(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210310477.4 (22)申请日 2022.03.28 (71)申请人 华北电力大 学 地址 102206 北京市昌平区北农路2号 (72)发明人 齐林海　张杰　王红　 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/74(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于负荷照影和负荷搜索的负荷识别方法 (57)摘要 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。 该方法利 用负荷照影技术， 将负荷数据转换为负荷图像， 增加了负荷数据处理模型的可解释性； 通过使用 改进VGG16网络来进行图像特征提取， 利用局部 敏感哈希函数进行图像相似度匹配， 实现了负荷 图像搜索， 完成了负荷图像标签数据集的扩充； 利用有标签数据进行残差网络训练， 得到了一个 负荷分类识别模 型。 使用该方法避免了传统负荷 识别中使用聚类方法精确度差， 实用价值低， 以 及利用无监督方法识别标签数据短缺， 模型可解 释性差的问题。 权利要求书1页 说明书3页 附图3页 CN 114782703 A 2022.07.22 CN 114782703 A 1.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， 使用一个能准确对负荷图像进行搜索的基于改进VGG16网络的图像搜 索模型， 并使用相似度阈值σ 和局部敏感哈希算法进 行图像相似度匹配， 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分类 器， 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： 将所有负荷图像传入基于改进VGG16网络的图像搜索模型， 获得负荷图像的特 征数据库； 步骤3： 根据规则选择X张负荷图像， 经过基于改进VGG16网络的图像搜索模型提取特 征， 根据给定相似度阈值σ和局部敏感哈希算法， 比较图像特征相 似度， 搜索出X类图像， 认 定为搜索结果， 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， 对分类器进行训练， 得到一个年负荷数据 残差网络分类 器。 2.根据权利要求1所述的基于负荷照影和负荷搜索的负荷识别方法， 其特征在于， 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。 3.根据权利要求1所述的基于负荷照影和负荷搜索的负荷识别方法， 其特征在于， 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。 4.根据权利要求1所述的基于负荷照影和负荷搜索的负荷识别方法， 其特征在于， 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。 5.根据权利要求1所述的基于负荷照影和负荷搜索的负荷识别方法， 其特征在于， 使用 残差网络 分类器进 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。权　利　要　求　书 1/1 页 2 CN 114782703 A 2基于负荷照影和负荷搜索的负荷识别方 法 技术领域 [0001]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 [0002]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。 [0003]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。 [0004]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。 [0005]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 [0006]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。说　明　书 1/3 页 3 CN 114782703 A 3