基于FasterR-CNN与SVM结合的融合特征典型负荷识别方法及系统

基于faster r-cnn与svm结合的融合特征典型负荷识别方法及系统
技术领域
1.本发明涉及智能电表领域，具体涉及一种基于faster r-cnn与svm结合的融合特征典型负荷识别方法及系统。


背景技术：

2.费控智能电表作为一种智能计量仪表，直接安装在用户总电流入口总线上来实现对用户家中多个用电设备电力信息参数的采集。可对电能进行多项精准测量记录并支持实时电价多重费率，已得到广泛应用。负荷识别作为费控智能电表的重要技术，能够将功率总量细化到负荷内部。向用户提供主要电器的用电清单，对节能做出指导，不仅可以降低用户的用电成本，也可以提高电能的利用率。
3.负荷识别大体分为两种，侵入式和非侵入式。非侵入式负荷识别是在电流出户时对电流，功率等负荷的电气特征进行辨识。非侵入式负荷识别是指在每一种用电器接口处安装识别装置。由于侵入式负荷识别装置的安装，维护等操作很难实现，因此非侵入式负荷识别得到了广泛的认可。智能电表的非入侵式负荷识别技术是智能电网中一项重要的电能分类计量技术，也是实现节能减排的重要措施之一。目前利用卷积神经网络对图片的识别能力对负荷进行识别依然存在精度缺失、相似负荷特征电器易产生混淆的缺点，因此如何提高识别的准确率亟待解决。


技术实现要素：

4.为了解决上述技术问题，本发明提供一种基于faster r-cnn与svm结合的融合特征典型负荷识别方法及系统。
5.本发明技术解决方案为：一种基于faster r-cnn与svm结合的融合特征典型负荷识别方法，包括：
6.步骤s1：选取待测日n天，采集电器设备的每天m点负荷，构建信号数据样本，得到负荷特征集合，根据所述负荷特征，选取相对应的小波基，确定分解层数；对含噪信号进行分解，得到一组小波系数；
7.步骤s2：对于分阶段每层所述小波系数，确定其阈值，对所述小波系数进行软阈值函数处理，得到估计小波系数；
8.步骤s3：利用所述估计小波系数对小波进行重构，得到去噪后的重构信号；
9.步骤s4：对所述重构信号进行归一化处理，得到归一化的重构信号；
10.步骤s5：基于所述归一化的重构信号，构建负荷特征曲线图像，使用faster r-cnn网络对所述负荷曲线图像进行特征提取，得到特征图，并计算得到感兴趣区域，生成感兴趣区域特征图，基于所述感兴趣区域特征图生成特征序列，并利用注意力机制得到带权重的特征序列，利用svm对所述带权重的特征序列进行分类，得到最终的负荷识别结果；其中，所述faster r-cnn网络包括：特征提取网络、区域建议网络、区域特征图生成网络和分类与回
归检测网络。
11.本发明与现有技术相比，具有以下优点：
12.本发明在fast r-cnn、支持向量机svm和注意力机制的基础上，提出了基于faster r-cnn与svm的融合特征典型负荷识别方法，faster r-cnn具有超强学习力并能够用少量样本数据实现特征提取，该网络更适合捕捉局部特征；引入的注意力机制能够更加清晰地关注到全局序列中元素之间的关系，两种方法结合对特征序列中的局部特征和全局联系进行更高效的学习与识别。此外，本发明使用支持向量机进行分类，将svm对小样本数据集的泛化能力与faster r-cnn的特征提取能力结合，从而提升模型整体对小样本数据集的适用性，提升了对典型负荷特征识别的准确率，对节能做出指导，降低用户的用电成本并提高电能的利用率。
附图说明
13.图1为本发明实施例中一种基于faster r-cnn与svm结合的融合特征典型负荷识别方法的流程图；
14.图2为本发明实施例中为faster r-cnn网络中的注意力机制原理图；
15.图3为本发明实施例中faster r-cnn网络结构示意图；
16.图4为本发明实施例中一种基于faster r-cnn与svm结合的融合特征典型负荷识别系统的结构框图。
具体实施方式
17.本发明提供了一种基于faster r-cnn与svm结合的融合特征典型负荷识别方法，提升了对典型负荷特征识别的准确率，对节能做出指导，降低用户的用电成本并提高电能的利用率。
18.为了使本发明的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本发明进一步详细说明。
19.实施例一
20.如图1所示，本发明实施例提供的一种基于faster r-cnn与svm结合的融合特征典型负荷识别方法，包括下述步骤：
21.步骤s1：选取待测日n天，采集电器设备的每天m点负荷，构建信号数据样本，得到负荷特征集合，根据负荷特征，选取相对应的小波基，确定分解层数；对含噪信号进行分解，得到一组小波系数；
22.步骤s2：对于分阶段每层小波系数，确定其阈值，对小波系数进行软阈值函数处理，得到估计小波系数；
23.步骤s3：利用估计小波系数对小波进行重构，得到去噪后的重构信号；
24.步骤s4：对重构信号进行归一化处理，得到归一化的重构信号；
25.步骤s5：基于归一化的重构信号，构建负荷特征曲线图像，使用faster r-cnn网络对负荷曲线图像进行特征提取，得到特征图，并计算得到感兴趣区域，生成感兴趣区域特征图，基于感兴趣区域特征图生成特征序列，并利用注意力机制得到带权重的特征序列，利用svm对带权重的特征序列进行分类，得到最终的负荷识别结果；其中，faster r-cnn网络包
括：特征提取网络、区域建议网络、区域特征图生成网络和分类与回归检测网络。
26.在一个实施例中，上述步骤s1：选取待测日n天，将每天m点负荷构建信号数据样本，得到负荷特征集合，根据负荷特征，选取相对应的小波基，确定分解层数j；对含噪信号进行分解，得到一组小波系数，具体包括：
27.步骤s11：选取待测日n天，采集电器设备的每天m点负荷，构建信号数据样本，得到负荷特征集合为x＝{x1,x2,...,xi,...,xn}，其中，n为电器设备的负荷特征个数，xi为负荷特征集合x中的第i个特征；
28.步骤s12：根据下述公式(1)，计算含噪信号：
29.g(k)＝f(k)+s(k)k＝1,2,3,
…
,m-1
ꢀꢀꢀ
(1)
30.其中，k为时刻，f(k)为真实信号，s(k)为噪声信号，g(k)为含噪信号；
31.步骤s13：基于含噪信号g(k)，选择对应的小波基，当含噪信号比较光滑，选择光滑连续的小波基；当含噪信号线性性质比较强，则选取线性小波基；
32.步骤s14：根据预设的分解层数j，对含噪信号g(k)进行分解，得到一组小波系数ω
j,k
。
33.在一个实施例中，上述步骤s2：对于分阶段每层小波系数，确定其阈值，对小波系数进行软阈值函数处理，得到估计小波系数，具体包括：
34.对小波系数，根据公式(2)进行软阈值函数处理，得到估计小波系数
[0035][0036]
其中，t为阈值；当小波系数ω
j,k
的绝对值大于t时，估计小波系数的绝对值为|ω
j,k
|-t，符号保持不变；当小波系数ω
j,k
的绝对值小于或者等于t时，估计小波系数为零。
[0037]
在一个实施例中，上述步骤s3：利用估计小波系数对小波进行重构，得到去噪后的重构信号
[0038]
在一个实施例中，上述步骤s4：对重构信号进行归一化处理，将其值归一化到(0，1)区间，得到归一化的重构信号。
[0039]
经过上述步骤s1～s4对数据样本进行预处理操作，通过小波除噪对图像进行噪声处理和归一化处理，以此来削弱不良数据对后续神经网络训练的影响。
[0040]
在一个实施例中，上述步骤s5：基于归一化的重构信号，构建负荷特征曲线图像，使用faster r-cnn网络对负荷曲线图像进行特征提取，得到特征图，并计算得到感兴趣区域，生成感兴趣区域特征图，基于感兴趣区域特征图生成特征序列，并利用注意力机制得到带权重的特征序列，利用svm对带权重的特征序列进行分类，得到最终的负荷识别结果；其中，faster r-cnn网络包括：特征提取网络、区域建议网络、区域特征图生成网络和分类与回归检测网络，具体包括：
[0041]
步骤s51：基于归一化的重构信号，构建负荷特征曲线图像：将负荷特征曲线图像输入特征提取网络，得到特征图；
[0042]
本发明实施例采用vgg网络实现对负荷特征曲线图像进行特征提取；
[0043]
步骤s52：将特征图输入区域建议网络rpn网络，计算得出特征图上需要识别的目标区域，得到感兴趣区域；
[0044]
步骤s53：将感兴趣区域输入区域特征图生成网络，利用roi池化生成感兴趣区域特征图，经过卷积层计算得到特征序列利用注意力机制计算特征序列的权重，得到带权重的特征序列y＝[y1,y2,...,y
t
,...,yn]，具体步骤如下：
[0045]
根据下述公式(3)，计算得到查询向量q＝[q1,q2,...,qi,...,qn]，键向量m＝[m1,m2,...,mi,...,mn]和值向量v＝[v1,v2,...,vi,...,vn]：
[0046][0047]
其中，wq、wm和wv为预设的权重矩阵系数；
[0048]
根据公式(4)，计算每个的注意力得分c
t,i
，即当前在t时刻的功率值与特征序列中其他向量的功率值之间的相关性；
[0049]ct,i
＝q
t
·
miꢀꢀꢀ
(4)
[0050]
根据公式(5)对注意力得分进行归一化：
[0051][0052]
根据公式(6)对归一化后的注意力得分进行加权求和：
[0053][0054]
其中，y
t
为经过注意力机制计算后的输出的带权重的序列y＝[y1,y2,...,y
t
,...,yn]在t时刻的值。
[0055]
如图2所示，为faster r-cnn网络中的注意力机制原理图。
[0056]
本发明实施例在faster r-cnn网络的训练过程中，通过引入注意力机制为特征序列中的每个元素分配一个权重系数，可将网络注意力放在具有更多判别信息的峰谷长短等细节，削弱其他波动对分类结果的影响。
[0057]
步骤s54：将带权重的序列输入分类与回归检测网络，使用一对一法支持向量机svm对其进行分类，具体包括：
[0058]
根据带权重的序列y＝[y1,y2,...,y
t
,...,yn]，使用svm对其进行分类，得到z个类别，再利用z(z-1)/2个二分类器再次进行判别并为相应类别进行投票，得票最多的类别作为最终的负荷识别结果。
[0059]
本发明实施例通过选取svm作为特征分类器，可提升对小样本的泛化能力。
[0060]
如图3所示，为faster r-cnn网络结构示意图。
[0061]
本发明在fast r-cnn、支持向量机svm和注意力机制的基础上，提出了基于faster r-cnn与svm的融合特征典型负荷识别方法，faster r-cnn具有超强学习力并能够用少量样
本数据实现特征提取，该网络更适合捕捉局部特征；引入的注意力机制能够更加清晰地关注到全局序列中元素之间的关系，两种方法结合对特征序列中的局部特征和全局联系进行更高效的学习与识别。此外，本发明使用支持向量机进行分类，将svm对小样本数据集的泛化能力与faster r-cnn的特征提取能力结合，从而提升模型整体对小样本数据集的适用性，提升了对典型负荷特征识别的准确率，对节能做出指导，降低用户的用电成本并提高电能的利用率。
[0062]
实施例二
[0063]
如图4所示，本发明实施例提供了一种基于faster r-cnn与svm结合的融合特征典型负荷识别系统，包括下述模块：
[0064]
获取小波系数模块61，用于选取待测日n天，采集电器设备的每天m点负荷，构建信号数据样本，得到负荷特征集合，根据负荷特征，选取相对应的小波基，确定分解层数；对含噪信号进行分解，得到一组小波系数；
[0065]
获取估计小波系数模块62，用于对于分阶段每层小波系数，确定其阈值，对小波系数进行软阈值函数处理，得到估计小波系数；
[0066]
重构信号模块63，用于利用估计小波系数对小波进行重构，得到去噪后的重构信号；
[0067]
归一化模块64，用于对重构信号进行归一化处理，得到归一化的重构信号；
[0068]
负荷识别模块65，用于基于归一化的重构信号，构建负荷特征曲线图像，使用faster r-cnn网络对负荷曲线图像进行特征提取，得到特征图，并计算得到感兴趣区域，生成感兴趣区域特征图，基于感兴趣区域特征图生成特征序列，并利用注意力机制得到带权重的特征序列，对其进行分类，得到最终的负荷识别结果；其中，faster r-cnn网络包括：特征提取网络、区域建议网络、区域特征图生成网络和分类与回归检测网络。
[0069]
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。