本发明涉及电力系统监测，尤其涉及一种基于负荷高频特征图像化的非侵入式负荷辨识方法。
背景技术：
1、居民用户具有用电行为多样、用户数量大等特点，是智能用电双向互动服务体系主要的服务群体。随着智能电网高速建设发展，实现电网-用户双向互动服务已经逐渐成为电力系统的一个主要发展目标，用户侧的能源消耗监测是进行双向互动的前提。针对这一问题，相关研究人员提出了非侵入式负荷监测技术(non-intrusive load monitoring，nilm)，该技术通过监测居民用户侧每个设备的用电数据、分析用户用电行为，为电力系统、用户以及整个社会带来多方面利益，近年来受到广泛的关注和研究。例如：
2、(1)基于粒子群优化算法的居民负荷聚类方法，提高了聚类快速收敛于全局最优的能力。但该算法不仅需要人为提取特征，而且算法的复杂程度也随着负荷电器种类增多而增加。
3、(2)利用长短时神经网络对负荷进行训练辨识，该方法相较于聚类算法准确率提高。但是，长短时神经网络计算复杂度相对较高，训练耗时相对较长。
4、(3)针对负荷经过k-means算法聚类后存在较大识别盲区问题，采取对辨识盲区负荷绘制v-i特性曲线并引入卷积神经网络对其进行训练辨识的方法，实现了聚类算法盲区精细化识别。但存在算法过程过于繁琐，存在算法普适性低等问题。
技术实现思路
1、本发明提供一种基于负荷高频特征图像化的非侵入式负荷辨识方法，解决了现有对居民侧负荷辨识的技术方案算法过程繁琐、计算难度高，导致算法普适性低、负荷辨识准确率差的技术问题。
2、为解决以上技术问题，本发明提供一种基于负荷高频特征图像化的非侵入式负荷辨识方法，包括步骤：
3、s1、采集高频的电压数据、电流数据，通过开关检测算法提取单一负荷运行时一周期的稳态电流数据、稳态电压数据，绘制v-i特性曲线图：
4、s2、采用gaf算法对稳态电流数据进行图像化处理，获得第一灰度图片；
5、s3、采用mtf算法对瞬时有功功率数据进行图像化处理，获得第二灰度图片；
6、s4、根据所述v-i特性曲线灰度图、第一灰度图片、第二灰度图片生成负荷特性rgb图片；
7、s5、将所述负荷特性rgb图片输入shufflenetv2神经网络进行训练并保存；
8、s6、根据训练后的所述shufflenetv2神经网络执行负荷辨识。
9、在进一步的实施方案中，所述步骤s2包括步骤：
10、s21、获取所述稳态电流数据的每一电流周期序列；
11、s22、将所述电流周期序列归一化至区间[-1,1]；
12、s23、将所述电流周期序列归一化后的值作为角余弦、时间戳作为半径执行坐标系转换，从笛卡尔坐标系转化为极坐标系；
13、s24、计算所述电流周期序列中每两个点之间的余弦三角和得到garmian矩阵，生成二维的第一灰度图片。
14、在进一步的实施方案中，所述步骤s3包括步骤：
15、s31、根据稳态电压数据、稳态电流数据计算瞬时有功功率，并获取每一功率周期序列；
16、s32、对所述功率周期序列进行归一化处理，并划分为q个离散分位数单元；
17、s33、采用一阶马尔可夫链来计算分位数之间的转移，得到q×q阶的加权邻接矩阵w，生成二维的第二灰度图片；
18、其中，所述功率周期序列中的每一个元素都对应一个分位数qj，j∈[1,q]。
19、在进一步的实施方案中，所述加权邻接矩阵w的计算公式如下：
20、
21、ωij＝p(xt∈qi|xt-1∈qj)
22、其中，ωij表示分位数位于点分位数qj后的概率。
23、在进一步的实施方案中，所述步骤s4具体为：将一一对应的v-i特性曲线图、第一灰度图片、第二灰度图片分别放入r通道、g通道、b通道，生成负荷特性rgb图片。
24、在进一步的实施方案中，所述步骤s5包括步骤：
25、s51、获取若干所述负荷特性rgb图片，并按照预设比例划分为测试集、验证集和测试集；
26、s52、将验证集、测试集中的所述负荷特性rgb图片作为负荷的特征印记，输入shufflenetv2神经网络进行训练；
27、s53、根据所述验证集，对所述shufflenetv2神经网络的进行准确性验证，若准确率高于预设阈值则保存训练后的shufflenetv2神经网络，若否则返回步骤s51。
28、在进一步的实施方案中，所述shufflenetv2神经网络包括第一卷积结构单元和第二卷积结构单元；
29、所述第一卷积结构单元包括channel split操作模块、concat操作模块和channelshuffle操作模块；所述channel split操作模块的输出端分为两个分支，其中的一个分支直接与concat操作模块连接，另一个分支经三个卷积层后与concat操作模块连接，所述concat操作模块的输出端与channel shuffle操作模块的输入端连接，所述channelshuffle操作模块的输出端为所述第一卷积结构单元的输出端；
30、所述第二卷积结构单元包括concat操作模块和channel shuffle操作模块；所述第二卷积结构单元的输入端直接进行二分支，其中的一个分支经过2个卷积层后与concat操作模块连接，此分支包含一个步长为2的深度卷积层；另一个分支经三个卷积层后与concat操作模块连接，所述concat操作模块的输出端与channel shuffle操作模块的输入端连接，所述channel shuffle操作模块的输出端为所述第二卷积结构单元的输出端。
31、在进一步的实施方案中，所述channel shuffle操作模块用于执行通道混洗，包括步骤：
32、a1、重塑：首先将输入通道一个维度重塑成两个维度，一个是卷积组数，一个是每个卷积组包含的通道数；
33、a2、转置：将重塑后的两维张量进行转置操作；
34、a3、展开：将转置后的张量进行展平处理获取新的卷积组合。
35、在进一步的实施方案中，所述开关检测算法包括：
36、b1、对开关事件集合进行开与关事件判断，若为开事件，记录该开事件负荷类型，若为关事件，则返回继续判断；
37、b2、根据开事件负荷类型，判断其是否为恒功率负荷，若是则匹配集合中该开事件后的第一个同类型负荷关事件；若否，为非线性变功率负荷，则匹配集合运行周期内最后一个关事件，按匹配后的顺序排放形成新的开关事件集合；
38、b3、根据新的开关事件集合对高频的电压数据、电流数据进行处理，获取周期性的稳态电流数据、瞬时有功功率数据。
39、在进一步的实施方案中，所述绘制v-i特性曲线图具体为：基于所述稳态电流数据、稳态电压数据的生成v-i特性曲线，并将所述v-i特性曲线绘制成灰度图得到v-i特性曲线图。
40、本发明的有益效果如下：
41、在v-i特性曲线灰度图的基础上，利用mtf、gaf算法将周期稳态电流特征以及周期瞬时有功功率特征添加到图像中，生成的负荷特性rgb图片，可以有效提升负荷辨识的准确率；采用轻量级神经网络shufflenetv2，相较于alexnet、resnet-50、google-net等神经网络，不仅训练速度更快、辨识精度更高，而且由于shufflenetv2网络神经元个数明显少于resnet-50等改进卷积神经网络，数据维度更小进而有效减少网络模型的计算量，因此更适合实际应用；同时，预先基于开关事件检测原理辨识出家庭内部单一电器，具有较高的辨识精度和较快的速度。
1.一种基于负荷高频特征图像化的非侵入式负荷辨识方法，其特征在于，包括步骤：
2.如权利要求1所述的一种基于负荷高频特征图像化的非侵入式负荷辨识方法，其特征在于，所述步骤s2包括步骤：
3.如权利要求2所述的一种基于负荷高频特征图像化的非侵入式负荷辨识方法，其特征在于，所述步骤s3包括步骤：
4.如权利要求3所述的一种基于负荷高频特征图像化的非侵入式负荷辨识方法，其特征在于，所述加权邻接矩阵w的计算公式如下：
5.如权利要求1所述的一种基于负荷高频特征图像化的非侵入式负荷辨识方法，其特征在于，所述步骤s4具体为：将一一对应的v-i特性曲线图、第一灰度图片、第二灰度图片分别放入r通道、g通道、b通道，生成负荷特性rgb图片。
6.如权利要求5所述的一种基于负荷高频特征图像化的非侵入式负荷辨识方法，其特征在于，所述步骤s5包括步骤：
7.如权利要求1所述的一种基于负荷高频特征图像化的非侵入式负荷辨识方法，其特征在于，所述shufflenetv2神经网络包括第一卷积结构单元和第二卷积结构单元；
8.如权利要7所述的一种基于负荷高频特征图像化的非侵入式负荷辨识方法，其特征在于，所述channel shuffle操作模块用于执行通道混洗，包括步骤：
9.如权利要求1所述的一种基于负荷高频特征图像化的非侵入式负荷辨识方法，其特征在于，所述开关检测算法包括：
10.如权利要求1所述的一种基于负荷高频特征图像化的非侵入式负荷辨识方法，其特征在于，所述步骤s1中，所述绘制v-i特性曲线图具体为：基于所述稳态电流数据、稳态电压数据的生成v-i特性曲线，并将所述v-i特性曲线绘制成灰度图得到v-i特性曲线图。
