一种基于二值化V-I轨迹颜色编码的非侵入式负荷识别方法

本发明涉及电力负荷辨识，具体涉及一种基于二值化v-i轨迹颜色编码的非侵入式负荷识别方法。

背景技术：

1、传统意义上的负荷监测采用的是侵入式的方法，即在需要测量的各个用电设备上都安装一个传感器来记录设备的用电信息及能耗等情况，这种方法得到的数据比较准确，但是铺设传感器成本过高。因此，非侵入式负荷监测技术(non-intrusive loadmonitoring，nilm)逐渐进入了人们的视野。与传统的侵入式负荷监测相比，其只需要获取用户总线上的电流、电压数据，然后通过对数据进行处理并结合智能算法识别出当前用户内部的负荷种类、运行情况等。由于nilm的经济投入更小，实用性更强，且有助于电网进行需求侧的精细化管理，帮助优化电网的运行和调度，完成“削峰填谷”。因此，nilm受到了国内外专家的广泛且深入的研究。

2、非侵入式负荷识别作为nilm领域中最为关键的一个问题，其包含了特征提取和设备辨识两个主要环节。通常情况下，我们将负荷特征分为电气类特征和非电气类特征，电气类特征具体包括：1)功率类，如有功功率、无功功率、功率因素等；2)电流类，如电流波形、谐波分量及其含有率等；3)v-i轨迹类，如v-i轨迹图等。而非电气特征如高频电磁干扰在特征的特异性上没有明显的优势，故已逐渐很少使用。其中，v-i轨迹类特征由于可以反映设备的动态阻抗特性，与设备功能的关联性高、特征的特异性强，故而受到了大量的关注和研究。

3、在现有的研究中，多数学者绘制v-i轨迹的方法是利用采集的高频电压电流归一化绘制后得到，这样的方法有以下缺点：一是轨迹相似的电器难以捕捉其细粒度下的区别而导致无法准确的完成分类；二是普通的v-i轨迹图主要反映的是负荷的阻抗特征而无法反映出设备的功率特征，不能快速区分出功率差异很大的设备。三是绘图时计算量大且运行时间较长，不利于推广和应用。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于二值化v-i轨迹颜色编码的非侵入式负荷识别方法，不仅能够在不牺牲计算复杂度的情况下将轨迹转移到二值化矩阵中，而且可以减轻设备负载的小波动；同时，使用hsv颜色编码后的二值v-i轨迹图能够更好地反映出电气的各个特征，且有效的提高负荷识别的准确率。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种基于二值化v-i轨迹颜色编码的非侵入式负荷识别方法，包括以下步骤：

4、step1、利用高频采样设备实时获取家庭总线的电压、电流数据；

5、step2、假设每次只开启或关闭一个设备，利用事件检测算法判断电器是否发生了状态变化，等电器的运行状态达到稳态后提取其稳态下的电流电压数据；

6、step3、根据fryze功率理论对原电流波形进行预处理，将负荷电流分解为有功电流和无功电流；

7、step4、以step2、3中得到的电压和无功电流数据进行归一化处理并绘制v-i轨迹曲线，并对其进行二值轨迹映射以增强v-i轨迹的唯一性；

8、step5、将step4中得到的二值v-i轨迹进行hsv颜色编码，得到二值化颜色编码的v-i轨迹图像；

9、step6、构建resnet50神经网络模型，将二值化彩色v-i轨迹图像作为输入，实现对设备的分类，即完成了非侵入式负荷识别。

10、上述的step2中，在提取设备的高频数据时，对电压波形过零点周期开始采集，取一个稳态周期内的电压与电流数据。

11、上述的step3中用fryze功率理论对负荷电流进行分解的处理步骤为：

12、i(t)＝ia(t)+ir(t)         (1)

13、

14、

15、

16、其中，ia(t)为有功电流；ir(t)无功电流；pactive为有功功率；vrms为电压的有效值；t为供电周期；v(t)为稳态高频采样数据t时刻的电压；i(t)为稳态高频采样数据t时刻的电流。

17、上述的step4中对电压和无功电流构成的v-i轨迹二值化映射方法具体步骤如下：step4.1、在高采样率下获取负载稳态时的的电压v和无功电流i的波形；

18、step4.2、用电压和电流波形的最大绝对值将电压和无功电流归一化：

19、imax＝max(|i|)，vmax＝max(|v|)      (5)

20、step4.3、将电压和无功电流的二维平面划分成具有均匀尺寸的单元网格，计算单个单元格的长度和宽度：

21、

22、式中：n∈z+，从而得到矩阵中的2n×2n元素；

23、step4.4、对原始轨迹进行插值，以保证二值轨迹映射后的曲线连续性，这是因为相邻点之间的距离dk有时大于单个单元格的长度或宽度：

24、

25、式中：vk和ik分别是v和i的第k个数据点；

26、step4.5、将插值的轨迹点(ij,vj),j＝1,2,......j，映射到2n×2n网格单元。

27、上述的step5中通过hsv颜色编码对二值化的v-i轨迹进行处理，将轨迹的方向，功率因数，m个周期的像素值平均值分别融入h，s，v三个通道中，具体方法为：

28、step5.1、为了获取v-i轨迹的运动信息，利用色调h来表示轨迹的方向，并记为：

29、

30、式中：函数arg为四象限反正切，计算轨迹中两个连续点的相位角，得到的角范围从0°到360°，然后，将第j个点的色调存储在一个新的2n×2n矩阵中；

31、

32、式中：a＝{a|穿过格栅的每个点(nij,nvj)}；

33、step5.2、当将负荷电流分为有功和无功两部分时，仅使用无功电流来绘制v-i轨迹，这会导致有功和无功分量之间关系的信息丢失；因此，用饱和度s来表示多个周期内有功功率与无功功率的比值，即功率因数：

34、

35、式中：k为采样点总数，papparent为视在功率，vrms，irms分别为负载电压和负载电流的有效值；

36、step5.3、hsv色彩空间的另一个造色属性亮度v也被用来表示v-i轨迹的可重复性；利用电压和电流波形生成m个周期的二值图像wm(m＝1,2,...,m)，将其像素值求平均值得到亮度v：

37、

38、上述的step6中构建resnet50神经网络的具体方法为：

39、step6.1、构建resnet50神经网络，包括1+3×(3+4+6+3)＝49个卷积层，加上最后的全连接层总共是50层；resnet50网络结构可以分成七个部分，第一部分不包含残差块，主要对输入进行卷积、正则化、激活函数、最大池化的计算；第二、三、四、五部分结构都包含了残差块，其中每个部分的1×1卷积核不会改变残差块的尺寸，只用于改变残差块的维度；

40、step6.2、为适应负荷识别任务的实际分类数目，将最后一个全连接层的神经元数目由1000个调整为设备实际类别数11；

41、step6.3、在对resnet50模型进行训练时，将初始学习率配置为10-4，在训练过程中，若在10个epoch内loss值不下降，则将学习率调低以优化模型；同时为为适应计算机处理器及显存资源，将训练过程中的batch size配置为8；模型的迭代次数配置为300次。

42、上述的step1中所获取数据的采样频率需要为30khz，即1秒采样30000个点，同时工频为60hz，即1秒里面有60个周期，且一个周期包含30000/60＝500个采样点。

43、上述的step2中利用事件检测算法判断电器是否发生了状态变化，提取其稳态下的电流电压数据，通过观察相同连续的几个周期内的电压、电流轨迹是否重合判断电器是否运行在稳态阶段。

44、本发明提供的一种基于二值化v-i轨迹颜色编码的非侵入式负荷识别方法，能够在不牺牲计算复杂度的情况下将轨迹转移到二值化矩阵中，而且可以减轻设备负载的小波动；同时，使用hsv颜色编码后的二值v-i轨迹图能够更好地反映出电气的各个特征，且有效的提高负荷识别的准确率。