基于遗传优化的非侵入式负荷识别方法与系统.pdf

《基于遗传优化的非侵入式负荷识别方法与系统.pdf》由会员分享，可在线阅读，更多相关《基于遗传优化的非侵入式负荷识别方法与系统.pdf（19页完成版）》请在专利查询网上搜索。

1、(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 202310482088.4(22)申请日 2023.04.29(71)申请人 贵州电网有限责任公司地址 550002 贵州省贵阳市南明区滨河路17号(72)发明人 岑正军朱勇李进滕阳潘兴玉刘岑俐陈愿米黄宪胜杨玉兰张家鑫杨发金朱雪琴周西南(74)专利代理机构 南京禹为知识产权代理事务所(特殊普通合伙)32272专利代理师 周局(51)Int.Cl.G01R 21/06(2006.01)G01R 19/00(2006.01)G01R 25/00(2006.01)G06F 18/241(2023.01。

2、)G06T 11/20(2006.01)G06T 11/00(2006.01)G06N 3/0464(2023.01)G06N 3/086(2023.01)G06N 3/0985(2023.01)(54)发明名称一种基于遗传优化的非侵入式负荷识别方法与系统(57)摘要本发明公开了一种基于遗传优化的非侵入式负荷识别方法与系统包括：采集用户正常使用时的入户电压和电流数据；将获得的所述稳态电压和所述稳态电流及所述功率数据绘制成VI轨迹图，并将所述VI轨迹图转换成二维VI轨迹彩色像素图；将获得的所述二维VI轨迹彩色像素图进行归一化处理，并通过负荷识别卷积神经网络获得负荷识别结果。在一定程度上提高非侵入。

3、式负荷识别准确率，提升非侵入式负荷识别系统负荷特征的提取能力并且能够充分表征用电器负荷特性。权利要求书3页 说明书12页 附图3页CN 116609580 A2023.08.18CN 116609580 A1.一种基于遗传优化的非侵入式负荷识别方法与系统，其特征在于，包括：采集用户正常使用时的入户电压和电流数据；将稳态电压和稳态电流及功率数据绘制成VI轨迹图，并将所述VI轨迹图转换成二维VI轨迹彩色像素图；将获得的所述二维VI轨迹彩色像素图进行归一化处理，并通过负荷识别卷积神经网络获得负荷识别结果。2.如权利要求1所述的基于遗传优化的非侵入式负荷识别方法，其特征在于：所述稳态电压、所述稳态电流。

4、及所述功率数据包括：通过双滑动窗口算法，以功率为判据判断是否发生负荷投切事件，若无所述负荷投切事件发生则返回采集所述入户电压和所述电流数据；若检测到所述负荷投切事件，则待负荷运行状态稳定后，根据事件前后的稳态数据从后台导出所述负荷投切的所述稳态电压、所述稳态电流及所述功率数据。3.如权利要求1所述的基于遗传优化的非侵入式负荷识别方法，其特征在于：所述VI轨迹图转换成二维VI轨迹彩色像素图包括：根据获取的所述负荷投切事件的所述稳态电压、所述稳态电流及所述功率数据，以一个周波的电压为横轴，以一个周波的电流为纵轴，对应时间点的电压、电流组成绘制成二维VI轨迹图像；将绘制的所述二维VI轨迹图像转化为二。

5、维VI轨迹灰度像素图，为所绘制的所述二维VI轨迹灰度像素图绘制相应颜色，所述二维VI轨迹灰度像素图变为所述二维VI轨迹彩色像素图。4.如权利要求3所述的基于遗传优化的非侵入式负荷识别方法，其特征在于：所述VI轨迹图转换成二维VI轨迹彩色像素图还包括：其中第i个二维VI轨迹彩色像素块的三原色数值转换规则如下：计算第i个所述二维VI轨迹彩色像素块的U、I数值，P(i)I(i)U(i)其中，P(i)为二维VI轨迹彩色像素图中第i个像素块的功率值，U为电压值，I为电流值，Ii为第i个像素块的电流值，Ui为第i个像素块的电压值，nr为所述二维VI轨迹彩色像素图每一行的所述像素二维VI轨迹彩色像素块个数，。

6、nc为所述二维VI轨迹彩色像素图每一列的所述二维VI轨迹彩色像素块个数；当所述二维VI轨迹彩色像素块功率大小超过给定Pmax 时，确定轨迹点的R值为255，否则，所述轨迹点的R值为其中，R为红色，PMAX为二维VI轨迹彩色像素块功率最大值，PMIN为二维VI轨迹彩色像素块功率最小值；当所述二维VI轨迹彩色像素块负荷功率因数为1时，确定所述轨迹点的G值为255，否则，所述轨迹点的G值为权利要求书1/3 页2CN 116609580 A2其中，G为绿色，为功角为功率因数。5.如权利要求4所述的基于遗传优化的非侵入式负荷识别方法，其特征在于：将所述VI轨迹图转换成二维VI轨迹彩色像素图还包括：当所述。

7、二维VI轨迹彩色像素块负荷阻抗特性为容性负载时，确定所述轨迹点的蓝色值为255，当所述二维VI轨迹彩色像素块负荷阻抗特征为纯阻性负载时，确定所述轨迹点的蓝色值为127，当所述二维VI轨迹彩色像素块负荷阻抗特性为感性时，确定所述轨迹点的蓝色值为0。6.如权利要求1所述的基于遗传优化的非侵入式负荷识别方法，其特征在于：将获得的所述二维VI轨迹彩色像素图进行归一化处理包括：计算所述二维VI轨迹彩色像素图归一化中第i个所述二维VI轨迹彩色像素块，公式为：其中，U为电压值，I为电流值，Ii为第i个像素块的电流值，Ui为第i个像素块的电压值，nr为所述二维VI轨迹彩色像素图每一行的所述像素二维VI轨迹彩色。

8、像素块个数，nc为所述二维VI轨迹彩色像素图每一列的所述二维VI轨迹彩色像素块个数。7.如权利要求1所述的基于遗传优化的非侵入式负荷识别方法，其特征在于：通过负荷识别神经网络获得负荷识别结果包括：所述负荷识别卷积神经网络用于对获取的所述二维VI轨迹彩色像素图进行特征提取；在所述负荷识别卷积神经网络训练过程中，包括用遗传算法优化所述负荷识别卷积神经网络的超参数，包括卷积层的卷积核个数、大小和步幅、池化层的过滤器个数、大小和步幅，所涉及的所述超参数优化问题为：其中，p为非侵入式负荷识别准确率，n1为所述卷积层中卷积核的大小，n1max为部署于嵌入式系统中所述卷积核中卷积核的个数最大值，n2表示所述。

9、池化层中过滤器的大小，n2max为所述池化层中过滤器的最大值，N1为所述卷积层中卷积核的个数，N1max为所述卷积层中卷积核的最大值，N2为所述池化层中所述过滤器的个数，N2max为所述池化层中所述过滤器的最大值，d1为卷积层中所述卷积核的步幅，d1max为卷积层中所述卷积核的步幅最大值，d2为所述权利要求书2/3 页3CN 116609580 A3池化层中过滤器的步幅，d2max所述池化层中过滤器的步幅最大值，Z为整数集，ST为受限于；该优化问题采用罚函数法的优化方法，问题转化为：其中p为非侵入式负荷识别准确率n1为所述卷积层中卷积核的大小，n1max为部署于嵌入式系统中所述卷积核中卷积核的。

10、个数最大值，n2表示所述池化层中过滤器的大小，n2max为所述池化层中过滤器的最大值，N1为所述卷积层中卷积核的个数，N1max为所述卷积层中卷积核的最大值，N2为所述池化层中所述过滤器的个数，N2max为所述池化层中所述过滤器的最大值，d1为卷积层中所述卷积核的步幅，d1max为卷积层中所述卷积核的步幅最大值，d2为所述池化层中过滤器的步幅，d2max所述池化层中过滤器的步幅最大值，Z为整数集，k,k1,2,.,12为惩罚因子。8.一种基于遗传优化的非侵入式负荷识别系统，其特征在于，包括：高频采样单元，是系统的传感单元，与核心处理单元连接；通信单元，是所述系统与外界连接的桥梁，与所述核心处理。

11、单元连接；所述存储单元，是所述系统的数据存储空间，与所述核心处理单元连接，还有接线端子与所述高频采样单元连接，用于采样电压、电流信号。9.一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。权利要求书3/3 页4CN 116609580 A4一种基于遗传优化的非侵入式负荷识别方法与系统技术领域0001本发明涉及非侵入式负荷识别领域，尤其是涉及一种基于遗传优化的非。

12、侵入式负荷识别方法与系统。背景技术0002用户侧负荷监测能有效监测用户用电行为，及时切除可能引发火灾危害的危险电器，对于电网削峰填谷、保证用电安全有积极作用，用户侧负荷监测主要采用负荷识别的方法。负荷识别是有效识别电器负荷种类的分类方法，分为侵入式负荷识别与非侵入式负荷识别。非侵入式负荷识别是指在用户入户电表处安装相应传感设备与装置，感知用户的电压情况、总负荷电流与总功率，从而利用负荷识别方法辨析出用户投切负荷情况。随着用户用电总量与用电器数目与种类的不断增加，居民用电对电网的负荷压力持续增大。通过采用非侵入式负荷识别方法可以分析各类家用电器的用电消耗量与用电行为，尤其是家用大功率电器使用情况。

13、，从而可以根据不同区域、不同事件、不同居民个性化制定科学的用电策略，提高居民用电效率与稳定性，实现低碳节能用电。0003随着用电器数目与种类不断扩增，用电器的负荷特性也趋于多样化，在用电特性上表现为VI轨迹图越来越多样化，以VI轨迹图作为非侵入式负荷识别的依据提供了可能。0004普通的二维VI轨迹图只包含了电压与电流轨迹信息，所表现的信息非常有限，不能完全挖掘出用电器负荷VI轨迹图所表现的信息。直接以普通的二维VI轨迹图作为负荷识别分类的依据，造成负荷识别准确率低下，负荷识别效果不佳。0005此外，在采集用电器电压、电流和功率数据，训练好负荷识别神经网络模型后，如需使用该模型进行非侵入式负荷识。

14、别，需要再次采样数据并将数据保存到计算机设备后，才能运用输入到模型中进行负荷识别，不能进行实时负荷识别。发明内容0006本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。0007鉴于上述存在的问题，提出了本发明。0008本发明的目的是提供一种基于遗传优化的非侵入式负荷识别方法与系统，该识别方法以用户正常使用时的入户电压和电流数据为输入，以卷积神经网络为基础，一方面构建负荷信息更加丰富的VI轨迹图，一方面采用遗传优化算法优化。

15、卷积神经网络的超参数，得到遗传优化的卷积神经网络非侵入式负荷分类模型，提高对VI轨迹图的信息挖掘能力，此外，提出一种非侵入式负荷识别系统，便于将模型嵌入到嵌入式设备中，使模型可以脱离计算机设备运行，提供一种非侵入式负荷识别简易实现装置。0009为解决上述技术问题，本发明提供如下技术方案：一种基于遗传优化的非侵入式说明书1/12 页5CN 116609580 A5负荷识别方法，包括：0010采集用户正常使用时的入户电压和电流数据；0011将稳态电压和稳态电流及功率数据绘制成VI轨迹图，并将所述VI轨迹图转换成二维VI轨迹彩色像素图；0012将获得的所述二维VI轨迹彩色像素图进行归一化处理，并通过。

16、负荷识别卷积神经网络获得负荷识别结果。0013作为本发明所述的基于遗传优化的非侵入式负荷识别方法，其特征在于：所述稳态电压、所述稳态电流及所述功率数据包括：0014通过双滑动窗口算法，以功率为判据判断是否发生负荷投切事件，若无所述负荷投切事件发生则返回采集所述入户电压和所述电流数据；若检测到所述负荷投切事件，则待负荷运行状态稳定后，根据事件前后的稳态数据从后台导出所述负荷投切的所述稳态电压、所述稳态电流及所述功率数据。0015作为本发明所述的基于遗传优化的非侵入式负荷识别方法，其特征在于：所述VI轨迹图转换成二维VI轨迹彩色像素图包括：0016根据获取的所述负荷投切事件的所述稳态电压、所述稳态。

17、电流及所述功率数据，以一个周波的电压为横轴，以一个周波的电流为纵轴，对应时间点的电压、电流组成绘制成二维VI轨迹图像；将绘制的所述二维VI轨迹图像转化为二维VI轨迹灰度像素图，为所绘制的所述二维VI轨迹灰度像素图绘制相应颜色，所述二维VI轨迹灰度像素图变为所述二维VI轨迹彩色像素图。0017作为本发明所述的基于遗传优化的非侵入式负荷识别方法，其特征在于：将所述VI轨迹图转换成二维VI轨迹彩色像素图还包括：0018其中第i个二维VI轨迹彩色像素块的三原色数值转换规则如下：0019计算第i个所述二维VI轨迹彩色像素块的U、I数值，00200021P(i)I(i)U(i)0022其中，P(i)为二维。

18、VI轨迹彩色像素图中第i个像素块的功率值，U为电压值，I为电流值，Ii为第i个像素块的电流值，Ui为第i个像素块的电压值，nr为所述二维VI轨迹彩色像素图每一行的所述像素二维VI轨迹彩色像素块个数，nc为所述二维VI轨迹彩色像素图每一列的所述二维VI轨迹彩色像素块个数；0023当所述二维VI轨迹彩色像素块功率大小超过给定Pmax 时，确定轨迹点的R值为255，否则，所述轨迹点的R值为00240025其中，R为红色，PMAX为二维VI轨迹彩色像素块功率最大值，PMIN为二维VI轨迹彩色像素块功率最小值；0026当所述二维VI轨迹彩色像素块负荷功率因数为1时，确定所述轨迹点的G值为255，否则，所。

19、述轨迹点的G值为说明书2/12 页6CN 116609580 A600270028其中，G为绿色，为功角为功率因数。0029作为本发明所述的基于遗传优化的非侵入式负荷识别方法，其特征在于：当所述二维VI轨迹彩色像素块负荷阻抗特性为容性负载时，确定所述轨迹点的蓝色值为255，当所述二维VI轨迹彩色像素块负荷阻抗特征为纯阻性负载时，确定所述轨迹点的蓝色值为127，当所述二维VI轨迹彩色像素块负荷阻抗特性为感性时，确定所述轨迹点的蓝色值为0。0030作为本发明所述的基于遗传优化的非侵入式负荷识别方法，其特征在于：将获得的所述二维VI轨迹彩色像素图进行归一化处理包括：0031计算所述二维VI轨迹彩色像。

20、素图归一化中第i个所述二维VI轨迹彩色像素块，公式为：00320033其中，U为电压值，I为电流值，Ii为第i个像素块的电流值，Ui为第i个像素块的电压值，nr为所述二维VI轨迹彩色像素图每一行的所述像素二维VI轨迹彩色像素块个数，nc为所述二维VI轨迹彩色像素图每一列的所述二维VI轨迹彩色像素块个数。0034作为本发明所述的基于遗传优化的非侵入式负荷识别方法，其特征在于：通过负荷识别神经网络获得负荷识别结果包括：通过负荷识别神经网络获得负荷识别结果包括：所述负荷识别卷积神经网络用于对获取的所述二维VI轨迹彩色像素图进行特征提取；在所述负荷识别卷积神经网络训练过程中，包括用遗传算法优化所述负荷。

21、识别卷积神经网络的超参数，包括卷积层的卷积核个数、大小和步幅、池化层的过滤器个数、大小和步幅，所涉及的所述超参数优化问题为：00350036其中，p为非侵入式负荷识别准确率，n1为所述卷积层中卷积核的大小，n1max为部署于嵌入式系统中所述卷积核中卷积核的个数最大值，n2表示所述池化层中过滤器的大小，n2max为所述池化层中过滤器的最大值，N1为所述卷积层中卷积核的个数，N1max为所述卷积层中卷积核的最大值，N2为所述池化层中所述过滤器的个数，N2max为所述池化层中所述过滤器的最大值，d1为卷积层中所述卷积核的步幅，d1max为卷积层中所述卷积核的步幅最大值，d2为所述池化层中过滤器的步幅。

22、，d2max所述池化层中过滤器的步幅最大值，Z为整数集，ST为受限于；说明书3/12 页7CN 116609580 A70037该优化问题采用罚函数法的优化方法，问题转化为：00380039其中p为非侵入式负荷识别准确率n1为所述卷积层中卷积核的大小，n1max为部署于嵌入式系统中所述卷积核中卷积核的个数最大值，n2表示所述池化层中过滤器的大小，n2max为所述池化层中过滤器的最大值，N1为所述卷积层中卷积核的个数，N1max为所述卷积层中卷积核的最大值，N2为所述池化层中所述过滤器的个数，N2max为所述池化层中所述过滤器的最大值，d1为卷积层中所述卷积核的步幅，d1max为卷积层中所述卷积。

23、核的步幅最大值，d2为所述池化层中过滤器的步幅，d2max所述池化层中过滤器的步幅最大值，Z为整数集，k,k1,2,.,12为惩罚因子。0040本发明提供了一种基于遗传优化的非侵入式负荷识别系统，其特征在于，包括，所述高频采样单元，是系统的传感单元，与核心处理单元连接；0041通信单元，是所述系统与外界连接的桥梁，与所述核心处理单元连接；0042所述存储单元，是所述系统的数据存储空间，与所述核心处理单元连接，还有接线端子与所述高频采样单元连接，用于采样电压、电流信号。0043一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。。

24、0044一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。0045与现有技术相比，本发明具有以下有益效果：0046(1)本发明对用电器的VI轨迹图蕴含的特征信息进行充分发掘，除了二维VI轨迹灰度像素图本身包含的VI关系轨迹外，还通过绘制颜色的方式赋予VI轨迹图表示功率大小、阻抗性质和相位偏差等特征，使VI轨迹图能够充分表征用电器负荷特性。0047(2)本发明采用遗传优化算法优化卷积神经网络的超参数，包括卷积层的卷积核个数、大小和步幅，池化层的过滤器个数、大小和步幅，以损失率为评价超参数优劣的指标，在一定程度上提高非侵入式负荷识别准确率，提升非侵。

25、入式负荷识别系统负荷特征的提取能力。0048(3)本发明还提供了非侵入式负荷识别系统装置，可以在入户处通过简单的装置实现本方法，并实时反馈负荷投切信息到用户通信设备处，不需要将采集数据导入到计算机设备中进行负荷识别，通过简便方式即可实现。附图说明0049为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：0050图1为本发明一种基于遗传优化的非侵入式负荷识别方法与系统的整体流程图；说明书4/12 页8CN 。

26、116609580 A80051图2为本发明第一个实施例提供的一种基于遗传优化的非侵入式负荷识别方法与系统中的一种实施例的用电器工作电压、电流波形图；0052图3为本发明第一个实施例提供的一种基于遗传优化的非侵入式负荷识别方法与系统的一种实施例的用电器VI轨迹图；0053图4为本发明第一个实施例提供的一种基于遗传优化的非侵入式负荷识别方法与系统的卷积神经网络结构示意图；0054图5为本发明第一个实施例提供的一种基于遗传优化的非侵入式负荷识别方法与系统的的系统结构图；0055图6为本发明第一个实施例提供的一种基于遗传优化的非侵入式负荷识别方法与系统的的负荷识别系统完整流程图；0056图7为本发明。

27、第一个实施例提供的一种基于遗传优化的非侵入式负荷识别方法与系统的不优化超参数的VI轨迹神经网络与本发明方法的负荷识别准确率对比图。具体实施方式0057为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。0058在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推。

28、广，因此本发明不受下面公开的具体实施例的限制。0059其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。0060本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。0061同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基。

29、于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。0062本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。0063实施例10064参照图1，为本发明的一个实施例，。

30、提供了一种基于遗传优化的非侵入式负荷识别方法与系统，包括：说明书5/12 页9CN 116609580 A90065S1：采集用户正常使用时的入户电压和电流数据，通过双滑动窗口算法，以功率为判据判断是否发生负荷投切事件，若无所述负荷投切事件发生则返回采集所述入户电压和所述电流数据，若检测到所述负荷投切事件，则待负荷运行状态稳定后，根据事件前后的稳态数据从后台导出所述负荷投切的稳态电压、稳态电流及功率数据。0066更进一步的是，采用高频采样芯片对用户正常使用时的入户电压与电流进行采样，本实施例中，高频采样芯片每个通道的采样频率为6.4kHz，分为两个采样通道，通道1采样用户正常使用时的入户电压，。

31、通道2采样用户正常使用是的电流。0067应说明的是，在采样得到的电流数据中设置两个滑动窗口，其中两个窗口间隔t1，每个窗口包含n个数据点。在本实施例中，两个窗口间隔t10.5s，每个窗口包含n20个数据点；0068计算两个窗口电流平均值之差0069I|I2I1|0070其中I2为第二个窗口的电流平均值，I1为第一个窗口的电流平均值。若差值I大于设定阈值It，即IIt且持续时间超过t2则认为发生负荷投切事件，否则认为没有负荷投切事件发生。在本实施例中，It0.1A，t20.1s。0071更进一步的，在事件发生t30.5s后再采集所投切负荷的稳态电压、稳态电流及功率数据，以确保负荷投切已达到稳态状。

32、态，电压、电流不再剧烈波动。0072请参阅图2，图2为一种实施例中某些用电器的工作电压、电流波形图。0073S2：将获得的所述稳态电压和所述稳态电流及所述功率数据绘制成VI轨迹图，并将所述VI轨迹图转换成二维VI轨迹彩色像素图，其中所述二维VI轨迹彩色像素图的像素值表示功率大小、阻抗性质和相位偏差的组合；0074更进一步的，根据获取的所述负荷投切的所述稳态电压、所述稳态电流及所述功率数据，以一个周波的电压为横轴，以一个周波的电流为纵轴，对应时间点的电压、电流组成绘制成二维VI轨迹图像；将绘制的所述二维VI轨迹图像转化为二维VI轨迹灰度像素图，考虑到本方法可以投入到嵌入式系统中运行，图片像素尺寸。

33、不宜过大，算力不足以运行超大图片，因此在本实施例中，将所绘制的二维图像转化为32*32的灰度像素图。0075为所绘制的二维VI轨迹灰度像素图绘制相应颜色，为所绘制的所述二维VI轨迹灰度像素图绘制相应颜色，所述二维VI轨迹灰度像素图变为32*32二维VI轨迹彩色像素图，其中第i个二维VI轨迹彩色像素块的三原色数值转换规则如下：0076计算第i个所述二维VI轨迹彩色像素块的U、I数值，其中007700780079P(i)I(i)U(i)0080其中，nr为所述二维VI轨迹彩色像素图每一行的所述像素二维VI轨迹彩色像素块个数，nc为所述二维VI轨迹彩色像素图每一列的所述二维VI轨迹彩色像素块个数；0。

34、081当所述二维VI轨迹彩色像素块功率大小超过给定Pmax 时，确定轨迹点的R值为说明书6/12 页10CN 116609580 A10255，否则，所述轨迹点的R值为00820083其中，R为红色，PMAX为二维VI轨迹彩色像素块功率最大值，PMIN为二维VI轨迹彩色像素块功率最小值；0084当所述二维VI轨迹彩色像素块负荷功率因数为1时，确定所述轨迹点的G值为255，否则，所述轨迹点的G值为00850086其中，G为绿色，为功角为功率因数。0087将所述VI轨迹图转换成二维VI轨迹彩色像素图还包括：当所述二维VI轨迹彩色像素块负荷阻抗特性为容性负载时，确定所述轨迹点的B值为255，当所述二。

35、维VI轨迹彩色像素块负荷阻抗特征为纯阻性负载时，确定所述轨迹点的B值为127，当所述二维VI轨迹彩色像素块负荷阻抗特性为感性时，确定所述轨迹点的B值为0。0088请参阅图3，图3为一种实施例中某些用电器的VI轨迹图。0089计算所述二维VI轨迹彩色像素图归一化中第i个所述二维VI轨迹彩色像素块，公式为：009000910092其中，nr为所述二维VI轨迹彩色像素图每一行的所述二维VI轨迹彩色像素块个数，nc为所述二维VI轨迹彩色像素图每一列的所述二维VI轨迹彩色像素块个数。0093其中，通过负荷识别神经网络获得负荷识别结果包括：0094卷积神经网络包括：输入层、卷积层、池化层和输出层。请参阅图。

36、4，图4为本发明的卷积神经网络结构示意图，其中输入层的(187632323)表示输入1876个三维像素为3232的VI轨迹图，卷积层的(187630303)表示卷积层处理后为1876个三维像素为3030的VI轨迹图，池化层的(187615153)表示池化层处理后为1876个三维像素为1515的VI轨迹图，输出层的(18761)表示输出层为1876个识别结果。0095其中，所述卷积神经网络输入量为已处理好的VI轨迹图，输出量为负荷识别的结果，即用电器的分类结果。0096其中，所述卷积神经网络的输入层输入数据为VI轨迹图，本实施例中共输入1876个VI轨迹图，每个VI轨迹图的大小为(HW3)，则输。

37、入层为(1876HW3)。0097其中，所述负荷识别卷积神经网络用于对获取的所述二维VI轨迹彩色像素图进行特征提取，对VI轨迹图的像素块进行内积运算，生成特征映射图。0098其中，所述卷积层的初始卷积核大小为(n1n1)(0)(33)，初始步幅为d1(0)1，卷积核个数为N1(0)1。0099其中，所述池化层采用最大池化，将卷积层提取的特征进行特征选择和信息过滤，说明书7/12 页11CN 116609580 A11用于对感受野内特征进行筛选，提取出最具代表性的特征。0100其中，所述池化层的初始过滤器大小为(n2n2)(0)(22)，初始步幅为d2(0)2，过滤器个数为N2(0)1。0101。

38、其中，所述全连接层用于将网络学习到的特征映射到样本标记空间。0102其中，所述全连接层的输出结果为(1n3)(116)，在本实施例中，全连接层的输入数据即为池化层的输出数据(187615153)，每个神经元需要一个权值。0103其中，所述softmax层用于输出用电器分类结果，其中分类结果应为已预存储在模型中的用电器种类，本实施例中已预存储在模型中的用电器种类数目为NL16，则对于每一个VI轨迹图，softmax层输出结果为(116)的向量，每个列元素对应用电器种类的概率，负荷识别结果为softmax层对应最大概率的用电器种类，此时识别准确率作为参照值。0104其中，一种基于遗传优化的非侵入式。

39、负荷识别方法与系统，还包括用遗传优化卷积神经网络的超参数。0105其中，所述超参数包括卷积层的卷积核个数N1、大小(n1n1)和步幅d1，池化层的过滤器个数N2、大小(n2n2)和步幅d2。0106其中，本实施例采用遗传优化卷积神经网络的超参数方法为：0107进一步地，用遗传算法优化所述负荷识别卷积神经网络的超参数，包括卷积层的卷积核个数、大小和步幅、池化层的过滤器个数、大小和步幅，所涉及的所述超参数优化问题为：01080109其中，p为非侵入式负荷识别准确率，n1为所述卷积层中卷积核的大小，n1max为部署于嵌入式系统中所述卷积核中卷积核的个数最大值，n2表示所述池化层中过滤器的大小，n2m。

40、ax为所述池化层中过滤器的最大值，N1为所述卷积层中卷积核的个数，N1max为所述卷积层中卷积核的最大值，N2为所述池化层中所述过滤器的个数，N2max为所述池化层中所述过滤器的最大值，d1为卷积层中所述卷积核的步幅，d1max为卷积层中所述卷积核的步幅最大值，d2为所述池化层中过滤器的步幅，d2max所述池化层中过滤器的步幅最大值，Z为整数集，ST为受限于；0110该优化问题采用罚函数法的优化方法，问题转化为：0111说明书8/12 页12CN 116609580 A120112其中p为非侵入式负荷识别准确率n1为所述卷积层中卷积核的大小，n1max为部署于嵌入式系统中所述卷积核中卷积核的个。

41、数最大值，n2表示所述池化层中过滤器的大小，n2max为所述池化层中过滤器的最大值，N1为所述卷积层中卷积核的个数，N1max为所述卷积层中卷积核的最大值，N2为所述池化层中所述过滤器的个数，N2max为所述池化层中所述过滤器的最大值，d1为卷积层中所述卷积核的步幅，d1max为卷积层中所述卷积核的步幅最大值，d2为所述池化层中过滤器的步幅，d2max所述池化层中过滤器的步幅最大值，Z为整数集，k,k1,2,.,12为惩罚因子。0113S3：将获得的所述二维VI轨迹彩色像素图进行归一化处理，并通过负荷识别卷积神经网络获得负荷识别结果。0114更进一步的，用遗传算法优化卷积神经网络的适应性函数，。

42、由于p本身带有上限100，用遗传算法优化卷积神经网络的适应性函数即为所求问题p。0115其中，所述遗传算法采用轮盘赌的选择策略，轮盘赌的选择策略是一种基于适应值比例的选择策略，适应值越大被选择到下一代的概率也会越大。所述遗传算法采用整体算数杂交，即给定两个父体，产生一个随机数，经杂交后得到两个后代个体。0116应说明的是，假定两个父体分别为x1(n11,n21,N11,N21,d11,d21)，x2(n12,n22,N12,N22,d12,d22)，0117产生随机数 0,1，杂交后产生两个个体为0118y1(n11+(1 )n12,n21+(1 )n22,N11+(1 )N12,N21+(1。

43、 )N22,d11+(1 )d12,d21+(1 )d22)0119y2(1 )n11+n12,(1 )n21+n22,(1 )N11+N12,(1 )N21+N22,(1 )d11+d12,(1 )d21+d22)0120其中，所述步骤S5中，用遗传算法优化卷积神经网络采用均匀变异，即对于要变异的个体x1(x1,x2,.,xk,.,x6)，产生一个随机数k1,6，产生新的后代x1(x1,x2,.,xk,.,x6)，其中xk 是lk,uk中服从均匀分布的一个随机数。0121其中，用遗传算法优化卷积神经网络的初始化参数为：种群规模N10、个体长度Size6、演化代数T100、杂交概率pc0.7、。

44、变异概率pm0.1；初始化时，在约束范围内随机初始化种群的个体，并置个体的适应值；采用代数作为终止条件，即算法执行到给定的最大演化代数时终止。本实施例使用遗传算法优化超参数后的负荷识别准确率对比参考网络有小幅度提升，说明通过遗传算法优化超参数后可以提升网络的识别准确率。0122实施例20123参照图5，为本发明的一个实施例，提供了一种基于遗传优化的非侵入式负荷识别方法与系统，包括，0124一种基于遗传优化的非侵入式负荷识别系统其特征在于，包括：一种基于遗传优化的非侵入式负荷识别方法与系统包含由核心处理单元、高频采样芯片、通信芯片和存储芯片分别连接组成的最小核心系统，；0125所述高频采样芯片，。

45、是所述系统的传感单元，与所述核心处理单元连接；0126所述通信芯片，是所述系统与外界连接的桥梁，与所述核心处理单元连接；0127所述存储芯片，是所述系统数据存储空间，与所述核心处理单元连接，还有接线端子与所述高频采样芯片连接，用于采样电压、电流信号。说明书9/12 页13CN 116609580 A130128如图5所示，本发明某一实施例的一种基于遗传优化VI轨迹神经网络的非侵入式负荷识别系统的结构图包含以下102部分：0129核心处理单元01，是系统的核心，与高频采样芯片02、通信芯片03与存储芯片04分别连接。核心处理单元01内置系统时钟或外置时钟芯片，构成整个系统运行的时钟。0130在某。

46、一实施例中，所述核心处理单元01，还用于：0131核心处理单元01与高频采样芯片02构成双向通讯，通道为Ch01，核心处理单元01通过Ch01向高频采样芯片下送控制指令，控制高频采样芯片02开启采样与停止采样；核心处理单元01与通信芯片03构成单向通讯，通道为Ch02，从核心处理单元01单向传输数据给通信芯片03，核心处理单元01通过通道Ch02向通信芯片03下送控制指令，并向通信芯片03传送数据包进行远程通信；核心处理单元01与存储芯片04构成双向通讯，通道为Ch03，核心处理单元01通过Ch03向存储单元04发送需要存储的数据进行存储。0132高频采样芯片02，是系统的传感单元，与核心处理。

47、单元01连接。0133在某一实施例中，所述高频采样芯片02采用国产高频采样芯片，具备两个通道以上采样通道，可以同时采样电压与电流数据，此外，该芯片的输入数据可以直接为模拟信号，输出信号为数字信号，直接输出电压、电流信号有效值、瞬时值等参数，不需另外的模数转换与数据处理，简单高效。高频采样芯片02通过Ch01向核心处理单元01发送已处理好的数据。0134通信芯片03，是系统与外界连接的桥梁，与核心处理单元01连接。0135在某一实施例中，所述通信芯片03同时具备蓝牙联网与WiFi联网功能，可向同一局域网下的设备发送数据，在本实施例中直接将负荷识别结果发送至用户通信设备中，必要时，可以将电压、电流。

48、信号等数据打包上传。通信芯片03与核心处理单元01构成单向通讯，必要时，如用户需要向嵌入式负荷识别系统发送控制指令，可以组成双向通讯。0136存储芯片04，是系统数据存储空间，与核心处理单元01连接。0137在某一实施例中，所述存储芯片04用于存储系统的配置信息，如地理位置、所属区位、通信信息、系统唯一编码等，必要时，可以存储其他信息。存储芯片04与核心处理单元01构成双向通讯，存储芯片04通过Ch03向核心处理单元01发送需要使用到的信息。0138此外，在某一实施例中，还有接线端子05与高频采样芯片02连接，用于采样电压、电流信号。0139在某一实施例中，结合基于图1与图5的一种基于遗传优化。

49、VI轨迹神经网络的非侵入式负荷识别方法与系统，完整的实施步骤如图6所示，为：0140步骤S01，将嵌入式系统的进出线端子在用户入户处连接，启动系统；0141步骤S02，嵌入式系统通过高频采样芯片采集用户正常使用时的入户电压和电流数据；0142步骤S03，核心处理单元通过双滑动窗口算法，以功率为判据判断是否发生负荷投切事件，若无负荷投切事件发生则返回步骤S02；0143步骤S04，若步骤S03检测到负荷投切事件，则待负荷运行状态稳定后，根据事件前后的稳态数据获取所投切负荷的稳态电压、稳态电流及功率数据；0144步骤S05，核心处理单元将步骤S03获得的稳态电压和稳态电流数据绘制成VI轨迹图，并将。

50、VI轨迹图转换成二维VI轨迹彩色像素图，其中二维VI轨迹彩色像素图的像素说明书10/12 页14CN 116609580 A14值表示功率大小、阻抗性质和相位偏差的组合；0145步骤S06，核心处理单元将步骤S05获得的二维VI轨迹彩色像素图进行归一化处理；0146步骤S07，核心处理单元通过内置的负荷识别神经网络获得负荷识别结果0147步骤S08，核心处理单元将识别结果通过通信芯片发送给用户。本实施例使用遗传算法优化超参数后的负荷识别准确率对比参考网络有小幅度提升，说明通过遗传算法优化超参数后可以提升网络的识别准确率。0148实施例30149参照表1，为本发明的一个实施例，提供了一种基于遗传。