基于事件检测与序列图像化张量的负荷识别方法及系统与流程

本发明涉及负荷识别，尤其涉及基于事件检测与序列图像化张量的负荷识别方法及系统。

背景技术：

1、随着透明配用电概念的提出，用于低压用电感知的负荷识别技术成为新型电力系统的运行基础，可有效支撑需求响应、家庭能量管理、设备状态检测等应用，提高电力系统的新能源消纳率与降低运行损耗。基于深度学习的负荷识别方法在2015年被提出后，该领域取得了初步的发展。但是，现有方法大多数仅关注于如何设计最终的分类器，缺少对于事件检测以及特征提取的研究，导致方法难以应对真实用电场景中的复杂情况，无法实现负荷识别技术的推广应用。在真实运行环境中，电力电子型、电机型、连续变化型等电器的运行状态波动程度高，运行状况复杂，现有事件检测算法难以准确捕捉负荷的投切事件。在特征提取方面，现有方法对人工经验的依赖性较高，而电气量序列图像化方法有利于充分发挥卷积神经网络的特征自动提取能力，且图像中信息的稀疏性可降低原序列中噪声的影响，但目前结合图像化方法的特征提取研究仍十分有限。此外，现有基于深度学习的负荷识别模型缺少电气量序列图像化输入的针对性设计，图像化方法赋能负荷识别的潜力仍有待挖掘。总的来说，现有负荷识别研究主要存在以下三个难题：

2、1、用电设备运行状况复杂，现有事件检测方法正确率低，进而导致波形提取的特征与目标电器不对应；

3、2、现有的特征提取方法依赖人工设计，设备特性容易混淆，未能利用深度学习算法自动挖掘序列中包含的信息；

4、3、现有的图像化负荷识别方法中的卷积神经网络结构简单，未能多尺度挖掘图像特征，识别的准确率仍需进一步提高。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述现有存在的问题，提出了本发明。

3、因此，本发明提供了基于事件检测与序列图像化张量的负荷识别方法及系统，能够解决背景技术中提到的问题。

4、为解决上述技术问题，本发明提供如下技术方案，基于事件检测与序列图像化张量的负荷识别方法，包括：

5、获取电力系统中用户总线型高频电压、电流数据，记录投切电器的种类标签，并根据获取到的数据计算有功功率；

6、结合自适应事件检测算法判断是否发生事件，若发生，则对电流进行混叠提取以得到单体事件电流波形；

7、对所述单体事件电流波形构造序列图像化张量，与所述投切电器种类标签形成图像化负荷识别数据集，用于训练神经网络模型；

8、根据训练完成后的神经网络模型，进行对电力系统的负荷识别。

9、作为本发明基于事件检测与序列图像化张量的负荷识别方法的一种优选方案，其中：所述根据获取到的数据计算有功功率包括：

10、有功功率计算如下式所示：

11、

12、其中，pk为第k个周波的有功功率值，n为单个周波的采样点个数，ukj为第k个周波中第j个电压值，ikj为第k个周波中第j个电流值。

13、作为本发明基于事件检测与序列图像化张量的负荷识别方法的一种优选方案，其中：所述结合自适应事件检测算法判断是否发生事件包括：

14、所述自适应事件检测算法包括先使用总宽度为wint的滑动窗随时间由前至后进行滑动，该滑动窗首端与末端的索引分别为bl1与br2，bl2与br1分别与bl1和br2组成首端与末端边距窗，bl2与br1分别为末端边距窗的首边距与首端边距窗的末边距，首末边距窗的初始宽度为winb；

15、当首末两个边距窗的边界值的绝对差值大于阈值pthr，则bl2、br1对应的边分别向末端、首端滑动，直至绝对差值小于pthr，或边距窗的宽度等于边距窗最小宽度wins；

16、计算边距窗内相邻前后两点的裁剪差分值diffclip，bl2、br1对应的边继续滑动至正或负的diffclip占比小于60％或边距宽度等于wins，裁剪差分值diffclip的计算如下式所示：

17、

18、其中，diff为原相邻点的差分值，valuehigh、valuelow分别为裁剪的高、低边界。

19、作为本发明基于事件检测与序列图像化张量的负荷识别方法的一种优选方案，其中：所述结合自适应事件检测算法判断是否发生事件还包括：

20、初级事件检测的判据如下式所示：

21、

22、其中，μl、μr表示首端与末端边距窗内功率值的均值，σl、σr分别为首端与末端边距窗内功率值的标准差，当以上判据计算的值vevent大于阈值threvent则事件发生。

23、作为本发明基于事件检测与序列图像化张量的负荷识别方法的一种优选方案，其中：所述对所述单体事件电流波形构造序列图像化张量包括：

24、所述构造序列图像化张量包括先对所述单体事件电流波形使用分段聚合近似算法降采样至单个事件电流波形的采样点数目为numc，再分别构造马尔可夫跃迁场矩阵、v-i轨迹图矩阵、递归图矩阵，将三个矩阵堆叠构成三维的序列图像化张量；

25、其中，为构建马尔可夫跃迁场矩阵mm首先将事件电流波形中的电流值由小到大排序，再基于q分位数将各个电流值划分至对应的[qe,qf)区间中，并记作qef；接着，对于大小为numc×numc的矩阵mm，计算各分位数区间转换概率求得矩阵中的值，mm如下式所示：

26、

27、其中，为第d个时刻的电流值所属分位数桶qef转移至第o个时刻的电流值所属分位数桶q'ef的条件概率，其值由当前时刻电流值所属分位数桶为qef且下一时刻有功功率所属分位数桶为q'ef的次数与numc相除得到。

28、作为本发明基于事件检测与序列图像化张量的负荷识别方法的一种优选方案，其中：所述对所述单体事件电流波形构造序列图像化张量还包括：

29、为构建v-i轨迹图矩阵mvi，首先分别统计事件电流波形及其对应电压波形的最大、最小值，再将最大、最小值间等距划分为numvi个区间，由小到大分别编号为1至numvi，再将mvi初始化为的numvi×numvi的全零矩阵，对应numc个采样点，以电流值对应的区间编号作为行号，以电压值对应的区间编号作为列号将mvi中对应位置的零值置1；

30、递归图矩阵mr通过遍历计算numc个采样点两两之间的欧式距离进行构建，若事件电流波形中第z个采样值与第t个采样值的欧式距离大于阈值th则mr第z行第t列的值为1，否则为0。

31、作为本发明基于事件检测与序列图像化张量的负荷识别方法的一种优选方案，其中：所述神经网络模型包括多尺度卷积神经网络，所述多尺度卷积神经网络包括多尺度特征提取模块、多尺度特征融合模块、分类模块；

32、多尺度特征提取模块针对输入序列图像化张量的3个通道分别由个子模块堆叠组成，各子模块由卷积层、mish激活函数、最大池化层组成，mish激活函数的计算如下式所示：

33、mish(x)＝x·tanh(ln(1+ex)

34、其中，x表示mish激活函数的输入；

35、多尺度特征融合模块中先将多尺度特征提取模块中多个尺度的输出沿深度方向拼接，再接入一维卷积层与mish激活函数；

36、分类模块中先将多尺度特征融合模块的输出变换至一维向量，再接入全连接层与mish激活函数得到分类结果，其中输出层为sigmoid激活函数，如下式所示：

37、

38、其中，x表示sigmoid激活函数的输入；

39、所述训练包括采用自适应动量估计优化算法对多尺度卷积神经网络的参数进行迭代更新，以最小化多尺度卷积神经网络对图像化负荷识别数据集中样本的分类结果与投切电器种类标签的交叉熵损失loss，loss的计算公式如下式所示：

40、

41、其中，numtotal为图像化负荷识别数据集的总样本数；numclass为图像化负荷识别数据集的总负荷种类数；为图像化负荷识别数据集中第h种负荷对应的样本数；为多尺度卷积神经网络对第h种负荷的第x条样本的分类概率值。

42、基于事件检测与序列图像化张量的负荷识别系统，其特征在于，包括数据获取与计算模块、判断模块、模型获取模块以及识别模块：

43、数据获取与计算模块，所述数据获取与计算模块用于获取电力系统中用户总线型高频电压、电流数据，记录投切电器的种类标签，并根据获取到的数据计算有功功率；

44、判断模块，所述判断模块用于结合自适应事件检测算法判断是否发生事件，若发生，则对电流进行混叠提取以得到单体事件电流波形；

45、模型获取模块，所述模型获取模块用于对所述单体事件电流波形构造序列图像化张量，与所述投切电器种类标签形成图像化负荷识别数据集，用于训练神经网络模型；

46、识别模块，所述识别模块用于根据训练完成后的神经网络模型，进行对电力系统的负荷识别。

47、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上方法的步骤。

48、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上方法的步骤。

49、本发明的有益效果：本发明提出基于事件检测与序列图像化张量的负荷识别方法及系统，获取电力系统中用户总线型高频电压、电流数据，记录投切电器的种类标签，并根据获取到的数据计算有功功率；结合自适应事件检测算法判断是否发生事件，若发生，则对电流进行混叠提取以得到单体事件电流波形；对所述单体事件电流波形构造序列图像化张量，与所述投切电器种类标签形成图像化负荷识别数据集，用于训练神经网络模型；根据训练完成后的神经网络模型，进行对电力系统的负荷识别。可有效应对不同长度的暂态过程以及不同程度的设备运行波动，提高负荷识别算法在复杂用电场景中的实用性，提高卷积神经网络的自适应特征提取效率，针对性地深度挖掘张量中不同维度的设备运行特性，提高负荷识别准确率。