一种基于Fryze-电流分解和CNN-BiLSTM的非侵入式家电识别方法与流程

本技术涉及智能电网，尤其涉及一种基于fryze-电流分解和cnn-bilstm的非侵入式家电识别方法。

背景技术：

1、据联合国环境规划署可持续建筑和气候倡议(unep-sbci)数据统计，住宅和商业建筑消耗了全球约60％的电力。建筑物的节能一般可以通过升级更高效的设备来提高建筑物的用能效率(例如，使用更好的隔热材料)，或通过改变用户用能行为来优化电力使用。近年，能源传感器和智能电表技术的进步导致了非侵入式负荷监测(nilm)的兴起。非侵入式负荷监测(nilm)是一种计算技术，其使用如智能电表、电流或电压传感器插头监测的总功率数据来推断建筑物中运行的终端设备并估计其各自的功耗。非侵入式负荷监测(nilm)依赖于信号处理和机器学习技术，从总功率测量中分析电器模式。非侵入式负荷监测(nilm)为家庭负荷能耗监测提供了低成本且方便开展的方式，可以轻松集成到现有建筑物中，而不会给用户带来任何不便。该策略还可以向电力零售商提供终端电器的用电情况，从而深入了解顾客使用什么电器、何时使用、消耗多少电力以及为什么要这样消耗。通过非侵入式负荷监测(nilm)技术辨识和分解终端电器的电力消耗信息，有助于公共事业管理者评估居民负荷的能源需求量，从而有效开展公共设施建设与需求侧响应等业务，对社会的节能环保和低碳转型有重要作用和意义。

2、非侵入式负荷识别是非侵入式负荷监测(nilm)的核心任务，目前常用的算法包括监督式和无监督式。其中，监督式算法主要通过训练带标签的数据集来实现负荷的识别，如基于决策树的方法、基于支持向量机的方法和基于神经网络的方法等，该类方法虽然一定程度上提升了负荷识别准确率，但在负荷类型比较多时往往易出现错误识别的情况。无监督式算法主要用于难以获取负荷标签的非侵入式负荷监测(nilm)场景，通过自动学习数据隐藏的结构信息来实现负荷的识别，目前常用的方法包括随机森林法、k均值法和dbscan密度聚类法等，省去了人工标注带来的繁琐，但负荷识别准确率普遍偏低。

3、随着以深度学习为代表的新一代人工智能技术的发展，越来越多的学者尝试将深度学习技术应用于非侵入式负荷监测(nilm)领域负荷识别，如有研究者提出采用电流的投切瞬态波形作为特征，基于卷积神经网络的非侵入式负荷识别方法相较于传统的bp(backpropagation)神经网络表现出了更好的分类效果；也有研究者提出利用手写数据集训练卷积神经网络，然后将训练好的卷积神经网络迁移至家用电器负荷识别领域，进而对电器负荷进行辨识等。虽然现有基于深度学习的负荷识别方法在一定程度上提升了负荷识别的准确率，但是在用电负荷类型偏多的场景下，受限于模型学习能力，容易出现识别错误的情况。因此，开展新的深度学习方法或组合方法研究，增强算法从复杂负荷数据中自动学习最具表征性特征的能力，进而提升负荷识别准确率是当前丞待解决的问题。

技术实现思路

1、本技术的目的在于提供一种基于fryze-电流分解和cnn-bilstm的非侵入式家电识别方法，能够解决非侵入式负荷监测(nilm)领域中电器类别较多时负荷识别准确率低的问题。

2、为达到上述目的，本技术提供一种基于fryze-电流分解和cnn-bilstm的非侵入式家电识别方法，包括如下步骤：s1：获取样本数据集对神经网络进行训练，获得cnn-bilstm神经网络；其中，样本数据集包括：多类用电设备的电流和电压信号；cnn-bilstm神经网络包括：卷积神经网络和双向长短时记忆神经网络；s2：采集总的电流和电压波形，对总的电流和电压波形进行处理，获得待识别的负荷数据，其中，待识别的负荷数据包括：激活电流i和激活电压v；s3：利用基于fryze功率理论的方法将激活电流i在时域上分解为与电能相关的正交分量，其中，正交分量包括：有功电流i(t)a和非有功分量i(t)f；s4：使用分段聚合近似方法将分解后的信号ia和信号if的维数从采样周期ts的原维数降至预定义的维数w，其中，信号ia为采样周期ts内有功电流i(t)a的集合；信号if为采样周期ts内非有功分量i(t)f的集合；s5：应用欧几里得距离函数来测量有功电流i(t)a与非有功分量i(t)f之间的相似性或相关程度，从而得到距离矩阵；s6：对距离矩阵进行图像转换，获得图像，并将图像输入至cnn-bilstm神经网络中的卷积神经网络内，由卷积神经网对图像进行提取，获得用电设备的一维特征向量；s7：通过cnn-bilstm神经网络中的双向长短时记忆神经网络对用电设备的一维特征向量进行计算，获得待辨识家电的概率向量。

3、如上的，其中，通过非侵入式量测装置对测量目标进行测量，得到总的电流和电压波形，并利用高频特征提取的方法对总的电流和电压波形进行处理，将从总的电流和电压波形中提取的单周期稳态信号作为激活电流i和激活电压v，将激活电流i和激活电压v作为待识别的负荷数据。

4、如上的，其中，激活电流i在时域上进行分解的表达为：i(t)＝i(t)a+i(t)f；其中，i(t)为采样时刻为t时的激活电流；i(t)a为有功电流；i(t)f为非有功分量。

5、如上的，其中，有功电流i(t)a的表达式为：其中，电流ia(t)表示电阻信息，为纯正弦曲线；v(t)为采样时刻为t时的激活电压；vrms为电压的有效值；pa为平均功率。

6、如上的，其中，非有功分量i(t)f的表达式为：i(t)f＝i(t)-i(t)a；其中，i(t)为采样时刻为t时的激活电流；i(t)a为有功电流。

7、如上的，其中，距离矩阵的表达式为：其中，dw,w为距离矩阵；d2,1、dw,1、d1,2、dw,2和d2,w均为距离矩阵中的元素值；d2,1＝||i(t)2-i(t)1||2；dw,1＝||i(t)w-i(t)1||2；d1,2＝||i(t)1-i(t)2||2；dw,2＝||i(t)w-i(t)2||2；d1,w＝||i(t)1-i(t)w||2；d2,w＝||i(t)2-i(t)w||2，i(t)1为第一维数的数值，i(t)2为第二维数的数值，i(t)w为第w维数的数值，w表示降维后的维数。

8、如上的，其中，cnn-bilstm神经网络中的卷积神经网络包括：输入层、隐藏层和输出层；图像输入至输入层，经隐藏层进行特征转换和提取后，输出至输出层，由输出层输出用电设备的一维特征向量。

9、如上的，其中，cnn-bilstm神经网络中的双向长短时记忆神经网络的表达式为：式中：xt代表细胞在t时刻的输入信息；ht为细胞在t时刻的输出信息；ht-1为细胞在t-1时刻的输出信息；rt是反向层在t时刻的输出量；rt+1是反向层在t+1时刻的输出量；yt是t时刻输出层的输出；f(·)表示前向层和反向层的激活函数；r＝g(·)是输出层的激活函数；w1是将输入层映射到前向层的权重矩阵；w2是前向层在前一计算时刻输出映射到当前计算时刻的权重矩阵；w3是将输入层映射到反向层的权重矩阵；w4是前向层的输出映射到输出层的权重矩阵；w5是反向层在前一计算时刻输出映射到当前计算时刻的权重矩阵；w6是反向层的输出映射到输出层的权重矩阵。

10、如上的，其中，若待识别设备发生变化，则将发生变化后的待识别设备作为当前待识别设备，获取当前待识别设备的样本数据，执行步骤s1，获得新的cnn-bilstm神经网络，并利用新的cnn-bilstm神经网络执行步骤s2-步骤s7；其中，变化包括：新增用电设备、减少用电设备和/或更换用电设备

11、如上的，其中，若待识别设备不发生变化，则直接使用步骤s1获得的cnn-bilstm神经网络执行步骤s2-步骤s7；其中，变化包括：新增用电设备、减少用电设备和/或更换用电设备。

12、本技术实现的有益效果如下：

13、(1)本技术的基于fryze-电流分解和cnn-bilstm的非侵入式家电识别方法，能够解决非侵入式负荷监测(nilm)领域中电器类别较多时负荷识别准确率低的问题，即：提高了非侵入式负荷监测(nilm)领域中电器类别较多时的负荷识别准确率。

14、(2)本技术的基于fryze-电流分解和cnn-bilstm的非侵入式家电识别方法，能够根据入户总电流、电压测量值实现对户内电器设备运行状态的监测。