基于ResNeXt网络和迁移学习的非侵入式负荷监测

鲍光海; 黄逸欣

doi:10.7500/AEPS20221108006

您当前的位置：

首页 >

文章列表页 >

基于ResNeXt网络和迁移学习的非侵入式负荷监测

面向多元用户的负荷特性建模与预测关键技术 | 更新时间：2025-06-16

- 基于ResNeXt网络和迁移学习的非侵入式负荷监测
- Non-intrusive Load Monitoring Based on ResNeXt Network and Transfer Learning
- 电力系统自动化 2023年47卷第13期页码：110-120
- 作者机构：
  
  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
- 作者简介：
  
  鲍光海(1977—)，男，通信作者，博士，教授，主要研究方向：电器及其系统智能化与故障诊断。E-mail：19428733@qq.com
  黄逸欣（1996—），男，硕士研究生，主要研究方向：非侵入式负荷监测。E-mail：626959909@qq.com
- 基金信息：
  
  Industry Guiding Project of Fujian Province(2021H0014)
- DOI：10.7500/AEPS20221108006
  中图分类号：
- 收稿：2022-11-08，
  
  修回：2022-12-30，
  
  网络出版：2023-02-24，
  
  纸质出版：2023-07-10
- 稿件说明：
移动端阅览
鲍光海,黄逸欣.基于ResNeXt网络和迁移学习的非侵入式负荷监测[J].电力系统自动化,2023,47(13):110-120.

BAO Guanghai,HUANG Yixin.Non-intrusive Load Monitoring Based on ResNeXt Network and Transfer Learning[J].Automation of Electric Power Systems,2023,47(13):110-120.
鲍光海,黄逸欣.基于ResNeXt网络和迁移学习的非侵入式负荷监测[J].电力系统自动化,2023,47(13):110-120. DOI： 10.7500/AEPS20221108006.

BAO Guanghai,HUANG Yixin.Non-intrusive Load Monitoring Based on ResNeXt Network and Transfer Learning[J].Automation of Electric Power Systems,2023,47(13):110-120. DOI： 10.7500/AEPS20221108006.

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。

Abstract

In order to speed up the construction of energy saving and emission reduction

and strengthen the electricity consumption management on the demand side

the non-intrusive load monitoring has become a research hotspot because of its easy implementation and reliability. However

the current research has some problems

such as low identification accuracy of low-frequency data load

complex extraction of high-frequency data features and poor network generalization performance. Therefore

this paper proposes a non-intrusive load monitoring based on ResNeXt network and transfer learning. The one-dimensional time-series total power is converted into two-dimensional image with time characteristics as input through Gram angle field (GAF) algorithm

and the image is put into ResNeXt network under transfer learning for load identification. This method uses the low-frequency data that can be collected by the existing meter as the input

reduces the data input dimension and adds time characteristics. And then

after the images are standardized

the deep load information is learned by stacking the residual neural network with deep-layers

and the trained network model parameters under ImageNet-1K dataset are transferred to the new target domain by transfer learning

so as to accelerate the convergence speed of the network

improve the accuracy of load classification and the generalization of the network. Finally

this method is verified by using the open data sets AMPds and UK-DALE to simulate different power consumption scenarios

which verifies the efficiency and generalization of the proposed method.

关键词

Keywords

references

单光普 . 基于HMM的非侵入式居民用电负荷分解研究［D］. 北京：华北电力大学， 2018 .

SHAN Guangpu . Study on non intrusive load decomposition of residential electricity based on HMM ［D］. Beijing ： North China Electric Power University ， 2018 .

MAKONIN S ， POPOWICH F ， BAJIĆ I V ， et al . Exploiting HMM sparsity to perform online real-time nonintrusive load monitoring ［J］. IEEE Transactions on Smart Grid ， 2016 ， 7 （ 6 ）： 2575 - 2585 .

孙毅，崔灿，陆俊，等 . 基于遗传优化的非侵入式家居负荷分解方法［J］. 电网技术， 2016 ， 40 （ 12 ）： 3912 - 3917 .

SUN Yi ， CUI Can ， LU Jun ， et al . A non-intrusive household load monitoring method based on genetic optimization ［J］. Power System Technology ， 2016 ， 40 （ 12 ）： 3912 - 3917 .

LIU B ， LUAN W P ， YU Y X . Dynamic time warping based non-intrusive load transient identification ［J］. Applied Energy ， 2017 ， 195 ： 634 - 645 .

延菲，张瑞祥，孙耀杰，等 . 基于改进kNN算法的非侵入式负荷识别方法［J］. 复旦学报（自然科学版）， 2021 ， 60 （ 2 ）： 182 - 188 .

YAN Fei ， ZHANG Ruixiang ， SUN Yaojie ， et al . Non-intrusive load identification method based on improved kNN algorithm ［J］. Journal of Fudan University （Natural Science）， 2021 ， 60 （ 2 ）： 182 - 188 .

LINH N V ， ARBOLEYA P . Deep learning application to non-intrusive load monitoring ［C］// 2019 IEEE Milan PowerTech ， June 23-27 ， 2019 ， Milan， Italy ： 1 - 5 .

DU L ， HE D W ， 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 .

DE BAETS L ， RUYSSINCK J ， DEVELDER C ， et al . Appliance classification using V-I trajectories and convolutional neural networks ［J］. Energy and Buildings ， 2018 ， 158 ： 32 - 36 .

徐晓会，赵书涛，崔克彬 . 基于卷积块注意力模型的非侵入式负荷分解算法［J］. 电网技术， 2021 ， 45 （ 9 ）： 3700 - 3706 .

XU Xiaohui ， ZHAO Shutao ， CUI Kebin . Non-intrusive load disaggregate algorithm based on convolutional block attention module ［J］. Power System Technology ， 2021 ， 45 （ 9 ）： 3700 - 3706 .

尹立亚 . 非侵入式负荷特征提取与识别算法的研究［D］. 北京：华北电力大学， 2021 .

YIN Liya . Research on non-invasive load feature extraction and identification algorithm ［D］. Beijing ： North China Electric Power University ， 2021 .

汪颖，杨维，肖先勇，等 . 基于 U - I 轨迹曲线精细化识别的非侵入式居民负荷监测方法［J］. 电网技术， 2021 ， 45 （ 10 ）： 4104 - 4113 .

WANG Ying ， YANG Wei ， XIAO Xianyong ， et al . Non-intrusive residential load monitoring method based on refined identification of U - I trajectory curve ［J］. Power System Technology ， 2021 ， 45 （ 10 ）： 4104 - 4113 .

陈倩 . 基于深度学习模型融合的非侵入负荷识别研究［D］. 北京：华北电力大学， 2020 .

CHEN Qian . Research on non-invasive load identification based on deep learning model fusion ［D］. Beijing ： North China Electric Power University ， 2020 .

张春健 . 非侵入式家居电器负荷识别方法研究及应用［D］. 济南：山东大学， 2021 .

ZHANG Chunjian . Research and application of non-intrusive household electrical appliance load identification method ［D］. Jinan ： Shandong University ， 2021 .

CIANCETTA F ， BUCCI G ， FIORUCCI E ， et al . A new convolutional neural network-based system for NILM applications ［J］. IEEE Transactions on Instrumentation and Measurement ， 2020 ， 70 ： 1 - 12 .

冯人海，袁万琦，葛磊蛟 . 基于图信号交替优化的居民用户非侵入式负荷监测方法［J］. 中国电机工程学报， 2022 ， 42 （ 4 ）： 1355 - 1365 .

FENG Renhai ， YUAN Wanqi ， GE Leijiao . Non-intrusive load monitoring method for resident users based on alternating optimization in graph signal ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 4 ）： 1355 - 1365 .

刘睿迪 . 基于数据增强和深度学习的非侵入式负荷分解方法［D］. 杭州：浙江大学， 2021 .

LIU Ruidi . Non-intrusive load decomposition based on data augmentation and deep learning ［D］. Hangzhou ： Zhejiang University ， 2021 .

WANG Z G ， OATES T . Imaging time-series to improve classification and imputation ［EB/OL］. ［ 2022-05-05 ］. https：//arxiv.org/abs/1506.00327 https://arxiv.org/abs/1506.00327 .

陈军锋，王雪，张效天 . 非侵入式负荷识别边缘计算颜色编码研究［J］. 仪器仪表学报， 2020 ， 41 （ 9 ）： 12 - 19 .

CHEN Junfeng ， WANG Xue ， ZHANG Xiaotian . Non-intrusive load recognition using color encoding in edge computing ［J］. Chinese Journal of Scientific Instrument ， 2020 ， 41 （ 9 ）： 12 - 19 .

张玉天，邓春宇，刘沅昆，等 . 基于卷积神经网络的非侵入负荷辨识算法［J］. 电网技术， 2020 ， 44 （ 6 ）： 2038 - 2044 .

ZHANG Yutian ， DENG Chunyu ， LIU Yuankun ， et al . Non-intrusive load identification algorithm based on convolution neural network ［J］. Power System Technology ， 2020 ， 44 （ 6 ）： 2038 - 2044 .

XIE S N ， GIRSHICK R ， DOLLÁR P ， et al . Aggregated residual transformations for deep neural networks ［C］// 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， July 21-26 ， 2017 ， Honolulu， USA ： 5987 - 5995 .

LIU Y Y ， ZHONG L ， QIU J ， et al . Unsupervised domain adaptation for nonintrusive load monitoring via adversarial and joint adaptation network ［J］. IEEE Transactions on Industrial Informatics ， 2022 ， 18 （ 1 ）： 266 - 277 .

解洋，梅飞，郑建勇，等 . 基于 V - I 轨迹颜色编码的非侵入式负荷识别方法［J］. 电力系统自动化， 2022 ， 46 （ 4 ）： 93 - 102 .

XIE Yang ， MEI Fei ， ZHENG Jianyong ， et al . Non-intrusive load identification method based on V - I trajectory color coding ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 4 ）： 93 - 102 .

杨建平，向月，刘俊勇 . 面向配电网投资决策的小样本关联规则自适应迁移学习方法［J］. 中国电机工程学报， 2022 ， 42 （ 16 ）： 5823 - 5834 .

YANG Jianping ， XIANG Yue ， LIU Junyong . Adaptive transfer learning of small sample correlation rules for distribution network investment decision ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 16 ）： 5823 - 5834 .

MAKONIN S ， POPOWICH F ， BARTRAM L ， et al . AMPds： a public dataset for load disaggregation and eco-feedback research ［C］// 2013 IEEE Electrical Power & Energy Conference ， August 21-23 ， 2013 ， Halifax， Canada ： 1 - 6 .

KELLY J ， KNOTTENBELT W . The UK-DALE dataset， domestic appliance-level electricity demand and whole-house demand from five UK homes ［J］. Scientific Data ， 2015 ， 2 ： 150007 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于迁移学习和自编码器的极端天气自适应短期风电功率预测