基于颜色编码与谐波特征融合的非侵入式负荷识别方法

宰州鹏 赵 升,2 朱翔鸥 张正江 董凡琦

基于颜色编码与谐波特征融合的非侵入式负荷识别方法

宰州鹏1赵 升1,2朱翔鸥1张正江1董凡琦1

（1. 温州大学电气与电子工程学院，浙江 温州 325035；2. 温州大学乐清工业研究院，浙江 乐清 325600）

非侵入式负荷识别（NILM）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。针对原始电压-电流（V-I）轨迹特征辨识准确度不高的问题，本文提出一种基于V-I轨迹特征的颜色编码和负荷高次谐波特征相融合的识别方法。首先，将高频采样数据经过数据预处理，提取出负荷的V-I轨迹和高次谐波特征，并利用颜色编码技术将瞬时无功功率、功率因数与电流序列分布的数值特征分别映射到彩色图像RGB的三个通道像素矩阵中。然后，引入高次谐波特征与RGB三通道像素矩阵相融合，形成混合彩色图像。最后，运用AlexNet网络的迁移学习对负荷进行训练和分类，通过PLAID数据集与实测数据进行验证，所述负荷识别方法辨识准确率达到95%以上，模型具有良好的泛化能力，可用于家庭及类似场合的用电安全管理。

非侵入式负荷识别（NILM）；AlexNet网络；V-I轨迹；彩色编码；融合特征

0 引言

近年来，随着电气化设备的高度普及，电气火灾的发生概率不断提高{傅军栋, 2018 #68}{傅军栋, 2018 #68}{傅军栋, 2018 #68}{傅军栋, 2018 #68}。对于电气火灾的防护主要是通过现有的硬件设施（如各类烟雾报警器等）感应到相关的物理现象，再依靠人工的方式来避免火灾的发生[1-2]。非侵入式负荷识别（non-intrusive load monitoring, NILM）可以实时监控用户侧用电设备的类型、工作状态和能耗情况等，判断出相关用电设备存在的安全隐患，排查危险设备，从而为居民安全用电提供重要参考[3-4]。

NILM主要由数据采集、特征提取、负荷识别三大模块组成[5]。其中，系统识别的准确度主要取决于特征的提取与识别算法的选取。特征提取是指从采集的电气信号{傅军栋, 2018 #68}{傅军栋, 2018 #68}{傅军栋, 2018 #68}{傅军栋, 2018 #68}中提取出有价值的负荷特征，以区分不同类别的电器设备。家用电器的负荷特征可分为稳态特征和暂态特征，稳态特征通常包括电流波形、稳态谐波、有功功率、V-I轨迹等，而暂态特征一般为电器设备处于启停瞬间或者状态切换的瞬时特征，需要高频率采样装置对其进行捕获，对硬件要求较高[6]。识别算法主要有优化识别和模式识别两类方法。优化识别通常以距离衡量相似度选择出最佳负荷类型，例如整数规划[7]、粒子群优化算法[8]等，当设备较少时，该类方法可获得较高准确率，但随着设备数增加，计算复杂度呈指数级上升，求解效率降低。模式识别根据是否需要标识负荷数据，可分为监督式和非监督式，由于非监督式方法识别准确度不高，稳定性得不到保障，因此监督式方法成为研究人员针对负荷识别的首选方法[9]。

文献[10]针对传统非侵入式负荷监测通用性的不足，提出一种基于Siamese网络的非侵入式自适应负荷识别模型，该模型同时使用V-I轨迹和有功功率作为负荷特征，并通过动态地向特征库中添加新特征，可以实现对未知负荷的识别。文献[11]提出一种基于卷积神经网络（convolutional neural network, CNN）与长短期记忆网络（long short term memory, LSTM）相结合的seq2seq的非侵入式负荷分解算法，通过CNN提取功率时间曲线的特征，采用LSTM层进行电器识别，与因子隐马尔可夫模型（factorial hidden Markov models, FHMM）、组合优化（combinatorial optimization, CO）和传统seq2seq算法相比，负荷分解准确率有明显提升。文献[12]通过平滑和插值算法提取V-I轨迹，在分析轨迹特征的物理意义上提出十个V-I轨迹特征，利用支持向量机多分类算法进行负荷识别，并通过实验验证了算法的有效性。由于V-I轨迹不同于标准曲线，有限的量化特征并不能对其进行全面的描述[13]。因此，DU Liang等[14]提出将二维V-I轨迹利用归一化方法映射为二值灰色图像，可大大降低计算量。但是二值图像只能传递轨迹的形状信息，为了体现设备之间功率数值的差异，LIU Yanchi等[15]利用HSV（hue, saturation, value）颜色空间将V-I轨迹编码为彩色图像，增强了识别算法的准确率。与其相似地，郇嘉嘉等[16]通过构造电流、电压和相位3个像素矩阵，将数值特征嵌入灰色V-I轨迹中，从而进行叠加形成彩色V-I图像，并采用AlexNet算法对彩色图像进行深度特征提取，进一步提高了负荷识别的准确度，但是该方法需要对V-I轨迹进行高度像素化，使其难以反映电流波形存在的高次谐波特征。

针对上述问题，本文提出一种基于V-I轨迹特征的颜色编码与负荷谐波特征融合的识别方法。该方法对V-I彩色图像的R（red）、G（green）、B（blue）三通道像素矩阵进行改进，融合高次谐波电流幅值的二进制数，组成混合彩色图像，弥补上述高度像素化带来的谐波特征损失。然后，利用基于AlexNet的迁移学习进行负荷识别，将预先训练好的网络参数应用在本文新样本的训练及测试中。最后，通过公共数据集PLAID和实验室测量数据进行算例分析，结果表明，混合彩色图像可以有效区分V-I轨迹相似且无功功率、功率因数、电流序列分布等数值差异较小的电器设备，相对于传统的V-I轨迹图像识别方法有明显提升。

1 基于颜色编码与谐波特征的融合算法

1.1 负荷特征分析

在非侵入式负荷识别算法中，V-I轨迹是区分不同负荷类型的常用特征，但提取轨迹形状参数的过程较为繁杂，且选择的参数种类和数量对后续模型训练的泛化能力有决定性影响。对此，V-I图像编码技术的应用能够带来更好的识别效果。二值V-I灰色图像的建立避免了传统轨迹形状参数提取的复杂过程，但无法体现各负荷实际有功功率或无功功率的数值差异。而彩色V-I图像的提出可有效融入各负荷的稳态或暂态特征信息，从轨迹颜色能够区分出各负荷之间相关特征的数值差异[17]。但对于设备工作原理相似且有功、无功功率等数值大小差异较小的情况，彩色V-I图像难以进行有效区分。例如吹风机与加热器，两种负荷的彩色V-I图像如图1所示，无论是轨迹形状还是颜色分布，两种负荷的彩色V-I图像基本一致，很难做到对这二者的准确分类。

图1 两种负荷的彩色V-I图像

由于上述V-I轨迹无法体现出各负荷频域特征信息，本文对吹风机和加热器两种设备进行频域分析，利用快速傅里叶变换（fast Fourier transform, FFT）得到电流信号的基波及各次谐波幅值。因为基波相对于各次谐波来说幅值较大，所以为了清晰观察两种负荷的谐波分布情况，取其2～15次谐波幅值进行比较，两种负荷各次谐波幅值对比如图2所示。由图2可知，两者在奇次谐波幅值方面差异较大，其中加热器的3次与5次谐波分量要大于吹风机，而吹风机的7、9、11、13、15次谐波明显大于加热器。该差异存在的原因是吹风机内部有直流电机，相对于加热器来说，其高次谐波分量较大[18-19]。

图2 两种负荷各次谐波幅值对比

根据上述谐波幅值的差异，可有效解决彩色V-I图像无法准确分类轨迹形状和颜色分布相似的相关负荷的问题。为了避免因谐波特征的融入而使分类模型复杂化[20]，可将谐波特征融入彩色V-I图像中，形成混合彩色图像，这样既可提高负荷识别的准确率，也可避免因谐波融入而改变分类模型的结构。

1.2 混合彩色图像构建

本文利用颜色编码技术将原V-I轨迹映射到可设定分辨率的二维矩阵，其中映射特征为负荷的瞬时无功功率、功率因数及电流序列分布值，从而构造由R、G、B三个像素通道叠加而成的彩色V-I轨迹图像，可避免V-I轨迹原始形状信息的计算量。根据谐波特征差异，选取基波、3次、5次、7次、9次和11次谐波电流幅值与彩色V-I图像进行融合形成混合彩色图像，可有效弥补电流谐波特征的缺失，提高上述情况负荷识别的准确率。混合彩色图像构建方法具体如下。

2）利用FFT算法将电流波形信号转换为频域信号，得到各次谐波的幅值如式（1）所示。

3）由于高次谐波幅值相对较小，对各次谐波幅值进行相同整数倍放大取整，并转换为位的二进制数。

7）构建功率因数矩阵。依据上述功率表达式，V-I轨迹的形状等信息无法体现出负荷功率方面数值的差异，因此本文将功率因数的大小嵌入G通道中，可通过G通道颜色的深浅判断各负荷有功功率的等级。

8）构建电流序列分布矩阵。根据文献[22]所用随机森林特征选择算法对负荷稳态运行时电流信号时域特性进行排序，本文选取其特征重要性最高的特征表达式作为B通道的嵌入值，从一定程度上体现了电流时间序列的分布情况，并利用对数函数将计算值映射至(0, 1)内。

9）将负荷电流信号的基波和3次谐波幅值、5次和7次谐波幅值、9次和11次谐波幅值的二进制数按列排列分别填入矩阵、、的前四列和后四列中。

10）将矩阵、、分别与R通道、G通道及B通道的像素矩阵进行合并，例如混合矩阵的1～列为矩阵，+1列～+8列为矩阵。

11）将三个混合像素矩阵进行叠加得到混合彩色图像。

依据上述方法，对某负荷稳定运行时的混合彩色图像进行构建，过程如图3所示。为了清晰反映三个混合像素矩阵的合并效果，分别利用灰度图对其进行可视化。从图3可以看到，与合并的混合灰度图像中，V-I轨迹被充分保留，且轨迹灰度的深浅能够反映出一周期内该负荷瞬时无功功率的变化，同时最右端的黑色色块分布也反映出该负荷的基波与3次谐波电流幅值的大小。以此类推，与合并的混合灰度图像可反映出该负荷功率因数的变化及5次和7次谐波幅值大小，而与合并的混合灰度图像可反映出该负荷电流序列分布情况及9次和11次谐波幅值大小。最后，三个混合像素通道的叠加形成的混合彩色图像，其轨迹颜色变化包含上述三个混合灰度图像所反映的负荷特征信息，最右端的彩色色块可反映出该负荷基波和3、5、7、9、11次谐波幅值大小的情况。当不同负荷进行混合彩色图像识别时，通过最右端彩色色块的颜色分布可有效弥补上述彩色V-I图像识别类似吹风机和加热器等电器准确率不高的不足。

图3 混合彩色图像构建过程

2 神经网络模型的迁移学习

混合彩色图像的使用使负荷特征细节信息有所增加，适合采用卷积神经网络实现特征提取，从而提高识别准确率，但细节信息的增多加大了运算复杂度。因此，为了兼顾负荷辨识的准确率与模型训练速度，本文将AlexNet网络作为深度学习模型进行迁移学习。

AlexNet网络架构见表1，包含5个卷积层和3个全连接层，其中卷积层1、2、5都添加了最大池化层，从而避免过度拟合。线性整流函数ReLU被用作每个卷积层和全连接层的激活函数。此外，前两个全连接层各有4 096个神经元，且最后一个全连接层有1 000个神经元。最后一个全连接层的输出被传递给一个softmax函数，该函数产生1 000种对象的分类分布。

表1 AlexNet网络架构

由AlexNet结构可知，全连接层之前的网络结构可被看作一个特征提取器，图片经过该特征提取器后生成一定维度的特征向量，该特征提取器具有极高的泛化能力。为了利用AlexNet这一能力，本文在深度学习模型的帮助下应用迁移学习，其做法是将原网络的特征提取器部分保留，删去与预训练样本有关的分类器。因为绝大多数情况下，预训练样本与当前训练样本类别数不同，因此需要重新训练分类器，将新的分类器与预训练网络的特征提取器连接得到新的网络结构，再利用当前样本对新网络进行训练即得到微调后的AlexNet，详细过程如下。

1）从预训练的AlexNet中剔除最后一个全连接层，得到一个新的网络。

2）构建一个新的全连接层，神经元个数为本文负荷类别个数，并将新全连接层转移放置到新网络最后一层。

3）输入经过处理的混合彩色图像训练集。图像大小应调整为与AlexNet 的输入神经元相同。

4）训练新网络直到满足停止标准。初始学习率配置为一个较小的值，以减慢传输层中的学习速度。同时，增加新全连接层的学习率。

虽然AlexNet最初被设计用于识别ImageNet数据集，但是其学习到的高级抽象特征仍可用于辅助识别不同类型设备的混合彩色图像。故采用迁移学习的方法将预先训练好的网络参数进行复用，以加快算法的收敛速度。

3 实验测试与分析

3.1 实验环境

本文基于Matlab平台对原始AlexNet神经网络进行迁移学习，并通过PLAID公共数据集和实验室实测数据进行验证。硬件平台为Intel(R) Core(TM) i7—10700 CPU 2.90GHz，8GB RAM。数据集PLAID包含在高采样频率（30 kHz）下采集65个不同地点、11种家用电器类型的1 793条电压和电流记录。为了验证识别算法的准确性与有效性，在实验室环境下采集热水壶、烘干机、手枪钻和吹风机4类用电设备的数据，并将四类设备进行两两组合得到六类混合设备，共830组电压和电流数据，采样频率为25kHz。

为评估算法的识别能力，本文采用混淆矩阵和准确率两种指标进行评价。准确率表示正确分类的样本数与测试总样本数之比，即

式中：为正确分类的样本数；为测试总样本数。

3.2 PLAID数据集测试结果

由于PLAID数据集中不同类型家用电器的样本数量存在较大差异，不平衡数据集会导致少类样本的识别精度降低，因此本文采用SMOTE（synthetic minority oversampling technique）算法进行过采样，以增加少类样本的数量。经扩充后的样本数据集包含2 587条数据，从中随机选取220个样本作为测试集，其余作为训练集。根据本文混合图像的生成方法，对PLAID数据集中的稳态电流、电压数据进行处理，11种设备对应的混合彩色图像如图4所示。从图4可以观察到，吹风机、加热器等设备的彩色V-I映射轨迹在形状和颜色分布上区分度较小，但最右端彩色色块所表示的谐波幅值却存在较大差别。

图4 11种设备对应的混合彩色图像

依据AlexNet网络的输入层大小为227×227×3，需将上述构建好的混合彩色图像大小进行调整以匹配网络的输入维度。AlexNet网络的迁移学习，构建新的全连接层神经元个数为11，设置初始学习率为0.001，训练次数为20，丢弃率为0.2，批次处理数量为25，代入划分后的训练集进行网络训练，AlexNet网络的训练过程如图5所示。从图5可以明显观察到，随着迭代次数的增加，损失函数值逐步减小，训练准确率不断增大，当迭代次数达到500次时，两者的变化趋势都已趋于稳定。

图5 AlexNet网络的训练过程

由于在实测过程中训练集与测试集采用随机分配的方式，训练模型的准确率会有所波动，因此本文重复多次模型训练与测试过程。多次重复训练模型的测试结果对比如图6所示，从多次测试结果来看，采用混合彩色图像方法识别负荷的准确率波动较小，基本维持在92%以上，最高准确率可达到95.5%。为了清晰反映各类负荷的识别效果，利用混淆矩阵对测试结果进行可视化，PLAID数据集测试结果绘制的混淆矩阵如图7所示。标签对应的设备类型依次为：1为白炽灯、2为便携式计算机、3为冰箱、4为吹风机、5为风扇、6为加热器、7为空调、8为微波炉、9为吸尘器、10为洗衣机、11为荧光灯。混淆矩阵的每一列之和表示测试集中相应设备的测试样本数，每一行之和表示被识别为该类设备的样本数，其中对角线上绿色框内数字表示被正确识别的样本数，而黄色框内数字表示被误判的样本数。从混淆矩阵能够清晰看出，本文所提识别算法准确率达到了95.5%，其中冰箱和洗衣机的识别率低于平均识别率，原因是这两类电器存在多种运行状态，不同状态下的V-I轨迹和谐波有较大差异，容易被误判为其他类型电器；此外，对于吹风机与加热器这类易产生混淆误判的电器设备，识别率明显得到了提高。

图6 多次重复训练模型的测试结果对比

图7 PLAID数据集测试结果绘制的混淆矩阵

为了进一步说明本文方法的优越性，引入文献[19, 23-24]的负荷特征和分类模型进行识别准确率对比，具体结果见表2。在PLAID数据集上，本文方法相比于其他三种负荷识别算法的识别准确率分别提高了22.5%、4.6%和2.3%，尤其是在减小冰箱、洗衣机和空调等多模式切换运行设备的误判率方面有着显著优势。本文所提算法在负荷特征方面将谐波特征与彩色V-I图像相融合生成的混合彩色图像，不仅涵盖了文献[19, 23-24]所用算法的全部特征信息，还进一步丰富了更多的负荷特征；在分类模型的选择方面，AlexNet网络的图像识别性能要优于使用简单CNN进行图像识别，而AlexNet的迁移学习，相比于LeNet-5和BP两种神经网络的分工合作，在网络构建复杂度方面有所降低。因此，结合以上两方面的改进，本文方法的负荷识别效果要优于其他三种方法。

表2 与不同负荷识别算法的结果对比

3.3 实测数据结果

根据1.1节负荷特征分析可知，彩色V-I图像对于设备工作原理相似且有功、无功功率等数值大小差异较小的情况，难以进行有效区分。而混合彩色图像中谐波特征的融入可有效提高该情况下负荷识别的准确率。为了验证该方法的有效性，本文将未融入谐波特征的彩色V-I图像与之进行对比。在实验室环境下采集热水壶、烘干机、手枪钻和吹风机的单一设备电流、电压数据，以及任意两两设备同时运行的混合电流、电压数据。除手枪钻以外，其余三种电器都为加热类设备，且设备混合运行会出现功率等特征数值大小相似的情况，单凭彩色V-I图像进行识别，容易出现误判的情况。同时，将设备两两进行混合运行与单一设备数据共同代入上述网络模型进行测试，能够验证识别算法能否有效区分单一设备运行和混合设备运行的情况。

考虑到不平衡数据集的影响，实际采集时确保各类单一和混合设备数据样本数量达到平衡，且测试环境和相关网络模型参数同上述PLAID数据集一致。每种类型随机取20个测试样本数据，分别代入彩色V-I图像和混合彩色图像两种算法模型进行测试比较，分类结果见表3。本文所提混合彩色图像明显比彩色V-I图像有更好的识别效果。当未融入谐波特征时，彩色V-I图像作为负荷特征，吹风机容易被误判为热水壶，且两者分别与烘干机进行混合运行，也会出现彼此误判情况。而采用融入谐波特征后的混合彩色图像作为负荷特征，可以发现该类误判情况的发生得到了有效改善，由此表明融入谐波特征后的混合彩色图像相比于彩色V-I图像的优势所在。

表3 实验室实测数据两种方法测试结果对比

4 结论

本文提出了一种基于颜色编码与谐波特征融合的非侵入式负荷识别方法，该方法将谐波特征幅值进行二进制转换并与彩色V-I图像进行融合得到混合彩色图像，最后利用迁移学习对AlexNet网络进行改进，通过PLAID数据集和实验室实测数据对本文方法进行了验证，并得出以下结论：

1）针对吹风机和热水壶这种V-I轨迹相似且功率差异不大的设备，融合谐波特征相比于未融合谐波特征具有更好的识别效果。

2）本文方法与其他方法进行对比分析，测试结果说明，相比于灰色V-I轨迹与其他负荷特征的融合，混合彩色图像进一步丰富了负荷的特征信息，提高了负荷识别的准确度。

3）本文方法对于多状态运行负荷的识别效果有待改进，混合彩色图像的生成方法除了融入谐波特征以外，可进一步融入其他可区分性更高的负荷特征。

[1] 郑晓芳, 黄鹿鸣, 傅军栋. 基于元胞自动机的建筑火灾预测与疏散系统[J]. 华东交通大学学报, 2020, 37(2): 122-128.

[2] 徐扬, 张紫涛. 基于遗传模拟退火算法改进BP神经网络的中长期电力负荷预测[J]. 电气技术, 2021, 22(9): 70-76.

[3] 周东国, 张恒, 周洪, 等. 基于状态特征聚类的非侵入式负荷事件检测方法[J]. 电工技术学报, 2020, 35(21): 4565-4575.

[4] 雷怡琴, 孙兆龙, 叶志浩, 等. 电力系统负荷非侵入式监测方法研究[J]. 电工技术学报, 2021, 36(11): 2288-2297.

[5] 朱德省, 尹建丰, 周琨荔. 非侵入式电力负荷的辨识和监测[J]. 电测与仪表, 2015, 52(增刊1): 133- 138.

[6] 曲朝阳, 于华涛, 郭晓利. 基于开启瞬时负荷特征的家电负荷识别[J]. 电工技术学报, 2015, 30(增刊1): 358-364.

[7] BHOTTO M Z A, MAKONIN S, BAJIC I V. Load disaggregation based on aided linear integer pro- gramming[J]. IEEE Transactions on Circuits and Systems II: Express Briefs, 2017, 64(7): 792-796.

[8] 王玲, 李俐, 朱翔鸥, 等. 基于粒子群算法的强迫风冷散热器多目标优化[J]. 电气技术, 2022, 23(2): 20-25.

[9] 李葱. 基于深度学习优化的非侵入式负荷监控算法研究[D]. 武汉: 华中科技大学, 2017.

[10] YU Miao, WANG Bingnan, LU Lingxia, et al. Non- intrusive adaptive load identification based on Siamese network[J]. IEEE Access, 2022, 10: 11564-11573.

[11] 岳建任, 宋亚奇, 杨丹旭, 等. 基于seq2seq模型的非侵入式负荷分解算法[J/OL]. 电测与仪表, http:// kns.cnki.net./kcms/detail/23.1202.TH.20210705.1100.005.html.

[12] 杨云瑞, 黄宇魁, 陈文浩. 基于V-I轨迹特征的非侵入式负荷监测算法[J]. 计算机与数字工程, 2020, 48(10): 2353-2358.

[13] 陈小闽. 非侵入式负荷分解技术及应用研究[D]. 广州: 华南理工大学, 2018.

[14] DU Liang, HE Dawei, HARLEY R G, et al. Electric load classification by binary voltage-current trajectory mapping[J]. IEEE Transactions on Smart Grid, 2016, 7(1): 358-365.

[15] LIU Yanchi, WANG Xue, YOU Wei. Non-intrusive load monitoring by voltage-current trajectory enabled transfer learning[J]. IEEE Transactions on Smart Grid, 2019, 10(5): 5609-5619.

[16] 郇嘉嘉, 汪超群, 洪海峰, 等. 基于图像编码与深度学习的非侵入式负荷识别方法[J]. 科学技术与工程, 2021, 21(21): 8901-8908.

[17] 崔昊杨, 蔡杰, 陈磊, 等. 基于颜色编码的非侵入式负荷细粒度识别方法[J]. 电网技术, 2022, 46(4): 1557-1565.

[18] 郭鸿浩, 曹睿, 林欣欣, 等. 非理想磁链永磁同步电机转矩脉动抑制[J]. 电机与控制学报, 2022, 26(2): 63-71.

[19] 裘星, 尹仕红, 张之涵, 等. 基于V-I轨迹与高次谐波特征的非侵入式负荷识别方法[J]. 电力工程技术, 2021, 40(6): 34-42.

[20] 郇嘉嘉, 汪超群, 洪海峰, 等. 基于双通道多特征融合的电力负荷智能感知方法[J]. 科学技术与工程, 2021, 21(13): 5360-5368.

[21] LIN Y H，TSAI M S. An advanced home energy management system facilitated by nonintrusive load monitoring with automated multiobjective power scheduling[J]. IEEE Transactions on Smart Grid, 2015, 6(4): 1839-1851.

[22] 安琪, 王占彬, 安国庆, 等. 基于随机森林-遗传算法-极限学习机的非侵入式负荷识别方法[J]. 科学技术与工程, 2022, 22(5): 1929-1935.

[23] ZHENG Z, CHEN H N, LUO X W. A supervised event-based non-intrusive load monitoring for non- linear appliances[J]. Sustainability, 2018, 10(4): 1001- 1028.

[24] 王守相, 郭陆阳, 陈海文, 等. 基于特征融合与深度学习的非侵入式负荷辨识算法[J]. 电力系统自动化, 2020, 44(9): 103-110.

Non-intrusive load monitoring based on color coding and harmonic feature fusion

ZAI Zhoupeng1ZHAO Sheng1,2ZHU Xiang’ou1ZHANG Zhengjiang1DONG Fanqi1

(1. School of Electrical and Electronic Engineering, Wenzhou University, Wenzhou, Zhejiang 325035; 2. Technology Institute of Wenzhou University in Yueqing, Yueqing, Zhejiang 325600)

Non-intrusive load monitoring (NILM), as the main way to analyze user’s electricity consumption behavior, is of great significance to carry out energy consumption monitoring and realize electricity safety assessment. Aiming at the problem that the identification accuracy of the original voltage-current (V-I) trajectory features is not high, a recognition method based on the color coding of V-I trajectory features and the fusion of load high-order harmonic features is proposed in this paper. First, the high-frequency sampling data is preprocessed to extract the V-I trajectory and high-order harmonic characteristics of the load, and the numerical characteristics of instantaneous reactive power, power factor and current sequence distribution are mapped to the three channel pixel matrix of RGB color image by using color coding technology. Then, the high-order harmonic features are introduced and fused with three channel pixel matrix to form a mixed color image. Finally, the transfer learning of AlexNet network is used to train and classify the loads, which is verified by the PLAID data set and the measured data. The identification accuracy of the proposed load identification method is more than 95%, and the model has good generalization ability, which can be used for electricity safety management in home and similar occasions.

non-intrusive load monitoring (NILM); AlexNet network; V-I trajectory; color coding; fusion feature

国家自然科学基金（52077158）

浙江省重点研发计划（2014NM005）

2022-08-10

2022-08-30

宰州鹏（1999—），男，江苏扬州人，硕士研究生，主要研究方向为电器智能化、非侵入式负荷监测。