[发明专利]基于孪生网络的非侵入式负荷自适应识别方法

说明书

本发明提出了一种基于孪生网络的非侵入式负荷自适应识别方法，该方法以负荷的V‑I轨迹和有功功率作为待识别负荷特征，使用孪生网络判别负荷V‑I轨迹的相似度，通过与特征库进行匹配，得到负荷编号信息，从而实现负荷识别。其中，用户根据保存的使用的时刻结合当日实际使用情况，再建立负荷编号信息与电器的实际类型进行映射。通过特征库的动态构建，本发明可实现对未知负荷的准确识别。最后在PLAID数据集和COOLL数据集中验证了模型的有效性和通用性。

技术领域

本发明涉及非侵入式负荷识别（non-intrusive load monitoring, NILM）领域，特别是涉及一种基于孪生网络的非侵入式负荷自适应识别方法。

背景技术

了解用户能耗情况对负荷管理具有重要意义，近年来，非侵入式负荷监测（Non-intrusive load monitoring ，NILM)技术引起人们广泛关注。传统的侵入式负荷监测需要在每个用电负荷安装采集和通信装置以检测负荷状态，需要对现有电器或线路进行改造，实施困难且成本较高。而非侵入式负荷监测技术通过对电力总线进行监测，从而分析线路中各负荷的状态，其具有通用性强、成本低等优势。

传统非侵入式负荷识别算法大多基于分类模型，其主要有以下缺点：一是基于监督学习方式的模型需要大量的标签数据对模型进行训练，现实中这一条件往往无法满足；而且这些方法通常无法识别未知设备，基于分类方法的负荷识别模型只能识别学习过的负荷，无法对新增负荷和未知负荷进行识别；三是模型通用性较差，不同家庭中负荷种类不尽相同，传统负荷识别方法只能够针对特定情况进行建模和优化，通用性较差。

发明内容

本发明针对上述问题，提出了基于孪生网络的非侵入式负荷识别模型。孪生网络是少样本学习（Few-shot Learning, FSL）的方法之一，使用此模型可大大减小对训练样本数量的要求。

本发明采用的技术方案如下：

一种基于孪生网络的自适应非侵入式负荷识别方法，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、有功功率和使用的时刻添加到特征库中，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。

进一步地，还可以建立识别结果历史数据库，用于保存每次的识别结果，以便其他应用。

进一步地，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；