本技术提出了一种基于度量学习的非侵入式负荷识别方法,本发明通过一维卷积神经网络将负荷电流特性映射到度量空间,在网络训练时使用三元组损失实现特征的聚类,对度量空间特征进行相似度判别实现负荷辨识。该方法可实现对未知负荷的有效识别,并具有较强的泛化能力;另一方面,度量学习作为小样本学习的方法之一,能够减轻对训练样本的依赖,具有较高的实用性。
背景技术
随着社会飞速发展,对能源的需求不断增加,而电能作为主要的二次能源,是主要的能源利用方式之一。如何提升电能使用效率,实现智能用电引起广泛关注,掌握用户侧详细用电信息显得尤为重要。传统的侵入式负荷监测需要在每个用电负荷安装采集和通信装置以检测负荷状态,需要对现有电器或线路进行改造,实施困难且成本较高。而非侵入式负荷监测技术通过对总线进行监测,从而分析线路中各负荷的状态,具有通用性强、成本低等优势,成为近年来的研究热点。
现有非侵入式负荷识别研究大多基于最优化和模式识别方法,但这些方法均存在一定的缺陷。首先,这些模型大多依赖大量标签样本进行模型训练,但在实际应用中往往无法获得足够的标签数据或获取成本较高;其次,这些模型通常假设场景中所有负荷已知,场景中新增新负荷后原有模型无法对新负荷进行识别,甚至会影响原有负荷的识别效果;最后,这些模型泛化性能较差,更换场景后往往需要重新训练模型,针对每种场景单独训练和建立模型将导致维护复杂度和成本大大增加。
实现思路