[发明专利]基于Alexnet神经网络和颜色编码的非侵入式负荷识别方法及系统

说明书

本发明公开了电力负荷识别技术领域的一种基于Alexnet神经网络和颜色编码的非侵入式负荷识别方法及系统；包括：采集负荷的运行数据，并构建负荷的电压‑电流轨迹特征图；基于SVM聚类算法对负荷的运行数据进行初步识别，获取初步负荷识别结果；对电压‑电流轨迹特征图以及初步负荷识别结果采用RGB颜色进行区分，构建带有颜色区分的电压‑电流轨迹特征图；基于训练好的Alexnet神经网络，对带有颜色区分的电压‑电流轨迹特征图进行识别，获取负荷识别结果。具有识别准确度高，占用计算空间小等特点。

技术领域

本发明属于电力负荷识别技术领域，具体涉及一种基于Alexnet神经网络和颜色编码的非侵入式负荷识别方法及系统。

背景技术

目前，在非侵入式负荷识别方面，传统的方法有：采用K-means，SVM等简单的分类方法，随着人工智能以及深度学习的发展，卷积神经网络CNN以及孪生网络等的崛起，在非侵入式负荷识别方面其应用越来越广泛，在负荷特征方面有负荷的有功功率、无功功率、以及电压-电流波形轨迹特征。在采用负荷的功率走作为特征时，虽然能够快速的得到分类结果，但是分类的准确性不够，当采用电压-电流波形轨迹特征进行分类时，虽然能够识别大部分负荷，但是对于负荷特征相似的电压-电流轨迹特征，其识别的准确性仍有待提高，且现有的负荷识别过程在计算时需要占用大量的计算空间，不易推广使用。

发明内容

为解决现有技术中的不足，本发明提供一种基于Alexnet神经网络和颜色编码的非侵入式负荷识别方法及系统，具有识别准确度高，占用计算空间小等特点。

为达到上述目的，本发明所采用的技术方案是：

第一方面，提供一种非侵入式负荷识别方法，包括：采集负荷的运行数据，并构建负荷的电压-电流轨迹特征图；基于SVM聚类算法对负荷的运行数据进行初步识别，获取初步负荷识别结果；对电压-电流轨迹特征图以及初步负荷识别结果采用RGB颜色进行区分，构建带有颜色区分的电压-电流轨迹特征图；基于训练好的Alexnet神经网络，对带有颜色区分的电压-电流轨迹特征图进行识别，获取负荷识别结果。

进一步地，所述采集负荷的运行数据，并构建负荷的电压-电流轨迹特征图，包括：采集负荷的运行数据，通过以下公式将运行数据中的电压、电流进行归一化处理，然后将归一化的数据乘以构建的轨迹特征图的像素的个数n并向下取整，得到一组小于n的电压、电流的整数：

i_{m_n}＝floor(i_m×n) (3)

v_{m_n}＝floor(v_m×n) (4)

其中，floor表示向下取整函数，i_min表示一个周期内电流的最小值，i_max表示一个周期内电流的最大值，v_min表示一个周期内电压的最小值，v_max表示一个周期内电压的最大值；

将得到的一组小于n的电压、电流的整数分别作为矩阵的行和列，构建一个n×n的零矩阵，并在相应的电压、电流位置将0赋值为1，从而构建负荷的电压-电流轨迹特征图。

进一步地，所述对电压-电流轨迹特征图以及初步负荷识别结果采用RGB 颜色进行区分，构建带有颜色区分的电压-电流波形特性轨迹图，包括：以负荷的有功功率与视在功率的比值作为RGB颜色区分的R矩阵值，具体为：

其中，P_nonactive表示无功功率，P_apparent表示视在功率，V_rms表示电压的有效值， I_rms表示电流的有效值；