(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210467259.1 (22)申请日 2022.04.29 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 周开乐　殷辉　杨善林　 (74)专利代理 机构 北京久诚知识产权代理事务 所(特殊普通 合伙) 11542 专利代理师 余罡 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01) G06V 10/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于低频负荷特征编码的非侵入式负荷监 测方法与系统 (57)摘要 本发明提供一种基于低频负荷特征编码的 非侵入式负荷监测方法与系统， 涉及电力负荷监 测技术领域。 本发明通过使用时间窗内低频负荷 数据， 结合特征增强的手段， 提取出现有方法需 要多类负荷数据才能提取到的时间特征， 这样不 仅能减少了数据量的需求， 降低数据管理成本， 且能根据低频负荷数据， 分析出具体时间内的用 电器能耗， 为后续的能耗管理提供 数据支撑 。 权利要求书3页 说明书11页 附图2页 CN 115410142 A 2022.11.29 CN 115410142 A 1.一种基于低频负荷特 征编码的非侵入式负荷监测方法， 其特 征在于， 所述方法包括： S1、 将总表预设时间内采集的一维功率数据按照固定的时间窗进行分割， 得到多条时 间窗内的一维功率数据， 并对多条时间窗内的一维功率数据进行开关事 件判别； S2、 对开关事件判别后的所述多条时间窗内的一维功率数据分别进行归一化处理， 得 到多条时间窗内的归一化数据， 将所述多 条时间窗内的归一化数据按照时间进行极坐标编 码， 得到极坐标 数据； S3、 对所述极坐标数据进行格拉姆角场转化， 生成同时包含用电器功率特征和时间特 征的二维图像； S4、 调整RGB三个通道内的数值对二维图像进行 特征增强， 得到特 征增强图像； S5、 对所述特 征增强图像进行 预处理， 得到标准 化二维图像； S6、 将所述标准化二维图像输入到预训练的基于CNN的非侵入式负荷监测模型中， 得出 各个时间窗内各用电负荷的工作状态， 并计各个时间窗内各用电负荷功率消耗。 2.如权利要求1所述的基于低频负荷特征编码的非侵入式负荷监测方法， 其特征在于， 在步骤S1中， 所述对多条时间窗内的一维功率数据进行开关事 件判别， 包括： 将含有功率特征的时间窗标记为有用电器开启， 而不含有功率特征的时间窗将会标记 为该时间段内没有用电器开启。 3.如权利要求1所述的基于低频负荷特征编码的非侵入式负荷监测方法， 其特征在于， 所述调整RGB三个通道内的数值对二维图像进行 特征增强， 得到特 征增强图像， 包括： 以前一时刻负荷和当前时刻负荷变化为调整因子， 结合一个时间窗内的负荷均值与方 差， 调整RGB三个通道内的数值对二维图像进行 特征增强， 得到特 征增强图像。 4.如权利要求1所述的基于低频负荷特征编码的非侵入式负荷监测方法， 其特征在于， 所述对所述特 征增强图像进行 预处理， 得到标准 化二维图像， 包括： 根据基于CNN的非侵入式负荷监测模型中输入层的图像的大小， 将特征增强图像进行 缩放， 并将缩放后的特 征增强图像进行零 值归一化处理， 得到标准 化二维图像 其中： Rk表示经过缩放处理后的特征增强图像， Rk_mean表示Rk的均值， Rk_var表示Pk的方 差， Rk′为标准化二维图像。 5.如权利要求1～4任一所述的基于低频负荷特征编码的非侵入式负荷监测方法， 其特 征在于， 所述预训练的基于 CNN的非侵入式负荷监测模型的构建过程包括： t1、 将分表预设时间内采集的一维功率数据按照固定的时间窗进行分割， 得到多条时 间窗内的一维功率数据； t2、 对多条时间窗内的一维功率数据进行开关事件判别， 将含有功率特征的时间窗标 记为有用电器开启， 而不含有功率特 征的时间窗将会标记为该时间段内没有用电器开启； t3、 对多条时间窗内的一维功率数据分别进行归一化处理， 得到多条时间窗内的归一 化数据， 将多条时间窗内的归一 化数据按照时间进行极坐标编码， 得到极坐标 数据； t4、 对极坐标数据进行格拉姆角场转化， 生成同时包含用电器功率特征和时间特征的 二维图像； t5、 调整RGB三个通道内的数值对二维图像进行 特征增强， 得到特 征增强图像；权　利　要　求　书 1/3 页 2 CN 115410142 A 2t6、 对建模过程中的特 征增强图像进行 预处理， 得到标准 化二维图像； t7、 对标准 化二维图像进行 标签处理和分割处 理， 得到训练集和 测试集； t8、 基于训练集和CN N模型， 得到初始非侵入式负荷监测模型， 并进行梯度检验； t9、 基于测试集对初始非侵入式负荷监测模型进行测试， 得到测试结果， 基于所述测试 结果获取评价结果； t10、 根据评价结果， 对初始非侵入式负荷监测模型优化， 得到非侵入式负荷监测模型。 6.如权利要求5所述的基于低频负荷特征编码的非侵入式负荷监测方法， 其特征在于， 所述t8具体包括： 设置CNN模型中卷积层的层数及其卷积核大小， 全连接层各层神经元个数、 正则化参 数， dropout参数， batch大小， learning  rate大小， 选择Adam进行梯度检验； 输入训练集 train并训练， 得到初始非侵入式负荷监测模型； 利用以下公式进行梯度检验： 其中： J( θi)是带有正则化参数的损失函数， ε＝10‑7， dθ为初始非侵入式负荷监测模型 反向传播时计算出来的导数值。 7.如权利要求5所述的基于低频负荷特征编码的非侵入式负荷监测方法， 其特征在于， 所述t10具体包括： 根据测试结果和测试集中实 际对应的用电电器种类， 使用均方根误差、 平均绝对误差 和平均绝对误差百分比对测试结果进 行评价， 得到评价结果； 均方根误差、 平均绝对误差和 平均绝对误差百分比的计算公式如下： 其中： yp,i为初始非侵入式负荷监测模型针对每一组输入数据 得出的测试结果， 即模型 预测的电器种类； 而yr,i为该输入数据实际对应的用电电器种类； n为每一组输入数据中的 电器种类的总量。 8.一种基于低频负荷特 征编码的非侵入式负荷监测系统， 其特 征在于， 所述系统包括： 数据分割 模块， 用于将总表预设时间内采集的一维功率数据按照固定的时间窗进行分 割， 得到多条时间窗内的一维功率数据， 并对多条时间窗内的一维功率数据进行开关事件 判别； 极坐标编码模块， 用于对开关事件判别后的所述多条时间窗内的一维功率数据分别进 行归一化处理， 得到多条时间窗内的归一化数据， 将多条时间窗内的归一化数据按照时间权　利　要　求　书 2/3 页 3 CN 115410142 A 3