随着智能电网的快速发展及负荷种类的增多，电能的消耗随之增加[1]，采用非侵入式负荷监测(NILM)技术[2]可对用户产生的总能耗数据监测与分解，能够协助电网更好地调度电力资源，并帮助用户改善用电习惯．在NILM的研究中，不同学者使用负荷印记(load signature)[3]，如负荷功率、电流波形、电流谐波、电压-电流轨迹(V-I轨迹)[4]、瞬时功率波形(IPW)和电压噪声等来辨识不同种类的负荷．其中，V-I轨迹将负荷信息转换为视觉表达，使得V-I轨迹成为了NILM技术和计算机视觉之间的桥梁[5-6]．文献[7]将负荷的V-I轨迹映射成二值图像，然后重新排列成一个输入向量，并使用随机森林分类器来分类不同的负荷．文献[8]将V-I轨迹转换为加权像素图像，并将其作为二维卷积神经网络的输入进行负荷识别．文献[9]提出一种用自适应加权递归图方法，将自适应加权递归图模块与传统的深度神经网络相结合来提高分类效果．文献[10]使用粒子群优化算法来重构V-I轨迹图像，然后利用卷积神经网络模型对重构的V-I轨迹图像进行分类，改善了相似电器易混淆的问题．然而，针对主要由电阻元件组成的线性负荷，上述方法使用的V-I轨迹图像表现出相似的特征，差异性不明显．针对功率因数较大的负荷的V-I轨迹接近一条直线、难以区分的问题，文献[11]提出无功电流(If)的提取方法，可以生成类间差异性较大的电压-无功电流轨迹(V-If轨迹)．在文献[11]基础上，文献[12]提出一种基于颜色编码的V-If轨迹可视化图像负荷识别的方法，其效果比使用V-I轨迹图像优异．而针对轨迹可视化图像中存在大量空白区域的问题，文献[13]提出融合三种负荷印记生成可视化图像，减少了可视化图像的空白无效信息，然后使用二维卷积神经网络(2D-CNN)来实现负荷辨识，提升了识别准确率．但是文献[13]采用的三种负荷印记之间冗余较大，且V-I轨迹和V-If轨迹没有直接反映出负荷的功率信息[14]，无法有效地区分V-I轨迹或V-If轨迹相似但功率信息存在区别的负荷[15]．针对上述文献选取的负荷印记组合之间冗余度大及V-If轨迹无法直接反映负荷功率信息的不足，本研究采用一种融合功率信息的多维数据图像化方法进行负荷识别．首先，提取负荷的电流波形、瞬时功率波形和V-If轨迹信息这三个维度的负荷印记并转换成灰度图像，再分别加载到一张RGB(红绿蓝)图像的三个通道上，生成带有功率信息的真彩色图像，该真彩色图像每个像素点都铺满信息且尺寸较小；然后，通过2D-CNN提取真彩色图像的特征来进行负荷识别，在公共数据集PLAID[16]和WHITED[17]上的准确率与已有负荷识别算法相比有所提升；最后，设计了一个简化的网络结构，在计算量和参数量都降低的情况下，本方法在两个数据集上识别准确率均高于已有的负荷识别方法，证明本多维数据图像化方法提升了图像的信息密度，使得实现负荷识别所需的网络规模显著降低．1 基于数据图像化的负荷识别方法本研究提出的负荷识别流程如图1所示，主要包括数据采集与预处理、多维数据图像化和网络模型的训练与测试这三个环节．10.13245/j.hust.229052.F001图1负荷识别流程首先，通过高频采集卡同步采集负荷稳定运行时的电流电压数据，再将采集到的数据进行平均值滤波．由于同步采集了电压与电流信号，因此以电压的上升过零点处为起点，截取一个周期的采样点，得到负荷一个周期的稳态电流电压信号．根据得到的一个周期的电流电压数据，计算该负荷的瞬时功率波形和无功电流波形，并用电压作为横坐标，无功电流作为纵坐标，绘制负荷的V-If轨迹，从而得到负荷的电流波形、瞬时功率波形和V-If轨迹．然后，对于上述获得的单个周期的采样电流波形和瞬时功率波形进行归一化处理，将数值映射到[0，1]内再乘以255，分别放在M×N大小的矩阵中，以此获得的两个灰度值矩阵分别作为RGB图像的R通道和G通道的数据．接着将V-If轨迹图像转换为黑白二值图像矩阵作为B通道的数据，融合三个通道的数据生成一张带有功率信息的真彩色图像．最后，将数据集中所有样本经过数据图像化，按照7︰3的比例划分为训练集和测试集，使用训练集去训练二维卷积神经网络，调整权重与偏置参数，直到网络模型收敛．将未经训练的测试集输入到训练好的网络模型中，得到负荷识别的结果．2 多维数据图像化2.1　提取负荷印记电流波形、瞬时功率波形及V-I轨迹是较常用的负荷印记[18]．针对V-I轨迹对功率因数大的负荷表现出识别率不高的问题，本研究采用V-If轨迹[11]来提升对该类负荷的识别性能．最终，选取电流波形、瞬时功率波形及V-If轨迹进行融合，融合的目的在于：当不同负荷之间的某种类型负荷印记相似时，网络模型可以利用其他类型的负荷印记差异进行区分．2.2　融合功率信息的多维负荷印记图像选取两个在非侵入式负荷识别任务中被广泛使用的高频采样数据集，即PLAID和WHITED，用于验证本研究提出的融合功率信息的负荷数据图像化方法．将一个周期的采样点按顺序排列成大小为M行N列的二维矩阵，根据负荷一个周期的采样点个数不同，选取合适的M和N的数值．如PLAID数据集中的数据采样率为30 kHz，其交流电频率为60 Hz，可计算出一个周期的数据为500个采样点，本研究将该数据集的样本以M=20，N=25构成一个大小为20×25的灰度值矩阵．以笔记本电脑为例，其电流波形、瞬时功率波形及V-If轨迹三种负荷印记的时域波形及其对应的灰度化图像如图2所示．图2(c)中的Qv和QIf分别为电压值和无功电流值量化映射至0～255之间的数值，无单位．10.13245/j.hust.229052.F002图2笔记本电脑的负荷印记及对应灰度图将图2(d)、2(e)和2(f)灰度图分别作为一张RBG图像三通道的输入，形成一张负荷数据真彩色图像．图3为本研究方法生成的真彩色图像与文献[13]的对比．10.13245/j.hust.229052.F003图3多维负荷印记图像化对比由图3虚线所指示的区域可以看出：融合了IPW信息的多维数据真彩色图像增加了比较明显的局部条纹信息，相比文献[13]的数据化图像，纹理更清晰、对比度更强．将PLAID和WHITED的所有样本经过上述方法处理后，形成负荷的真彩色图像数据集．3 简化的网络结构本研究使用的二维卷积神经网络结构及参数如图4所示，由三种基本层构成，分别为卷积层、池化层和全连接层．不同层之间神经元相互连接，输入的真彩色图像按照网络结构，首先，经历一个具有8个大小为3×3卷积核的卷积层后通过池化层降采样；然后，通过一个具有16个大小为3×3卷积核的卷积层及池化层；最后，通过两层全连接层输出识别结果．图4中N为卷积神经网络进行分类的负荷类别数目．本研究的网络结构参数与文献[13]中相比，减少了两个卷积层中卷积核的个数，降低了计算量和网络参数量，而识别准确率仍然维持较高水平．将2.2节生成的真彩色图像数据集按照7︰3的比例随机划分为训练集和测试集，将训练集样本10.13245/j.hust.229052.F004图4简化的网络结构输入到本节所设计的简化网络中进行训练．该网络的权重参数初始化为均值为0、标准差为1的正态分布的随机值，偏置参数初始化为0．网络反向传播交叉熵损失函数计算的损失值，并添加了L2正则化函数防止网络过拟合．使用Adam-Optimizer优化器来更新网络权重和偏置参数，批量大小设置为64，迭代次数设置为1×104，初始学习率为0.01，学习率按照一定步长更新为原本学习率的1/2．通过网络的迭代，参数不断更新，使损失函数的值逐渐下降直至稳定并收敛，从而完成网络模型构建．4 实验结果与分析4.1　不同图像化方法结果对比根据第1节的流程，使用2.2节中的两个数据集，分别采用文献[13]中的网络结构和第3节简化的网络结构对其学习训练，最终负荷识别的结果如表1所示，表1还对比了文献[7-9，12，15]的负荷识别准确率．相比于文献[13]，当使用相同的网络结构及同样的数据集时，本研究提出的融合功率信息的负荷数据图像化方法所呈现出的准确率要更高，在PLAID数据集上准确率浮动在98.47%上下，最高可达98.78%，损失值收敛至0.107．这说明在负荷印记的选取与组合中，本方法能够让真彩色图像表现出负荷本身的不同维度的信息，以此来更好地分辨不同种类的负荷．在使用本研究多维数据图像化方法后，通过分析在训练好的网络上使用PLAID数据集的负荷识别结果可知：尽管该数据集的类内差异较大，但是本研究方法让数据的三种负荷印记相结合，在多种信息融合后用卷积神经网络提取同种负荷的共有特征，使得类内差异较大的同类负荷识别没有产生很大的混淆．在WHITED数据集上同样表现出优异的负荷识别结果，数据集准确率稳定在99.00%上下，最高达到99.50%．10.13245/j.hust.229052.T001表1数据图像化方法对比方法负荷印记训练模型数据集图像大小参数量/106计算量/106识别率/%文献[7]二值V-I图像随机森林PLAID25×25——81.75文献[8]加权灰度V-I图像2DCNNPLAIDWHITED25×2521.18063.49077.6075.46文献[9]自适应加权递归图2DCNNPLAID20×250.6673.22997.77文献[12]颜色编码的V-I图像AlexNetPLAIDWHITED25×2560.000720.00095.4098.66文献[13]真彩可视化图像2DCNNPLAIDWHITED20×250.0670.1110.9051.58196.6399.05文献[15]V-I轨迹颜色编码K-means+ AlexNetPLAIDWHITED227×227——94.00本研究融合功率信息的负荷真彩色图像2DCNNPLAIDWHITED20×2521×420.0670.1110.9051.58198.7899.50本研究简化的2DCNNPLAIDWHITED20×2521×420.0320.0530.3150.54797.8599.254.2　不同网络规模的结果与性能分析进一步分析不同网络规模对性能的影响，通过表1最后两行的结果可知：在减小了两层卷积层的卷积核个数后，在PLAID数据集上达到了97.85%的识别准确率，这个结果也高于文献[13]使用未简化网络的96.63%的识别准确率，表明本研究的多维数据图像化方法更加有效．当描述一个深度学习框架的性能时，除了精确度之外，通常用向前传播的计算量和参数个数来描述框架的复杂度，前者描述了该模型所需的计算力，后者则表明了所需内存大小．将两层卷积层的卷积核数目各减少1/2后，网络模型的参数量和计算量分别只占文献[13]网络模型的47.80%和34.80%．在网络规模减小后，使用本研究的多维数据图像化方法在相同数据集上的准确率仍然保持较高水平．从表1还可看出：本研究的真彩色图像尺寸相较于已有可视化方法产生的图像有所减小，而且本研究的网络规模较小，网络的参数量和计算量都远小于文献[8-9，12]的网络模型(文献[7，15]没有给出对应的网络规模描述)，使得本研究的负荷识别方法体现出高效性、实时性和可移植性，具备了在非侵入式负荷监测设备上实现在线快速负荷识别的可能[19]．4.3　数据选取分析文献[12]提出将负荷相位角度、功率因数和数据周期重复性分别对应颜色模型的色调、饱和度和亮度分量，对V-I轨迹进行颜色编码形成RGB图像，将负荷信息转换成视觉表示；文献[13]提出将负荷稳定运行一个周期的无功电流、电压和V-If轨迹分别对应RGB图像的三个通道，生成数据可视化图像进行辨识．这两种方法所融合的特征数据是经验选取的，缺少一定的对比分析，而本节将展示融合不同数据时的实验结果，使用消融实验来验证在网络模型中分别使用不同的负荷印记组合是否有助于提升识别准确率，以证明本研究提出的多维数据图像化方法的有效性．部分融合实验结果如表2所示．从表2可以看出：首先，使用V-If轨迹比使用V-I轨迹在实现负荷识别时提升了识别准确率，与文献[11-12]的结果相同，所以B通道选择为V-If轨迹；然后，因为B通道已经融合了无功电流形成的V-If轨迹，R通道上使用电流比无功电流会带来信息冗余度减小，对识别准确率的提升有一定作用，所以考虑选择电流波形作为R通道的负荷印记，实验结果也表明使用电流波形确实能提升识别准确率；最后，选择性能最优的电流波形、瞬时功率波形和V-If轨迹三种负荷印记的组合作为本研究的多维数据图像化数据融合对象．10.13245/j.hust.229052.T002表2选取不同负荷印记的准确率方法负荷真彩色图像准确率/%R通道G通道B通道文献[13]If(t)V(t)V-If轨迹96.63I(t)V(t)V-I轨迹95.20I(t)V(t)V-If轨迹97.72本研究I(t)IPWV-I轨迹95.91If(t)IPWV-If轨迹96.94I(t)IPWV-If轨迹98.784.4　特征可视化分析为了清晰展示本研究的网络模型对负荷特征的学习能力，对负荷识别网络模型进行可视化．图5为使用加权梯度类激活映射(Grad-CAM)[20]方法在样本特征上的可视化结果，图中明亮的区域对应网络模型的权重，颜色越深表示该区域在分类时所占权重越大．10.13245/j.hust.229052.F005图5Grad-CAM在特征图上的可视化结果从图5可看出：对V-If轨迹在类内相似度很大的负荷，如微波炉、吹风机和笔记本电脑等，当识别这些种类的负荷样本时，网络模型的Grad-CAM图的热点可正确地聚焦在V-If轨迹上；对如空调和冰箱等存在多种工作状态的负荷类型，其V-If轨迹在类内差异较大，其Grad-CAM图的热点则聚集在能够更好分辨负荷的IPW和电流的条纹之上．可视化分析结果表明：网络模型在多维数据真彩图像中更容易找到最具有辨识力的区域，进而验证了本研究的有效性．5 结语本研究提出一种多维数据图像化方法，将负荷的电流波形、瞬时功率波形和V-If轨迹融合在一张真彩色图像上，使得图像中包含多种维度的负荷特征，提升了图像的信息密度，通过不同负荷印记组合的消融实验、特征可视化分析及网络规模对性能影响的分析验证了本方法的有效性．在PLAID和WHITED数据集上的辨识准确率分别达到了98.78%和99.50%，在网络规模减小、计算量和参数量都降低的情况下，该方法仍然能够高效地完成负荷识别任务．