技术领域
[0001] 本
发明属于
深度学习和
模式识别技术领域，更具体地，涉及一种基于3D卷积神经网络的电气负载监测方法和系统。
背景技术
[0002] 如今，高效利用电
力资源是解决
能源过度消耗这一问题的关键，而有效利用电力资源过程中的一个重要手段就是对电气负载(例如
家用电器等)进行实时监测以获取用电信息，这不仅有助于电力供应商通过该用电信息分析用户的用电行为来进行电力能源的分配，或者根据用户使用的用电设备来
预防因用电不规范而引发的火灾，而且用户也可以通过用电信息去改善自身的用电情况。
[0003] 现有的电气负载监测主要通过以下两种方式实现，第一种是分析电气负载的启动过程时间、启动
电流最大值、启动电流最大值时间、稳态电流
频谱等特征，通过两两或者多个特征进行组合的方法实现对电气负载的监测；第二种是将电流
波形和
电压波形引入诸如朴素贝叶斯(Naive Bayesian Model，简称NB)、
决策树(Decision tree，简称DT)、
支持向量机(Support vector machine，简称SVM)等
机器学习算法中，使用计算得到的模型来识别电气负载。
[0004] 然而，上述现有电气负载监测方法均存在一些不可忽略的技术问题，针对上述第一种方法，其为了采集电气系统启动时的暂态特征参数，数据
采样装置需要对电气系统进行持续不间断的监测，才不会遗漏负荷投入/
切除运行时稍纵即逝的暂态过程，这会增加系统能耗，且采集过程中必须使用高
精度的设备，这会导致监测成本过高；而在上述第二种方法中，传统的机器学习算法计算出的模型识别率不高，且模型的鲁棒性和实用性较差。
发明内容
[0005] 针对
现有技术的以上
缺陷或改进需求，本发明提供了一种基于3D卷积神经网络的电气负载监测方法和系统，其目的在于，解决现有基于暂态特征的电气负载监测方法中存在的系统能耗高、检测成本高的技术问题，以及现有基于机器学习算法的电气负载监测方法中存在的识别率低、模型鲁棒性和实用性较差的技术问题。
[0006] 为实现上述目的，按照本发明的一个方面，提供了一种基于3D卷积神经网络的电气负载监测方法，包括以下步骤：
[0007] (1)采集用电设备在稳态下的电压数据和电流数据，并对该电压数据和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电压数据和电流数据；
[0008] (2)根据步骤(1)处理后的用电设备的电压数据和电流数据生成多
帧用电设备在不同时刻的电压-电流轨迹图像，对每帧电压-电流轨迹图像先后进行归一化和二值化处理，以得到处理后的多帧电压-电流轨迹图像。
[0009] (3)将步骤(2)处理后的多帧电压-电流轨迹图像进行
叠加处理，并输入训练好的3D卷积神经网络模型中，以得到用电设备的用电信息，并将用电设备的用电信息发送给用户。
[0010] 优选的，滤波过程是先后采用中值滤波法和均值滤波法。
[0011] 优选的，步骤(2)中不同时刻用电设备的电压-电流轨迹图像的生成过程是先以用电设备的电压数据为基准，从步骤(1)处理后的用电设备的电压数据中截取10个完整周期的电压数据，并获取这10个完整周期的电流数据；随后，对这10个周期的电压数据和电流数据分别进行叠加后求其均值，从而分别形成一个完整周期的电压数据和电流数据，并将这一个完整周期的电压数据和电流数据分别平均划分成N个部分；随后，使用第一部分的电压数据作为纵坐标，第一部分的电流数据作为横坐标生成前1/N个周期的电压-电流轨迹图像，使用前两部分的电压数据作为纵坐标，前两部分的电流数据作为横坐标生成前2/N个周期的电压-电流轨迹图像，依此类推，直到最终生成一个完整周期的电压-电流轨迹图像共N帧，用于展示出一个完整周期的电压电流轨迹生成过程。
[0012] 优选的，3D卷积神经网络是通过以下步骤训练得到的(3-1)采集多个类别的用电设备在稳态时的电压数据和电流数据作为数据集；
[0013] (3-2)对数据集中的电压数据和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电压数据和电流数据；
[0014] (3-3)根据步骤(3-2)处理后的用电设备的电压数据和电流数据生成多帧用电设备在不同时刻的电压-电流轨迹图像，对每帧电压-电流轨迹图像先后进行归一化和二值化处理，以得到处理后的多帧电压-电流轨迹图像，并将处理后的多帧电压-电流轨迹图像输入3D卷积神经网络；
[0015] (3-4)使用反向传播算法对3D卷积神经网络中每层的权重参数进行更新和优化，以得到更新后的3D卷积神经网络；
[0016] (3-5)对步骤(3-4)更新后的3D卷积神经网络进行
迭代训练，直到该3D卷积神经网络的损失函数达到最小为止；
[0017] (3-6)使用步骤(3-1)得到的数据集中的测试集对迭代训练后的3D卷积神经网络进行迭代验证，直到得到的分类精度达到最优为止，从而得到训练好的3D卷积神经网络。
[0018] 优选的，3D卷积神经网络的损失函数L为：
[0019]
[0020] 其中N表示训练集的样本总数，K表示训练集中类别的数量，ti,k表示第k类第i个训练样本输入3D卷积神经网络后的预测结果，yi,k表示第k类第i个训练样本对应的真实结果，且k∈[1，K]，λ表示正则化程度，Wi,k表示第k类第i个训练样本输入3D卷积神经网络时的权重参数。
[0021] 优选的，步骤(3-4)中的优化过程是采用Adam优化器。
[0022] 优选的，3D卷积神经网络的具体网络结构为：
[0023] 第一层是
输入层，对一个周期内N个不同时刻的电压-电流轨迹图像做叠加处理构建输入层，输入大小为N*40*40*1；
[0024] 第二层是卷积层，其接受来自输入层的N*40*40*1的立方体，其中卷积核通道数为16，卷积核大小为3*5*5，其中5x5是卷积核在空间维度上的长度和宽度而且3是时间维度上连续帧的数量，该层使用全0填充，步长为1，该层输出矩阵大小为N*40*40*16；
[0025] 第三层是
池化层，卷积核大小为2*2*2，步长为2，该层输出矩阵为(N/2)*20*20*16；
[0026] 第四层是卷积层，卷积核大小为3*5*5，卷积核通道数为64，使用全0填充，步长为1，该层输出矩阵大小为(N/2)*20*20*64；
[0027] 第五层是池化层，卷积核大小为2*2*2，步长为2，该层输出矩阵为(N/4)*10*10*64；
[0028] 第六层是卷积层，卷积核大小为3*3*3，卷积核通道数为256，使用全0填充，步长为1，该层输出矩阵大小为(N/4)*10*10*256；
[0029] 第七层是全局平均池化层，池化窗口大小为(N/4)*10*10，步长为(N/4)*10*10，其输出
节点数量为256；
[0030] 第八层是全连接层，
输出节点数量为11个。
[0031] 按照本发明的另一方面，提供了一种基于3D卷积神经网络的电气负载监测系统，包括：
[0032] 第一模
块，用于采集用电设备在稳态下的电压数据和电流数据，并对该电压数据和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电压数据和电流数据；
[0033] 第二模块，用于根据第一模块处理后的用电设备的电压数据和电流数据生成多帧用电设备在不同时刻的电压-电流轨迹图像，对每帧电压-电流轨迹图像先后进行归一化和二值化处理，以得到处理后的多帧电压-电流轨迹图像；
[0034] 第三模块，用于将第二模块处理后的处理后的多帧电压-电流轨迹图像进行叠加处理，并输入训练好的3D卷积神经网络模型中，以得到用电设备的用电信息，并将用电设备的用电信息发送给用户。
[0035] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0036] 1、由于本发明采用了步骤(1)，其数据来源仅需要采集用电设备在稳态情况下一段时间内的电压数据和电流数据，大大降低了对数据采样设备的精度要求，因此能够解决现有基于暂态特征的电气负载监测方法由于需要数据采样装置持续不间断工作所导致的系统能耗高、检测成本高的技术问题。
[0037] 2、由于本发明采用了步骤(2)和步骤(3)，其利用电压电流轨迹生成过程中的多张轨迹图像进行
像素化作为负载标记，增添了原始电压电流轨迹特征不具备的时间信息，并利用3D卷积神经网络作为识别分类器，能够有效的利用电压电流轨迹时间以及循环方向上的信息，因此能够解决现有基于机器学习算法的电气负载监测方法中存在的识别率低的技术问题。
[0038] 3、由于本发明采用了步骤(1)和步骤(2)，其首先利用了均值滤波和中值滤波，在保存了轨迹整体形状的前提下实现了
信号的平滑；其次通过二值化处理，使轨迹的特征增强了对噪声的容错性以及自身的鲁棒性，因此能够解决现有基于机器学习算法的电气负载监测方法中存在的鲁棒性和实用性较差的技术问题。
附图说明
[0039] 图1是本发明基于3D卷积神经网络的电气负载监测方法的
流程图。
[0040] 图2(a)至(e)是本发明方法的步骤(2)中得到的不同时刻用电设备的电压-电流轨迹图像。
[0041] 图3(a)至(e)是对图2(a)至(e)中不同时刻用电设备的电压-电流轨迹图像分别进行归一化和二值化处理后得到的电压-电流轨迹图像。
[0042] 图4是本发明方法最终得到的用电设备的用电信息。
[0043] 图5是本发明3D卷积神经网络在训练阶段的损失函数和准确率变化曲线的示意图。
[0044] 图6是本发明方法中使用的3D卷积神经网络的示意图。
具体实施方式
[0045] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及
实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0046] 本发明提出了一种基于3D卷积神经网络的电气负载监测方法，该方法将视频分类的思想和非侵入式负载监测技术进行结合，这是由于，电压电流轨迹是信号在一个的周期内形成的闭环曲线，而不是在特定的时间点Δt所形成。因此，本发明将电压电流轨迹形成的过程作为负载的标记，并使用轻量级3D卷积神经网络模型作为分类器进行训练。
[0047] 如图1所示，本发明提供了一种基于3D卷积神经网络的电气负载监测方法，包括以下步骤：
[0048] (1)采集用电设备在稳态下的电压数据和电流数据，并对该电压数据和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电压数据和电流数据；
[0049] 具体而言，本步骤中每次采集电压数据和电流数据的持续时间是1秒，采样
频率是25到30KHz之间，优选是30KHz。
[0050] 本步骤滤波过程是先后采用中值滤波法和均值滤波法，其具体是将采集到的一系列电压数据和电流数据中一点的值用该点的一个邻域中各点值的中值代替，目的是去除信号中的突变点，然后对信号的平滑处理过程中使用了均值滤波，目的是去除电压数据和电流数据中的不相关数据点。
[0051] (2)根据步骤(1)处理后的用电设备的电压数据和电流数据生成多帧用电设备在不同时刻的电压-电流轨迹图像，对每帧电压-电流轨迹图像先后进行归一化和二值化处理，以得到处理后的多帧电压-电流轨迹图像。
[0052] 具体而言，本步骤中不同时刻用电设备的电压-电流轨迹图像的生成过程是先以用电设备的电压数据为基准，从步骤(1)处理后的用电设备的电压数据中截取10个完整周期的电压数据Vten(其中需要根据10个完整的周期电压数据中第一个电压数据和最后一个电压数据的幅值和斜率来确保截取了完整的10个周期)，并获取这10个完整周期的电流数据Iten；随后，对这10个周期的电压数据和电流数据分别进行叠加后求其均值，从而分别形成一个完整周期的电压数据和电流数据，并将这一个完整周期的电压数据和电流数据分别平均划分成N个部分(其中N值一般选择3～10，在本发明中优选是5)；随后，使用第一部分的电压数据作为纵坐标，第一部分的电流数据作为横坐标生成前1/N个周期的电压-电流轨迹图像，如图2(a)所示；使用前两部分的电压数据作为纵坐标，前两部分的电流数据作为横坐标生成前2/N个周期的电压-电流轨迹图像，如图2(b)所示，依此类推…直到最终生成一个完整周期的电压-电流轨迹图像共N帧，用于展示出一个完整周期的电压电流轨迹生成过程，如图2所示(从图2可以看出，N＝5)。
[0053] 本步骤中图像归一化和二值化处理后的电压-电流轨迹图像尺寸为40*40，深度为1，如图3所示。
[0054] 本步骤中归一化和二值化处理的目的，是增强信号特征的鲁棒性以及容错率。
[0055] (3)将步骤(2)处理后的多帧电压-电流轨迹图像进行叠加处理，并输入训练好的3D卷积神经网络模型中，以得到用电设备的用电信息(如图4所示)，并将用电设备的用电信息发送给用户。
[0056] 在图4中，用电设备的用电信息包括用电设备的负荷分析值、负荷率分析值、电
能量分析值、以及负荷预测值。
[0057] 具体而言，本步骤中的3D卷积神经网络是通过以下步骤训练得到的(3-1)根据步骤(1)的方法，本发明中采集了多个类别的用电设备在稳态时的电压数据和电流数据作为数据集；
[0058] 具体而言，本发明中使用了11类用电设备，包括：
空调、日光灯、
风扇、电
冰箱、电吹风、热得快、
台灯、
笔记本电脑、
微波炉、
吸尘器及
洗衣机。应该理解的是，本发明不局限于上述用电设备，任何用电设备都被纳入本发明的保护范围。
[0059] 在本实施方式中，共采集了1074个样本数据作为数据集，并将其按7：3的比例划分为训练集和测试集。
[0060] (3-2)对数据集中的电压数据和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电压数据和电流数据；
[0061] (3-3)根据步骤(3-2)处理后的用电设备的电压数据和电流数据生成多帧用电设备在不同时刻的电压-电流轨迹图像，对每帧电压-电流轨迹图像先后进行归一化和二值化处理，以得到处理后的多帧电压-电流轨迹图像，并将处理后的多帧电压-电流轨迹图像输入3D卷积神经网络；
[0062] (3-4)使用反向传播算法对3D卷积神经网络中每层的权重参数进行更新和优化，以得到更新后的3D卷积神经网络；
[0063] 具体而言，3D卷积神经网络中每层需要更新的参数包括权重参数和偏置参数，权重参数的初始值是使用标准差为0.1的截断式正态分布输出的随机值，偏置参数的初始值设为0；
[0064] 具体而言，为了加快损失值的下降速度，本发明采用Adam-Optimizer作为优化器，这是由于该优化器具有动量以及自适应学习率的优势。
[0065] (3-5)对步骤(3-4)更新后的3D卷积神经网络进行迭代训练，直到该3D卷积神经网络的损失函数达到最小为止；
[0066] 3D卷积神经网络的损失函数L为：
[0067]
[0068] 其中N表示训练集的样本总数(在本实施方式中，其为751)，K表示训练集中类别的数量(在本实施方式中，其为11)，ti,k表示第k类第i个训练样本输入3D卷积神经网络后的预测结果，yi,k表示第k类第i个训练样本对应的真实结果，k∈[1，K]，λ表示正则化程度，其取值为0.01，Wi,k表示第k类第i个训练样本输入3D卷积神经网络时的权重参数，其随着3D卷积神经网络的训练自行变化。
[0069] (3-6)使用步骤(3-1)得到的数据集中的测试集对迭代训练后的3D卷积神经网络进行迭代验证，直到得到的分类精度达到最优为止，从而得到训练好的3D卷积神经网络。
[0070] 本发明中训练的损失函数和分类精度曲线如图5所示，按照变化曲线可以发现最终测试集得到94％的准确率。
[0071] 对于本发明中的3D卷积神经网络而言，其包括了输入层，
输出层，3个3D卷积层、2个3D最大池化层和1个3D全局池化层(如图6所示)，其具体网络结构如下：
[0072] 第一层是输入层，对一个周期内N个不同时刻的电压-电流轨迹图像做叠加处理构建输入层，输入大小为N*40*40*1；
[0073] 第二层是卷积层，其接受来自输入层的N*40*40*1的立方体，其中卷积核通道数为16，卷积核大小为3*5*5，其中5x5是卷积核在空间维度上的长度和宽度而且3是时间维度上连续帧的数量，该层使用全0填充，步长为1，该层输出矩阵大小为N*40*40*16；
[0074] 第三层是池化层，卷积核大小为2*2*2，步长为2，该层输出矩阵为(N/2)*20*20*16；
[0075] 第四层是卷积层，卷积核大小为3*5*5，卷积核通道数为64，使用全0填充，步长为1，该层输出矩阵大小为(N/2)*20*20*64；
[0076] 第五层是池化层，卷积核大小为2*2*2，步长为2，该层输出矩阵为(N/4)*10*10*64；
[0077] 第六层是卷积层，卷积核大小为3*3*3，卷积核通道数为256，使用全0填充，步长为1，该层输出矩阵大小为(N/4)*10*10*256；
[0078] 第七层是全局平均池化层，池化窗口大小为(N/4)*10*10，步长为(N/4)*10*10，其输出节点数量为256；
[0079] 第八层是全连接层，输出节点数量为11个。
[0080] 总而言之，通过本发明的上述描述，本发明的主要优点包括：
[0081] 1、通过利用电压电流轨迹生成过程中的N帧的轨迹图像进行像素化作为负载标记，增添了原始电压电流轨迹特征所不具备的时间信息；
[0082] 2、通过利用3D卷积神经网络作为监测分类器，能够有效的利用电压电流轨迹时间以及循环方向上的信息。
[0083] 测试结果
[0084] 将323个测试集样本输入到本方法训练好的3D卷积神经网络中，网络自动识别负载类别并给出识别结果。如下表1所示，可以看出与本发明“背景技术”中提到的三种本领域常用的负载检测识别方法比较，本发明的识别准确率更高。
[0085] 表1
[0086]
[0087] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何
修改、等同替换和改进等，均应包含在本发明的保护范围之内。
