一种非侵入式负荷识别方法、系统、电子设备及存储介质

技术领域

本发明涉及非侵入式负荷识别技术领域，特别是涉及一种非侵入式负荷识别方法、系统、电子设备及存储介质。

背景技术

全球气候的变化和化石能源的高速消耗，使得“节能”成为当下家庭式能源管理的重要目标。非侵入式负荷监测技术根据单一测量点获取总线负荷信息，利用算法分析单个用电设备的信息和用户用电规律，是家庭能源管理重要的一环。非侵入式负荷监测有四个主要组成部分——事件检测、数据处理、负荷分解、负荷识别。其中负荷识别作为非侵入式负荷监测的核心任务，要求算法根据人为输入或从电信号中自行提取的特征，对负荷的类别进行准确的辨识。近年来深度学习快速发展，为负荷识别的研究提供了新的方向。将序列数据图像化，再利用深度学习中图像识别的方法实现负荷识别是现阶段负荷识别的主流方法之一。现有的序列数据图像化方法，会使原始数据在处理过程中丢失一部分特征，例如因数值归一化而导致幅值特征的丢失和因像素矩阵计算方法的缺陷导致相位特征的丢失。关键特征的丢失会导致功率相近、电流波形相似负载的辨识度下降，进而导致负荷识别模型的识别准确率和非侵入式负荷监测系统可靠性的下降。

一般的通过卷积神经网络实现负荷识别的方案是利用电信号图像化的方法将时间序列电信号转换为数值矩阵，再将矩阵中的元素作为像素值使之转化为图像送入卷积神经网络执行训练过程，即以计算机视觉的思想解决负荷识别问题。现有主流的电信号图像化方法总结如下：

(一)V-I轨迹

V-I轨迹是由归一化的电压值和电流值绘制而成，表征了负荷电压和电流之间的相关关系。获取V-I轨迹的流程如图1所示。

具体计算方法如下：

(1)提取负荷运行稳定后的一个完整周期内的电压和有功电流数据，对提取的数据进行归一化处理。计算公式如公式(1)和公式(2)所示。

式中i

(2)选取V-I轨迹图的分辨率为n×n，将归一化后的电流、电压数据分别乘n并向下取整，得到两组小于n的整数，记为i

(3)创建n×n空矩阵，将第i

中国计量大学提出一种发明专利“一种基于V-I轨迹的非侵入式负荷识别方法”，利用V-I轨迹对负荷电压和电流进行图像化，获取V-I轨迹的封闭面积、对称性、中间部分斜率、中间部分面积、自交点个数进行负荷识别。不同负荷V-I轨迹可以从形状上体现负荷间的差异，但因数值归一化而导致的负荷功率特征会丢失。

(二)递归图

递归图本质是一种时-时信号处理方法，其思想是将高维运动状态的轨迹映射到二维平面上，从而直观地观察时间序列内部具有的递归特征。获取递归图的流程如图2所示。

具体计算方法如下：

(1)根据嵌入理论，选择合适的延迟时间τ和嵌入维度m对时间序列进行相空间重构，重构后的向量如公式(3)所示。

x

式中，N＝n-(m-1)τ。

定义重构后任意两点的距离为：

D

选取合适的阈值ε，可得递归矩阵如公式(5)所示。

R

式中θ(·)表示Heaviside函数，其函数表达式如公式(6)所示。

阈值ε的选择是否合理决定了递归图是否会丢失信息。若阈值选取过大，会导致相空间之间的相似度大大增加；若阈值选取过小则难以发现相空间之间状态的相似性，两种情况均会导致误判概率增加。

(三)格拉姆角场

格拉姆角场通过在极坐标中表示时间序列，计算格拉姆矩阵以实现数据维度的变换。格拉姆角场的流程如图3所示。

具体计算方法如下：

(1)将笛卡尔坐标系下的时间序列缩放至[-1,1]或[0,1]：

(2)使用极坐标对时间序列进行编码：

式中X为原始时间序列，x

(3)计算格拉姆角差场或格拉姆角和场：

式中I为单位行向量，

(4)将格拉姆矩阵中的元素重映射至[0,255]的像素区间并赋值给R、G、B三个通道的像素矩阵：

式中G表示格拉姆角和场或格拉姆角差场，R

上海电力大学提出一种发明专利“电力用户负荷识别方法、装置及计算机可读介质”，利用格拉姆角场将电流序列的无功部分转化为二维图像利用inception_v3迁移学习实现负荷识别。格拉姆角场可以体现序列数据时刻之间的相关性，但是公式(7)和公式(8)的归一化计算，使得不同负荷之间幅值方面的差异无法在最终得到的图像上体现。另外，使用公式(10)和公式(11)计算格拉姆矩阵，实际上是通过三角函数细化序列中每2个采样点间隐含的电流差值信息来挖掘原始数据的时序特征，所以原始数据的相位特征也无法在最终得到的图像上体现，该部分幅值特征和相位特征等关键特征的缺失，是限制负荷精准识别的关键原因。

综上，现有的电信号图像化方法存在以下问题：

1、V-I轨迹会丢失原始数据的功率特征，难以胜任对V-I轨迹形状相似但功率存在差异的负荷的辨识。同时，图像微粒度和颜色缺失也是V-I轨迹无法避免的问题；格拉姆角场则会使原始数据的幅值和相位特征丢失，导致识别率下降。

2、构造递归图时虽然可以进行大量实验选择最优的阈值，但这样会大幅增加时间成本，且每处理一个新的负荷识别任务都要重新选择阈值。

以上问题会导致负荷识别模型的识别性能以及构建模型时的效率下降，从而造成非侵入式负荷识别的准确率和效率降低。

发明内容

本发明的目的是提供一种非侵入式负荷识别方法、系统、电子设备及存储介质，以提高非侵入式负荷识别的准确率和效率。

为实现上述目的，本发明提供了如下方案：

一种非侵入式负荷识别方法，所述方法包括：

获取待识别负荷电流波形；

利用快速傅里叶变换计算所述待识别负荷电流波形的幅度谱和所述待识别负荷电流波形的相位谱；

分别计算所述待识别负荷电流波形的格拉姆矩阵、所述待识别负荷电流波形的幅度谱的格拉姆矩阵和所述待识别负荷电流波形的相位谱的格拉姆矩阵；

将所述待识别负荷电流波形的格拉姆矩阵赋值给B通道像素矩阵，将所述待识别负荷电流波形的幅度谱的格拉姆矩阵赋值给G通道像素矩阵，将所述待识别负荷电流波形的相位谱的格拉姆矩阵赋值给R通道像素矩阵；

将所述B通道像素矩阵、所述G通道像素矩阵和所述R通道像素矩阵合成为一张待识别彩色图像；

将所述待识别彩色图像输入负荷识别模型中，利用所述负荷识别模型识别出所述待识别彩色图像对应的负荷类型；所述负荷识别模型是利用不同负荷类型对应的彩色图像集训练的；所述彩色图像集包括多张彩色图像。

可选地，所述彩色图像集中每一张所述彩色图像均是利用由负荷电流波形的格拉姆矩阵赋值的B通道像素矩阵、由负荷电流波形的幅度谱的格拉姆矩阵赋值的G通道像素矩阵和由负荷电流波形的相位谱的格拉姆矩阵赋值的R通道像素矩阵进行合成后得到的。

可选地，所述获取待识别负荷电流波形，之后还包括：

对所述待识别负荷电流波形进行算术均值滤波，得到待识别电流时间序列。

可选地，所述利用快速傅里叶变换计算所述待识别负荷电流波形的幅度谱和所述待识别负荷电流波形的相位谱，具体包括：

对所述待识别电流时间序列进行快速傅里叶变换，得到所述待识别负荷电流波形的幅度谱和所述待识别负荷电流波形的相位谱。

可选地，所述分别计算所述待识别负荷电流波形的格拉姆矩阵、所述待识别负荷电流波形的幅度谱的格拉姆矩阵和所述待识别负荷电流波形的相位谱的格拉姆矩阵，具体包括：

使用分段聚合近似对所述待识别电流时间序列、所述待识别负荷电流波形的幅度谱和所述待识别负荷电流波形的相位谱进行压缩，得到聚合后的原始数据、聚合后的幅度谱和聚合后的相位谱；

对所述聚合后的原始数据、所述聚合后的幅度谱和所述聚合后的相位谱进行归一化和极坐标编码，得到归一化后的原始数据、归一化后的幅度谱、归一化后的相位谱、原始数据中的每一个元素对应的极坐标角度、幅度谱中的每一个元素对应的极坐标角度以及相位谱中的每一个元素对应的极坐标角度；

根据所述归一化后的原始数据、所述归一化后的幅度谱、所述归一化后的相位谱、所述原始数据中的每一个元素对应的极坐标角度、所述幅度谱中的每一个元素对应的极坐标角度以及所述相位谱中的每一个元素对应的极坐标角度，利用格拉姆矩阵计算方法计算所述待识别负荷电流波形的格拉姆矩阵、所述待识别负荷电流波形的幅度谱的格拉姆矩阵和所述待识别负荷电流波形的相位谱的格拉姆矩阵。

可选地，所述将所述待识别负荷电流波形的格拉姆矩阵赋值给B通道像素矩阵，将所述待识别负荷电流波形的幅度谱的格拉姆矩阵赋值给G通道像素矩阵，将所述待识别负荷电流波形的相位谱的格拉姆矩阵赋值给R通道像素矩阵，具体包括：

将所述待识别负荷电流波形的格拉姆矩阵中的元素重映射至[0,255]，并赋值给B通道像素矩阵；

将所述待识别负荷电流波形的幅度谱的格拉姆矩阵中的元素重映射至[0,255]，并赋值给G通道像素矩阵；

将所述待识别负荷电流波形的相位谱的格拉姆矩阵中的元素重映射至[0,255]，并赋值给R通道像素矩阵。

可选地，所述负荷识别模型是ResNet18残差网络；

所述ResNet18残差网络是利用不同负荷类型对应的彩色图像集训练的；所述ResNet18残差网络训练时是以不同负荷类型对应的彩色图像集中每一张所述彩色图像为输入，以所述彩色图像对应的负荷类型为输出对所述ResNet18残差网络进行训练的。

本发明还提供了如下方案：

一种非侵入式负荷识别系统，所述系统包括：

待识别负荷电流波形获取模块，用于获取待识别负荷电流波形；

幅度谱和相位谱计算模块，用于利用快速傅里叶变换计算所述待识别负荷电流波形的幅度谱和所述待识别负荷电流波形的相位谱；

格拉姆矩阵计算模块，用于分别计算所述待识别负荷电流波形的格拉姆矩阵、所述待识别负荷电流波形的幅度谱的格拉姆矩阵和所述待识别负荷电流波形的相位谱的格拉姆矩阵；

格拉姆矩阵赋值模块，用于将所述待识别负荷电流波形的格拉姆矩阵赋值给B通道像素矩阵，将所述待识别负荷电流波形的幅度谱的格拉姆矩阵赋值给G通道像素矩阵，将所述待识别负荷电流波形的相位谱的格拉姆矩阵赋值给R通道像素矩阵；

待识别彩色图像合成模块，用于将所述B通道像素矩阵、所述G通道像素矩阵和所述R通道像素矩阵合成为一张待识别彩色图像；

负荷类型识别模块，用于将所述待识别彩色图像输入负荷识别模型中，利用所述负荷识别模型识别出所述待识别彩色图像对应的负荷类型；所述负荷识别模型是利用不同负荷类型对应的彩色图像集训练的；所述彩色图像集包括多张彩色图像。

本发明还提供了如下方案：

一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述的非侵入式负荷识别方法。

本发明还提供了如下方案：

一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现所述的非侵入式负荷识别方法。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开的非侵入式负荷识别方法、系统、电子设备及存储介质，将传统格拉姆角场中原本相等的B、G、R三个通道的像素矩阵分别用待识别负荷电流波形的格拉姆矩阵、待识别负荷电流波形的幅度谱的格拉姆矩阵和待识别负荷电流波形的相位谱的格拉姆矩阵代替，相比于传统格拉姆角场，在图像化过程中额外加入了负荷的幅度特征和相位特征，提高了电流波形相似负荷的辨识度，从特征融合的角度解决了因格拉姆角场的特征丢失而导致的负荷识别准确率下降的问题，提高了非侵入式负荷识别的准确率；利用由负荷电流波形的格拉姆矩阵赋值的B通道像素矩阵、由负荷电流波形的幅度谱的格拉姆矩阵赋值的G通道像素矩阵和由负荷电流波形的相位谱的格拉姆矩阵赋值的R通道像素矩阵进行合成后得到的彩色图像训练负荷识别模型，可以有效避免模型在分辨电流波形相似的负荷时的混淆现象，提高非侵入式负荷识别的准确率和可靠性；此外，由于避免了构造递归图，无需进行大量实验选择最优的阈值，且每处理一个新的负荷识别任务无需重新选择阈值，因此提高了构建模型时的效率，从而提高了非侵入式负荷识别的效率。

附图说明

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他的附图。

图1为V-I轨迹获取流程图；

图2为递归图获取流程图；

图3为格拉姆角场流程图；

图4为本发明非侵入式负荷识别方法实施例一的流程图；

图5为本发明改进格拉姆角场及负荷识别模型训练流程图；

图6为本发明工作流程示意图；

图7为十一种单个电器识别实验得到的混淆矩阵示意图；

图8为十一种单个电器识别实验中负荷3和负荷9的电流波形示意图；

图9为八种单个/组合混合类别识别实验得到的混淆矩阵示意图；

图10为八种单个/组合混合类别识别实验中负荷3和负荷6的电流波形示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种非侵入式负荷识别方法、系统、电子设备及存储介质，以提高非侵入式负荷识别的准确率和效率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

图4为本发明非侵入式负荷识别方法实施例一的流程图。如图4所示，本实施例提供了一种非侵入式负荷识别方法，包括以下步骤：

步骤101：获取待识别负荷电流波形。

该步骤101之后还包括：

对待识别负荷电流波形进行算术均值滤波，得到待识别电流时间序列。

步骤102：利用快速傅里叶变换计算待识别负荷电流波形的幅度谱和待识别负荷电流波形的相位谱。

该步骤102具体包括：

对待识别电流时间序列进行快速傅里叶变换，得到待识别负荷电流波形的幅度谱和待识别负荷电流波形的相位谱。

步骤103：分别计算待识别负荷电流波形的格拉姆矩阵、待识别负荷电流波形的幅度谱的格拉姆矩阵和待识别负荷电流波形的相位谱的格拉姆矩阵。

该步骤103具体包括：

使用分段聚合近似对待识别电流时间序列、待识别负荷电流波形的幅度谱和待识别负荷电流波形的相位谱进行压缩，得到聚合后的原始数据、聚合后的幅度谱和聚合后的相位谱。

对聚合后的原始数据、聚合后的幅度谱和聚合后的相位谱进行归一化和极坐标编码，得到归一化后的原始数据、归一化后的幅度谱、归一化后的相位谱、原始数据中的每一个元素对应的极坐标角度、幅度谱中的每一个元素对应的极坐标角度以及相位谱中的每一个元素对应的极坐标角度。

根据归一化后的原始数据、归一化后的幅度谱、归一化后的相位谱、原始数据中的每一个元素对应的极坐标角度、幅度谱中的每一个元素对应的极坐标角度以及相位谱中的每一个元素对应的极坐标角度，利用格拉姆矩阵计算方法计算待识别负荷电流波形的格拉姆矩阵、待识别负荷电流波形的幅度谱的格拉姆矩阵和待识别负荷电流波形的相位谱的格拉姆矩阵。

步骤104：将待识别负荷电流波形的格拉姆矩阵赋值给B通道像素矩阵，将待识别负荷电流波形的幅度谱的格拉姆矩阵赋值给G通道像素矩阵，将待识别负荷电流波形的相位谱的格拉姆矩阵赋值给R通道像素矩阵。

该步骤104具体包括：

将待识别负荷电流波形的格拉姆矩阵中的元素重映射至[0,255]，并赋值给B通道像素矩阵。

将待识别负荷电流波形的幅度谱的格拉姆矩阵中的元素重映射至[0,255]，并赋值给G通道像素矩阵。

将待识别负荷电流波形的相位谱的格拉姆矩阵中的元素重映射至[0,255]，并赋值给R通道像素矩阵。

步骤105：将B通道像素矩阵、G通道像素矩阵和R通道像素矩阵合成为一张待识别彩色图像。

步骤106：将待识别彩色图像输入负荷识别模型中，利用负荷识别模型识别出待识别彩色图像对应的负荷类型；负荷识别模型是利用不同负荷类型对应的彩色图像集训练的；彩色图像集包括多张彩色图像。

该步骤106中，彩色图像集中每一张彩色图像均是利用由负荷电流波形的格拉姆矩阵赋值的B通道像素矩阵、由负荷电流波形的幅度谱的格拉姆矩阵赋值的G通道像素矩阵和由负荷电流波形的相位谱的格拉姆矩阵赋值的R通道像素矩阵进行合成后得到的。

具体的，负荷识别模型是ResNet18残差网络；ResNet18残差网络是利用不同负荷类型对应的彩色图像集训练的；ResNet18残差网络训练时是以不同负荷类型对应的彩色图像集中每一张彩色图像为输入，以彩色图像对应的负荷类型为输出对ResNet18残差网络进行训练的。

下面以一个具体实施例说明本发明的技术方案：

本发明提出的非侵入式负荷识别方法为一种基于改进格拉姆角场的非侵入式负荷识别方法，通过对传统格拉姆角场中与原始数据格拉姆矩阵(负荷电流波形的格拉姆矩阵)相等的B、G、R三通道的像素矩阵进行重构，利用快速傅里叶变换计算负荷电流波形的幅度谱和相位谱，之后分别计算电流数据、幅度、相位三种格拉姆矩阵作为B、G、R三基色通道的像素矩阵，最后将三个通道合成为一张彩色图片；使用经过本发明改进格拉姆角场处理后得到的彩色图像训练Resnet18残差网络模型，利用训练后的模型进行负荷识别。本发明改进格拉姆角场的流程如图5所示。

图5所示的改进格拉姆角场会预先求出原始数据(负荷电流波形)的幅度谱和相位谱，分别求取原始数据、幅度谱、相位谱的格拉姆矩阵，最后将原始数据格拉姆矩阵、幅度格拉姆矩阵(负荷电流波形的幅度谱的格拉姆矩阵)、相位格拉姆矩阵(负荷电流波形的相位谱的格拉姆矩阵)分别赋值给B通道像素矩阵、G通道像素矩阵、R通道像素矩阵，合成彩色图像。而图3所示的现有格拉姆角场计算流程中，对序列数据进行归一化、格拉姆矩阵计算和数值重映射后，直接简单地将原始数据格拉姆矩阵同时赋值给了B、G、R三个通道的像素矩阵，该处理方法只关注了原始数据的时序特征，丢失了幅值和相位特征，导致相似负荷的辨识度降低，负荷识别的准确率降低。

在图5所示的本发明计算流程中，首先要求取幅度谱、相位谱，即首先要进行特征变量幅度谱、相位谱的计算。设时间序列原始数据(对负荷电流波形进行算术均值滤波后得到的电流时间序列)为D＝[d

其次，需要计算B、G、R三通道像素矩阵。格拉姆矩阵的尺寸等于时间序列的长度，为了避免因时间序列过长导致的格拉姆矩阵过大，使用分段聚合近似(PAA)对原始时间序列数据(对负荷电流波形进行算术均值滤波后得到的电流时间序列)进行压缩，如公式(15)至公式(17)所示。

/>

式中：d

通过公式(18)至公式(23)对聚合后的原始数据、幅度谱、相位谱进行归一化和极坐标编码。

式中：

公式(24)至公式(26)即为原始数据格拉姆矩阵G

最后将G

式中：B、G、R分别表示B、G、R三个通道的像素矩阵。

至此，B、G、R三通道像素矩阵计算完成，将其合成为一张彩色图像后即可作为样本参与负荷识别模型的训练。

负荷识别模型的训练具体如下：

本发明采用的识别模型是ResNet18残差网络。残差网络是一类图像识别深度卷积神经网络，它通过残差跳连结构引入了上层网络信息以缓解梯度消失，同时在不引起网络退化的前提下增加了层数，提升了网络的特征提取能力。ResNet18残差网络是残差网络中结构最精简的一种，可以用最低的时间成本达到收敛。ResNet18残差网络的结构参数如表1所示。

表1 ResNet18各层参数

使用改进格拉姆角场处理原始数据得到图像样本集(彩色图像集)，根据需要调整模型的参数优化器、学习率、batchsize和epoch后，将图像样本集输入模型进行训练。训练结束后，将待识别图像样本(待识别彩色图像)输入模型即可输出模型预测的负荷类别(负荷类型)。

本发明具体工作流程如下：

使用本发明对原始数据进行处理和对模型进行训练的具体实施步骤如下：

(一)读取测得的负荷电流波形，并对其进行算术均值滤波，得到电流时间序列。

(二)对电流时间序列进行快速傅里叶变换，得到幅度谱和相位谱。

(三)对电流时间序列、幅度谱、相位谱进行分段聚合近似，根据需求压缩序列长度。

(四)计算压缩后的电流时间序列、幅度谱、相位谱的格拉姆矩阵，得到原始数据格拉姆矩阵、幅度格拉姆矩阵和相位格拉姆矩阵。

(五)将三个矩阵中的元素重映射至[0,255]，把原始数据格拉姆矩阵赋值给B通道像素矩阵，幅度格拉姆矩阵赋值给G通道像素矩阵，相位格拉姆矩阵赋值给R通道像素矩阵。

(六)使用python OpenCV工具包的merge命令将B通道像素矩阵、G通道像素矩阵、R通道像素矩阵合成为一张彩色图像。

(七)对所有样本进行以上操作后，将总样本集划分训练集、验证集、测试集，制作标签，送入ResNet18残差网络进行训练。

(八)使用训练好的ResNet18残差网络对经过第(一)步至第(五)步处理的彩色图像进行辨识，得到负荷的类别标签(负荷的类型标签)。

本发明工作流程示意图如图6所示。

为了验证本发明提出的基于改进格拉姆角场的非侵入式负荷识别方法的有效性，本发明采用Python 3.7.12编程环境和Tensorflow2.1.0深度学习框架搭建模型进行实验，分别设置了识别十一种单个电器和识别八种单个/组合混合类别的实验。

其中，十一种单个电器识别实验和实验结果具体如下：

基于自行采集的不同种类的负荷电流波形制作了十一种单个电器样本集，其类别(类型)和标签如表2所示。分别使用传统格拉姆角场和本发明改进格拉姆角场对原始数据进行预处理后训练残差网络ResNet18。

表2十一种单个电器的类别及标签

训练结束后使用测试集测试模型，得到混淆矩阵如图7所示，图7中(a)部分表示传统格拉姆角场分类混淆矩阵，图7中(b)部分表示改进格拉姆角场分类混淆矩阵。混淆矩阵记录每次预测的情况，混淆矩阵的纵轴表示真实标签，横轴表示模型预测的标签，当模型预测的标签与真实标签相同时，在对角线上相应位置加一；当模型预测的标签与真实标签不同时，在除对角线外对应的位置加一。

由图7可知，使用传统格拉姆角场进行数据图像化后训练出的模型，有17次错误地将负荷3(平板电脑)识别成了负荷9(笔记本电脑)。分析其原因，是因为该两种负荷在电流波形上具有高度相似性。负荷3和负荷9的电流波形如图8所示，图8中(a)部分表示负荷3的电流波形，图8中(b)部分表示负荷9的电流波形。

从图8可以看出，两种负荷的电流波形在形状上十分相似，仅仅在幅值等信息上有差别，说明如果丢失了幅值、相位等关键特征，则极易导致其负荷类型在识别时的混淆。使用改进格拉姆角场，对负荷3、负荷9的幅度格拉姆矩阵和相位格拉姆矩阵进行了计算，在流程中对特征缺失的格拉姆矩阵进行了优化，对图像化后B、G、R三个通道的像素矩阵进行了如公式(15)至公式(29)所示的重构，将原本丢失的幅值和相位特征进行了保留和强化，训练后的模型对负荷3的识别全部正确，从而解决了传统方法中因幅值和相位等关键特征丢失而导致的波形相似负荷识别失效的问题。

八种单个/组合混合类别识别实验和实验结果具体如下：

本发明同时还进行了单个/组合混合类别负荷的识别对比实验，基于自行测量的多种负荷电流波形数据制作了八种单个/组合混合类别样本集，其类别(类型)和标签如表3所示。训练结束后使用测试集测试模型，得到混淆矩阵如图9所示，图9中(a)部分表示传统格拉姆角场分类混淆矩阵，图9中(b)部分表示改进格拉姆角场分类混淆矩阵。

表3八种单个/组合电器的类别及标签

由图9可知，使用传统格拉姆角场进行数据图像化后训练出的模型，有76次错误地将负荷3(平板电脑)识别成了负荷6(智能手机+笔记本电脑)。其原因仍然是负荷3和负荷6的电流波形具有相似性。负荷3和负荷6的电流波形如图10所示。

由图10可知，负荷3和负荷6的电流波形同样在形状上十分相似，仅在幅值等信息上有差别。幅值、相位等关键特征的丢失导致模型错误地将负荷3识别成了负荷6。使用改进格拉姆角场后，对图像化后B、G、R三个通道的像素矩阵进行如公式(15)至公式(29)所示的重构，加入原本丢失的幅值和相位特征，负荷3和负荷6的辨识度增加，训练后的模型对负荷3的识别全部正确，避免了负荷模型识别电流波形相似负荷时的混淆。

本发明针对“现有的序列数据图像化方法，会使原始数据在处理过程中丢失一部分特征，例如因数值归一化而导致幅值特征的丢失和因像素矩阵计算方法的缺陷导致相位特征的丢失。关键特征的丢失会导致功率相近、电流波形相似负载的辨识度下降，进而导致负荷识别模型的识别准确率和非侵入式负荷监测系统可靠性的下降”这一问题，提出一种格拉姆角场的改进方法以及基于该改进方法的非侵入式负荷识别方法，其创新之处在于将传统格拉姆角场中原本相等的B、G、R三个通道的像素矩阵分别用原始数据格拉姆矩阵、幅度格拉姆矩阵和相位格拉姆矩阵代替，相比于传统格拉姆角场，在图像化过程中额外加入了负荷的幅度特征和相位特征，提高了电流波形相似负荷的辨识度。相比于传统格拉姆角场，本发明从特征融合的角度解决了因格拉姆角场的特征丢失而导致的负荷识别准确率下降的问题，使用经本发明处理得到的图像训练负荷识别模型，可以有效避免模型在分辨电流波形相似的负荷时的混淆现象，提高非侵入式负荷识别的准确率和可靠性。

本发明对传统格拉姆角场的B、G、R三通道的矩阵的计算方法进行了改进，解决了使用传统格拉姆角场进行序列数据图像化时原始数据的幅值和相位特征丢失的问题。相比于传统格拉姆角场，本发明能使负荷识别模型更清晰地分辨电流波形相近的负荷。

本发明具有执行容易，算法高效稳定的特点，可以很好地解决负荷识别模型针对个别相似负荷，识别准确率下降的问题。

本发明应用在非侵入式负荷监测的负荷识别部分。该部分以深度学习算法为基础，利用经过预处理的原始数据进行模型训练，再使用训练好的模型对经过同样预处理的数据进行负荷类型的识别。本发明对数据的预处理方法进行创新，对广泛使用的序列数据图像化方法——格拉姆角场中的三通道像素值进行了重构。

采用本发明的负荷识别方法具有以下优点：

1、避免了图像化后的特征丢失

相较于传统格拉姆角场，改进的格拉姆角场通过计算幅度格拉姆矩阵和相位格拉姆矩阵，改变了B、G、R三通道像素值的构成，使二维化后的图像包含了原本丢失的原始数据幅值和相位特征，提高了相似负荷的辨识度。

2、避免了识别相似负荷时的混淆

相比于传统格拉姆角场，使用改进格拉姆角场对原始数据进行处理，有效避免了训练后的模型分辨电流波形相似负荷时的混淆现象，提高了分辨电流波形相近负荷时的准确率。

3、不增加模型训练的负担

本发明本质上是对数据预处理方法的改进，故不会增加待训练模型的参数量，训练的时间成本和硬件内存占用率较改进前均无增加。

实施例二

为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供了一种非侵入式负荷识别系统，该系统包括：

待识别负荷电流波形获取模块，用于获取待识别负荷电流波形。

幅度谱和相位谱计算模块，用于利用快速傅里叶变换计算待识别负荷电流波形的幅度谱和待识别负荷电流波形的相位谱。

格拉姆矩阵计算模块，用于分别计算待识别负荷电流波形的格拉姆矩阵、待识别负荷电流波形的幅度谱的格拉姆矩阵和待识别负荷电流波形的相位谱的格拉姆矩阵。

格拉姆矩阵赋值模块，用于将待识别负荷电流波形的格拉姆矩阵赋值给B通道像素矩阵，将待识别负荷电流波形的幅度谱的格拉姆矩阵赋值给G通道像素矩阵，将待识别负荷电流波形的相位谱的格拉姆矩阵赋值给R通道像素矩阵。

待识别彩色图像合成模块，用于将B通道像素矩阵、G通道像素矩阵和R通道像素矩阵合成为一张待识别彩色图像。

负荷类型识别模块，用于将待识别彩色图像输入负荷识别模型中，利用负荷识别模型识别出待识别彩色图像对应的负荷类型；负荷识别模型是利用不同负荷类型对应的彩色图像集训练的；彩色图像集包括多张彩色图像。

实施例三

本发明实施例三提供了一种电子设备，包括存储器及处理器，该存储器用于存储计算机程序，该处理器运行计算机程序以使电子设备执行实施例一的非侵入式负荷识别方法。

上述电子设备可以是服务器。

实施例四

本发明实施例四提供了一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的非侵入式负荷识别方法。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。