[发明专利]一种基于小样本学习的负荷识别系统与方法

权利要求书

1.一种基于小样本学习的负荷识别系统，其特征在于：系统包括：

电气信号采集模块：采集负荷工作时的电压、电流数据；

电气特征图像化模块：根据负荷电压和电流信号计算并生成电气特征图像；

基于对比学习的特征增强模块：对电气特征图像进行特征增强；

负荷辨识模块：将增强后的电气特征向量输入训练好的支持向量机模型，实现负荷的识别。

2.如权利要求1所述的一种基于小样本学习的负荷识别系统的识别方法，其特征在于：所述识别方法包括：

S1、利用电气信号采集模块采集已知负荷的电压和电流信号；

S2、依据负荷电压和电流信号，利用电气特征图像化模块计算并生成电气特征图像；

S3、利用电气特征图像训练特征增强模块得到增强后的一维电气特征向量数据；

S4、将增强的电气特征向量数据进行归一化处理并将数据划分为训练集与测试集，对负荷辨识模块进行训练；使用验证集与测试集判断模型准确度，当模型准确率满足要求时，结束模型训练；

S5、将待识别的电气负荷依次进行信号采样、特征图像化、特征增强、负荷辨识操作，即完成识别系统对负荷的识别。

3.根据权利要求2所述的一种基于小样本学习的负荷识别系统的识别方法，其特征在于：电气信号采集模块用于已知负荷电压和电流信号的采集，使用的采样频率大于2KHZ，对电气信号的采样时间大于150个工频周期时间。

4.根据权利要求2所述的一种基于小样本学习的负荷识别系统的识别方法，其特征在于：电气特征图像化模块包括电气特征的生成和图像化处理，用于将负荷电气信号转化成相应的电气特征图像；所述的电气特征包括电流平均值、电流有效值、电压有效值、电流谐波畸变率、有功功率、无功功率、视在功率、功率因数、0～31次电流谐波幅值与相位、0～31次电压谐波幅值与相位共136个特征。

5.根据权利要求4所述的一种基于小样本学习的负荷识别系统的识别方法，其特征在于：所述电气特征图像化方法为：将采集得到的负荷电压和电流信号截取长度为150个工频周期的序列，并依次对各周期电气信号计算生成136个电气特征，得到大小为150×136的负荷电气特征矩阵；对负荷电气特征矩阵按列将各特征值归一化到(0,255)区间内得到第一组单通道电力图像；对负荷电气特征矩阵按行将各特征值归一化到(0,255)区间内，即得到第二组单通道电力图像；以采集得到所有负荷生成的各电气特征矩阵中对应的特征值进行归一化，得到第三组单通道电力图像；将三个通道的电力图像叠加，即生成最终的电气特征图像；所述归一化方法为Min-Max归一化，计算公式为

a'表示归一化后的特征值,a表示原特征值,a_max表示该类特征数据的最大值,a_min表示该类特征数据的最小值。

6.根据权利要求2所述的一种基于小样本学习的负荷识别系统的识别方法，其特征在于：所述特征增强模块包括特征增强策略、编码器与投影表达网络和损失函数计算；特征增强模块的工作方法为：利用特征增强策略对电力特征图像进行增强操作后输入编码器与投影表达网络，以构建的损失函数为目标对编码器与投影表达网络进行训练，将经训练后编码器输出的一维特征表达作为增强后的电气特征向量。

7.根据权利要求6所述的一种基于小样本学习的负荷识别系统的识别方法，其特征在于：特征增强策略具体是：针对生成的电力特征图像，利用旋转、裁切和灰度调整随机变换操作，生成两张大小相同的电力特征增强图像，将生成的所有电力特征增强图像共同构成电力特征图像样本集合；对于生成的两张增强图像，以其中一张增强图像作为实例，另一张增强图像和样本集合中属于同一负荷类型其他电力特征图像为正样本，样本集合中属于不同负荷类型的电力特征图像为负样本，对样本中每一实例构建正负样本对。

8.根据权利要求6所述的一种基于小样本学习的负荷识别系统的识别方法，其特征在于：所述编码器与投影表达网络为“自编码器-非线性层-激活层-非线性层”结构的神经网络。