一种基于孪生神经网络模型的负荷识别方法与流程

1.本发明涉及非侵入式负荷识别领域，特别是一种基于孪生神经网络模型的负荷识别方法。


背景技术：

2.负荷识别已广泛应用于日常生活中，用于满足电网调度、人民用电安全需求。随着科技的发展、大数据的应用，深度学习在图像、文本、语音等任务中取得重大成就，但数据却成为了制约其实时应用的短板，现实生活中能够直接利用的数据非常少，利用少量样本数据进行学习成为必然性，因此小样本学习(few-shotlearning)的概念被提出，可分为基于元学习的和基于度量学习的小样本学习方法。基于度量学习的小样本学习通过学习样本与特征之间的映射关系，将样本映射到特征空间，在空间中使用相似性方法实现分类。因此使用基于度量学习的小样本学习智能将样本映射到已知的特征空间，不能学习到新的特征空间。
3.随着负荷识别的模型规模与数据量增多，将负荷识别嵌入到嵌入式设备中即插即用的必要性越来越显著，而嵌入式设备中要求负荷识别的模型尽可能精简与小，因此小样本学习在此凸显出重要的作用，小样本学习不需要大规模的训练集数据与测试集数据，也不需要模型非常大规模，只需要相对非常少的数据量，简单的模型，通过一部分查询集进行度量相似度即可，因此非常适用于在嵌入式设备上部署。此外，小样本学习也适用于图像分类，对于常用家用电器种类不多、不同家用电器v-i轨迹图像有不同的轨迹特征，小样本学习能够敏锐发现特征并将不同特征区分开。


技术实现要素：

4.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。
5.鉴于上述和/或现有的基于孪生神经网络模型的负荷识别方法中存在的问题，提出了本发明。
6.因此，本发明所要解决的问题在于如何提供一种基于孪生神经网络模型的负荷识别方法。
7.为解决上述技术问题，本发明提供如下技术方案：一种基于孪生神经网络模型的负荷识别方法，其包括，通过智能插座获取家用电器的用电特征，采集用电信号；将用电信号通过uart串口输入到计算机设备中；对用电信号采用小波去噪处理，并获取家用电器v-i轨迹平滑曲线；将v-i轨迹图转换为v-i轨迹像素图输入到孪生神经网络模型中进行分类；通过孪生神经网络模型输出家用电器的分类结果。
8.作为本发明所述基于孪生神经网络模型的负荷识别方法的一种优选方案，其中：所述用电信号包括以采样频率为f1采集给定时间δt1内的电压信号与电流信号；所述采样
频率f1应大于2.5khz。
9.作为本发明所述基于孪生神经网络模型的负荷识别方法的一种优选方案，其中：通过uart串口传输数据的波特率为115200。
10.作为本发明所述基于孪生神经网络模型的负荷识别方法的一种优选方案，其中：所述用电信号表示为：
11.s(k)＝f(k)+ε
×
e(k)
12.其中，f(k)为有用信号，s(k)为有用信号的含噪声信号，e(k)为噪声，ε为噪声系数的标准偏差。
13.作为本发明所述基于孪生神经网络模型的负荷识别方法的一种优选方案，其中：所述小波去噪处理包括，对信号进行小波分解，即选择一个小波并确定一个小波分解的层次n，然后对信号进行n层小波分解计算；量化小波分解高频系数的阈值量化，对第1层到第n层的每一层高频系数选择一个阈值进行阈值量化处理，其中量化处理方法采用软阈值量化，即
[0014][0015]
其中，sign(
·
)为符号函数，ω为频率，λ为给定频率；对信号进行小波重构，即根据小波分解的第n层的低频系数和经过量化处理后的第1层到第n层的高频系数，进行信号的小波重构；完成对原始电压、电流信号的小波去噪。
[0016]
作为本发明所述基于孪生神经网络模型的负荷识别方法的一种优选方案，其中：所述获取家用电器v-i轨迹平滑曲线包括以电压为坐标横轴，以电流为坐标纵轴，以同一时刻的采样值(v,i)构成采样点，绘制v-i轨迹图。
[0017]
作为本发明所述基于孪生神经网络模型的负荷识别方法的一种优选方案，其中：所述将v-i轨迹图转换为v-i轨迹像素图包括，将图像分块，分块规则为
[0018][0019]
其中，p(i,j)为分块后的第(i,j)块，r为图像的横轴长度，c为图像的纵轴长度；有轨迹经过的分块置1，没有轨迹经过的分块置0，即
[0020][0021]
其中，(v-i)＝1表示有轨迹经过的分块，(v-i)＝0表示没有轨迹经过的分块；输入到转换过程中为一对v-i轨迹图，其中一个v-i轨迹图为待分类的家用电器v-i轨迹图，另一个v-i轨迹图为查询用的家用电器v-i轨迹图。
[0022]
作为本发明所述基于孪生神经网络模型的负荷识别方法的一种优选方案，其中：所述孪生神经网络模型包括输入层、卷积网络、全连接层和激活函数；其中输入层为一对输入(x1,x2)，所述卷积网络包括卷积层、池化层、全连接层。
[0023]
作为本发明所述基于孪生神经网络模型的负荷识别方法的一种优选方案，其中：所述激活函数包括使用sigmoid函数，输入对(x1,x2)的相似度距离度量公式：
[0024][0025]
其中，σ(
·
)为激活函数，aj为模型在训练时学习到的参数，用于加权分量距离的重要性。
[0026]
作为本发明所述基于孪生神经网络模型的负荷识别方法的一种优选方案，其中：所述分类结果包括，若待分类的家用电器属于已预存在网络模型中的家用电器类型，则分类结果为正确的分类类型；若待分类的家用电器不属于已预存在网络模型中的家用电器类型，则分类结果为已预存类型中最相近的家用电器类型，即为用电特性最为相似的家用电器类型；其中已预存在网络模型中的家用电器类型包括常见的家用电器。
[0027]
本发明有益效果为只需要少量的样本数据即可完成分类，且分类效果在预给定的家用电器类型中效果较好，能够个性化定制家用电器的负荷识别模型；本方法使用的算法模型规模小，所需的内存空间可以压缩的非常小，非常适合部署到嵌入式设备中运行，对嵌入式设备的算力要求、空间要求较为宽松，部署到嵌入式设备的能效比较高；此外，本方法采用孪生神经网络，基于经典卷积神经网络进行优化，既有卷积神经网络的特征，也有针对负荷识别算法的改进，对图像类特征的识别效果较好，能有效发现图像中的局部特征，以此作为识别分类的依据，因此是非常适合负荷识别领域。
附图说明
[0028]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0029]
图1为基于孪生神经网络模型的负荷识别方法的流程图。
[0030]
图2为基于孪生神经网络模型的负荷识别方法的孪生神经网络模型结构图。
具体实施方式
[0031]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0032]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0033]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0034]
实施例1
[0035]
参照图1，为本发明第一个实施例，该实施例提供了一种基于孪生神经网络模型的负荷识别方法，基于孪生神经网络模型的负荷识别方法包括：
[0036]
s1，通过智能插座获取家用电器的用电特征，以采样频率为f1采集给定时间δt1内的电压信号与电流信号。
[0037]
其中，所用智能插座获取家用电器的采样频率f1应大于2.5khz，以使采样得到的电压信号与电流信号尽可能多，本实施例中智能插座本身配置的采样芯片采样频率较高，为6.4khz，可以有效保留电压、电流信号中的有效信息，同时引入的采样噪声也越多。
[0038]
s2，将家用电器的用电信号通过串口uart输入到计算机设备中。
[0039]
具体的，通过串口uart传输数据的波特率为115200，通过串口uart与usb转换接入到计算机设备中，完成硬件通讯。
[0040]
s3，对用电信号采用小波去噪处理，并获取家用电器v-i轨迹平滑曲线。
[0041]
具体的，原始用电信号可以表示为：s(k)＝f(k)+ε
×
e(k)。
[0042]
其中，f(k)为有用信号，s(k)为有用信号的含噪声信号，e(k)为噪声，ε为噪声系数的标准偏差。
[0043]
更进一步的，对原始电压、电流信号采用小波去噪方法保留特征提取部分，步骤为：s3.1，对信号进行小波分解，即选择一个小波并确定一个小波分解的层次n，然后对信号进行n层小波分解计算，在本实施例中，采用的小波函数为morlet小波，该小波函数的表达式为：
[0044][0045]
其中ω0为频窗中心频率，t为时间；采用的小波分解层次n＝3。
[0046]
s3.2，量化小波分解高频系数的阈值量化，对第1层到第3层的每一层高频系数选择一个阈值进行阈值量化处理，其中量化处理方法采用软阈值量化，即——
[0047][0048]
其中，sign(
·
)为符号函数，ω为频率，λ为给定频率。
[0049]
s3.3，对信号进行小波重构，即根据小波分解的第3层的低频系数和经过量化处理后的第1层到第3层的高频系数，进行信号的小波重构。
[0050]
s3.4，完成对原始电压、电流信号的小波去噪。以电压为坐标横轴，以电流为坐标纵轴，以同一时刻的采样值(v,i)构成采样点，绘制v-i轨迹图。
[0051]
s4，将家用电器的v-i轨迹图转换为v-i轨迹像素图输入到孪生神经网络模型中进行小样本分类。
[0052]
具体的，输入到网络中的为一对v-i轨迹图，其中一个v-i轨迹图为待分类的家用电器v-i轨迹图，另一个v-i轨迹图为查询用的家用电器v-i轨迹图。
[0053]
先将输入的v-i轨迹图转换为v-i轨迹像素图，转换规则为将图像分块，分块规则为：
[0054][0055]
其中，p(i,j)为分块后的第(i,j)块，r为图像的横轴长度，c为图像的纵轴长度。
[0056]
有轨迹经过的分块置1，没有轨迹经过的分块置0，即
[0057][0058]
其中，(v-i)＝1表示有轨迹经过的分块，(v-i)＝0表示没有轨迹经过的分块。
[0059]
孪生神经网络模型包括输入层、卷积网络、全连接层和激活函数。其中输入层为一对输入(x1,x2)，卷积网络包含卷积层、池化层、全连接层结构，其中，卷积网络采用alexnet网络结构，输入为(227
×
227
×
3)的图像，经过网络结构后输出为一个一维向量，该网络使用relu作为激活函数，并使用多种方法避免过拟合。注意到在本实施例中，输入图像的第三维坐标恒为1或0，没有使用rgb作为第三维坐标。
[0060]
其中，alexnet网络结构为输入层、卷积层1、最大池化层、卷积层2、最大池化层、卷积层3、卷积层4、卷积层5、最大池化层、全连接层1、全连接层2、全连接层3以及输出层。
[0061]
具体的，输入层大小为(227
×
227
×
3)，卷积层1使用96个(11
×
11)的过滤器、步长为1、填充为0，输出为96个(55
×
55
×
96)的图像；最大池化层使用(3
×
3)的过滤器、步长为2、填充为0；卷积层2使用256个(5
×
5)的过滤器、步长为1、填充为2，输出为256个(27
×
27
×
256)的图像；卷积层3使用384个(3
×
3)的过滤器、步长为1、填充为1，输出为384个(13
×
13
×
384)的图像；卷积层4使用384个(3
×
3)的过滤器、步长为1、填充为1，输出为384个(13
×
13
×
384)的图像；卷积层5使用256个(3
×
3)的过滤器、步长为1、填充为1，输出为256个(13
×
13
×
256)的图像；全连接层1有4096个神经元，全连接层2有4096个神经元，全连接层3有1000个神经元。
[0062]
输入对经过同一个卷积神经网络后，最后一个卷积层的高维向量被展开为单个向量输入到全连接层中，并根据全连接层的输出(r1,r2)计算诱导距离d(x1,x2)＝|r
1-r2|，最后使用激活函数进行预测，激活函数使用sigmoid函数，最终，输入对(x1,x2)的相似度距离度量公式为：
[0063][0064]
其中，σ(
·
)为激活函数，aj为模型在训练时学习到的参数，r表示全连接层的输出，用于加权分量距离的重要性。
[0065]
s5，孪生神经网络模型输出家用电器的分类结果，其中分类为已预存在网络模型中的家用电器类型。
[0066]
其中，已预存在网络模型中的家用电器类型包括常见的家用电器。若待分类的家用电器属于已预存在网络模型中的家用电器类型，则分类结果为正确的分类类型；若待分类的家用电器不属于已预存在网络模型中的家用电器类型，则分类结果为已预存类型中最相近的家用电器类型，为用电特性最为相似的家用电器类。
[0067]
由上可知，本发明对比现有技术需要使用大量的样本数据或使用已有数据集才能进行训练模型与分类，本方法只需要少量的样本数据即可完成分类，且分类效果在预给定的家用电器类型中效果较好，能够个性化定制家用电器的负荷识别模型；现有技术的算法模型较大且冗余度较高，现有模型甚至是深度学习模型非常不适合部署到嵌入式设备中使用。本方法使用的算法模型规模小，所需的内存空间可以压缩的非常小，非常适合部署到嵌入式设备中运行，对嵌入式设备的算力要求、空间要求较为宽松，部署到嵌入式设备的能效比较高；此外，本方法采用孪生神经网络，基于经典卷积神经网络进行优化，既有卷积神经网络的特征，也有针对负荷识别算法的改进，对图像类特征的识别效果较好，能有效发现图像中的局部特征，以此作为识别分类的依据，因此是非常适合负荷识别领域。
[0068]
实施例2
[0069]
本发明第二个实施例，为对本方法中采用的技术效果加以验证说明，采用经典深度学习模型部署到智能插座中，与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
[0070]
采用经典深度学习模型部署到同型测试设备中，采用的算法为决策树，即通过电压、电流有效值、2-11次谐波、总谐波因数、有功功率、无功功率、视在功率进行多次判断，因特征较多，决策树的层次较多，因此模型冗余较大。算法训练完成后直接进行部署负荷识别。表1为测试环境表；表2为实验结果对比表。
[0071]
测试环境：如表1所示，测试设备1部署经典深度学习模型，测试设备2部署本发明方法。统计不同智能终端的负荷识别准确率与模型大小，结果如表2所示。
[0072]
表1测试环境表
[0073][0074]
表2实验结果对比表
[0075]
测试组测试设备1测试设备2准确率85.7％92.2％模型大小892kb341kb
[0076]
实验结果标明，部署经典深度学习模型在测试设备中的负荷识别准确率为85.7％，而使用本发明方法部署在测试设备中，负荷识别准确率为92.2％，提升约6.5％，负荷识别准确率有小幅提升，模型规模从892kb下降到341kb，缩小一半以上，具有十分优秀的体积优势，所需的内存空间很小，非常适合部署到嵌入式设备中使用。
[0077]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种基于孪生神经网络模型的负荷识别方法，其特征在于：通过智能插座获取家用电器的用电特征，采集用电信号；将用电信号通过uart串口输入到计算机设备中；对用电信号采用小波去噪处理，并获取家用电器v-i轨迹平滑曲线；将v-i轨迹图转换为v-i轨迹像素图输入到孪生神经网络模型中进行分类；通过孪生神经网络模型输出家用电器的分类结果。2.如权利要求1所述的基于孪生神经网络模型的负荷识别方法，其特征在于：所述用电信号包括以采样频率为f1采集给定时间δt1内的电压信号与电流信号；所述采样频率f1应大于2.5khz。3.如权利要求1或2所述的基于孪生神经网络模型的负荷识别方法，其特征在于：通过uart串口传输数据的波特率为115200。4.如权利要求3所述的基于孪生神经网络模型的负荷识别方法，其特征在于：所述用电信号表示为：s(k)＝f(k)+ε
×
e(k)其中，f(k)为有用信号，s(k)为有用信号的含噪声信号，e(k)为噪声，ε为噪声系数的标准偏差。5.如权利要求1、2或4任一所述的基于孪生神经网络模型的负荷识别方法，其特征在于：所述小波去噪处理包括如下步骤，对信号进行小波分解，即选择一个小波并确定一个小波分解的层次n，然后对信号进行n层小波分解计算；量化小波分解高频系数的阈值量化，对第1层到第n层的每一层高频系数选择一个阈值进行阈值量化处理，其中量化处理方法采用软阈值量化，即其中，sign(
·
)为符号函数，ω为频率，λ为给定频率；对信号进行小波重构，即根据小波分解的第n层的低频系数和经过量化处理后的第1层到第n层的高频系数，进行信号的小波重构；完成对原始电压、电流信号的小波去噪。6.如权利要求5所述的基于孪生神经网络模型的负荷识别方法，其特征在于：所述获取家用电器v-i轨迹平滑曲线包括以电压为坐标横轴，以电流为坐标纵轴，以同一时刻的采样值(v,i)构成采样点，绘制v-i轨迹图。7.如权利要求6所述的基于孪生神经网络模型的负荷识别方法，其特征在于：所述将v-i轨迹图转换为v-i轨迹像素图包括，将图像分块，分块规则为其中，p(i,j)为分块后的第(i,j)块，r为图像的横轴长度，c为图像的纵轴长度；有轨迹经过的分块置1，没有轨迹经过的分块置0，即
其中，(v-i)＝1表示有轨迹经过的分块，(v-i)＝0表示没有轨迹经过的分块；输入到转换过程中为一对v-i轨迹图，其中一个v-i轨迹图为待分类的家用电器v-i轨迹图，另一个v-i轨迹图为查询用的家用电器v-i轨迹图。8.如权利要求6或7所述的基于孪生神经网络模型的负荷识别方法，其特征在于：所述孪生神经网络模型包括输入层、卷积网络、全连接层以及激活函数；其中输入层为一对输入(x1,x2)，所述卷积网络包括卷积层、池化层和全连接层。9.如权利要求8所述的基于孪生神经网络模型的负荷识别方法，其特征在于：所述激活函数包括使用sigmoid函数，输入对(x1,x2)的相似度距离度量公式：其中，σ(
·
)为激活函数，a
j
为模型在训练时学习到的参数，用于加权分量距离的重要性。10.如权利要求1、2、4、6、7或9任一所述的基于孪生神经网络模型的负荷识别方法，其特征在于：所述分类结果包括，若待分类的家用电器属于已预存在网络模型中的家用电器类型，则分类结果为正确的分类类型；若待分类的家用电器不属于已预存在网络模型中的家用电器类型，则分类结果为已预存类型中最相近的家用电器类型，即为用电特性最为相似的家用电器类型；其中已预存在网络模型中的家用电器类型包括常见的家用电器。

技术总结
本发明公开了一种基于孪生神经网络模型的负荷识别方法，涉及非侵入式负荷识别领域，包括通过智能插座获取家用电器的用电特征，采集用电信号；将用电信号通过UART串口输入到计算机设备中；对用电信号采用小波去噪处理，并获取家用电器V-I轨迹平滑曲线；将V-I轨迹图转换为V-I轨迹像素图输入到孪生神经网络模型中进行分类；输出家用电器的分类结果。本发明只需要少量样本数据即可完成分类，且分类效果在预给定的家用电器类型中效果较好；使用的算法模型规模小，非常适合部署到嵌入式设备中运行；基于经典卷积神经网络进行优化，既有卷积神经网络的特征，也有针对负荷识别算法的改进，能有效发现图像中的局部特征，作为识别分类的依据。类的依据。类的依据。


技术研发人员：谈竹奎 刘斌 张俊玮 邓松 欧阳广泽 高吉普 徐玉韬 曾鹏 唐赛秋 范强 陈敦辉 张后谊 许乐
受保护的技术使用者：贵州电网有限责任公司
技术研发日：2023.04.21
技术公布日：2023/8/24