本發(fā)明屬于非侵入式電氣負荷監(jiān)測，具體涉及一種非侵入式負荷識別與控制方法。

背景技術：

1、隨著社會的快速發(fā)展，越來越多的電器設備進入到千家萬戶，在實現(xiàn)生活便利化的同時也出現(xiàn)了局部電能緊張的問題。通過非侵入式負荷監(jiān)測技術在電力供給的入口處裝上采集器，收集電流、電壓、功率等電力信號特征，進行電氣負荷識別和電能量測，實現(xiàn)對用戶用電情況的精確獲取?；谒坍嫷碾姎庳摵深悇e、事件，用戶能了解其用電特征；而供電企業(yè)依據(jù)這些精細化的用電數(shù)據(jù)，可制定合理的電力調度計劃，實現(xiàn)電網(wǎng)的峰谷平衡，提高電能的利用效率。

2、目前，非侵入式負荷監(jiān)測技術主要有事件檢測和負荷辨識。在實際使用時，非侵入式電氣負荷識別研究關注的是電氣負荷識別結果的準確率。

3、如公開號為cn217278616中國專利《一種家用電器用電特征的采集裝置》，該專利所提供了一種能在復雜干擾環(huán)境下能夠穩(wěn)定采集符合數(shù)據(jù)的硬件裝置，降低噪聲對負荷識別結果準確率的影響，并通過直接監(jiān)測用戶的總負荷電能信息來獲知各用電負荷的類別，運行情況以及相關參數(shù)。

4、公開號為cn214473641中國專利《一種基于軌跡圖像識別的一種非侵入式負荷識別方法》，該專利提供了一種將負荷數(shù)據(jù)轉換為v-i軌跡圖，再利用成熟圖像算法提高識別結果的負荷識別裝置；裝置包括電流互感器、電壓互感器、電能計量芯片、主控芯片、ai處理器、無線通信設備、云服務器，所建立的v-i軌跡圖庫相比現(xiàn)有的電器特征庫，更加簡單。

5、隨著國民經(jīng)濟和科學技術的高速發(fā)展，越來越多的家電產(chǎn)品被生產(chǎn)制造，家電負荷種類也越來越多，給家電負荷識別帶來了困難，尤其是在識別特征相似的家電負荷時經(jīng)常發(fā)生誤判。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種非侵入式負荷識別方法、控制方法，用于根據(jù)電參數(shù)的采樣數(shù)據(jù)來對負荷類型特征進行識別與控制，且能夠降低對特征相似電氣負荷的誤判。

2、為解決上述技術問題，本發(fā)明提供一種非侵入式負荷識別方法，包括以下步驟：

3、s1、初始化，在電氣負荷電力供給入口處設置電氣信號傳感單元，建立一個基于vggnet-vit網(wǎng)絡的電氣負荷辨識模型；

4、s2、獲取電氣負荷動作信號或電參數(shù)跳變信號，判斷是否發(fā)生負荷投入事件，若是則開始采集一個新傳感數(shù)據(jù)樣本，記錄當前工作負荷類型，并轉步驟s3，否則轉步驟s4；

5、s3、判斷當前傳感數(shù)據(jù)樣本是否需要補充，若是則轉步驟s4，否則轉步驟s7；

6、s4、獲取并記錄電參數(shù)傳感數(shù)據(jù)；

7、s5、檢測有無退出指令，若有則轉步驟s14，否則轉下一步驟s6；

8、s6、等待下一周期，轉步驟s2；

9、s7、對樣本中的電參數(shù)傳感數(shù)據(jù)序列進行降噪和歸一化處理，并將歸一化后的數(shù)據(jù)序列繪制為vi軌跡圖；

10、s8、對所述vi軌跡圖進行連續(xù)化處理后形成連續(xù)軌跡圖；

11、s9、基于所述電氣負荷辨識模型，對所形成的連續(xù)軌跡圖，分別通過vggnet卷積網(wǎng)絡、vit?transformer編碼網(wǎng)絡兩個網(wǎng)絡并行地進行特征提??；

12、s10、將所述兩個網(wǎng)絡輸出的特征進行特征融合后，由全連接層和分類層處理后輸出屬于各負荷類型的概率及最終負荷類型；

13、s11、根據(jù)當前模式進行跳轉，若為離線訓練模式，則轉步驟s12，否則轉步驟s13；

14、s12、根據(jù)分類層中訓練集各樣本的概率輸出、樣本所記錄的工作負荷類型、及交叉熵損失函數(shù)計算預測誤差，基于所計算的預測誤差通過反向傳播來訓練所述基于vggnet-vit網(wǎng)絡的電氣負荷辨識模型，對網(wǎng)絡模型中的參數(shù)進行更新，迭代訓練直至訓練結束，轉步驟s2；

15、s13、將負荷類型作為識別結果輸出，轉步驟s5；

16、s14、結束負荷識別。

17、作為優(yōu)選，所述步驟s2中包括：s21、判斷是否發(fā)生負荷投切事件，若是則轉步驟s22，否則轉步驟s4；

18、s22、判斷當前事件是否為切出事件，若是則轉步驟s3，否則開始采集一個新傳感數(shù)據(jù)樣本，記錄當前工作負荷類型，賦值當前狀態(tài)為采集樣本狀態(tài)，并轉步驟s3，

19、所述步驟s3中包括：

20、s31、若當前處于采集樣本狀態(tài)，則判斷當前數(shù)據(jù)序列長度是否滿足樣本要求，若是則賦值當前狀態(tài)為初始狀態(tài)并轉步驟s32，否則直接轉步驟s32；

21、s32、判斷樣本集是否充足，若是則轉步驟s7，否則轉步驟s4。

22、作為優(yōu)選，所述步驟s2中，為形成訓練集，對同一種電氣負荷工況，在該電氣負荷投入與切出之間的多個時間片段中采集一個新傳感數(shù)據(jù)樣本，每個片段分別對應一個訓練樣本。

23、作為優(yōu)選，所述步驟s2中，還通過發(fā)出指令使電氣負荷動作，以產(chǎn)生投入或切出事件。

24、作為優(yōu)選，所述步驟s2中，在獲取電氣負荷動作信號時，監(jiān)測所采集的電參數(shù)信號，若發(fā)現(xiàn)電壓暫降幅度超過所設定的電壓降閾值du且持續(xù)時間達到設定閾值時長如0.5個工頻周期，則判定為出現(xiàn)電氣負荷投入事件。其中，所述電壓降閾值du可設定為額定電壓的5％至10％?；蛘?，監(jiān)測每周期的電流有效值的增量，當某一周期的電流有效值增量大于預先設定的電流有效值增量閾值di，則判定為有電氣負荷投入事件。

25、作為優(yōu)選，所述步驟s2中，在獲取電氣負荷動作信號時，以電流序列中當前檢測點位置或當前時刻為尾端，以所述尾端前一個工頻周期統(tǒng)計當前電流有效值，計算當前電流有效值與其之前電流有效值的差分值，以所述差分值與先驗的電氣負荷中任一電器投入時電流有效值的差分值特征進行比較，若前者超過后者第一預設倍數(shù)，則判定為發(fā)生電氣負荷投入事件。

26、作為優(yōu)選，所述步驟s6中的周期為采樣周期，所述采樣周期為工頻周期的系數(shù)倍，且系數(shù)在1/100至1/32之間取值；

27、所述步驟s31中所述樣本要求為：當前數(shù)據(jù)序列長度的時間范圍取為工頻周期的整數(shù)倍，如可取為2至5個工頻周期的時長；

28、所述步驟s4中，以穩(wěn)態(tài)狀態(tài)下，投入事件后的電流與事件前電流在同相位上的差分值作為電流序列中當前點位值。

29、當起始監(jiān)測時刻多個電氣負荷處于工作狀態(tài)時，回溯地計算電參數(shù)序列的電流值；即等待某一種電氣負荷切出事件發(fā)生后，用穩(wěn)態(tài)狀態(tài)下事件前的電流與事件后電流在同相位上的差分值作為所述工況樣本制作vi軌跡圖所需的電流序列的各點位值。

30、作為優(yōu)選，所述步驟s2包括：以電壓、電流及對應功率等數(shù)據(jù)序列中當前檢測位置處的電參數(shù)跳變量特征、與先驗的電氣負荷中任一電器投入或切出時電參數(shù)跳變量特征進行相似度計算，若所獲相似度值高于預設相似度閾值時，判定當前檢測位置存在所述電器的投入或切出負荷事件。

31、作為優(yōu)選，所述電參數(shù)跳變量為由單位時間內統(tǒng)計出的電流有效值、功率等組成的向量，所述相似度計算采用余弦相似度。

32、作為優(yōu)選，所述步驟s2包括：在獲取電氣負荷動作信號時，監(jiān)測由電氣信號傳感單元在電氣負荷電力供給入口處所采集的電參數(shù)信號，若發(fā)現(xiàn)電壓暫降幅度超過所設定的電壓降閾值du且持續(xù)時間達到0.5個工頻周期，則判定為出現(xiàn)電氣負荷投入事件。

33、作為優(yōu)選，所述步驟s7中，數(shù)據(jù)歸一化處理采用公式：其中，x為電壓值或電流值，a為避免上下限雙邊區(qū)域數(shù)值飽和的大于1的底數(shù)；經(jīng)歸一化處理后所得的離散數(shù)據(jù)流構造成長度相等、且沿時間相位對齊的電壓數(shù)據(jù)序列和電流數(shù)據(jù)序列，

34、所述步驟s12中，迭代訓練所述電氣負荷辨識模型時，根據(jù)樣本的電氣負荷工況類型實際值和模型輸出值，調整網(wǎng)絡的連接權值。

35、作為優(yōu)選，所述步驟s7包括：繪制vi軌跡圖時，先創(chuàng)建一個m×m的全零網(wǎng)格背景圖，再將歸一化后電壓、電流數(shù)據(jù)序列依對齊位置組成數(shù)對后，按比例映射到背景圖中的相應網(wǎng)格處并在對應網(wǎng)格處置1，對數(shù)據(jù)序列中所有數(shù)據(jù)點映射完成后形成初始二值化vi軌跡圖；

36、所述步驟s8包括：連續(xù)化處理中，以一個結構元素遍歷所述二值化vi軌跡圖，將所述結構元素中心點沿所述二值化vi軌跡圖中的每一個非零網(wǎng)格逐步移動，將移動期間所述結構元素與二值化vi軌跡圖的非零網(wǎng)格并集構造為連續(xù)軌跡圖；以連續(xù)軌跡圖中心為起端，以電流數(shù)據(jù)序列所對應電流有效值為系數(shù)，設置一根高度為所述系數(shù)與軌跡圖半高乘積、灰度值為所述系數(shù)與255乘積的直線段，形成基于灰度的連續(xù)軌跡圖；

37、所述步驟s9中，以所述基于灰度的連續(xù)軌跡圖作為樣本輸入所述電氣負荷辨識模型。

38、作為優(yōu)選，所述步驟s1中所述基于vggnet-vit網(wǎng)絡的電氣負荷辨識模型包括：圖片輸入層、深度學習模型特征提取部、特征融合部和負荷辨識部；

39、其中，深度學習模型特征提取部包括第一深度網(wǎng)絡特征提取部、第二深度網(wǎng)絡特征值提取部兩個并行分支，所述第一深度網(wǎng)絡特征提取部采用vggnet卷積網(wǎng)絡，所述第二深度網(wǎng)絡特征值提取部采用vit?transformer編碼網(wǎng)絡；

40、所述負荷辨識部包括全連接層和分類層；所述特征融合部將兩種不同維度的特征向量融合成一個特征向量，并將融合后的特征向量輸入到所述全連接層。

41、作為優(yōu)選，所述vggnet卷積網(wǎng)絡的結構由卷積層、池化層、卷積層、池化層、卷積層、卷積層、池化層、卷積層、卷積層、池化層、卷積層、卷積層、池化層依次連接而成，所述的池化層從圖像的局部區(qū)域選取最大值，

42、所述vit?transformer編碼網(wǎng)絡包括圖形分割層、線性映射層、位置編碼層、transformer編碼器層；其中，所述圖形分割層將輸入的圖片分割成若干個大小相等的圖片塊后輸出給線性映射層；所述線性映射層將單個二維圖片塊轉換為一維向量，并將所有圖像塊生成的一維向量構建詞向量；所述的位置編碼層將位置信息加入詞向量，同時在詞向量中添加一個表示頭部的特殊字符；所述transformer編碼器中包含13個transformer層，其中每個transformer層由歸一化層、多頭注意力機制模塊和多層感知模塊組成。

43、作為優(yōu)選，所述全連接層將特征融合部所得到的特征信息投射到樣本標簽空間，之后由soffmax層轉換為分類概率后，將概率最大的負荷類型作為識別結果輸出。

44、作為優(yōu)選，所述步驟s13包括：在識別出電氣負荷類型后，還將負荷事件的發(fā)生時刻轉換為絕對時間后進行存儲，將所述絕對時間及電氣負荷類型輸出；或者，將所采集的電參數(shù)信號進行濾波后得到的離散數(shù)據(jù)流以曲線形式動態(tài)地顯示在所述顯示屏上，并在所述曲線上標出所識別出的負荷類型。

45、作為優(yōu)選，所述步驟s1中，還訂閱手持終端的獲取信息主題；所述步驟s13包括：響應于該主題消息將所檢測出的負荷類型及對應投入時刻通過服務器傳送給所述手持終端；或者在檢測到負荷投入事件后將所識別出的負荷類型及對應時刻通過事件主題消息發(fā)布的形式傳送給服務器。

46、在本發(fā)明的另一個實施例中，還提供一種非侵入式負荷控制方法，包括以下步驟：

47、t1、初始化，在電氣負荷電力供給入口處設置電氣信號傳感單元，建立一個基于vggnet-vit網(wǎng)絡的電氣負荷辨識模型，對各電氣負荷的每個典型性工況進行任意排列并形成對應的操作指令集；

48、t2、發(fā)出指令使電氣負荷動作，以產(chǎn)生投入或切出事件；在每一次負荷投入事件發(fā)生后，開始采集一個新傳感數(shù)據(jù)樣本，記錄當前工作負荷類型，并轉步驟t3，否則轉步驟t4；

49、t3、判斷當前工況下傳感數(shù)據(jù)樣本是否需要補充，若是則轉步驟t4，否則轉步驟t5；

50、t4、獲取、記錄電參數(shù)傳感數(shù)據(jù)，并檢測有無退出指令，若有則轉步驟t14，否則轉下一步驟t6；

51、t5、判斷用于網(wǎng)絡模型訓練的樣本集是否充足，若是則轉步驟t7，否則依次從所述操作指令集中提取一條指令，轉步驟t2；

52、t6、等待下一周期，轉步驟t2；

53、t7、對樣本集內各樣本中的電參數(shù)傳感數(shù)據(jù)序列進行降噪和歸一化處理，并將歸一化后的數(shù)據(jù)序列繪制為vi軌跡圖；

54、t8、對所述vi軌跡圖進行連續(xù)化處理后形成連續(xù)軌跡圖；

55、t9、基于所述電氣負荷辨識模型，對所形成的連續(xù)軌跡圖，分別通過vggnet卷積網(wǎng)絡、vit?trantformer編碼網(wǎng)絡兩個網(wǎng)絡并行地進行特征提?。?/p>

56、t10、將所述兩個網(wǎng)絡輸出的特征進行特征融合后，由全連接層和分類層處理后輸出屬于各負荷類型的概率及最終負荷類型；

57、t11、根據(jù)當前模式進行跳轉，若為離線訓練模式，則轉步驟t12，否則轉步驟t13；

58、t12、根據(jù)分類層中訓練集各樣本的概率輸出、樣本所記錄的工作負荷類型、及交叉熵損失函數(shù)計算預測誤差，基于所計算的預測誤差通過反向傳播來訓練所述基于vggnet-vit網(wǎng)絡的電氣負荷辨識模型，對網(wǎng)絡模型中的參數(shù)進行更新，迭代訓練直至訓練結束，轉步驟t2；

59、t13、將負荷類型作為識別結果輸出，并進行異常負荷狀態(tài)檢測，

60、若所識別出的負荷類型其工作時間段不包括當前時間，則發(fā)出異常警告，并可經(jīng)過或不經(jīng)過確認后斷開該類型負荷的供電，

61、若一種電氣負荷其工作時間段包括當前時間，但其并沒有包括在當前所識別出的負荷類型中，則發(fā)出異常警告，并可經(jīng)過或不經(jīng)過確認后自動閉合該類型負荷的供電，

62、若當前電流有效值與其之前電流有效值的差分值超過一個預設倍數(shù)，則判定為發(fā)生電氣負荷異常事件，控制電氣負荷供電入口處開關動作，切斷電力輸入，

63、轉步驟t5；

64、t14、結束負荷識別與控制。

65、采用本發(fā)明方案，與現(xiàn)有技術相比，具有以下優(yōu)點：本發(fā)明構造基于vggnet-vit網(wǎng)絡的電氣負荷辨識模型，以電氣負荷投入與切出之間的多個時間片段來生成訓練樣本，用訓練樣本集對模型進行訓練后，經(jīng)訓練的模型用于在線對電氣負荷類型進行辨識，并將所識別出的負荷類型及投切事件輸出，從而為用戶對電器工作時段、能耗分布等特征的分析提供了基礎。本發(fā)明對應用場景下電氣負荷采用統(tǒng)一的映射式進行電參數(shù)值的歸一化處理，從而能即時對數(shù)據(jù)流進行處理以生成辨識模型的輸入，提高了識別的實時性；基于膨脹操作的二值化vi軌跡圖連續(xù)化操作，能避對軌跡圖中非線性特征的線性化，提高了識別的可靠性；在二值化圖像中融合體現(xiàn)電流有效值的灰度線段，彌補了歸一化處理的不足且不增加圖像本身的通道，減小了計算量，提高了輸入特征的分辨能力。結合vggnet網(wǎng)絡對圖像局部特征的提取和vit網(wǎng)絡的全局特征提取，將兩種不同維度的特征圖有效融合后，使得所建立的vggnet-vit網(wǎng)絡辨識模型能同時具備兩種網(wǎng)絡模型的特征信息提取能力，從而使得本發(fā)明有效減小了對特征相似電氣負荷分類的誤判，提升了電氣負荷識別的準確率。本發(fā)明還通過主動控制電氣負荷動作來產(chǎn)生投入事件，以對負荷的每個典型性工況進行任意排列并形成對應的訓練樣本，從而增加了樣本的工況覆蓋空間，提高了模型的魯棒性和識別能力；同時，還通過對不同類型負荷的異常工況進行識別和供電控制，來保證負荷按預約時間段或邏輯進行工作。

66、應當理解的是，前述概念以及下文中更詳細地討論的附加概念的所有組合(倘若這樣的概念并非相互不一致)都可以被設想為本文公開的發(fā)明主題的一部分。特別地，出現(xiàn)在本公開方案的要求保護的主題的所有組合都可以被設想為本文公開的發(fā)明主題的一部分。