本发明属于电力负荷识别技术领域，具体涉及一种用于负荷电流信号识别的一维卷积神经网络构建方法。
背景技术：
非侵入式负荷监测方式是依靠一种安装、维护方便，且高效率的监测工具，将总的用电数据反馈给数据处理中心，并实时传送给电网，使电网可以获得住宅用户的电能配置和消耗，从而制定出更合理的输配电方案。随着生活的多样性需求和电器种类的多样性发展，非侵入式负荷监测的研究也在不断深入和扩展。
传统的侵入式负荷监测方法，在每个负荷处装设硬件传感器，通过载波传输将采集到的用电信息送至处理中心。这种方法优点是计量较为准确，缺点是当被监测系统内的用电设备数量较多时，传统的负荷检测方式不仅成本高，并且在传感器装置的安装和系统维护方面也很不方便。非侵入式负荷检测不需要安装传感器在每一个监测负荷处，而是在进户总干线上提取所有电器消耗的用电数据，尽量小的影响到被监测设备，提取相应用电信息。而目前的监测设施中对电力负荷监测不具备储存和自学功能，为非入侵式电力负荷监测带来困难。
技术实现要素：
本发明为了解决上述技术问题，本发明解决了对非入侵式电力负荷的监测困难，自学功能差的问题，实现智能化技术效果。
具体而言本发明提供了一种用于负荷电流信号识别的一种用于负荷电流信号识别的一维卷积神经网络构建方法，其特征在于，所述神经网络构建方法包括以下步骤：
步骤s1：采集用户负荷数据作为训练集和测试集；
步骤s2：搭建一维卷积神经网络模型；
步骤s3：通过训练集训练搭建好的一维卷积神经网络辨识模型；
步骤s4：将测试集输入经过训练的一维卷积神经网络中进行识别，获得负荷识别结果。
更进一步地，在步骤s1中，所述用户负荷数据是多种单个负荷电流数据，当前时刻电流与上一时刻的电流信号和新投入的所述单个负荷电流可表示为：
其中，i(t)是当前时刻电流，i′(t)为上一时刻的电流，im(t)为新投入运行的单个负荷电流，n(t)为噪声，m表示用户家中用电器个数。
更进一步地，步骤s1中，所述用户负荷数据按2：1的比例分为所述训练集和所述测试集。
更进一步地，步骤s2中，所述一维卷积神经网络中序列数据经一维卷积运算映射为卷积层，生成的特征图为：
f(z)＝max(z，0)
式中：x表示输入的序列数据，*表示一维卷积运算，
更进一步地，步骤s2中，所述生成的特征图进行最大值抽样，所述最大值抽样模型可表示为：
其中，
更进一步地，步骤s2中，所述一维卷积神经网络中最后一次采用池化运算时，采用全局最大池化，捕获最有用全局时序信息，所述特征图长度缩减为1；全局最大池化模型可表示为：
式中：
更进一步地，步骤s2中，所述一维卷积神经网络中全连接层分类结果输出可表示为：
其中，wfc为全连接层的权值矩阵，afc是全连接层时序特征序列，激活函数fσ(z)为sigmoid函数，z是全连接层的输出序列，z取值范围是(-∞， ∞)；最终输出分类结果
本发明的有益效果是：
本发明相对于传统机器学习，一维卷积神经网络通过降低算法复杂度，负荷辨识效率得到提高；利用卷积核作为观察窗在信号上滑动保证了信号的时变性和频带的相关性。通过卷积核自动的提取时序特征，提高了负荷识别的准确率。
附图说明
图1是本发明实施例提供的一种用于负荷电流信号识别的一维卷积神经网络构建方法的流程示意图；
图2是本发明实施例提供的一种用于负荷电流信号识别的一维卷积神经网络构建方法中一维卷积神经网络非侵入式负荷辨识模型的示意图。
具体实施方式
下面通过实施例，并结合附图1-2，对本发明的技术方案作进一步具体的说明。
如附图1所示，本申请的实施例提供了一种用于负荷电流信号识别的一维卷积神经网络构建方法，包括以下步骤：
步骤s1：采集用户负荷数据作为训练集和测试集；
步骤s2：搭建一维卷积神经网络模型；
步骤s3：通过训练集训练搭建好的一维卷积神经网络辨识模型；
步骤s4：将测试集输入经过训练的一维卷积神经网络中进行识别，获得负荷识别结果。
在步骤s1中，在用户电表上安装传感器采集用户电压、电流、功率信息。然后利用负荷分解算法对采集得到的混合数据进行分解，得到单个负荷数据并进行存储，将各个负荷数据作为训练集和测试集。
具体的，根据用户实际中对负荷的操作习惯，同一时间绝对同步地开启或关闭两种负荷的可能性非常小，必然存在大小不一的时间差，即负荷投切是顺序进行的。因此，当前时刻电流与上一时刻的电流信号和新投入的单个负荷电流可表示为：
其中，i(t)是当前时刻电流，i′(t)为上一时刻的电流，im(t)为新投入运行的单个负荷电流，n(t)为噪声，m表示用户家中用电器个数。
通过求解上述所示的欠定方程，在每一输出时间间隔分离出两路信号，一路为当前新投入运行的负荷电流信号，另一路为上一时刻的混合电流信号，对得到新投入的负荷数据im(t)进行存储，作为单个负荷数据。将单个负荷数据构建负荷数据库，并对负荷数据进行事件检测、负荷分解、负荷分簇和利用生活习惯等先验数据对负荷进行识别，并将每种负荷数据进行存储，建立负荷数据库。用户的所有信号单个负荷数据构成该用户的专属负荷数据库。同时，负荷数据库实时根据用户新增的电器更新数据库。虽然采样保证了负荷特征数据库的实时更新，但是在现实生活中，一旦完成了负荷数据库的建立，在短时间内就很少有新的负荷加入。因此，负荷数据库将每天定时更新，而这一过程将不会在其他时间执行以节省时间。
将负荷数据库中的负荷数据按2：1的比例分为训练集和测试集；其中，训练集中包含负荷种类信息，测试集中不包含负荷种类信息。
在步骤2中，对进行负荷辨识的一维卷积神经网络模型进行搭建。
一维卷积神经网络中的输入是一维向量,所以网络内部的卷积核、特征图也都是一维的。序列数据经一维卷积运算映射为卷积层，生成的特征图为：
f(z)＝max(z，0)
式中：x表示输入的序列数据，*表示一维卷积运算，
池化层仅需要在上一层的一维特征图上进行均值抽样或者最大值抽样。池化运算可将序列长度减半，最大池化模型可表示为：
其中，
当最后一次采用池化运算时，采用全局最大池化，捕获最有用全局时序信息，特征图长度缩减为1。全局最大池化模型可表示为：
其中，
全连接层对上一层进行拼接时不再需要将特征图重置成一维向量，因为在一维网络结构中，所有特征图都是一维结构，直接前后连接即可.全连接层对全局时序特征进一步组合可表示为：
afc＝f(ap,lastwfc b)
其中，wfc为全连接层的权值矩阵，afc是全连接层时序特征序列。激活函数f(z)同样为relu。对于二分类问题，输出单元数为1，经过全连接层分类结果输出可表示为：
激活函数fσ(z)为sigmoid函数，
在步骤s3中，将步骤s1中得到的训练集数据输入搭建好的神经网络中进行训练，通过损失函数不断迭代调整神经网络模型的参数，直至准确率大于设定阈值。根据输出较高的识别准确率，得到比较完善的一维卷积神经网络负荷辨识模型。
在步骤s4中，将步骤s1中得到的测试集数据输入经过训练的一维卷积神经网络中进行识别，最终获得负荷识别结果。
虽然本发明已经以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。
1.一种用于负荷电流信号识别的一维卷积神经网络构建方法，其特征在于，所述神经网络构建方法包括以下步骤：
步骤s1：采集用户负荷数据作为训练集和测试集；
步骤s2：搭建一维卷积神经网络模型；
步骤s3：通过训练集训练搭建好的一维卷积神经网络辨识模型；
步骤s4：将测试集输入经过训练的一维卷积神经网络中进行识别，获得负荷识别结果。
2.根据权利要求1所述神经网络构建方法，其特征在于，在步骤s1中，所述用户负荷数据是多种单个负荷电流数据，当前时刻电流与上一时刻的电流信号和新投入的所述单个负荷电流可表示为：
其中，i(t)是当前时刻电流，i′(t)为上一时刻的电流，im(t)为新投入运行的单个负荷电流，n(t)为噪声，m表示用户家中用电器个数。
3.根据权利要求1所述神经网络构建方法，其特征在于，步骤s1中，所述用户负荷数据按2∶1的比例分为所述训练集和所述测试集。
4.根据权利要求1所述神经网络构建方法，其特征在于，步骤s2中，所述一维卷积神经网络中序列数据经一维卷积运算映射为卷积层，生成的特征图为：
f(z)＝max(z，0)
式中：x表示输入的序列数据，*表示一维卷积运算，
5.根据权利要求4所述神经网络构建方法，其特征在于，步骤s2中，所述生成的特征图进行最大值抽样，所述最大值抽样模型可表示为：
其中，
6.根据权利要求5所述神经网络构建方法，其特征在于，步骤s2中，所述一维卷积神经网络中最后一次采用池化运算时，采用全局最大池化，捕获最有用全局时序信息，所述特征图长度缩减为1；全局最大池化模型可表示为：
式中：
7.根据权利要求6所述神经网络构建方法，其特征在于，步骤s2中，所述一维卷积神经网络中全连接层分类结果输出可表示为：
其中，wfc为全连接层的权值矩阵，afc是全连接层时序特征序列，激活函数fσ(z)为sigmoid函数，z是全连接层的输出序列，z取值范围是(-∞， ∞)；最终输出分类结果
