[发明专利]一种基于改进CNN的非侵入式负荷辨识方法

权利要求书

1.一种基于改进CNN的非侵入式负荷辨识方法，包括以下步骤：步骤S01：通过监测电力用户的入口处电流，采集用户的总负荷运行数据；步骤S02：提取负荷的暂态电流数据；步骤S03：用提取得到的暂态电流数据绘制电流波形图像并转为像素矩阵；步骤S04：对网络参数进行训练；步骤S05：使用卷积神经网络CNN进行分类；步骤S06：使用测试集数据对训练好的CNN进行验证，通过分类结果与测试集的标签计算负荷的辨识率。

2.如权利要求1所述的方法，其特征在于：所述卷积神经网络CNN由3个基本功能层：卷积层、池化层和全连接层组合而成，输入数据按照网络结构，分别经过卷积层的卷积运算提取特征，池化层的池化运算降低维度，最后全连接层将卷积层提取的特征进行整合，降低特征位置对分类结构的影响，通过将特征映射到样本的标记空间得到分类结果。

3.如权利要求2所述的方法，其特征在于：所述卷积层的卷积运算过程为：将像素矩阵分为一个个局部块。在卷积层内以局部块为单位与卷积核进行卷积，其过程表示为：，式中，X^l_j代表l层中第j个特征图；k^l_j为第l层第j个卷积核；b^l_j为第l层第j个卷积核的偏置，f()代表激活函数，在卷积层对输入数据进行卷积运算，添加偏置后通过激活函数往下传递。

4.如权利要求2所述的方法，其特征在于：池化层的过程如下式：式中，down(·)代表池化方式，分别为以平均值来取代对应区域的均值池化和以最大值来取代对应区域的最大池化。

5.如权利要求2所述的方法，其特征在于：所述全连接层通过SoftMax函数将网络输出的特征值转换为图像的分类概率，最后选取概率最大的类别作为分类结果输出。SoftMax函数表达式如下所示：

式中，S_j为图像属于类别j的概率，c为图像总类别数；a_j为图像属于类别j的特征值，

损失函数用于计算网络输出结果与样本真实标记之间的误差，计算的误差用于反向传播过程的参数训练。对于分类任务，常用的损失函数为交叉熵函数，其公式如下：

其中N为样本数，y_i为真实标记，S为样本i的预测结果，C为样本类别数。

6.如权利要求2-5任一项权利要求所述的方法，其特征在于：分类结果获得的过程为：步骤1：首先，将采集得到的暂态电流数据绘制成像素为28×28的图像；步骤2：将原始输入图像转为28×28的像素矩阵，通过第一卷积层的10个5×5卷积核对像素矩阵进行特征提取，步骤3：将计算得到的特征值与偏置相加再通过线性整流函数产生10个24×24的特征映射图传递至第一池化层；步骤4：经过第一池化层的池化处理后，得到10个12×12的特征映射图，通过第二卷积层的10个5×5卷积核对这些特征映射图进行特征提取，将计算得到的特征值与偏置相加再通过线性整流函数产生10个8×8的特征映射图传递至第二池化层；步骤5：经过第二池化层的池化处理得到10个4×4的特征映射图，最后将这些数据输入到全连接层中，用reshape函数进行整合，再用SoftMax函数将网络输出的特征值转换为图像的分类概率，最后选取概率最大的类别作为分类结果输出。

7.如权利要求1-5任一项权利要求所述的方法，其特征在于：在步骤S03中，在图像特征中添加电流均方根，并将提取的负荷数据转换为带色彩特征的图像具体过程为：首先计算各负荷的电流值均方根，依据电流值均方根的分布区间对负荷进行排序；其次构建一个n×3颜色图矩阵，n为负荷总数，每一行代表一种颜色的RGB向量，颜色图矩阵的形成可利用MATLAB中的colormap函数；然后将负荷电流值均方根与颜色矩阵对应，负荷的序号对应于颜色图的行数；最后将负荷电流值均方根对应的颜色作为暂态电流波形的图像背景色，即将提取的负荷数据转换为带色彩特征的图像。