本发明涉及非侵入式负荷监测领域，特别是一种实用的负荷监测模型压缩部署方法及系统。
背景技术：
1、负荷监测在能源管理中扮演着至关重要的角色。近年来，负荷监测的研究重心逐渐从基于人工智能方法的性能提升，转向了基于优化方法的实际应用。然而，将理论研究转化为实际部署并非易事，因为实际部署必须考虑到诸多现实问题。首当其冲的是负荷监测模型的参数量和计算量问题。过多的参数和复杂的计算量会给系统部署带来巨大负担，因此，对系统的要求也更高。其次，负荷监测模型的性能必须足够优秀，因为一旦部署，监测模型将长时间运行且更新频率较低，应确保其具备最佳性能。最后，部署的监测模型需在模型参数量、计算量和精度之间取得平衡，避免因参数和计算的减少而导致精度急剧下降。因此，负荷监测的实际部署成为一个至关重要的问题，需要在维持模型性能的同时，尽可能减少参数和计算量。
2、为解决这一难题，许多学者探索了多种模型轻量化方法。其中，基于模型剪枝、模型压缩、知识蒸馏等高效轻量方法备受关注。80-20法则指出，一个模型中20％的参数量往往贡献了80％的精度，因此，模型轻量化是合理且有效的途径。模型剪枝试图去除模型中不重要的参数，评价参数重要性的方法包括注意力机制、贝叶斯推理、遗传算法、矩阵的秩、信息熵与信息增益等。而模型压缩则侧重于压缩模型的结构，通过减少特征图、卷积核或卷积层来直接减少参数量和计算量。这些方法通常基于预训练模型展开，而知识蒸馏则直接将原始模型的知识传递给轻量化后的模型，包括分类标签、特征图或两者的组合。在负荷监测领域，本发明专注于模型压缩方法，试图在预训练模型的基础上实现模型的压缩，以应对负荷监测实际部署中的挑战。
技术实现思路
1、鉴于现有的负荷监测模型在实际部署中存在的问题，提出了本发明。
2、因此，本发明所要解决的问题在于如何有效地压缩负荷监测模型，以减少参数量和计算量，同时保持模型的性能和精度。
3、为解决上述技术问题，本发明提供如下技术方案：
4、第一方面，本发明实施例提供了一种实用的负荷监测模型压缩部署方法，其包括，根据用电器运行情况，提取用电器稳态运行时的电压信号和电流信号，并判断用电器是否处于稳态运行状态；根据电压信号和电流信号，构建彩色v-i轨迹图；基于彩色v-i轨迹图，构建和训练基本负荷识别模型，同时进行压缩；根据公开数据集对压缩后的基本负荷识别模型进行验证。
5、作为本发明所述实用的负荷监测模型压缩部署方法的一种优选方案，其中：所述构建彩色v-i轨迹图包括以下步骤：根据提取的电压与电流信号，求取电压和电流信号的最大值；所述最大值的相关公式如下：
6、imax＝max(abs(i))
7、umax＝max(abs(u))
8、其中，imax为电流信号最大值，umax为电压信号最大值，i为电流信号的瞬时值构成的向量，即i＝{i|i1,i2,...,ip}，u为电压信号的瞬时值构成的向量，即u＝{u|u1,u2,...,up}，abs(x)表示取x的绝对值，max(x)表示取序列x的最大值。
9、根据构图像素大小，将图片划分为间隔大小相等的单元格，每个单元格的长度和宽度的相关公式如下：
10、
11、其中，δi为每个单元格的长度，δu为每个单元格的宽度，l为图片长度像素数目，w为图片宽度像素数目，imax为电流信号最大值，umax为电压信号最大值。
12、将彩色v-i轨迹映射到彩色v-i轨迹图中，对电压ut和电流ut的瞬时值的像素点位置和图像处理的相关公式如下：
13、
14、p(lt,wt)＝1
15、其中，lt为时刻t的电流对应的纵坐标，ceil(·)为取整函数，wt为时刻t的电压对应的纵坐标，p(lt,wt)为图像中(lt,wt)位置的像素。
16、同时将像素点着色，构建色调h、饱和度s和明度v色彩模型。
17、作为本发明所述实用的负荷监测模型压缩部署方法的一种优选方案，其中：所述着色包括红色r、绿色g和蓝色b三种颜色，h为色调，即颜色类型，0°为红色，120°为绿色，240°为蓝色，s为饱和度，即颜色的鲜艳程度，0％为无色彩，100％为最饱和；v为明度，即颜色的亮度，0％为黑色，100％为白色；还包括，捕捉彩色v-i轨迹的运动轨迹方向，表示彩色v-i轨迹不同的演化方向，运动轨迹方向的具体公式如下：
18、
19、其中，arg(·)为计算彩色v-i轨迹中连续两个点的相位角，k为像素点的数量，t为像素点按一定方向统计的集合，h(lt,wt)为坐标(lt,wt)的色调值。
20、作为本发明所述实用的负荷监测模型压缩部署方法的一种优选方案，其中：还包括，通过捕捉彩色v-i轨迹的功率因数，表示电流有功分量和无功分量之间的关系，功率因数的具体公式如下：
21、
22、其中，s(lt,wt)为坐标(lt,wt)的饱和度值，vrms为电压信号的有效值，irms为电流信号的有效值，t为坐标点个数。
23、对彩色v-i轨迹的灰度图中m个周期电压信号和电流信号取平均，表示电压和电流信号长期稳态运行，具体公式如下：
24、
25、其中，v为所有坐标p(lt,wt)＝1的明度值，m为周期数，um为第m个周期信号的电压平均值，im为第m个周期信号的电流平均值。
26、将色调h、饱和度s和明度v色彩模型转换图像r、图像g和图像b。
27、作为本发明所述实用的负荷监测模型压缩部署方法的一种优选方案，其中：所述转换包括以下步骤：将色调h值转换为0～360度范围内的角度；将饱和度s和明度v值归一化到0～1范围内；根据色调h、饱和度s和明度v色彩模型的公式计算出图像r、图像g和图像b的值，具体公式如下：
28、c＝v×s
29、
30、m＝v-c
31、
32、(r,g,b)＝(r′+m,g′+m,b′+m)
33、其中，c、x、m、r'、g'以及b'均为计算中间变量，v为明度，h为色调，s为饱和度，mod为求余函数。
34、作为本发明所述实用的负荷监测模型压缩部署方法的一种优选方案，其中：所述基本负荷识别模型包括特征提取模块和全连接模块，所述特征提取模块包括卷积层、最大池化层和非线性层；所述全连接模块包括全连接层和非线性层；所述非线性层采用prelu函数，具体公式如下：
35、
36、其中，xi'为基本负荷识别模型第i层的输出量，xi+1为基本负荷识别模型第i+1层的输入量，σ(xi')为非线性层prelu函数，αi为第i层对应非线性层的超参数。
37、对基本负荷识别模型进行训练和压缩；在训练和压缩过程中，将超参数αi作为可变动的参数；通过采用梯度下降方法将超参数αi下降至零，同时将非线性层的分段函数优化为线性函数；选择最小的β个超参数αi作为梯度下降的对象，保持其他参数不变，具体公式如下：
38、
39、其中，αi'为调整后第i层调整后的超参数，l为学习率，g为参数对应的梯度，且在基本负荷识别模型迭代中根据梯度下降方法自动计算，g0和λ均为可调参数，sign(αi)表示取αi的符号，nβ为最小β个超参数αi集合。
40、作为本发明所述实用的负荷监测模型压缩部署方法的一种优选方案，其中：所述判断用电器是否处于稳态运行状态包括以下步骤：当方差大于给定阈值y，则判断用电器未进入稳态运行状态；当方差小于等于给定阈值y，则判断用电器已进入稳态运行状态，提取有效的电压信号和电流信号；所述给定阈值y包括电流信号给定阈值和电压信号给定阈值；所述给定阈值y的具体公式如下：
41、
42、其中，yi为电流信号给定阈值，yu为电压信号给定阈值，umax为电压信号最大值，umin为电压信号最小值，imax为电流信号最大值，imin为电流信号最小值。
43、第二方面，本发明实施例提供了一种实用的负荷监测模型压缩部署系统，其包括：提取模块，用于根据用电器运行情况，提取用电器稳态运行时的电压信号和电流信号，并判断用电器是否处于稳态运行状态；构建模块，用于根据电压信号和电流信号，构建彩色v-i轨迹图；压缩模块，用于基于彩色v-i轨迹图，构建和训练基本负荷识别模型，同时进行压缩；验证模块，根据公开数据集对压缩后的负荷识别模型进行验证。
44、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本发明第一方面所述的实用的负荷监测模型压缩部署方法的步骤。
45、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本发明第一方面所述的实用的负荷监测模型压缩部署方法的步骤。
46、本发明有益效果为：本发明通过提取用电器的电压信号和电流信号，构建彩色v-i轨迹图，实现对用电器运行状态的实时监测和可视化展示，提高用电器安全性并及时发现异常，避免安全隐患；基于彩色v-i轨迹图，建立并压缩基本负荷识别模型，精准识别负荷情况并使模型轻量化，适用于各种场景部署；通过验证压缩之后的基本负荷识别模型的可靠性和有效性，确保监测系统在各种环境下正常工作并准确识别负荷，提升负荷监测效率和精度。
1.一种实用的负荷监测模型压缩部署方法，其特征在于：包括，
2.如权利要求1所述的实用的负荷监测模型压缩部署方法，其特征在于：所述构建彩色v-i轨迹图包括以下步骤：
3.如权利要求2所述的实用的负荷监测模型压缩部署方法，其特征在于：所述着色包括红色r、绿色g和蓝色b三种颜色，h为色调，即颜色类型，0°为红色，120°为绿色，240°为蓝色，s为饱和度，即颜色的鲜艳程度，0％为无色彩，100％为最饱和；v为明度，即颜色的亮度，0％为黑色，100％为白色；还包括，
4.如权利要求3所述的实用的负荷监测模型压缩部署方法，其特征在于：还包括，
5.如权利要求4所述的实用的负荷监测模型压缩部署方法，其特征在于：所述转换包括以下步骤：
6.如权利要求1所述的实用的负荷监测模型压缩部署方法，其特征在于：所述基本负荷识别模型包括特征提取模块和全连接模块，所述特征提取模块包括卷积层、最大池化层和非线性层；所述全连接模块包括全连接层和非线性层；所述非线性层采用prelu函数，具体公式如下：
7.如权利要求1所述的实用的负荷监测模型压缩部署方法，其特征在于：所述判断用电器是否处于稳态运行状态包括以下步骤：
8.一种实用的负荷监测模型压缩部署系统，基于权利要求1～7任一所述的实用的负荷监测模型压缩部署方法，其特征在于：包括，
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的实用的负荷监测模型压缩部署方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的实用的负荷监测模型压缩部署方法的步骤。
