基于迁移学习的非侵入式负荷识别

文章摘要与概述

本文提出了一种基于电压电流( V-I )轨迹的迁移学习方法。与现有方法不同的是，该方法通过在视觉识别数据集上预先训练的深度学习模型来训练 NILM 分类器，连接不同领域之间的知识。通过颜色编码将 V-I 轨迹转化为视觉表示，不仅增强了负载特征的唯一性，而且实现了迁移学习的 NILM 实现。

目前没有针对 NILM 的预先训练模型被提出，但有很多图像识别模型，例如 AlexNet、VGG-16、googlet 和 ResNet-50 等。这些模型是基于数百万张图像精心训练的，我们可以将这些模型迁移到 NILM 中。

迁移学习的一个前提是源领域和目标域在特征、模型或实例的形式上是相关的。两个不相关或弱相关领域之间的知识转移会导致绩效不佳，这被称为“负迁移”。

传递性迁移学习: 通过一个或多个中间域来连接两个看似不相关的领域

V-I 轨迹，有潜力作为计算机视觉和 NILM 之间的中间领域。主要原因是 V-I 轨迹可以转换为视觉表征，然后用于器具识别。

文章思路

先把 V-I 轨迹转化为 HSV 颜色空间的视觉表示，然后对预训练卷积神经网络进行微调，使用 AlexNet 卷积神经网络对 V-I 轨迹彩色图像进行分类。

本节介绍如何获取、预处理并将 V-I 轨迹映射到一个矩阵中，然后将该矩阵编码为 HSV 颜色空间中的彩色图像像素

文章内容

事件探测与特征提取

负载切换瞬间前后的稳态电压、电流波形进行分段，分别表示为 $V_{off}、V_{on}、i_{off}、i_{on}$，取其相位角为零的采样点作为初始采样点。单个器具的电压和电流可以分别表示为 $V = (V_{off} + V_{on})/2$ 和 $i = i_{off} - i_{on}$。

V-I 轨迹可以看作是一个增量形式的负载特征，它利用了两个连续快照之间的差值，满足特征加性准则 什么意思？

V-I 轨迹预处理

文章通过 Fryze 功率理论对 V-I 轨迹进行预处理，Fryze 将负载电流 $i(t)$ 分为有功和无功分量: $i(t) = i_a(t) + i_f(t)$

$i_a(t)和 i_f(t)$ 分别代表有功电流和无功电流

Fryze 功率理论将负载电流分解为代表电阻和非电阻信息的有功分量和无功分量，增强了 V-I 轨迹的唯一性。

二进制轨迹映射

看到第三部分，发现二值化映射算法与前面文献有点差异。

二值化映射可以把轨迹转移到矩阵，如果矩阵的元素与轨迹相交，它们将被分配一个与未相交元素的值相反的真值。

1. 获取电器负载的电压和电流波形

2. 获取电流电压的最大绝对值，作为规范化标准

3. 将电流和电压进行均匀划分，∆i=imax/N, ∆v=vmax/N，求解出每个单元格的长度和宽度，可以得出一个 2N * 2N 的矩阵。

4. 对原始轨迹进行插值，保证二值化映射后曲线的连续性。

5. 绘制插值轨迹点到 2N*2N 网络单元

颜色编码

二值图像只能传递轨迹的形状信息，不足以对电负荷进行细粒度分类。因此文章利用 HSV (Hue, Saturation, Value)颜色空间将 V-I 轨迹编码成彩色图像。

HSV 不同于 RGB (Red, Green, Blue)颜色空间，HSV 是 RGB 的非线性变换，旨在配合人类视觉感知色彩属性的方式。HSV 颜色空间可以被建模为一个倒锥。每种色调的颜色分布在放射状的切片中，从红色到黄色、绿色、青色、蓝色、品红，最后回到红色。饱和度被定义为色彩与亮度的比值，随着距离圆形截面中心的距离的增加而增加。值维数表示亮度，用圆心到圆锥形顶点的距离来描述。

H

为了捕捉 V-I 轨迹的核心特征，hue 来表示 V-I 轨迹方向，其值定义为:

arg 代表 arctan 函数，可以求出 0-360 角度，然后把角度转化成坐标，绘制到 2N*2N 网格上(转换公式没看懂)——见下图 a

S

文献使用 Fryze 功率理论将负载电流分为有功和无功分量，只有有功分量可用于绘制 V-I 轨迹，这导致了有功分量和无功分量组件之间信息的丢失，因此文章使用 saturation 来表示有功功率和非有功功率的比率(功率因数)——具体见下图 b

K 代表采样点个数，Papparent 代表总视在功率，Vrms/Irms 代表电流和电压的有效值。

V

HSV 中的另一个颜色属性 V 用于表示 V-I 轨迹的可重复性，使用 M 个电流和电压的周期波形生成的二值图像 Wm，V 计算如下(威慑这么计算，没搞懂)——见下图 c

链接

为了创建人类可感知的图像，矩阵 H S V 沿第三维联机玩，色调饱和度值转换为等效的红-绿-蓝，最终绘制图见下图 d

AlexNet

1. 从预先训练的 AlexNet 中提取除最后一个完全连接的层以外的所有层。

2. 将最后一个全连接层替换为一个新的全连接层，将这些层转移到一个新的设备分类任务

3. 输入彩色编码的 V-I 轨迹图像。图像大小应调整为与 AlexNet 的输入神经元相同。

4. 输出各类电负荷。新的全连接层被配置为具有相同的大小的电力负荷类别。

5. 训练新的网络，直到达到停止标准。将初始学习速率设置为较小值，以降低迁移层的学习速度。同时，提高新的全连接层的学习速度。

优点

1. 提高 NILM 的可扩展性: 在视觉识别数据集上预训练的深度学习模型用于设备识别。

2. 避免“负迁移”现象: 使用颜色编码的 V-I 轨迹作为计算机视觉和 NILM 之间的中间域。

3. 利用 HSV 颜色空间进行颜色编码，既增强了任务的相关性，又保证了负载特征的唯一性。

个人介绍

我是爱做白日梦的小小研究生，被人工智能快乐的小姑娘，希望有大佬可以给我论文。另外我还是个前端小菜鸡，希望能和大家一起学习呀。