基于负荷照影和负荷搜索的负荷识别方法

技术领域

本发明涉及一种基于负荷照影和负荷搜索的负荷识别方法，属于电力大数据处理技术领域。

背景技术

随着新能源技术的不断发展，电网环境日益复杂，传统的垂直单一结构已经不再适应当下的发展。随着越来越多的清洁能源加入并逐渐开放售电市场，供电能源不再是单一的火电，用户可以按个人的需求进行选择，用电时具有更多的自由性。由此带来用户端的高自由度导致负荷特征更加趋于多样化。电力需求侧管理将会发挥出越来越重要的作用。进行需求响应的前提是能够准确分析出不同的用户特征，针对不同的电力负荷用户进行实时推送。

用户用电行为在年度，季节等方面存在一定的潜在规律。采用聚类或分类技术对负荷特征进行分析是详细了解用户用电特征的重要手段。典型负荷特征可应用于用电异常检测、负荷控制、负荷预测与电价制定等操作。准确的负荷分类有助于简化或降低负荷管理的难度和复杂性，能够提高负荷预测的准确度和精细化供电部门营销策略等，因此准确的负荷分类对电网自身管理、运行、提升企业的经济效益和节约能源，保护环境等方面具有十分重要的意义。近年来，受到了诸多专家学者的广泛关注。

目前的主要分析方法包括无监督的传统聚类方法和有监督的分类方法。但是聚类只是一种总从数学合理性上将数据分成若干组的技术，因此如果没有数据的准确标签信息，很难评估聚类结果是否对政策制定者或者企业决策者有价值。并且由于聚类、无监督算法缺乏图像标签的指导，导致训练出来的模型判别性不足、泛化能力较弱并且在识别准确度上和有监督分类模型有很大差距。而对于有监督方法，从智能电表采集到的是海量的无标签负荷数据，如何获得标签以及处理大规模数据成为了限制负荷识别准确性的难题。

本文运用负荷照影和图像搜索技术，提出了一种对电力负荷年数据类型归属的分类方法。首先是将智能电表获得的年监测数据使用负荷照影技术进行数据的预处理，得到每一个监测点的年负荷图像；其次从负荷图像中挑选已知用户类别或是对其中负荷特征感兴趣的图像作为初始数据；然后将所有图像输入到VGG16模型中，提取出每一张图像的特征并存储到图像特征数据库；第四步是把第二步选出来的图像使用局部敏感哈希算法，与图像特征数据库中的图像特征进行相似度计算，通过特定阈值得到每一张图像的相似图像集，为他们标上相同的标签，视为一类；其次将标签图像数据集输入分类模型进行训练；最后根据模型训练结果对全部数据集进行分类，得出最终的负荷分类结果。

发明内容

本发明的目的在于，针对传统聚类方法精度不高，可供有监督学习训练的标签数据太少以及神经网络技术可解释性较差等问题，提供一种新型的基于负荷照影和图像搜索的负荷识别方法。

本发明采用具有负荷照影技术将负荷数据转换为负荷图像，强大特征提取能力的VGG16网络作为图像搜索的主要工具，结合残差网络对具有负荷数据进行分类。

基于负荷照影和负荷搜索的负荷识别方法，其特征在于，采用负荷照影技术和深度学习中的卷积神经网络，通过负荷照影技术将负荷原始数据转化为具有可解释性的负荷特征明显的负荷图像，得到一个能都准确对负荷图像进行搜索的改进VGG16神经网络模型，找到更多的标签数据，最终获得能够对负荷图像进行精准分类的残差网络模型，该方法的具体步骤如下：

步骤1：使用负荷照影技术将由智能电表采集到的原始负荷数据转化为负荷图像；

步骤2：将所有图像传入基于改进VGG16网络的图像搜索模型，获得每一张图像的特征数据库；

步骤3：根据规则选择X张负荷图像，经过改进VGG16网络模型提取特征，根据给定相似度阈值σ，局部敏感哈希算法，比较图像特征相似度，搜索出X类图像，认定为分类结果，视为有标签数据；

步骤4：将X类图像数据输入残差网络分类器，对分类模型进行训练，得到一个年负荷分类识别器。

所述的负荷照影技术的步骤为：

步骤1：预处理负荷的原始数据，以确保所有串行数据均按时间排序并保存在正确的位置，如果某些位置缺少数据，在这些位置插入空白数据以确保时间连续性；

步骤2：将所有基本参数存储在负荷图像的第一行中，并用白色填充第一行的其余部分；

步骤3：对负荷数据进行归一化，将负荷数据缩放到0和1之间；

步骤4：将归一化的负载数据转换为HSV色彩值；

步骤5：将HSV色彩值转换为RGB像素值；

步骤6：按时间顺序排列从RGB创建的像素，如果最后一行还有剩余空间，用黑色填充。

基于改进VGG16的图像搜索模型的卷积层提取的特征向量可以视为负荷图像的特征编码，建立负荷图像特征数据库，再进行图像搜索时，需要对图像特征进行比较，使用局部敏感哈希函数进行图像特征相似度计算。使用残差网络进行训练，残差网络使用残差块，可以有效解决卷积神经网络深度增加时，神经网络的网络精度降低等问题。

与现有技术相比，本发明方法具有以下的优点：

通过负荷照影技术增加了负荷识别的可解释性，使得提高了深度学习模型的可信度；

而图像搜索可以大规模扩充标签数据集，准确率平均达到87％，能够很好地为负荷分类识别提供支撑，并且可以直观的看到搜索的相似度；

最后通过残差网络分类模型实现负荷特征种类的准确识别，可以有效地防止普通CNN分类模型梯度爆炸和梯度消失的问题。

附图说明

图1是基于负荷照影和图像搜索的负荷识别方法流程图。

图2是图像搜索结构图。

图3是改进VGG16网络结构图。

具体实施方式

下面结合附图1、附图2、附图3和实施例对基于负荷照影和图像搜索的负荷识别模型作详细介绍，但本发明的实施不局限于此。

实施例：

如图1所示，本实施例的基于负荷照影和图像搜索的负荷识别模型，分为三个模块，包含使用负荷照影的负荷数据预处理模块，图像搜索，标签扩充模块和负荷分类模块。

如图2所示，本实施例的图像搜索模块，通过改进VGG16模型进行图像特征提取，针对新输入的待搜索图像，提取特征后，使用局部敏感哈希进行相似度计算，得出与其相似对的图像数据集。

如图3所示，改进VGG16模型有5个卷积块，整个网络只使用3×3的卷积核，通过小型卷积核的反复堆叠来代替原先常用的大小为5×5或者7×7的较大卷积核，相比单个较大卷积核，使用多个小型卷积核不仅能减少卷积参数的使用，还能隐式地起到正则化的作用，提升模型检索性能。模型中固定输入的图像大小为224×224×3，通过传递到卷积层实现卷积运算来获取图像特征，卷积步长为1，而池化层均采用2×2的最大池化。最后一个池化层中采用全局最大池化操作来取代原来的普通池化。全局池化其实就是将池化操作中的滑动窗口设置为整个特征图的大小，计算特征图中所有像素值的均值，得到一个新的特征图。全局池化能够整合图像全局信息，更具鲁棒性。并使用其输出的特征向量作为图像检索的特征编码，建立检索图像数据集的特征索引。

整个模型的建立步骤如下：

1)使用美国TMY3商业负荷数据，将选取某地区多个监测点一年的数据，共分为16类，将负荷数据使用负荷照影转化为负荷图像。

2)将全部图像输入改进VGG16模型进行特征提取，然后选取两个监测点，将其各自16个负荷种类的每张负荷图像都输入进图像搜索模型。在选定不同的相似度阈值的情况，使用局部敏感哈希算法进行相似度匹配。

3)通过迁移学习的方式使用残差网络对加入标签的相似图像数据集进行分类训练，得出一个负荷分类识别模型。