进行融合从而完成辨识。解洋等利用alexnet对v-i轨迹进行分类，取得了较高的准确率。虽然在图像辨识领域已经出现了很多性能优异的网络模型，并且与nilm领域也实现了良好的结合。

4、目前，负荷辨识采取对负荷的电气数据进行特征构造，通过神经网络对特征的分类实现负荷种类的辨识。传统负荷辨识方法仍存在以下问题：1、采用单一的电气数据进行特征构造，负荷特征信息挖掘不足；2、直接利用图像分类模型作为负荷辨识模型，模型规模过大。

技术实现思路

1、发明目的：为了克服现有技术中存在的不足，提供一种基于改进v-i轨迹的非侵入式负荷辨识方法，可以准确辨识出用电设备的种类，实现对各种负荷使用情况的监测。

2、技术方案：为实现上述目的，本发明提供一种基于改进v-i轨迹的非侵入式负荷辨识方法，包括如下步骤：

3、s1：提取单一负荷电流数据；

4、s2：将单一负荷电流数据分解成无功电流数据和有功电流数据；

5、s3：利用有功电流、无功电流、电压和功率数据构建彩色融合特征；

6、s4：利用深度可分离卷积dsc和混合空洞卷积hdc构建轻量化负荷辨识模型dshdnet；

7、s5：将彩色融合特征划分为训练集和测试集，将训练集输入到dshdnet模型中进行训练，使用测试集对dshdnet模型进行测试验证，得到训练好的轻量化负荷辨识模型dshdnet；

8、s6：通过训练好的轻量化负荷辨识模型dshdnet输出获得负荷辨识结果。

9、进一步地，所述步骤s1中单一负荷电流数据的提取方法为：根据负荷投切事件发生的时刻点，对其前后3个周期的电压、电流进行做差，获得单一负荷电流数据。

10、进一步地，所述步骤s2中通过fryze功率理论对电流序列进行分解，得到有功电流分量和无功电流分量。

11、进一步地，所述步骤s2中fryze功率分解理论计算公式如下：

12、

13、if(t)＝i(t)-ia(t)(4)

14、式中：t为选定的稳态周期；p为稳态周期的有功功率；v为稳态周期内电压的有效值；i(t)为稳态周期内t时刻的电流值；v(t)为稳态周期内t时刻的电压值；ia(t)为有功电流分量；if(t)为无功电流分量。

15、进一步地，所述步骤s3中彩色融合特征的构建包括如下步骤：

16、a1：将经过归一化处理的无功电流和电压数据分别作为横、纵坐标绘制v-if轨迹；

17、a2：通过格拉姆角场gaf将有功电流、瞬时功率转换为图像特征；

18、a3：将v-if轨迹、有功电流、瞬时功率特征分别输入到r、g、b颜色通道中，形成彩色融合特征，增加特征的信息维度。

19、进一步地，所述步骤a1中对稳态电流和电压序列进行归一化处理，其计算公式如下所示：

20、

21、式中：v(t)是提取周期内t时刻的电压值；vmax和vmin分别表示提取周期内电压的最大值和最小值；i(t)为提取周期内t时刻的电流值；imax和imin分别表示提取周期内电流的最大值和最小值。

22、进一步地，所述步骤a1中通过轨迹映射的方式构造v-if轨迹特征，轨迹映射具体包括如下步骤：

23、b1：设vk＝[v1,v2,…,vk]和ik＝[i1,i2,…,ik]分别为长度k的电压和电流序列；

24、b2：将电压和电流序列分别进行归一化处理之后得到数值在0到1之间的序列和

25、b3：定义网格的尺寸为n×n，即表示生成的v-if轨迹图分辨率为n×n，并且创建一组n×n的零矩阵；

26、b4：将电压和电流根据网格尺寸大小进行转换，具体转换公式如下：

27、

28、式中：为向下取整函数；vm和im的取值小于等于n；

29、b5：对vm和im从第一个元素依次进行取样，将矩阵中第im行第vm列的元素赋值为1，如此重复直至遍历序列中的全部元素。

30、进一步地，所述步骤s4中将3个深度可分离卷积dsc中的分离卷积部分的扩张率分别设置为1、2、3，实现深度可分离卷积dsc和混合空洞卷积hdc的融合，提升卷积层的感受野并降低模型的参数量和计算量。

31、进一步地，所述步骤s5中将v-if轨迹、有功电流、瞬时功率图像并行输入到dshdnet轻量化模型中，通过具有不同扩张率的分离卷积和点状卷积实现3种图像的特征融合，提高模型的辨识精度和降低模型的规模。

32、有益效果：本发明与现有技术相比，具备如下优点：

33、1、通过对v-if轨迹、有功电流、瞬时功率特征进行融合，增加了特征的信息维度，提高了特征的区分度；

34、2、利用深度可分离卷积(dsc)和混合空洞卷积(hdc)构建负荷辨识模型，保持了负荷辨识精度，降低了模型规模。

技术特征：

1.一种基于改进v-i轨迹的非侵入式负荷辨识方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于改进v-i轨迹的非侵入式负荷辨识方法，其特征在于，所述步骤s1中单一负荷电流数据的提取方法为：根据负荷投切事件发生的时刻点，对其前后3个周期的电压、电流进行做差，获得单一负荷电流数据。

3.根据权利要求1所述的一种基于改进v-i轨迹的非侵入式负荷辨识方法，其特征在于，所述步骤s2中通过fryze功率理论对电流序列进行分解，得到有功电流分量和无功电流分量。

4.根据权利要求3所述的一种基于改进v-i轨迹的非侵入式负荷辨识方法，其特征在于，所述步骤s2中fryze功率分解理论计算公式如下：

5.根据权利要求1所述的一种基于改进v-i轨迹的非侵入式负荷辨识方法，其特征在于，所述步骤s3中彩色融合特征的构建包括如下步骤：

6.根据权利要求5所述的一种基于改进v-i轨迹的非侵入式负荷辨识方法，其特征在于，所述步骤a1中对稳态电流和电压序列进行归一化处理，其计算公式如下所示：

7.根据权利要求5所述的一种基于改进v-i轨迹的非侵入式负荷辨识方法，其特征在于，所述步骤a1中通过轨迹映射的方式构造v-if轨迹特征，轨迹映射具体包括如下步骤：

8.根据权利要求1所述的一种基于改进v-i轨迹的非侵入式负荷辨识方法，其特征在于，所述步骤s4中将3个深度可分离卷积dsc中的分离卷积部分的扩张率分别设置为1、2、3，实现深度可分离卷积dsc和混合空洞卷积hdc的融合，提升卷积层的感受野并降低模型的参数量和计算量。

9.根据权利要求8所述的一种基于改进v-i轨迹的非侵入式负荷辨识方法，其特征在于，所述步骤s5中将v-if轨迹、有功电流、瞬时功率图像并行输入到dshdnet轻量化模型中，通过具有不同扩张率的分离卷积和点状卷积实现3种图像的特征融合，提高模型的辨识精度和降低模型的规模。

技术总结本发明公开了一种基于改进V‑I轨迹的非侵入式负荷辨识方法，包括：提取单一负荷电流数据；将单一负荷电流数据分解成无功电流数据和有功电流数据；利用有功电流、无功电流、电压和功率数据构建彩色融合特征；利用深度可分离卷积DSC和混合空洞卷积HDC构建轻量化负荷辨识模型DSHDNet；将彩色融合特征划分为训练集和测试集，将训练集输入到DSHDNet模型中进行训练，使用测试集对DSHDNet模型进行测试验证，得到训练好的轻量化负荷辨识模型DSHDNet；通过训练好的轻量化负荷辨识模型DSHDNet输出获得负荷辨识结果。本发明可以准确辨识出用电设备的种类，实现对各种负荷使用情况的监测。技术研发人员：梅飞,刘宇航,章俊,李欣,华昊辰,余昆,甘磊,王博受保护的技术使用者：河海大学技术研发日：技术公布日：2024/11/14