基于ResNeXt网络和迁移学习的非侵入式负荷监测.pdfVIP

第 47 卷 第 13 期 2023 年 7 月 10 日 Vol . 47 No . 13 Jul . 10 ,2023 DOI ： 10. 7500/AEPS20221108006 基于 ResNeXt 网络和迁移学习的非侵入式负荷监测 1 ，2 1 鲍光海 ，黄逸欣 （1. 福州大学电气工程与自动化学院，福建省福州市 350108 ； 2 . 福建省新能源发电与电能变换重点实验室，福建省福州市 350108 ） 摘要 ：为了加快节能减排的建设和加强需求侧的用电管理，非侵入式负荷监测凭借其易实施性和 可靠性等特点已成为研究热点，但目前的研究存在着低频数据负荷识别精度低、高频数据特征提取 复杂及网络泛化性能差等问题。因此，提出基于ResNeXt 网络和迁移学习的非侵入式负荷监测， 采用一维时间序列总功率通过格拉姆角场(GAF)算法转换为带有时间特性的二维图像作为输入， 放入迁移学习下ResNeXt 网络进行负荷识别。该方法采用现有电表采集的低频数据作为输入，减 少数据输入维度并加入了时间特性，再将输入图像进行标准化处理后通过堆叠深层次的残差神经 网络来学习负荷深层次信息，利用迁移学习将在ImageNet-1K 数据集下已训练好的网络模型参数 传入新的目标域，加快网络的收敛速度，提高负荷分类的识别准确率和网络的泛化性。最后，利用 公开数据集AMPds 和UK -DALE 模拟不同用电场景验证了所提方法的高效性和泛化性。 关键词 ：非侵入式负荷监测；图像编码；格拉姆角场算法；迁移学习；残差神经网络 0 引言 差。近年来随着深度学习的发展，更多的深度学习 算法被运用到 NILM 中。文献［5 ］采用 K 近邻 中国于2020 年提出“碳达峰·碳中和”的目标， （KNN ）算法，计算量少、训练时间短，但识别多负载 需要加快节能减排的建设并加强需求侧管理，其中， 组合时，准确率较低且受核心点数的影响较大。文 负荷监测是重要的手段之一。负荷监测主要分为侵 献［6 ］将住宅的总功率作为输入，采用递归神经网络 入式负荷监测（intrusive load monitoring ，ILM ）和非 （RNN ）进行负荷识别，准确率和效果较组合优化算 侵入式负荷监测 （non-intrusive load monitoring ， 法有所提升，识别多负载组合时随着网络层数堆叠 NILM ），其中，NILM 不需要对每个电器安装传感 容易出现过拟合现象。文献［7-8 ］分别构造二进制 器，具有成本低、易实施等特点，已经成为负荷监测 单元格的U-I 轨迹图像与灰度的U-I 轨迹图像作为 的研究重点。 输入，利用计算机视觉提取图像特征实现负荷识 在早期的NILM 研究中，主要使用基于概率的 别。虽然这类方法准确率较高但其需要采用高频数 隐马尔可夫模型（hidden Markov model ，HMM ）和 据进行U-I 特征提取，目前家庭用户中电表对高频 组合优化（combinatorial optimization ，CO ）进