一种用电系统的非侵入式负荷异常识别方法及系统

1.本发明涉及用电负荷识别技术领域，尤其涉及一种用电系统的非侵入式负荷异常识别方法及系统。


背景技术：

2.近年来，随着电气化设备的高度普及，电气火灾的发生概率也不断提高。其中，较大以上火灾则有三分之一是电气原因引起，且以电气线路故障居多。通过这些数据揭示了用电安全的严峻形势，作为人群聚集的高校宿舍，电气火灾时常发生，因此对高校宿舍电气火灾的防范研究是必不可少的。
3.现今，对于电气火灾的防护主要是通过现有的硬件设施，如各类烟雾报警器等，需感应到相关的物理现象的基础上，再依靠人工的方式来避免火灾的发生，但该方法必须有已发生燃烧现象的大前提。因此，有必要在未发生电气火灾的情况下，从电气线路安全风险评估的角度来减小火灾发生概率。
4.目前，电气线路安全风险评估的一个重要手段是用电系统的非侵入式负荷监测(nilm)。但是，该方式存在以下不足之处，具体包括： (1)随着负载基本特征原始数据量逐步增大，使得识别处理过程更加复杂，导致识别效率也随之降低；(2)鉴于部分电器功率、电流等负载特征相似度变高，导致出现特征重叠现象，识别效果较差。即便是利用负荷稳态时的v-i轨迹特征来改进负荷识别，也仅保留了电压-电流信号的形状特征，但还是无法提现设备之间的功率等数值差异，丢失了大量有价值的信息，使得识别精度有限。
5.因此，有必要提出一种新的非侵入式负荷监测方式，不仅能区分 v-i轨迹相似且功率大小差异较小的负荷，以提高识别精度，还能降低识别算法的运算复杂度，提高准确性。


技术实现要素：

6.本发明实施例所要解决的技术问题在于，提供一种用电系统的非侵入式负荷异常识别方法及系统，不仅能区分v-i轨迹相似且功率大小差异较小的负荷，以提高识别精度，还能降低识别算法的运算复杂度，提高准确性。
7.为了解决上述技术问题，本发明实施例提供了一种用电系统的非侵入式负荷异常识别方法，所述方法包括以下步骤：
8.实时采集用电系统的负荷总线上的电气负荷信号并进行降噪处理；
9.基于降噪处理之后的电气负荷信号，检测是否发生投切事件；
10.若检测到发生投切事件，则待负荷工作状态达到稳定后，周期性采集相应的负荷电压和负荷电流，并预处理得到每周期v-i轨迹均以连续网格表征的负荷电压和负荷电流；
11.基于每周期v-i轨迹均以连续网格表征的负荷电压和负荷电流，利用网格映射法，将每周期v-i轨迹分别根据无功功率、功率因数和电流序列分布数值特征映射到预设的rgb彩色图像三通道像素矩阵中；
12.提取每周期负荷电流各高次谐波幅值，并待根据像素矩阵大小进行相应位数的二进制转换后，进一步与映射后的rgb彩色图像三通道像素矩阵进行融合，形成彩色混合图像；
13.将所述彩色混合图像输入到事先训练好的卷积神经网络中，识别出负荷异常。
14.其中，对所述电气负荷信号进行降噪处理的步骤具体为：
15.对所述电气负荷信号，选取小波包基和一定的分解层数进行小波包分解，并对分解系数进行相应的阈值处理，进一步对第n层的低频系数和高频系数进行重构，得到降噪处理之后的电气负荷信号；其中，所述分解层数为6，小波包函数为sym12。
16.其中，所述基于降噪处理之后的电气负荷信号，检测是否发生投切事件是通过双边滑动窗口算法来判断的；其中，
17.所述双边滑动窗口算法的具体步骤为，设置两个滑动窗口，计算两个窗口平均值之差，若差值大于设定的第一阈值，则认为发生投切事件，记录事件发生时刻；从事件发生时刻继续检测，若差值小于设定的第二阈值，则认为投切事件结束，记录事件结束时刻，负荷进行稳态运行。
18.其中，所述负荷电压和所述负荷电流是通过双线性插值法进行预处理的；其中，所述双线性插值法的具体步骤包括：
19.第一步、设定网格的分辨率为n*n，通过以下公式(1)计算每个单元格的尺寸：
[0020][0021]
其中，i
min
、i
max
分别为电流采样值的最小和最大值，v
min
、v
max
分别为电压采样值的最小和最大值，δi、δv为每个单元格(像素点)的尺寸；
[0022]
第二步、根据以下公式(2)计算映射后相邻两个采样点之间的距离dm；若距离dm大于1，则表明两点之间的距离大于单元格的长度或宽度，出现不连续现象，此时需要进行插值补全两点之间的间隔，具体插值过程见公式(3)和公式(4)；
[0023][0024][0025][0026]
其中，vm和im分别为采样数据第m个采样点的电压和电流值；为第m和(m 1)个采样点之间需补充的插值点个数,(v’m k
， i’m k
)为填充的第k个插值点，k＝1,2,
…
,km。
[0027]
其中，所述将每周期v-i轨迹分别根据电压、电流和功率因数数值特征映射到预设的rgb彩色图像三通道像素矩阵中的步骤具体包括：
[0028]
第一步、构造3个维度为n*n的全1矩阵，分别为r、g、b矩阵，根据公式(5)，计算插值后每一个样本点的映射坐标；
[0029][0030]
第二步、根据公式(6)、(7)和(8)，分别给r、g、b三个矩阵内对应样本点的坐标赋值；
[0031][0032][0033][0034][0035]
其中，tm为每个坐标点出现的次数；i
fm
为无功电流；vm为样本点的电压；p为有功功率；i
rms
、v
rms
分别为采集数据的电流、电压有效值；ie表示电流序列的分布情况；m为稳定周期内采集数据个数。
[0036]
其中，所述提取每周期负荷电流各高次谐波幅值，并待根据像素矩阵大小进行相应位数的二进制转换后，进一步与映射后的rgb彩色图像三通道像素矩阵进行融合，形成彩色混合图像的具体步骤包括：
[0037]
使用fft变换算法提取负荷电流波形的基波、三次谐波、五次谐波、七次谐波、九次谐波以及十一次谐波的幅值，并进行取整；
[0038]
将上述各次谐波幅值进行二进制转换，二进制数位数等于像素矩阵的大小；
[0039]
将转换后的二进制数按列排列，并待划分为三组n*2的矩阵后，分别与r、g、b三通道像素矩阵进行合并；其中，基波和三次谐波组合与r矩阵合并；五次谐波和七次谐波与g通道像素矩阵合并；九次谐波和十一次谐波与b通道像素矩阵合并；
[0040]
将生成的三通道融合像素矩阵进行叠加，得到所述混合彩色图像。
[0041]
其中，所述卷积神经网络包括三层卷积层、两层池化层以及一层全连接层。
[0042]
本发明实施例还提供了一种用电系统的非侵入式负荷异常识别装置，包括；
[0043]
信号获取及处理单元，用于实时采集用电系统的负荷总线上的电气负荷信号并进行降噪处理；
[0044]
投切事件检测单元，用于基于降噪处理之后的电气负荷信号，检测是否发生投切事件；
[0045]
v-i网络处理单元，用于若检测到发生投切事件，则待负荷工作状态达到稳定后，周期性采集相应的负荷电压和负荷电流，并预处理得到每周期v-i轨迹均以连续网格表征的负荷电压和负荷电流；
[0046]
v-i轨迹映射单元，用于基于每周期v-i轨迹均以连续网格表征的负荷电压和负荷电流，利用网格映射法，将每周期v-i轨迹分别根据无功功率、功率因数和电流序列分布数
值特征映射到预设的rgb 彩色图像三通道像素矩阵中；
[0047]
彩色混合图像获取单元，用于提取每周期负荷电流各高次谐波幅值，并待根据像素矩阵大小进行相应位数的二进制转换后，进一步与映射后的rgb彩色图像三通道像素矩阵进行融合，形成彩色混合图像；
[0048]
负荷异常识别单元，用于将所述彩色混合图像输入到事先训练好的卷积神经网络中，识别出负荷异常。
[0049]
其中，所述卷积神经网络包括三层卷积层、两层池化层以及一层全连接层。
[0050]
实施本发明实施例，具有如下有益效果：
[0051]
本发明通过构建rgb彩色混合图像能够把v-i轨迹特征、无功功率大小差异、功率因数大小差异、电流分布差异以及各次谐波幅值差异都充分利用起来，使得负荷特征信息更加丰富，不仅能区分v-i 轨迹相似且功率大小差异较小的负荷，以提高识别精度，还能降低识别算法的运算复杂度，提高准确性。
附图说明
[0052]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，根据这些附图获得其他的附图仍属于本发明的范畴。
[0053]
图1为本发明实施例提供的一种用电系统的非侵入式负荷异常识别方法的流程图；
[0054]
图2为本发明实施例提供的一种用电系统的非侵入式负荷异常识别方法中卷积神经网络模型的结构图；
[0055]
图3为本发明实施例提供的一种用电系统的非侵入式负荷异常识别方法中负荷双线性插值处理的效果图；
[0056]
图4为本发明实施例提供的一种用电系统的非侵入式负荷异常识别方法中负荷v-i轨迹的三通道像素图像以及合成的彩色图像效果图；
[0057]
图5为本发明实施例提供的一种用电系统的非侵入式负荷异常识别方法中负荷三通道混合图像以及合成的彩色混合图像效果图；
[0058]
图6为本发明实施例提供的一种用电系统的非侵入式负荷异常识别装置的结构示意图。
具体实施方式
[0059]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
[0060]
如图1所示，为本发明实施例中，提出的一种用电系统的非侵入式负荷异常识别方法，所述方法包括以下步骤：
[0061]
步骤s1、实时采集用电系统的负荷总线上的电气负荷信号并进行降噪处理；
[0062]
步骤s2、基于降噪处理之后的电气负荷信号，检测是否发生投切事件；
[0063]
步骤s3、若检测到发生投切事件，则待负荷工作状态达到稳定后，周期性采集相应
的负荷电压和负荷电流，并预处理得到每周期 v-i轨迹均以连续网格表征的负荷电压和负荷电流；
[0064]
步骤s4、基于每周期v-i轨迹均以连续网格表征的负荷电压和负荷电流，利用网格映射法，将每周期v-i轨迹分别根据无功功率、功率因数和电流序列分布数值特征映射到预设的rgb彩色图像三通道像素矩阵中；
[0065]
步骤s5、提取每周期负荷电流各高次谐波幅值，并待根据像素矩阵大小进行相应位数的二进制转换后，进一步与映射后的rgb彩色图像三通道像素矩阵进行融合，形成彩色混合图像；
[0066]
步骤s6、将所述彩色混合图像输入到事先训练好的卷积神经网络中，识别出负荷异常。
[0067]
具体过程为，在步骤s1之前，实际采集常用设备的单一负荷数据以及两两组合的混合负荷设备，然后提取每周期各负荷数据的彩色混合图像组成训练集与测试集，并训练卷积神经网络模型得到事先训练好的卷积神经网络并作为后续负荷异常的识别网络。可以理解的是，卷积神经网络结构较简单，能够在嵌入式设备上直接运行。
[0068]
在一个实施例中，卷积神经网络模型如图2所示，包括三层卷积层、两层池化层以及一层全连接层。
[0069]
在步骤s1中，实时采集用电系统的负荷总线上的电气负荷信号，即采集负荷电压数据和负荷电流数据；
[0070]
然后，对电气负荷信号进行降噪处理，步骤具体为：
[0071]
对电气负荷信号，选取小波包基和一定的分解层数进行小波包分解，并对分解系数进行相应的阈值处理，进一步对第n层的低频系数和高频系数进行重构，得到降噪处理之后的电气负荷信号；其中，所述分解层数为6，小波包函数为sym12。
[0072]
在一个例子中，实时采集用电入户端的电压、电流数据并利用小波包进行去噪，采样频率为25khz，每个周期包含500个采样点，小波包去噪为硬阈值法，分解层数为6，小波包函数为sym12。
[0073]
在步骤s2中，通过双边滑动窗口算法来判断是否发生投切事件。其中，双边滑动窗口算法的具体步骤为，设置两个滑动窗口，计算两个窗口平均值之差，若差值大于设定的第一阈值，则认为发生投切事件，记录事件发生时刻；从事件发生时刻继续检测，若差值小于设定的第二阈值，则认为投切事件结束，记录事件结束时刻，负荷进行稳态运行。
[0074]
在步骤s3中，首先，检测到发生投切事件，则待负荷工作状态达到稳定后，周期性采集相应的负荷电压和负荷电流；
[0075]
其次，通过双线性插值法预处理负荷电压和负荷电流，以确保 v-i轨迹映射图像连续；其中，双线性插值法的具体步骤包括：
[0076]
第一步、设定网格(图像)的分辨率为n*n，通过以下公式(1) 计算每个单元格(像素点)的尺寸：
[0077][0078]
其中，i
min
、i
max
分别为电流采样值的最小和最大值，v
min
、v
max
分别为电压采样值的
最小和最大值，δi、δv为每个单元格(像素点)的尺寸；
[0079]
第二步、根据以下公式(2)计算映射后相邻两个采样点之间的距离dm；若距离dm大于1，则表明两点之间的距离大于单元格的长度或宽度，出现不连续现象，此时需要进行插值补全两点之间的间隔，具体插值过程见公式(3)和公式(4)；
[0080][0081][0082][0083]
其中，vm和im分别为采样数据第m个采样点的电压和电流值；为第m和(m 1)个采样点之间需补充的插值点个数,(v’m k
， i’m k
)为填充的第k个插值点，k＝1,2,
…
,km。
[0084]
在步骤s4中，利用网格映射法，以电压为横坐标，以电流为纵坐标，将每周期v-i轨迹分别根据无功功率、功率因数和电流序列分布数值特征映射到预设的n*n*3的rgb彩色图像三通道像素矩阵中，步骤具体包括：
[0085]
第一步、构造3个维度为n*n的全1矩阵，分别为r、g、b矩阵，根据公式(5)，计算插值后每一个样本点的映射坐标；
[0086][0087]
第二步、根据公式(6)、(7)和(8)，分别给r、g、b三个矩阵内对应样本点的坐标赋值；
[0088][0089][0090][0091][0092]
其中，tm为每个坐标点出现的次数；i
fm
为无功电流；vm为样本点的电压；p为有功功率；i
rms
、v
rms
分别为采集数据的电流、电压有效值；ie表示电流序列的分布情况；m为稳定周期内采集数据个数。
[0093]
在步骤s5中，首先，使用fft变换算法提取负荷电流波形的基波、三次谐波、五次谐波、七次谐波、九次谐波以及十一次谐波的幅值，并进行取整；
[0094]
其次，将上述各次谐波幅值进行二进制转换，二进制数位数等于像素矩阵的大小；
[0095]
接着，将转换后的二进制数按列排列，并待划分为三组n*2的矩阵后，分别与r、g、b三通道像素矩阵进行合并；其中，基波和三次谐波组合与r矩阵合并；五次谐波和七次谐波与g通道像素矩阵合并；九次谐波和十一次谐波与b通道像素矩阵合并；
[0096]
最后，将生成的三通道融合像素矩阵进行叠加，得到混合彩色图像。
[0097]
由此可见，本发明实施例中的彩色混合图像已经包含了v-i轨迹特征、无功功率大小差异、功率因数大小差异、电流分布差异以及各次谐波幅值差异等信息，所以识别效果相比于单独使用上述任一信息的方法要好很多。
[0098]
在步骤s6中，将步骤s5得到的彩色混合图像输入到事先训练好的卷积神经网络，并得到识别结果。当辨识的负荷类型是违规负荷时，就启动相应的报警，从而达到对电力负荷的实时监控的目的。
[0099]
如图3至图5所示，对本发明实施例提供的一种用电系统的非侵入式负荷异常识别方法的应用场景做进一步说明，具体如下：
[0100]
实际采集三种宿舍常用设备的单一负荷数据以及两两组合的混合负荷设备，然后提取每周期各负荷数据的彩色混合图像组成训练集与测试集，并训练卷积神经网络模型作为识别网络。
[0101]
采集负荷电压数据和电流数据：实时采集用电入户端的电压、电流数据并利用小波包进行去噪，采样频率为25khz，每个周期包含 500个采样点。其中小波包去噪为硬阈值法，分解层数为6，小波包函数为sym12。
[0102]
通过双边滑动窗口算法判断有没有发生投切事件，设置两个平均功率滑动窗口，每个窗口包含一个周期内的采集数据，计算两个窗口平均值之差，若差值大于设定的第一阈值，则认为发生投切事件，记录事件发生时刻；从事件发生时刻继续检测，若差值小于设定的第二阈值，则认为投切事件结束，记录事件结束时刻，负荷进行稳态运行。
[0103]
检测到发生投切事件，则待负荷工作状态达到稳定后，将采集得到的负荷电压数据和电流数据经过双线性插值处理，以确保v-i轨迹映射图像连续。如图3所示，负荷经过插值处理后，其v-i轨迹映射图像消除了不连续现象。
[0104]
利用网格映射的方法，以电压为横坐标，电流为纵坐标，将每周期v-i轨迹分别根据电压、电流和功率因数数值特征映射到64*64*3 的rgb彩色图像三通道像素矩阵中，具体包括如下步骤：
[0105]
构造3个维度为64*64的全1矩阵，分别为r、g、b矩阵，根据公式(5)计算插值后每一个样本点的映射坐标。
[0106]
根据公式(6)、(7)和(8)分别给r、g、b三个矩阵内对应样本点的坐标赋值(像素值)，如图4所示，负荷v-i经过映射后的三通道像素图像以及合成的彩色图像。
[0107]
提取每周期负荷电流各高次谐波幅值，根据网格大小进行相应位数的二进制转换，并与rgb三通道像素矩阵融合，形成混合彩色图像，具体包括如下步骤：
[0108]
使用fft变换算法提取电流波形的基波、三次谐波、五次谐波、七次谐波、九次谐波以及十一次谐波的幅值，并进行取整。
[0109]
将上述各次谐波幅值进行二进制转换，二进制数位数等于像素矩阵的大小。转换后的二进制数按列排列，并划分为三组64*2的矩阵，从而分别与r、g、b三通道像素矩阵进行
合并，其中基波和三次谐波组合与r矩阵合并，五次谐波和七次谐波与g通道像素矩阵合并，九次谐波和十一次谐波与b通道像素矩阵合并，合并效果如图5所示。
[0110]
将得到的彩色混合图像输入到事先训练好的卷积神经网络,并得到识别结果。当辨识的负荷类型是违规负荷时，就启动相应的报警，从而达到对电力负荷的实时监控的目的。
[0111]
下面对本发明实施例提供的几种违规负荷进行非侵入式负荷异常识别方法的效果进行试验验证：
[0112]
实验数据来源于负荷设备现场采集,通过采集热水壶、吹风机、烘干机以及几种混合情况的电流电压数据特征，验证结果如下：
[0113]
负荷类型负荷状态识别率热水壶加热100％吹风机热风100％烘干机热风100％热水壶 烘干机加热 热风100％吹风机 烘干机热风 热风100％热水壶 吹风机加热 热风100％
[0114]
如图6所示，为本发明实施例中，提供的一种用电系统的非侵入式负荷异常识别装置，包括；
[0115]
信号获取及处理单元110，用于实时采集用电系统的负荷总线上的电气负荷信号并进行降噪处理；
[0116]
投切事件检测单元120，用于基于降噪处理之后的电气负荷信号，检测是否发生投切事件；
[0117]
v-i网络处理单元130，用于若检测到发生投切事件，则待负荷工作状态达到稳定后，周期性采集相应的负荷电压和负荷电流，并预处理得到每周期v-i 轨迹均以连续网格表征的负荷电压和负荷电流；
[0118]
v-i轨迹映射单元140，用于基于每周期v-i轨迹均以连续网格表征的负荷电压和负荷电流，利用网格映射法，将每周期v-i轨迹分别根据无功功率、功率因数和电流序列分布数值特征映射到预设的rgb彩色图像三通道像素矩阵中；
[0119]
彩色混合图像获取单元150，用于提取每周期负荷电流各高次谐波幅值，并待根据像素矩阵大小进行相应位数的二进制转换后，进一步与映射后的rgb彩色图像三通道像素矩阵进行融合，形成彩色混合图像；
[0120]
负荷异常识别单元160，用于将所述彩色混合图像输入到事先训练好的卷积神经网络中，识别出负荷异常。
[0121]
其中，所述卷积神经网络包括三层卷积层、两层池化层以及一层全连接层。
[0122]
实施本发明实施例，具有如下有益效果：
[0123]
本发明通过构建rgb彩色混合图像能够把v-i轨迹特征、无功功率大小差异、功率因数大小差异、电流分布差异以及各次谐波幅值差异都充分利用起来，使得负荷特征信息更加丰富，不仅能提现设备之间的功率等数值差异，以提高识别精度，还能降低识别算法的运算复杂度，提高准确性。
[0124]
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0125]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如rom/ram、磁盘、光盘等。
[0126]
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。