[发明专利]一种基于小样本学习的负荷识别系统与方法

说明书

本发明公开了一种基于小样本学习的负荷识别系统及识别方法，包括：利用电气信号采集模块采集已知负荷的电压和电流信号；利用电气特征图像化模块计算并生成电气特征图像；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；将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；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；解决了现有技术要实现负荷的准确识别，往往需要大量的多元负荷数据输入模型进行训练，才能有效提高模型的泛化能力，这给负荷识别工作带来大量的难度和工作量等技术问题。

技术领域

本发明属于负荷识别技术领域，尤其涉及一种基于小样本学习的负荷识别系统与方法。

背景技术

随着电气监测技术和机器学习算法的不断发展，越来越多的负荷识别算法也不断得到提出。例如，中国专利(公告号CN1135337330A)提出通过将负荷的V-I曲线图输入卷积神经网络实现负荷的识别；中国专利(公告号111160798A)提出基于蜂群算法的非侵入式负荷识别算法。但是，面对当前电器种类繁多，品牌复杂，工作方式各异的现状，要实现负荷的准确识别，往往需要大量的多元负荷数据输入模型进行训练，才能有效提高模型的泛化能力，这给负荷识别工作带来大量的难度和工作量。

发明内容

本发明要解决的技术问题：提供一种基于小样本学习的负荷识别系统与方法，以解决现有技术要实现负荷的准确识别，往往需要大量的多元负荷数据输入模型进行训练，才能有效提高模型的泛化能力，这给负荷识别工作带来大量的难度和工作量等技术问题。

本发明技术方案：

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。

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。

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。

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。