基于格拉姆角场和特征融合的非侵入式负荷辨识方法和系统与流程

1.本发明属于综合能源系统信息挖掘技术领域，涉及基于格拉姆角场和特征融合的非侵入式负荷辨识方法和系统。


背景技术：

2.随着居民生活水平的提高，居民用电量在国民经济总用电量的占比不断增加。据统计，近年来，我国居民家用电器的耗电量占约全国总用电量的12％。以非侵入式负荷监测为代表的负荷监测技术通过监测各用电设备的能耗信息，帮助用户培养绿色生活习惯，节约电能损耗，是实现“碳达峰，碳中和”发展要求的重要举措。
3.目前针对非侵入负荷识别主要包含两部分，第一部分是对非侵入负荷信号的特征提取，第二部分是对不同非侵入负荷的识别。其中，常用的特征提取方法有：将高频的波形信息转换成结构化的图谱特征；利用如v-i轨迹、格拉姆角场等图像编码技术，挖掘原始数据的隐含信息。常用的识别方法有：通过与已建立的负荷稳态波形特征库进行比较，利用动态时间弯曲技术计算出样本间的距离，从而识别负荷；通过将电器模块化，对每个电器单独构建网络；采用香农熵加权投票算法完成负荷辨识。以上方法均是采用高频采样数据进行非侵入式负荷辨识，然而高频采样设备成本高，数据量庞大，不具备较高的实际价值。因此基于低频采样的负荷辨识方法是未来的主要方向，其常用的识别方法有：通过对负荷功率状态进行聚类，计算各时段负荷的运行概率以对负荷进行辨识；利用在卷积神经网络中添加自注意力机制提高负荷辨识精度；采用多模型融合方法对负荷进行辨识，并通过迁移学习的方法增加模型的泛化性。然而，目前结合数据驱动与深度学习技术的非侵入式负荷监测方法研究较少。当前所用的结构化图谱特征方法在图像编码过程中，存在因归一化过程导致特征信息缺失的问题，难以适应非侵入式负荷类型更加复杂的综合能源环境。同时，传统的cnn模型在特征信息量大幅增加的情况下容易出现过拟合进而导致识别性能下降的问题。


技术实现要素：

4.为解决现有技术中存在的不足，本发明提供基于格拉姆角场和特征融合的非侵入式负荷辨识方法和系统，合理训练网络模型，实现高效、准确辨识，可以有效提升在低频采样数据上的辨识准确率，满足低频采集场景下的高效性和准确性，充分提高双碳背景下，综合能源系统非侵入式负荷识别的准确性。
5.本发明采用如下的技术方案。
6.基于格拉姆角场和特征融合的非侵入式负荷辨识方法，包括以下步骤：
7.步骤1、采用格拉姆角场可视化技术将一维有功功率数据转化为二维图像数据；
8.步骤2、将二维图像数据和一维有功功率数据分别输入到训练好的卷积神经网络和反向传播神经网络中进行特征提取，将提取出的图像特征和功率特征进行融合；
9.步骤3、将融合特征输入到训练好的分类网络中对负荷类别进行辨识，完成非侵入
式负荷辨识。
10.优选地，步骤1中，利用格拉姆角场可视化技术将一维的有功功率数据进行特征编码并转换为二维图像数据；
11.电器一维的有功功率数据p＝(p1,p2,
…
,pn)，其中，pi为电器设备i的有功功率采样值，n为电器设备数量，对一维的有功功率数据进行特征编码的具体步骤如下：
12.步骤11、对一维有功功率数据进行预处理；
13.步骤12、利用格拉姆角场矩阵对经过预处理的一维有功功率数据进行二维编码处理，将一维的有功功率信息转换成二维的图像特征并对特征赋予颜色。
14.优选地，步骤11中，对电器有功功率值按照下式进行标准化处理：
[0015][0016]
其中，pi为pi标准化处理后的值，max(p)与min(p)分别是有功功率数据p中的最大值、最小值。
[0017]
优选地，步骤11中，对标准化处理后的值进行坐标编码处理，坐标编码公式为：
[0018][0019]
其中，为将pi进行反余弦生成的角度；
[0020]
pi为pi标准化处理后的值；
[0021]
ti为时间戳；
[0022]
r为时间戳编码后的半径；
[0023]
n为坐标编码常数因子。
[0024]
优选地，步骤12中，所述格拉姆角场矩阵包括：
[0025][0026][0027]
将步骤11得到的同时输入到所述格拉姆角场矩阵中，实现将一维的有功功率信息转换成二维的图像特征并对特征赋予颜色。
[0028]
优选地，所述卷积神经网络、反向传播神经网络和分类网络的训练步骤包括：
[0029]
对设备的一维有功功率数据训练样本集进行数量均衡处理，采用格拉姆角场可视化技术将处理后的一维有功功率数据转化为二维图像数据，将设备的类别编号作为负荷标签；
[0030]
将图像数据和功率数据及其对应的负荷标签均分别输入到构建好的卷积神经网
络和反向传播神经网络中进行同步迭代训练，在每一次迭代训练中将两个网络的输出层前一个隐含层的输出截取出来，得到两个一维数组，将两个一维数组拼接起来形成融合特征；
[0031]
将融合特征和负荷标签输入到构建好的分类网络中进行负荷辨识训练。
[0032]
优选地，对设备的一维有功功率数据训练样本集进行数量均衡处理，以平衡数据集中少数类样本的数量和多数类样本的数量，具体为：
[0033]
数据集中的m个一维有功功率样本记为xi(i＝1,2,
…
m)，xd为数据集中的多数类样本，少数类样本的数量和多数类样本xd的数量分别为ms，md；其中多数类样本与少数类样本具体根据采集到的数据集中各类样本数大小确定；
[0034]
则(1)计算少数类样本需要合成补充的合成样本总个数：
[0035]
g＝(m
d-ms)
×
β
[0036]
式中，β∈[0,1]表示少数类加入合成样本之后，多数类样本与少数类样本的不平衡度，当β＝1时，表示样本是完全平衡的；
[0037]
(2)选出少数类的每个样本xi在n维空间的k个邻近，并计算比率ri：
[0038]ri
＝δi/k
[0039]
式中，δi是少数类的每个样本xi的k个邻近中属于多数类的数量，ri∈(0,1]；
[0040]
(3)按照处理ri，则：∑ri＝1；
[0041]
(4)计算少数类的每个样本xi所需要的合成样本数量：
[0042]gi
＝ri×g[0043]
(5)合成少数类的每个样本xi所需的gi个样本：
[0044]
sj＝xi+(x
zi-xi)
×
λ(j＝1,2,
…
,gi)
[0045]
式中，x
zi
为从xi的k个邻近中随机选择的一个少数类样本；
[0046]
λ是属于[0,1]的随机数。
[0047]
优选地，所述卷积神经网络、反向传播神经网络以及分类网络的全连接层的隐含层部分的激活函数均为relu，输出的激活函数均为log_softmax，且分类网络中的损失函数采用负对数似然损失函数，分类网络为反向传播神经网络。
[0048]
基于格拉姆角场和特征融合的非侵入式负荷辨识系统，包括：
[0049]
数据转化模块，用于采用格拉姆角场可视化技术将一维有功功率数据转化为二维图像数据；
[0050]
特征提取与融合模块，用于将二维图像数据和一维有功功率数据分别输入到训练好的卷积神经网络和反向传播神经网络中进行特征提取，将提取出来的特征进行融合，以实现一维功率特征与二维图像特征的融合；
[0051]
负荷辨识模块，用于将融合特征输入到训练好的分类网络中对负荷类别进行辨识，完成非侵入式负荷辨识。
[0052]
一种终端，包括处理器及存储介质；所述存储介质用于存储指令；
[0053]
所述处理器用于根据所述指令进行操作以执行所述方法的步骤。
[0054]
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述方法的步骤。
[0055]
本发明的有益效果在于，与现有技术相比，
[0056]
将格拉姆角场可视化图像技术、深度学习算法、特征融合技术结合对非侵入式负荷类型进行分类识别，具体的：将一维有功功率数据进行格拉姆角场(gaf)编码，实现对采集得到的各家用电器的一维有功功率数据进行图形化转换，生成二维特征图像数据，并结合训练好的卷积神经网络和反向传播神经网络对不同种类的非侵入式负荷的功率特征和图像特征进行提取与融合，进而实现不同非侵入式负荷的分类与识别。
[0057]
本发明将二维图像数据和一维有功功率数据作为融合特征作为深度学习网络输入，能够提取更深层次、更加全面的数据特征信息，为后续深度学习网络的识别提供了更丰富的特征信息，增强网络识别的准确率；卷积神经网络采用gaf编码图像作为输入，可以有效的从大量样本中学习到相应的特征，避免了复杂的特征提取过程；采用卷积神经网络和反向传播神经网络相结合的方式，能够有效结合非侵入式负荷二维图像数据和一维功率数据的特征，将功率特征和图像特征融合之后，在保留图像特征包含的信息量的同时，可以弥补通过格拉姆角场进行图像编码的过程中，因其中的标准化过程导致功率大小特征缺失的问题，在现有非侵入式负荷类型更加复杂的综合能源环境中有着较好的适应能力，与其他分类方法相比，本发明所提方法相较于其他分类方法有着更加出色的分类效果；所采用的网络在进行分类之前，预先对网络模型进行训练，从而使模型的分类准确率达到最高，进一步地，本发明的数据均衡处理方法可对不平衡的数据集进行处理实现根据少数类样本的困难程度，自适应的合成相应数量的新样本。
[0058]
进一步的，对于本发明研究的非侵入式负荷辨识问题，在分析过程中对比了不同类型的激活函数与损失函数的组合应用方法，采用全连接层relu+输出log softmax+分类网络应用负对数似然损失函数的组合形式的测试结果表现最优，例如：在本发明模型的分类网络中应用softmax+交叉熵损失函数的模型辨识性能低于log softmax+负对数似然损失函数的组合方法。因此，为适用本发明的应用场景，本发明的激活函数与损失函数做出了使模型辨识性能最优的选择。
附图说明
[0059]
图1是基于格拉姆角场和特征融合的非侵入式负荷辨识方法流程图；
[0060]
图2是洗碗机和照明灯经gasf编码后的图像特征；
[0061]
图3是经过与未经过本发明数据均衡处理处理的混淆矩阵；
[0062]
图4是采用单一图像特征的混淆矩阵。
具体实施方式
[0063]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本技术所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例，都属于本发明的保护范围。
[0064]
如图1所示，本发明实施例1提供基于格拉姆角场和特征融合的非侵入式负荷辨识方法，在本发明优选但非限制性的实施方式中，所述方法包括以下步骤：
[0065]
步骤1、采用格拉姆角场可视化技术将一维有功功率数据转化为二维图像数据；
[0066]
进一步优选地，从采集的低频数据中提取各家用电器的一维有功功率数据，利用
格拉姆角场可视化技术将不同种类的非侵入式负荷的一维有功功率数据转换为包含不同负荷功率特征二维图像数据，即图像化的负荷功率。
[0067]
格拉姆角场可视化技术原理为：采用格拉姆角场将一维的时间序列进行特征编码转换为二维的颜色图像。
[0068]
假设有如下的一维有功功率数据序列p＝(p1,p2,
…
,pn)，其中，pi为电器设备i的有功功率采样值，n为电器设备数量。将一维有功功率数据进行格拉姆角场(gaf)编码的具体的实现步骤如下：
[0069]
步骤11、对非侵入式负荷一维有功功率数据进行预处理；
[0070]
(1)标准化：对电器有功功率值按照下式进行标准化处理：
[0071][0072]
其中，pi为pi标准化处理后的值，max(p)与min(p)分别是有功功率数据p中的最大值、最小值。
[0073]
(2)坐标编码处理：对标准化处理后的值进行坐标编码处理，坐标编码公式为：
[0074][0075]
其中，为将标准值进行反余弦生成的角度；
[0076]
ti为时间戳；
[0077]
r为时间戳编码后的半径；
[0078]
n为坐标编码常数因子。
[0079]
需要说明的是，gaf图像转化过程为一维数据-坐标编码-格拉姆矩阵，坐标编码将一维数据的值和时间戳分别为映射为角度和半径，因此虽然后续未用到时间戳编码后的半径r，但该参数对于该转化过程的原理解释是必要的。
[0080]
步骤12、利用格拉姆角场矩阵对经过预处理的一维有功功率数据进行二维编码处理，将一维的有功功率信息转换成二维的图像特征并对特征赋予颜色。
[0081]
进一步优选地，生成格拉姆和角场(gramian angular summation fields,gasf)或者格拉姆差角场(gramian angular difference fields,gadf)。在这一步中，将对应角度相加(相减)，然后取余弦值，生成n阶矩阵，最终的gasf和gadf矩阵分别如下：
[0082][0083][0084]
同时，因为-1《pi《1，arccos()在其定义域内单调递增，对一个pi具有唯一的角度相对应，从而进行编码后的图像也是唯一对应的。这是本发明采用gaf编码相较于其他的
编码方法所具有的优势。
[0085]
可以理解的是，将步骤11得到的同时输入到这上述两个矩阵中，就实现了将一维的有功功率信息转换成二维的图像特征并对特征赋予颜色。两种格拉姆角场gasf和gadf提供了两种不同的可视化方法，根据不同的研究需要采用对应的方法。gaf提供了一种保持时间依赖性的方法，因为时间随着位置从左上到右下移动而增加，而且深度神经网络可以从矩阵主对角线学习到高层特征，以此重构时间序列。
[0086]
步骤2、将二维图像数据和一维有功功率数据分别输入到训练好的卷积神经网络(cnn)和反向传播神经网络(bpnn)中进行特征提取，将提取出来的特征进行融合，以实现一维功率特征与二维图像特征的融合，弥补通过格拉姆角场(gaf)进行图像编码标准化过程导致的特征缺失问题；
[0087]
步骤3、将融合特征作为新的负荷标签输入到训练好的分类网络中对负荷类别进行辨识，完成非侵入式负荷辨识。
[0088]
将融合后的特征作为新的负荷标签对负荷类别进行辨识，完成非侵入式负荷特征的提取、训练和分类。该步骤采用反向传播神经网络提取一维有功功率数据的特征，结合卷积神经网络对于格拉姆角场图像数据的提取特征，实现一维功率特征与二维图像特征的融合，可以弥补通过格拉姆角场进行图像编码的过程中，因其中的标准化过程导致功率大小特征缺失的问题，卷积神经网路采用gasf编码图像作为输入，可以有效的从大量样本中学习到相应的特征，避免了复杂的特征提取过程。所述分类网络采用bpnn，即功率数据的特征提取和最后的负荷识别都采用bpnn来进行。在进行分类之前，需对模型进行训练，从而使模型的分类准确率达到最高。
[0089]
所述卷积神经网络、反向传播神经网络和分类网络的训练步骤包括：
[0090]
基于本发明数据均衡处理将设备采集到的一维有功功率数据进行处理；
[0091]
将处理后的一维有功功率数据通过gasf转换成图像；
[0092]
将设备的类别编号作为负荷标签；
[0093]
将图像数据和功率数据及其对应的标签均分别输入到构建好的cnn和bpnn中进行同步迭代训练，在每一次迭代训练中将两个网络的输出层前一个隐含层的输出截取出来，截取出的是两个一维数组，将两个一维数组拼接起来形成融合特征；其中迭代次数预先自行设置；
[0094]
将融合特征和负荷标签输入到构建好的分类网络中去训练，进行负荷辨识。
[0095]
需要说明的是，训练网络模型时采用本发明数据均衡处理进行数据处理，在使用网络模型时，不需要对输入的数据采用本发明数据均衡处理进行处理。
[0096]
进一步优选地，对于本发明数据均衡处理方式，具体介绍如下：
[0097]
采用redd数据集进行方法验证。redd数据集为美国6个家庭的实测数据，数据包含1秒采样的总电源数据和3秒采样的单独设备数据，本实施例采用其中包含的洗碗机、照明灯、微波炉、烤箱、洗衣机、冰箱、火炉这7种设备，即这7种非侵入式负荷类型。
[0098]
将redd数据集中的6个家庭的所有设备有功功率数据依次进行读取，对读取后的有功功率数据进行处理，提取设备启动时前后的64个采样数据点。
[0099]
数据集中各设备的采样数量差异较大，各设备的采样数量如表1所示，其中照明灯的采样数量最多，达到了1866组，而烤箱的采样数量只有73组。神经网络在提取设备特征
时，从采样数量多的设备中提取的特征要多于采样数量少的设备，使得神经网络对采样数量多的设备的辨识准确率要高于采样数量少的设备。之前的合成少数类过采样技术(synthetic minority oversampling technique,smote)方法将每一类样本都扩充到相同的数量，存在一定的盲目性，因此设计本发明的数据均衡处理方法对不平衡的数据集进行处理。本发明数据均衡处理方法是根据少数类样本的困难程度，自适应的合成相应数量的新样本。
[0100]
对设备的一维有功功率数据训练样本集进行数量均衡处理的流程如下：
[0101]
假设xi(i＝1,2,
…
m)为数据集中的m个样本，xd为数据集中的多数类样本，用ms，md来分别表示少数类样本的数量和多数类样本的数量，具体实施时，多数类样本与少数类样本具体根据采集到的数据集中各类样本数大小确定，比如表1中的照明灯样本数最多，即为多数类样本；烤箱样本数最少，即为少数类样本。
[0102]
本实施例中多数类样本一直以照明灯为参考，少数类样本从烤箱开始到洗衣机均基于本发明数据均衡处理方法进行样本扩充，最终得到表2的处理结果。
[0103]
(1)计算少数类样本需要合成补充的合成样本总个数：
[0104]
g＝(m
d-ms)
×
β
[0105]
式中，β∈[0,1]表示少数类加入合成样本之后，多数类样本与少数类样本的不平衡度，当β＝1时，表示样本是完全平衡的；
[0106]
(2)选出少数类的每个样本xi在n维空间的k个邻近，并计算其比率：
[0107]ri
＝δi/k,i≠d
[0108]
式中，δi是xi的k个邻近中属于多数类的数量，ri∈(0,1]；
[0109]
(3)按照处理ri，则：∑ri＝1；
[0110]
(4)计算少数类的每个样本xi所需要的合成样本数量：
[0111]gi
＝ri×g[0112]
(5)合成少数类的每个样本xi所需的gi个样本：
[0113]
sj＝xi+(x
zi-xi)
×
λ(j＝1,2,
…
,gi)
[0114]
式中，x
zi
为从xi的k个邻近中随机选择的一个少数类样本；
[0115]
λ是属于[0,1]的随机数。
[0116]
表1数据集中各设备的采样数量
[0117]
设备名称样本个数洗碗机608照明灯1866微波炉1107烤箱73冰箱1307火炉152洗衣机1787
[0118]
本发明使用redd数据集对上述方案的辨识方案进行效果验证，具体如下：
[0119]
1)评价指标
[0120]
采用归一化互信息(normalized mutual information,nmi)作为最后识别结果的评价指标。假设a为实际的负荷标签，b为经上述步骤辨识得到的负荷标签，则a，b的互信息为：
[0121]
i(a,b)＝h(a)+h(b)-h(a,b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0122]
式中：h(a)，h(b)分别是a，b的熵；h(a,b)是a，b的联合熵。
[0123][0124][0125][0126]
式中：pa(a)、pb(b)分别表示a，b的概率分布，p
ab
(a,b)表示a，b的联合概率分布。
[0127]
a，b的归一化互信息为：
[0128][0129]
式中：nmi∈[0,1]，数值越接近1，表示识别效果越好。
[0130]
2)数据处理结果
[0131]
经过本发明数据均衡处理方法对数据集处理后，各类样本的数量如表2所示。烤箱的样本数量从73组扩充到了1866组，火炉的样本数量也增加到了1890组，每类设备的样本数量基本保持均衡，使得神经网络对每一类样本的学习度基本保持一致，进一步提高了网络模型的准确率。
[0132]
表2经过处理后的数据集中各设备的采样数量
[0133]
设备名称样本个数洗碗机1864照明灯1866微波炉1824烤箱1866冰箱1859火炉1890洗衣机1863
[0134]
3)网络模型超参数设置
[0135]
设置网络模型的各超参数如表3所示。步骤2中卷积神经网络和反向传播神经网络以及步骤3的分类网络分别对应于表3中的图像特征提取网络、功率特征提取网络和分类网络，这三个网络全连接层的隐含层部分的激活函数都统一设置为relu，输出的激活函数都设置为log_softmax，分类网络中的损失函数采用负对数似然损失函数，优化方法采用adam优化方法，学习率设置为0.003，训练次数为1000次。对于本发明研究的非侵入式负荷辨识问题，在分析过程中对比了不同类型的激活函数与损失函数的组合应用方法，采用全连接层relu+输出log softmax+分类网络应用负对数似然损失函数的组合形式的测试结果表现最优，例如：在本发明模型的分类网络中应用softmax+交叉熵损失函数的模型辨识性能低
于log softmax+负对数似然损失函数的组合方法。因此，为适用本发明的应用场景，本发明的激活函数与损失函数做出了使模型辨识性能最优的选择。
[0136]
表3超参数设置
[0137][0138]
4)图像编码结果
[0139]
选取洗碗机和照明灯两种电器设备的部分图像特征为例。如图2所示，在经过gasf对功率序列进行图像编码之后，增加了颜色特征，使得各类别区分度增加，提升了辨识度。然而，通过对比发现，洗碗机和照明灯的图像特征(2)具有很高的相似度，这是因为在通过gasf进行图像编码时，其中标准化过程将功率序列的数值大小标准化在了[-1,1]这个区间内，使得各类别的功率大小差别不能在图像上表现出来，因此需要将功率序列特征与图像特征融合，弥补此缺陷，以提高模型分类准确率。
[0140]
5)数据集不平衡对结果的影响
[0141]
使用本发明数据均衡处理技术对数据集进行处理之后，包含合成数据，数据集中一共有13032组样本数据。从不包含合成数据的原始数组中，每个类别各随机抽取30组样本数据，作为测试集，其余的包含合成数据的12822组样本作为训练集。
[0142]
对未进行本发明数据均衡处理的原始数据集，同样的从每个类别的电器样本中随机抽取30组数据作为测试集，其余数据作为训练集。其中数据集经过本发明数据均衡处理技术进行不平衡处理之后识别结果的nmi为0.9046，而未经过处理的数据集的nmi为0.716。为了对识别结果进行可视化分析，使用混淆矩阵来更加直观的表示识别结果。上述两种处理方式的识别结果的混淆矩阵如图3所示。
[0143]
图3中每个单元格中的数字代表各个负荷的数量，横坐标为预测的设备类别，纵坐标为真实的设备类别，其中0代表洗碗机，1代表照明灯，2代表微波炉，3代表烤箱，4代表冰箱，5代表火炉，6代表洗衣机。对角线中的数字代表着准确识别的各个相应类别的设备数量。从图3中可以看出烤箱和火炉的正确识别数量得到了提升，证明不平衡数据集的处理有
助于提高模型的识别准确率。
[0144]
6)与不同辨识算法的对比
[0145]
为了验证本发明方案的优越性，针对相同的数据集，运用不同的神经网络和训练模型进行对比分析。以归一化互信息(nmi)和混淆矩阵作为评价指标。
[0146]
选用bpnn和cnn进行对比验证。其中bpnn采用本发明的经过本发明数据均衡处理过后的功率数据作为输入，cnn采用由gasf图像编码技术转换成的二维图像数据作为输入，网络结构也与本发明模型中所采用的卷积神经网络结构保持一致。采用与本发明相同的训练集，测试集拆分模式，最终结果如表4所示。
[0147]
表4与不同负荷辨识算法的准确率对比
[0148][0149][0150]
由表4可以看出，本发明方法比bpnn方法nmi提升了超过0.02，因为相比单纯的功率特征，图像特征能够展示更多的信息；比cnn方法nmi提升了将近0.34，得到了大幅度的提升，由于图像编码过程中对功率数据的标准化，使得图像特征无法体现功率大小，造成模型误识别，所以识别效果较差；从图4可以看出，数据集中7种设备的正确识别数量都远不如本发明。本发明将功率特征和图像特征融合之后，在保留图像特征包含的信息量的同时，弥补了其无法反映功率大小的缺陷，因此对负荷的识别效果均优于其他两种方法。
[0151]
本发明实施例2提供基于格拉姆角场和特征融合的非侵入式负荷辨识系统，所述系统包括：
[0152]
数据转化模块，用于采用格拉姆角场可视化技术将一维有功功率数据转化为二维图像数据；
[0153]
特征提取与融合模块，用于将二维图像数据和一维有功功率数据分别输入到训练好的卷积神经网络和反向传播神经网络中进行特征提取，将提取出来的特征进行融合，以实现一维功率特征与二维图像特征的融合；
[0154]
负荷辨识模块，用于将融合特征输入到训练好的分类网络中对负荷类别进行辨识，完成非侵入式负荷辨识。
[0155]
一种终端，包括处理器及存储介质；所述存储介质用于存储指令；
[0156]
所述处理器用于根据所述指令进行操作以执行所述方法的步骤。
[0157]
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述方法的步骤。
[0158]
本发明的有益效果在于，与现有技术相比，
[0159]
将格拉姆角场可视化图像技术、深度学习算法、特征融合技术结合对非侵入式负荷类型进行分类识别，具体的：将一维有功功率数据进行格拉姆角场(gaf)编码，实现对采集得到的各家用电器的一维有功功率数据进行图形化转换，生成二维特征图像数据，并结合训练好的卷积神经网络和反向传播神经网络对不同种类的非侵入式负荷的功率特征和图像特征进行提取与融合，进而实现不同非侵入式负荷的分类与识别。
[0160]
其中，卷积神经网络采用gaf编码图像作为输入，可以有效的从大量样本中学习到相应的特征，避免了复杂的特征提取过程；
[0161]
所采用的卷积神经网络和反向传播神经网络相结合的方法能够有效结合非侵入式负荷二维图像数据和一维功率数据的特征，将功率特征和图像特征融合之后，在保留图像特征包含的信息量的同时，可以弥补通过格拉姆角场进行图像编码的过程中，因其中的标准化过程导致功率大小特征缺失的问题，在现有非侵入式负荷类型更加复杂的综合能源环境中有着较好的适应能力，与其他分类方法相比，本发明所提方法相较于其他分类方法有着更加出色的分类效果。
[0162]
所采用的网络在进行分类之前，预先对网络模型进行训练，从而使模型的分类准确率达到最高，进一步地，采用本发明数据均衡处理方法对不平衡的数据集进行处理实现根据少数类样本的困难程度，自适应的合成相应数量的新样本。
[0163]
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
[0164]
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
[0165]
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
[0166]
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可
编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
[0167]
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

技术特征：
1.基于格拉姆角场和特征融合的非侵入式负荷辨识方法，其特征在于：所述方法包括以下步骤：步骤1、采用格拉姆角场可视化技术将一维有功功率数据转化为二维图像数据；步骤2、将二维图像数据和一维有功功率数据分别输入到训练好的卷积神经网络和反向传播神经网络中进行特征提取，将提取出的图像特征和功率特征进行融合；步骤3、将融合特征输入到训练好的分类网络中对负荷类别进行辨识，完成非侵入式负荷辨识。2.根据权利要求1所述的基于格拉姆角场和特征融合的非侵入式负荷辨识方法，其特征在于：步骤1中，利用格拉姆角场可视化技术将一维的有功功率数据进行特征编码并转换为二维图像数据；电器一维的有功功率数据p＝(p1,p2,
…
,p
n
)，其中，p
i
为电器设备i的有功功率采样值，n为电器设备数量，对一维的有功功率数据进行特征编码的具体步骤如下：步骤11、对一维有功功率数据进行预处理；步骤12、利用格拉姆角场矩阵对经过预处理的一维有功功率数据进行二维编码处理，将一维的有功功率信息转换成二维的图像特征并对特征赋予颜色。3.根据权利要求2所述的基于格拉姆角场和特征融合的非侵入式负荷辨识方法，其特征在于：步骤11中，对电器有功功率值按照下式进行标准化处理：其中，p
i
为p
i
标准化处理后的值，max(p)与min(p)分别是有功功率数据p中的最大值、最小值。4.根据权利要求3所述的基于格拉姆角场和特征融合的非侵入式负荷辨识方法，其特征在于：步骤11中，对标准化处理后的值进行坐标编码处理，坐标编码公式为：其中，为将p
i
进行反余弦生成的角度；p
i
为p
i
标准化处理后的值；t
i
为时间戳；r为时间戳编码后的半径；n为坐标编码常数因子。5.根据权利要求4所述的基于格拉姆角场和特征融合的非侵入式负荷辨识方法，其特征在于：步骤12中，所述格拉姆角场矩阵包括：
将步骤11得到的同时输入到所述格拉姆角场矩阵中，实现将一维的有功功率信息转换成二维的图像特征并对特征赋予颜色。6.根据权利要求1所述的基于格拉姆角场和特征融合的非侵入式负荷辨识方法，其特征在于：所述卷积神经网络、反向传播神经网络的训练步骤包括：对设备的一维有功功率数据训练样本集进行数量均衡处理，采用格拉姆角场可视化技术将处理后的一维有功功率数据转化为二维图像数据，将设备的类别编号作为负荷标签；将图像数据和功率数据及其对应的负荷标签均分别输入到构建好的卷积神经网络和反向传播神经网络中进行同步迭代训练，在每一次迭代训练中将两个网络的输出层前一个隐含层的输出截取出来，得到两个一维数组，将两个一维数组拼接起来形成融合特征。7.根据权利要求6所述的基于格拉姆角场和特征融合的非侵入式负荷辨识方法，其特征在于：所述分类网络的训练步骤包括：将融合特征和负荷标签输入到构建好的分类网络中进行负荷辨识训练。8.根据权利要求6所述的基于格拉姆角场和特征融合的非侵入式负荷辨识方法，其特征在于：对设备的一维有功功率数据训练样本集进行数量均衡处理，以平衡数据集中少数类样本的数量和多数类样本的数量，具体为：数据集中的m个一维有功功率样本记为x
i
(i＝1,2,
…
m)，x
d
为数据集中的多数类样本，少数类样本的数量和多数类样本x
d
的数量分别为m
s
，m
d
；其中多数类样本与少数类样本具体根据采集到的数据集中各类样本数大小确定；则(1)计算少数类样本需要合成补充的合成样本总个数：g＝(m
d-m
s
)
×
β式中，β∈[0,1]表示少数类加入合成样本之后，多数类样本与少数类样本的不平衡度，当β＝1时，表示样本是完全平衡的；(2)选出少数类的每个样本x
i
在n维空间的k个邻近，并计算比率r
i
：r
i
＝δ
i
/k式中，δ
i
是少数类的每个样本x
i
的k个邻近中属于多数类的数量，r
i
∈(0,1]；(3)按照处理r
i
，则：∑r
i
＝1；
(4)计算少数类的每个样本x
i
所需要的合成样本数量：g
i
＝r
i
×
g(5)合成少数类的每个样本x
i
所需的g
i
个样本：s
j
＝x
i
+(x
zi-x
i
)
×
λ(j＝1,2,
…
,g
i
)式中，x
zi
为从x
i
的k个邻近中随机选择的一个少数类样本；λ是属于[0,1]的随机数。9.根据权利要求1所述的基于格拉姆角场和特征融合的非侵入式负荷辨识方法，其特征在于：所述卷积神经网络、反向传播神经网络以及分类网络的全连接层的隐含层部分的激活函数均为relu，输出的激活函数均为log_softmax，且分类网络中的损失函数采用负对数似然损失函数，分类网络为反向传播神经网络。10.基于格拉姆角场和特征融合的非侵入式负荷辨识系统，用于实现权利要求1-9任一所述的方法，其特征在于：所述系统包括：数据转化模块，用于采用格拉姆角场可视化技术将一维有功功率数据转化为二维图像数据；特征提取与融合模块，用于将二维图像数据和一维有功功率数据分别输入到训练好的卷积神经网络和反向传播神经网络中进行特征提取，将提取出来的特征进行融合，以实现一维功率特征与二维图像特征的融合；负荷辨识模块，用于将融合特征输入到训练好的分类网络中对负荷类别进行辨识，完成非侵入式负荷辨识。11.一种终端，包括处理器及存储介质；其特征在于：所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行根据权利要求1-9任一项所述方法的步骤。12.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-9任一项所述方法的步骤。

技术总结
基于格拉姆角场和特征融合的非侵入式负荷辨识方法和系统，所述方法包括：步骤1、采用格拉姆角场可视化技术将一维有功功率数据转化为二维图像数据；步骤2、将二维图像数据和一维有功功率数据分别输入到训练好的卷积神经网络和反向传播神经网络中进行特征提取，将提取出的图像特征和功率特征进行融合；步骤3、将融合特征输入到训练好的分类网络中对负荷类别进行辨识，完成非侵入式负荷辨识。可以有效提升在低频采样数据上的辨识准确率，满足低频采集场景下的高效性和准确性。采集场景下的高效性和准确性。采集场景下的高效性和准确性。


技术研发人员：李洁 顾水福 周磊 刘乙 李亚飞 朱超群 李圆琪 赵猛 李敏 钱旸
受保护的技术使用者：国网江苏省电力有限公司苏州供电分公司
技术研发日：2023.06.15
技术公布日：2023/10/15