基于多特征融合的非侵入式负荷辨识方法研究

doi:10.16628/j.cnki.2095-8188.2023.07.009

电器与能效管理技术 ›› 2023, Vol. 0 ›› Issue (7): 55-60.doi: 10.16628/j.cnki.2095-8188.2023.07.009

基于多特征融合的非侵入式负荷辨识方法研究

魏星琦¹, 张宸宇², 缪惠宇², 陈舒²

1.江苏省电力有限公司, 江苏南京 210003
2.江苏省电力有限公司电力科学研究院, 江苏南京 211103

收稿日期:2023-02-17 出版日期:2023-07-30 发布日期:2023-09-20
作者简介:魏星琦(1990—),男,工程师,主要从事电力系统分析与控制研究。|张宸宇(1989—),男,高级工程师,博士,主要从事智能保护及变电站综合自动化研究。|缪惠宇(1992—),男,博士,主要从事电力电子在电力系统中的应用研究。
基金资助:
2020年江苏省电力有限公司科技项目(J2022021)

Research on Non-Intrusive Load Identification Method Based on Multi-Feature Fusion

WEI Xinqi¹, ZHANG Chenyu², MIAO Huiyu², CHEN Shu²

1. Jiangsu Electric Power Co.,Ltd., Nanjing 210003, China
2. Electric Power Research Institute of Jiangsu Electric Power Co.,Ltd, Nanjing, 211103, China

Received:2023-02-17 Online:2023-07-30 Published:2023-09-20

摘要/Abstract

摘要：

针对传统的非侵入式负荷辨识算法在低频采样数据上辨识准确率较低的问题,提出了一种基于格拉姆角场(GAF)和特征融合的非侵入式负荷辨识算法。通过GAF编码将功率信息转换成彩色图像特征,从而提升辨识度。将图像和功率数据分别输入到卷积神经网络和反向传播神经网络中提取特征,实现特征融合,并作为新的特征参与辨识。用公开数据集对所提辨识方法进行多方面的验证,并与其他分类算法进行对比。结果表明,图像特征所携带的信息量更多,加强了特征的代表性,特征融合能够解决图像编码过程中的信息丢失问题,从而提高了模型的负荷辨识能力。

关键词: 非侵入式负荷辨识, 格拉姆角场, 特征融合, 深度学习

Abstract:

Aiming at the problem that the accuracy of traditional non-intrusive load identification algorithms is low in low-frequency sampling data,a non-intrusive load identification algorithm based on the gram angle field (GAF) and feature fusion is proposed.The collected power information is converted into color image features by GAF technology to improve the identification.The image and power data are input into the convolutional neural network and the backpropagation neural network respectively for feature extraction to achieve feature fusion,which is used as the new feature for identification.The identification method is verified in many aspects of the public data set and compared with different classification algorithms.The results show that the image features carry more information,strengthen the representation of features,and feature fusion can solve the problem of information loss in the process of image coding,and improve the load identification ability of the model.

Key words: non-intrusive load identification, gramian angular field (GAF), feature fusion, deep learning

中图分类号:

TM714

魏星琦, 张宸宇, 缪惠宇, 陈舒. 基于多特征融合的非侵入式负荷辨识方法研究[J]. 电器与能效管理技术, 2023, 0(7): 55-60.

WEI Xinqi, ZHANG Chenyu, MIAO Huiyu, CHEN Shu. Research on Non-Intrusive Load Identification Method Based on Multi-Feature Fusion[J]. LOW VOLTAGE APPARATUS, 2023, 0(7): 55-60.

图/表 7

表1

表2

表3

图1

图2

表4

图3

参考文献 26

[1]	施军花. 绿色认证在低压电器中的运用研究[J]. 电器与能效管理技术, 2017(16):77-82.
[2]	黄柏强, 陈建基, 李盛佳, 等. 分时电价背景下光伏出力园区电动汽车的有序充电策略[J]. 电器与能效管理技术, 2022(9):58-65.
[3]	季慧玉, 黄兢业, 李雪. 用户端系统及智能电器的能效管理标准化研究与应用[J]. 电器与能效管理技术, 2014(9):68-72.
[4]	郑捷欣. 低压电器绿色低碳标准化发展及展望[J]. 电器与能效管理技术, 2022(8):67-70.
[5]	汤奕, 邓克愚, 孙华东, 等. 智能家电参与低频减载协调配合方案研究[J]. 电网技术, 2013, 37(10):2861-2867.
[6]	HART G W. Nonintrusive appliance load monitoring[J]. Proceedings of the IEEE, 1992, 80(12):1870-1891. doi: 10.1109/5.192069
[7]	武昕, 严萌, 郭一凡, 等. 基于结构化特征图谱的组合支持向量机非侵入式负荷辨识[J]. 电力系统自动化, 2022, 46(12):210-219.
[8]	解洋, 梅飞, 郑建勇, 等. 基于V-I轨迹颜色编码的非侵入式负荷识别方法[J]. 电力系统自动化, 2022, 46(4):93-102.
[9]	崔昊杨, 吴轶凡, 江友华, 等. 非侵入式负荷识别的电流序列可视化方法[J]. 电力自动化设备, 2022, 42(7):40-45.
[10]	裘星, 尹仕红, 张之涵, 等. 基于V-I轨迹与高次谐波特征的非侵入式负荷识别方法[J]. 电力工程技术, 2021, 40(6):34-42.
[11]	丁昊, 杨乐, 石鸿凌, 等. 利用数据可视化实现智能非侵入式负荷辨识[J]. 华中科技大学学报(自然科学版), 2021, 49(10):85-90.
[12]	崔昊杨, 蔡杰, 陈磊, 等. 基于颜色编码的非侵入式负荷细粒度识别方法[J]. 电网技术, 2022, 46(4):1557-1567.
[13]	裘星, 尹仕红, 张之涵, 等. 基于改进生成对抗网络的非侵入式负荷预测样本不均衡的改善方法[J]. 电器与能效管理技术, 2022(3):23-29,38.
[14]	祁兵, 董超, 武昕, 等. 基于DTW算法与稳态电流波形的非侵入式负荷辨识方法[J]. 电力系统自动化, 2018, 42(3):70-76.
[15]	罗平, 樊星驰, 章坚民, 等. 基于电器运行状态和深度学习的非侵入式负荷分解[J]. 电力系统自动化, 2021, 45(12):49-56.
[16]	魏广芬, 赵航, 胡春华, 等. 基于香农熵加权投票算法的集成式非侵入式负荷识别方法[J/OL]. 中国电机工程学报:1-13[2022-11-04]. http://kns.cnki.net/kcms/detail/11.2107.tm.20220519.1810.039.html.
[17]	ZHOU Y F, LI F S, LIU L N, et al. Non-intrusive load monitoring method based on the time-segmented state probability[J]. Energy Reports, 2022, 8(S4):1418-1423. doi: 10.1016/j.egyr.2022.02.021
[18]	崔亮节, 孙毅, 刘耀先, 等. 考虑分时段状态行为的非侵入式负荷分解方法[J]. 电力系统自动化, 2020, 44(5):215-222.
[19]	徐晓会, 赵书涛, 崔克彬. 基于卷积块注意力模型的非侵入式负荷分解算法[J]. 电网技术, 2021, 45(9):3700-3706.
[20]	杨秀, 吴吉海, 孙改平, 等. 基于深度学习和迁移学习的公共楼宇非侵入式负荷分解[J]. 电网技术, 2022, 46(3):1160-1169.
[21]	赵妍, 唐文石, 聂永辉, 等. 基于格拉姆角差场和卷积神经网络的宽频振荡分类方法[J/OL]. 电网技术:1-12[2022-11-04].DOI:10.13335/j.1000-3673.pst.2021.2079. doi: 10.13335/j.1000-3673.pst.2021.2079
[22]	XIE G S, ZHANG X Y, YANG W, et al. LG-CNN:From local parts to global discrimination for fine-grained recognition[J]. Pattern Recognition, 2017, 71:118-131. doi: 10.1016/j.patcog.2017.06.002
[23]	WANG Q, LI P, ZHANG L. G2DeNet:Global Gaussian distribution embedding network and its application to visual recognition[C]// Proceedings of the IEEE conference on computer vision and pattern recognition, 2017:2730-2739.
[24]	LIU Y C, WANG X, YOU W. Non-intrusive load monitoring by voltage-current trajectory enabled transfer learning[J]. IEEE Transactions on Smart Grid, 2019, 10(5):5609-5619. doi: 10.1109/TSG.5165411
[25]	CHAWLA N V, BOWYER K W, HALL L O, et al. SMOTE:synthetic minority over-sampling technique[J]. Journal of artificial intelligence research, 2002, 16:321-357. doi: 10.1613/jair.953
[26]	HE H, BAI Y, GARCIA E A, et al. ADASYN:adaptive synthetic sampling approach for imbalanced learning[C]∥Proceedings of International Joint Conference on Neural Networks. New York: IEEE, 2008:1322-1328.

设备名称	样本数量/组	设备名称	样本数量/组
洗碗机	608	冰箱	1 307
照明灯	1 866	火炉	152
微波炉	1 107	洗衣机	1 787
烤箱	73

设备名称	样本数量/组	设备名称	样本数量/组
洗碗机	1 864	冰箱	1 859
照明灯	1 866	火炉	1 890
微波炉	1 824	洗衣机	1 863
烤箱	1 866

网络类型	层类型	参数	具体位置
图像特征提取网络	输入	大小	28 283
	输入	卷积核个数	4
	卷积层1,2	卷积核尺寸	3
	卷积层1,2	卷积层激活函数	ReLU
	全连接层1	个数	150
	全连接层1	激活函数	ReLU
	全连接层2	个数	7
	全连接层2	激活函数	Log_softmax
功率特征提取网络	输入	大小	64
	全连接层1 234	单元数	5 444 342 414
	全连接层1 234	激活函数	ReLU
	全连接层5	单元数	7
	全连接层5	激活函数	Log_softmax
分类网络	输入	个数	164
	全连接层12 345	单元数	1 541 201 005 025
	全连接层12 345	激活函数	ReLU
	全连接层6	单元数	7
	全连接层6	激活函数	Log_softmax

算法	输入	准确率/%
BPNN	一维功率特征	86.7
CNN	二维图像特征	68.6
本文算法	功率数据+图像特征	91.9

基于多特征融合的非侵入式负荷辨识方法研究

Research on Non-Intrusive Load Identification Method Based on Multi-Feature Fusion

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 26

相关文章 8

编辑推荐

Metrics

本文评价

[1]	李海波. 基于改进蜣螂算法优化CNN-BiLSTM-Attention的串联电弧故障检测方法[J]. 电器与能效管理技术, 2024, 0(8): 57-68.
[2]	程俊涵, 王书礼, 蔡志远. 基于AE-LSTM的锂电池剩余使用寿命预测[J]. 电器与能效管理技术, 2023, 0(9): 69-75.
[3]	周凯, 王晓东, 王刚, 刘光伟, 刘颖明. 基于注意力机制的永磁同步风电机组早期匝间短路故障诊断方法[J]. 电器与能效管理技术, 2023, 0(6): 1-8.
[4]	李少飞, 王召斌, 张文行. 基于深度学习的继电器剩余使用寿命预测研究综述[J]. 电器与能效管理技术, 2023, 0(10): 1-7.
[5]	高士珍, 刘树鑫. 基于DDAE的交流接触器状态特征融合方法[J]. 电器与能效管理技术, 2022, 0(6): 57-63.
[6]	饶成成, 罗李毅, 徐健儿. 一种适用输电线路智能巡检的人工智能图像识别方法[J]. 电器与能效管理技术, 2022, 0(10): 38-43.
[7]	刘百鑫, 王召斌, 乔青云, 朱佳淼, 李朕. 基于深度学习的继电器寿命预测方法研究综述[J]. 电器与能效管理技术, 2021, 0(12): 1-6.
[8]	张晨晨, 丁国成, 李坚林, 甄超, 赵昊然, 黄文礼. 基于人工智能和数据驱动的电力变压器声纹识别探索与应用[J]. 电器与能效管理技术, 2021, 0(11): 85-89.