一种非侵入式负荷识别增强方法、装置和存储介质

技术领域

本发明涉及非侵入式负荷识别领域，尤其涉及一种非侵入式负荷识别增强方法、装置和存储介质。

背景技术

负荷监测作为住宅能源节能管理的重要前提，受到了广泛研究。负荷识别作为负荷监测的关键环节，现有研究已提出许多负荷识别方法并取得初步成果。许多现有技术通过构建负荷的V-I轨迹图进行识别，并采用不同的特征挖掘方式对轨迹图进行颜色编码以增强负荷轨迹图的特异性；除了V-I轨迹图，有功功率、电流有效值、谐波特征等基于电气知识的典型特征也常被应用。在分类模型的研究上，基于集成学习的方法通过结合多个分类器展现了良好的性能，此外深度学习也有许多应用，其可以有效地进行负荷特征的自动挖掘，一些研究还将图像识别网络AlexNet等强大的分类能力迁移至负荷识别领域。

但是，目前绝大多数负荷识别方法的高精度仅局限于单一数据集，普遍存在泛化能力不足的问题，导致难以得到推广应用，而有标签样本稀缺且昂贵是目前尚未有研究提出一种强大通用能力和泛化能力的识别模型的原因之一，因此如何以低成本的方式高效提升负荷识别模型的性能是当前负荷监测领域的关键问题之一。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种非侵入式负荷识别增强方法、装置和存储介质。

本发明所采用的技术方案是：

一种非侵入式负荷识别增强方法，包括以下步骤：

S1、采集已知负荷的电压信号和电流信号，根据采集的信号构建训练集；

S2、构建负荷辨识模块，并采用训练集训练负荷辨识模块；其中，负荷辨识模块包括多个不同的分类器；

S3、在用电总线持续监测电压、电流，当有负荷投切时，提取该负荷的运行特征，将运行特征输入负荷辨识模块；

S4、判断用户是否开启算法增强，若是，进入步骤S5；反之，返回步骤S3；

S5、缓存步骤S3所提取的负荷的运行特征及负荷使用信息；

S6、缓存结束后，将缓存的运行特征输入至负荷辨识模块，负荷辨识模块的每个分类器输出识别结果和对应各负荷种类的概率向量；

S7、筛选若干个高不确定度样本和共识样本，其中，高不确定度样本由用户给定标签，共识样本以分类器识别结果为标签；

S8、根据步骤S7获得的样本及其标签，对分类器进行更新，并在更新后返回步骤S3。

进一步地，在对负荷电压信号和电流信号进行采集中，采样频率应不小于7.5kHz。

进一步地，所述根据采集的信号构建训练集，包括：

对采集到的电压信号和电流信号，进行特征提取，根据提取的特征构建训练集；

其中，提取的特征包括电压电流周波和电气知识特征；电压电流周波是指分别以相邻的电压正零点、电压负零点为起点、止点的电压或电流序列；电气知识特征是指以电压电流变换计算得到的量，电气知识特征包括电流峰峰值、电流有效值、电流波形因数、电流谐波畸变率、电流相对谐波畸变率、有功功率、无功功率、奇数次(1、3、5)谐波电流有效值及相位。

进一步地，所述分类器为以电压电流周波或电气知识特征为输入、以负荷种类为输出的机器学习模型；不同的分类器之间的不同之处至少包含以下一点：输入量不同、模型结构不同、训练数据不同。

进一步地，所述负荷辨识模块包括一维卷积神经网络和随机森林两个不同的分类器。

进一步地，所述提取该负荷的运行特征，包括：

利用负荷投切事件前后的电流进行差分计算，获得对应负荷的工作电流；

基于获得的电流数据和运行时间的电压数据，提取电压电流周波和电气知识特征，作为负荷的运行特征。

进一步地，步骤S4中所述的算法增强，是由用户通过用户交互模块控制的。

进一步地，步骤S5所述的缓存负荷特征和负荷使用信息，其缓存历史时长可在不超过7天的范围内指定，其中负荷使用信息是指负荷使用时间和使用时长。

进一步地，每个所述分类器输出对应各负荷种类的概率向量，表示为

进一步地，在步骤S7所述筛选若干个高不确定度样本的步骤中，所述不确定度通过利用该样本在各个分类器的概率向量进行计算获得，计算方式如下：

其中，N

对负荷样本进行K-Means聚类算法得到k个簇，选择每个簇中不确定度最高的样本，用户根据样本缓存的负荷使用时间和使用时长，参与标注负荷类别标签；

所述共识样本是指各分类器识别结果均一致的样本。

进一步地，所述根据步骤S7获得的样本及其标签，对分类器进行更新，包括：

利用步骤S7所选择负荷样本及其标签，在分类器结构不变的基础上，对分类器参数进行调整，从而提升分类器的精度，其具体的更新方式取决于分类器的类型，如神经网络类型的分类器，其通过最小化识别结果和真实结果之间的误差值，对网络参数进行调优。

本发明所采用的另一技术方案是：

一种非侵入式负荷识别增强装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述方法。

本发明所采用的另一技术方案是：

一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。

本发明的有益效果是：本发明设计了一种高效的交互机制，由用户通过参与标注少量负荷样本帮助分类器高效提升性能。所提出的高不确定度样本选择方法能够有效帮助负荷分类器对负荷样本进行针对性学习，可达到标注成本低、性能提升大的效果。本发明能有效有缓解有标签样本不足且昂贵，而分类器泛化性能不足两者之间的矛盾。

附图说明

为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。

图1是本发明实施例中一种用户参与交互的非侵入式负荷识别增强方法的流程图；

图2是本发明实施例中1D-CNN网络的结构图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

如图1所示，本实施例提供一种用户参与交互的非侵入式负荷识别增强方法，包括以下步骤：

S1、采集已知负荷的电压信号和电流信号，根据采集的信号构建训练集。

在本实施例中，采集10种常用家庭电器的稳态工作时的电压、电流数据，采集频率为7.5kHz。对每个负荷进行特征计算和处理，提取电流周波序列和电气知识特征量，形成初始数据集。对于电流周波序列的提取，以电压正零点相对应的电流数据点作为起始点，提取连续150个数据点作为电流周波序列；对于电气知识特征量的提取，基于上述提取的电压、电流周波序列，计算每个周波的电流峰峰值I

I

I

在本实施例中，以1个周波数据及其电气知识特征量为1个样本数据，每个电器取10个样本构成初始数据集D

S2、构建负荷辨识模块，并采用训练集训练负荷辨识模块；其中，负荷辨识模块包括多个不同的分类器。

在本实施例中，构建一维卷积神经网络(1D-CNN)和随机森林两个不同负荷分类器(即分类器)。

所述1D-CNN分类器由卷积层Conv、批归一化层BatchNorm、最大池化层MaxPool、全连接层FC、Softmax层堆叠而成，模型结构如图2所示，其中卷积层的四个参数分别表示输入通道数、输出通道数、卷积核大小及其步长，最大池化层两个参数分别表示窗口的大小及其步长，全连接层两个参数分别表示输入和输出的维度数。所构建的1D-CNN以电流周波序列为输入，Softmax层输出得到负荷类型概率向量，最大概率所对应的类别即为模型识别的结果。1D-CNN网络的训练过程通过最小化以下交叉熵函数调整网络参数。

其中m为训练集样本数目，N为类别数，p

所述的随机森林分类器设置决策树为100，并以所提取的电气知识特征量作为输入量。

S3、在用电总线持续监测电压、电流，当有负荷投切时，提取该负荷的运行特征，将运行特征输入负荷辨识模块。

在本实施例中，在用电总线持续监测电压、电流，当有负荷投切时，提取该负荷的运行特征，具体的提取方法如下：当有负荷开启接入用电总线时，首先对负荷开启瞬间前后的电压电流数据进行划分，分别记为u

提取的到电流周波序列和电气知识特征量分别输入至负荷辨识模块的1D-CNN网络和随机森林，所输出的概率向量中，最大值所对应的类别即为模型识别的结果，从而完成对负荷类型的识别。

S4、判断用户是否开启算法增强，若是，进入步骤S5；反之，返回步骤S3。本实施例中设用户开启算法增强。

S5、缓存步骤S3所提取的负荷的运行特征及负荷使用信息。在本实施例中设缓存历史时长为3天。

S6、缓存结束后，将缓存的运行特征输入至负荷辨识模块，负荷辨识模块的每个分类器输出识别结果和对应各负荷种类的概率向量。

在本实施例中，将缓存的负荷特征输入至负荷辨识模块中的1D-CNN网络和随机森林，两个分类器输分别出各负荷种类的概率向量p

S7、筛选若干个高不确定度样本和共识样本，其中，高不确定度样本由用户给定标签，共识样本以分类器识别结果为标签。

首先根据分类器输出的概率向量计算每个样本的不确定度，计算方式如下：

其中，N

其中c表示负荷类型。

计算得到每个负荷样本的不确定u后，接着步骤S5缓存的负荷样本进行K-Means聚类算法得到k个簇，选择每个簇中不确定度最高的样本，由用户参与标注类别标签。在本实施例中k等于10，即选择10个负荷样本推送给用户，用户根据所缓存的负荷使用时间和使用时长，标注负荷类别标签。

此外筛选出1D-CNN网络和随机森林识别结果一致的样本，并以识别结果作为样本的标签。

S8、根据步骤S7获得的样本及其标签，对分类器进行更新，并在更新后返回步骤S3。

本实施例中1D-CNN模型和随机森林模型的更新方式如下：

对于1D-CNN模型的更新，采用参数微调的方式，利用高不确定度样本及其标签，通过最小化步骤S2所述的交叉熵损失函数对当前模型参数进行训练调整，设置微调的训练迭代次数为5，学习率为0.0005。

对于随机森林模型的更新，将步骤S7所选择的样本及其标签添加至数据集D

模型更新后返回步骤S3，将新负荷分类器继续应用于负荷监测中。

综上所述，本发明实施例针对传统负荷识别方法泛化能力不足的缺点，设计了一种高效的交互机制，由用户通过参与标注少量负荷样本帮助分类器高效提升性能。所提出的高不确定度样本选择方法能够有效帮助负荷分类器对负荷样本进行针对性学习，可达到标注成本低、性能提升大的效果。所提出的方法能有效有缓解有标签样本不足且昂贵，而分类器泛化性能不足两者之间的矛盾。

本实施例还提供一种非侵入式负荷识别增强装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如图1所示述方法。

本实施例的一种非侵入式负荷识别增强装置，可执行本发明方法实施例所提供的一种非侵入式负荷识别增强方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。

本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种非侵入式负荷识别增强方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。