[发明专利]基于孪生网络的非侵入式负荷自适应识别方法

权利要求书

1.一种基于孪生网络的自适应非侵入式负荷识别方法，其特征在于，包括如下步骤：

步骤1，根据电力总线电压电流数据在负荷投切前后的变化分离得到单个待识别负荷的电压电流数据；

步骤2，根据待识别负荷的电压电流数据计算有功功率并绘制V-I轨迹图；

步骤3，判断特征库是否存在，若不存在则建立特征库并将V-I轨迹图、有功功率添加到特征库中，并设置对应的电器编号；

若存在则使用训练好的孪生网络模型，逐一获取待识别负荷与特征库中每个样本的V-I轨迹图的相似度；所述孪生网络模型的输入为待识别负荷和特征库中样本的V-I轨迹图，输出为待识别负荷和特征库中样本的V-I轨迹图的相似度；

步骤4，判断其中最高的相似度是否满足相似度阈值条件，不满足则认为是新电器，将待识别负荷的V-I轨迹图、有功功率添加到特征库中并设置对应的电器编号；满足则判断有功功率是否匹配，不匹配则认为是新电器，将待识别负荷的V-I轨迹图、有功功率添加到特征库并设置对应的电器编号，如果匹配则将最高的相似度对应的样本的电器编号作为待识别负荷识别得到的电器编号；

步骤5，根据电器编号映射为实际电器类型；

其中，新加入特征库的特征样本设置的电器编号通过如下方法与实际电器类型建立映射：

当有新加入特征库的特征样本时，通知用户，用户根据历史投切记录结合当日实际使用情况，判断新增电器编号的实际电器类型。

2.如权利要求1所述的自适应非侵入式负荷识别方法，其特征在于，所述步骤2中，V-I轨迹图绘制方法为：

a构建全零的二维矩阵，其大小即为V-I轨迹图大小；

b对电流和电压数据进行归一化处理，并获取电压电流峰峰值∆U_max和∆I_max；根据二维矩阵的大小和电压电流峰峰值计算每个像素代表的电压电流数值；

c以二维矩阵行和列中心作为零点，计算得到每个采样点对应二维矩阵的像素位置；

d将采样点对应像素位置置1，并对时序上相邻的两点进行连线并将连线上像素点置1，对V-I轨迹进行连续化处理，得到V-I轨迹图。

3.如权利要求1所述的自适应非侵入式负荷识别方法，其特征在于，所述步骤3中，孪生网络模型训练过程如下：

采集不同负荷运行时的电流电压数据并绘制V-I轨迹图，将V-I轨迹图两两组合并标记相似度标签作为训练样本；其中，若训练样本中的V-I轨迹图属于同种电器，则相似度标签为1，若训练样本中的V-I轨迹图不属于同种电器，则相似度标签为0；

构建孪生网络模型，并以两幅V-I轨迹图为输入，预测的相似度为输出进行训练，直至损失函数收敛获得训练好的孪生网络模型；所述损失函数采用binary_crossentropy函数：

式中，m表示输入的样本对数，y_i和分别代表相似度标签和模型实际输出的相似度。

4.如权利要求3所述的自适应非侵入式负荷识别方法，其特征在于，将同种电器的不同工作状态视为单独的设备，组合得到的训练样本对应的相似度标签为0。

5.如权利要求1所述的自适应非侵入式负荷识别方法，其特征在于，所述步骤4中，判断有功功率是否匹配的过程具体为：

根据功率阈值判断待识别负荷为大功率电器或小功率电器；

判断待识别负荷与特征库中的V-I轨迹图相似度最大的样本的有功功率是否满足对应的波动范围；其中，小功率电器的波动范围大于大功率电器的波动范围。

6.如权利要求5所述的自适应非侵入式负荷识别方法，其特征在于，所述判断待识别负荷与特征库中的V-I轨迹图相似度最大的样本的有功功率是否满足对应的波动范围，具体为：

计算待识别负荷与特征库中的V-I轨迹图相似度最大的样本的有功功率的相对差值：

相对差值=（P_max-P_min）/ P_min

其中P_max和P_min分别为待识别负荷的有功功率和特征库中V-I轨迹图相似度最大的样本的有功功率两者中的大值和小值；

若相对差值小于波动阈值，则满足波动范围，反之则不满足；所述小功率电器的波动阈值为1.5，大功率电器的波动阈值为0.2。