基于彩色V-Ⅰ轨迹特征和边缘机器学习非侵入式负荷识别方法

摘要

非侵入式负荷识别方法作为分析用户用电行为的主要途径，对开展能耗监测、实现用电安全评估具有重要意义。针对传统基于V-I轨迹特征的非侵入式负荷识别方法存在特征重叠和无法识别未知负荷的问题，提出一种基于彩色V-I轨迹特征和轻量级孪生网络的非侵入式负荷识别方法。首先，通过负荷电压电流数据构建具有方向信息的彩色V-I轨迹图像。然后，利用孪生网络计算待识别负荷的V-I轨迹图像和负荷特征库中V-I轨迹图像之间的相似度，以完成初步识别。随后，计算电流谐波特征之间的余弦距离，与阈值对比完成最终负荷识别。在以STM32MP1微处理器为核心的嵌入式Linux系统上，使用实验室电器负荷进行了实物验证。结果表明：彩色V-I轨迹能更详细地反映负荷特征，提高负荷识别准确率，并且由于改进的人工智能模型比较轻量化，对计算量需求大大减小，可以在嵌入式设备端对负荷特征库进行动态实时在线更新，轻松完成模型再训练。与依赖服务器的传统算法相比，无需返回PC或服务器重新训练模型并重新移植模型到嵌入式设备端。该方法仅依赖嵌入式终端便可准确识别未知负荷，避免在出现较多未知负荷后识别准确率下降，保证了负荷识别效果。系统运算一次负荷识别时间为0.2 s左右，可以满足实时性要求，具有重要的研究价值和实用性。

关键词

非侵入式负荷识别 / 边缘机器学习 / 孪生网络 / 嵌入式Linux系统