一种基于多维特征融合图像的非侵入式负荷识别方法

本发明涉及非侵入式负荷识别领域，特别涉及一种基于多维特征融合图像的非侵入式负荷识别方法。

背景技术：

1、随着经济社会的发展，对电力的需求也在不断增加，对电力消耗进行管理是迫切需要的，掌握居民负荷信息对负荷管理有重要意义，进而需要使用到非侵入式负荷监测技术。

2、现有技术的非侵入式负荷监测技术通过采集总线处的用电数据就可以分析居民负荷的种类、运行状态和能耗信息，但这种监测方式会存在法中图像特征有限，进而导致负荷识别存在拥有多状态的电器识别易发生混淆的情况，且对电阻型负荷之间的识别易产生误判。

技术实现思路

1、本发明的目的在于提供一种基于多维特征融合图像的非侵入式负荷识别方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于多维特征融合图像的非侵入式负荷识别方法，包括以下具体步骤：

3、步骤一：数据预处理，对高频采集的电流电压数据进行数据处理，得到s模矩阵、功率因数加权的电压-无功功率轨迹和功率加权的递归图矩阵；

4、步骤二：特征融合图像生成，将s模矩阵、功率因数加权的电压-无功功率轨迹和功率加权的递归图矩阵三个矩阵分别作为r、g和b通道得到一个特征融合的彩色图像；

5、步骤三：负荷识别，将生成的彩色图像输入基于imagenet预训练的resnet-18模型进行迁移学习完成负荷识别。

6、优选的，所述步骤一中的s模矩阵是对高频采集的各个负荷电流数据在稳态下进行s变换，电流数据经过s变换后得到一个复矩阵，对其求模后得到s模矩阵，s变换用于揭示信号的时域和频域特征，s变换可以通过窗口函数在时间域上对信号进行局部化处理，然后进行傅里叶变换，得到在时频域上的表示，对于输入信号，其s变换定义公式为：

7、

8、

9、其中，w(t-τ,f)表示高斯窗函数，τ作为平移因子，控制高斯窗在时间轴上的位置，f为频率，窗宽因子为σ＝1/f；

10、s变换得到一个二维复矩阵，对二维复矩阵求模后的s模矩阵，选取负荷特征谐波，作为r通道，s模矩阵公式为：

11、x(τ,f)＝|s(τ,f)|

12、其中，x表示对二维复矩阵求模后的s模矩阵。

13、优选的，所述步骤一中的功率因数加权的电压-无功功率轨迹通过获取电流数据的方式，对其进行差异化处理，通过在稳态下从电压上升过零点截取一个周期的电流电压数据，然后以fryze功率理论为依据，将负荷电流分解为有功电流和无功电流，无功电流的计算公式为：

14、if(t)＝i(t)-ia(t)

15、其中，if(t)负荷电流无功分量，i(t)负荷原始电流，ia(t)为负荷电流有功分量，有功电流ia(t)计算公式为：

16、

17、

18、其中，p代表负荷的有功功率，n表示一个周期内的数据个数，id和ud分别为周期内第d个电流值和电压值，urms为电压有效值；

19、在得到稳态下一个周期的电压和无功电流数据后，对其进行归一化处理，计算公式为：

20、

21、

22、其中，imin和imax分别表示无功电流在周期内的最小值和最大值，umin和umax分别表示电压在周期内的最小值和最大值；

23、用归一化后的数据创建v-if轨迹，使用m×m的零矩阵将其覆盖，接着遍历全部采样点，若采样点在矩阵范围内，矩阵单元值取为1，最终构建一个代表v-if轨迹的灰度值矩阵；

24、功率因数是负荷的一个重要特征，表示负荷对电源的有功功率的利用效率，功率因数计算方式如下：

25、srms＝irms*urms

26、λ＝p/srms

27、其中，irms为电流有效值，srms表示视在功率，λ表示负荷功率因数，将v-if轨迹的灰度值矩阵乘以λ得到功率因数加权的v-if轨迹矩阵。

28、优选的，所述步骤一中的功率加权的递归图矩阵的递归图是可以揭示时间序列的内部结构，递归图矩阵通过将时间序列的时域空间变换到相空间，然后计算每两个状态之间的距离，最后进行阈值二值化，得到结果，其中递归式可以用递归矩阵rij表示，公式为：

29、rij＝θ(ε-eij),i,j＝1,…n

30、eij＝||xi-xj||

31、其中，eij表示向量xi和xj之间的欧氏距离，ε为距离阈值，θ(·)表示heaviside函数，表示为：

32、

33、负荷功率大小作为负荷重要特征，在归一化之后功率信息完全丢失，因此将功率信息加权到递归矩阵上，定义计算方式为：

34、

35、r0＝σrij

36、其中，srms表示负荷的视在功率，smax表示所有负荷视在功率的最大值，其中因部分电器功率大小与smax差距过大，进而对系数σ取根号，r0表示最终的功率加权的递归矩阵。

37、优选的，所述步骤二中的特征融合的彩色图像是指将不同特征信息进行合并，形成一幅具有综合特征的彩色图像，所述特征融合的方法为加权求和、局部区域合并和多尺度融合，所述特征融合的彩色图像可以提供更全面和准确的图像描述，为图像分析和应用提供更多的信息。

38、优选的，所述步骤三中的imagenet数据集用于计算机视觉研究和算法评估的大规模图像数据库，所述imagenet数据集包含数百万张来自各个领域的图像，其中包括各种物体、场景和概念。

39、优选的，所述步骤三中的resnet-18模型是一种深度残差网络的架构，采用了残差学习的思想，通过引入残差连接来解决深层神经网络训练中的退化，所述残差连接允许网络在信息流动过程中跳过一个层，使得网络能够更好地学习到特征。

40、优选的，所述步骤三中的迁移学习可以利用已经学习到的知识和经验来改善在一个新任务上的学习性能。

41、本发明的技术效果和优点：

42、本发明通过利用结合特征融合的方式，采用对高频采集的电流电压数据进行数据处理，得到s模矩阵、功率因数加权的电压-无功功率轨迹和功率加权的递归图矩阵，然后将三个矩阵融合成特征信息丰富的彩色图像，最后将生成的彩色图像输入基于imagenet预训练的resnet-18模型进行迁移学习完成负荷识别，进而在公共数据集plaid和whited识别准确率分别到达了99.11％和99.69％，并在自测数据集中达到了99.24％的识别准确率，进而有利于使负荷识别不会发生在拥有多状态的电器识别时，出现混淆的情况，同时有利于提高电阻型负荷之间的识别的准确性，使其防止出现误判的情况。

技术特征：

1.一种基于多维特征融合图像的非侵入式负荷识别方法，其特征在于，包括以下具体步骤：

2.根据权利要求1所述的一种基于多维特征融合图像的非侵入式负荷识别方法，其特征在于，所述步骤一中的s模矩阵是对高频采集的各个负荷电流数据在稳态下进行s变换，电流数据经过s变换后得到一个复矩阵，对其求模后得到s模矩阵，s变换用于揭示信号的时域和频域特征，s变换可以通过窗口函数在时间域上对信号进行局部化处理，然后进行傅里叶变换，得到在时频域上的表示，对于输入信号，其s变换定义公式为：

3.根据权利要求1所述的一种基于多维特征融合图像的非侵入式负荷识别方法，其特征在于，所述步骤一中的功率因数加权的电压-无功功率轨迹通过获取电流数据的方式，对其进行差异化处理，通过在稳态下从电压上升过零点截取一个周期的电流电压数据，然后以fryze功率理论为依据，将负荷电流分解为有功电流和无功电流，无功电流的计算公式为：

4.根据权利要求1所述的一种基于多维特征融合图像的非侵入式负荷识别方法，其特征在于，所述步骤一中的功率加权的递归图矩阵的递归图是可以揭示时间序列的内部结构，递归图矩阵通过将时间序列的时域空间变换到相空间，然后计算每两个状态之间的距离，最后进行阈值二值化，得到结果，其中递归式可以用递归矩阵rij表示，公式为：

5.根据权利要求1所述的一种基于多维特征融合图像的非侵入式负荷识别方法，其特征在于，所述步骤二中的特征融合的彩色图像是指将不同特征信息进行合并，形成一幅具有综合特征的彩色图像，所述特征融合的方法为加权求和、局部区域合并和多尺度融合，所述特征融合的彩色图像可以提供更全面和准确的图像描述，为图像分析和应用提供更多的信息。

6.根据权利要求1所述的一种基于多维特征融合图像的非侵入式负荷识别方法，其特征在于，所述步骤三中的imagenet数据集用于计算机视觉研究和算法评估的大规模图像数据库，所述imagenet数据集包含数百万张来自各个领域的图像，其中包括各种物体、场景和概念。

7.根据权利要求1所述的一种基于多维特征融合图像的非侵入式负荷识别方法，其特征在于，所述步骤三中的resnet-18模型是一种深度残差网络的架构，采用了残差学习的思想，通过引入残差连接来解决深层神经网络训练中的退化，所述残差连接允许网络在信息流动过程中跳过一个层，使得网络能够更好地学习到特征。

8.根据权利要求1所述的一种基于多维特征融合图像的非侵入式负荷识别方法，其特征在于，所述步骤三中的迁移学习可以利用已经学习到的知识和经验来改善在一个新任务上的学习性能。

技术总结
本发明公开了一种基于多维特征融合图像的非侵入式负荷识别方法，包括数据预处理，得到S模矩阵、功率因数加权的电压‑无功功率轨迹和功率加权的递归图矩阵，特征融合图像生成，将S模矩阵、功率因数加权的电压‑无功功率轨迹和功率加权的递归图矩阵三个矩阵分别作为R、G和B通道得到一个特征融合的彩色图像，负荷识别，将生成的彩色图像输入基于ImageNet预训练的ResNet‑18模型进行迁移学习完成负荷识别。本发明通过利用结合特征融合的方式，最后将生成的彩色图像输入基于ImageNet预训练的ResNet‑18模型进行迁移学习完成负荷识别，进而有利于使负荷识别不会发生在拥有多状态的电器识别时，同时有利于提高电阻型负荷之间的识别的准确性。

技术研发人员：张帅,程志友,田甜
受保护的技术使用者：安徽大学
技术研发日：
技术公布日：2024/3/21