[发明专利]可迁移的电力指纹深度辨识方法

说明书

本发明公开了一种可迁移的电力指纹深度辨识方法，采集已知类型电器设备的电压、电流，将电压、电流结合双线性插值技术获取电器设备的连续V‑I灰度图像；将连续V‑I灰度图像进行颜色编码，获取电流‑功率‑相位的彩色V‑I轨迹图像；构建ResNet34神经网络，利用ImageNet数据集对ResNet34神经网络进行预训练，通过替换最后一层全连接层进行模型迁移，将预训练的ResNet34网络结构和参数迁移到新的用户电力指纹辨识模型中，采用彩色V‑I轨迹图像对电器设备辨识任务中ResNet34神经网络进行训练；利用得到的ResNet34神经网络对待预测彩色V‑I轨迹图像进行电力指纹辨识；提高模型的辨识精度。

技术领域

本发明属于非侵入式负荷分解技术领域，具体涉及可迁移的电力指纹深度辨识方法。

背景技术

非侵入式负荷分解(Non-Intrusive Load Disaggregation,NILD)通过对某一特定区域的总电表数据进行分析,可获取该范围内用电负荷的相关信息,如负荷的数量、负荷的类别、所处工作状态以及对应的能耗使用情况等。与侵入式负荷分解相比，NILD从居民用户的总负荷数据出发分析每个家用电器的运行状态，具有廉价、易于实施等优点，逐渐成为研究居民用户负荷信息的主要方法。

由于用电器的种类、功能、结构和生产工艺的不同，每个用电器之间都存在或大或小的用电特征差异，就像人的指纹一样千差万别，故将这些电气特征称为负荷的“电力指纹”。

目前，已有一些研究将深度学习应用于非侵入式负荷分解领域，这些方法虽然运用了深度学习的方法，但由于传统电力指纹辨识算法计算复杂度高、特定用户用电设备负荷数据量较少，仍存在辨识准确率不足的问题。

发明内容

本发明的目的是提供一种可迁移的电力指纹深度辨识方法，能够提高电器设备种类的辨识准确率。

本发明所采用的技术方案是，可迁移的电力指纹深度辨识方法，具体按照以下步骤实施：

步骤1、采集已知类型电器设备的电压、电流，将电压、电流结合双线性插值技术获取电器设备的连续V-I灰度图像；

步骤2、将连续V-I灰度图像进行颜色编码，获取电流-功率-相位的彩色V-I轨迹图像；

步骤3、构建ResNet34神经网络，利用ImageNet数据集对ResNet34神经网络进行预训练，并对预训练后的ResNet34神经网络全连接层进行配置，用于电器设备电力指纹辨识任务中，采用彩色V-I轨迹图像对电器设备辨识任务中ResNet34神经网络进行训练；

步骤4、利用步骤3得到的ResNet34神经网络对待预测彩色V-I轨迹图像进行电力指纹辨识。

步骤1具体过程为：

步骤1.1、利用高频采样设备采集稳定工作的电器设备的电压v和电流i数据，得到稳态运行周期内的K个电压-电流数据点(v_n,i_n),n＝1,2,...,K；

步骤1.2、在将电压v作为横坐标，电流i作为纵坐标，制作电压-电流二维平面，并将电压-电流二维平面划分为N×N的单元网格，计算每个单元格的长度和宽度：

式中：i_max、i_min分别为电流采样值的最大值和最小值；v_max、v_min分别为电压采样值的最大值和最小值；Δi、Δv为每个单元格的大小；

步骤1.3、将电压-电流数据点标记在电压-电流二维平面上，当两个相邻点之间的距离D_k大于单个单元格的长度或宽度时，对初始的轨迹进行插值，得到新样本数据点；