具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的负荷识别方法，可以应用于如图1所示的应用环境中。其中终端102与服务器104通过网络连接。当终端102所在的工作人员通过服务器104来对指定的用电负荷进行识别时，可以通过终端102向服务器104发送相应的负荷识别请求，服务器104获取负荷识别请求，查找负荷识别请求对应的待识别负荷；提取待识别负荷对应的V-I轨迹矩阵，其中V-I轨迹用于表征电压波形与电压波形的关系；提取待识别负荷对应的电流高次谐波附加特征与功率特征；将V-I轨迹矩阵、功率特征以及电流高次谐波附加特征合并，获取混合特征矩阵；提取混合特征矩阵对应的图像特征，根据图像特征获取待识别负荷对应的负荷识别结果。其中，请求端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现，也可以为云服务器。

在一个实施例中，如图2所示，提供了一种负荷识别方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

步骤201，获取负荷识别请求，查找负荷识别请求对应的待识别负荷。

其中，负荷识别请求由终端102发送，以请求服务器104指定的待识别负荷进行非侵入式的负荷识别。待识别负荷具体是指通过智能电表等负荷采集设备所采集的一个家庭为单位的用户侧综合用电数据，包括用户侧用电的电压波形数据、电流波形数据、功率数据等数据。而本申请的负荷识别也称为负荷监测，即将综合用电数据分解为单个电器设备的功耗，并分析相应的用电量数据，以实现节能和电力需求响应。

具体地，在进行服务器104可以根据终端102发送的请求来对指定的待识别负荷进行负荷识别，通过负荷识别，可以实时监控用户侧用电设备的类型、运行状态和功率大小等，识别用户用电安全隐患，帮助用户排查安全风险，从而指导居民的安全用电。在其中一个实施例中，除了根据请求进行负荷识别外，服务器104还可以根据预先的设定，直接定时的对用户侧用电进行负荷识别，以提高负荷识别的有效性。

步骤203，提取待识别负荷对应的V-I轨迹矩阵，其中V-I轨迹用于表征电压波形与电压波形的关系。

其中V-I轨迹即采集的综合用电数据中稳态电流与稳态电压的波形关系。由于V-I轨迹表征负荷电压波形与电流波形之间的关系，不同负荷的V-I轨迹差异在于轨迹的形状，因此难以使用常见的信号处理方法，如快速傅里叶变换、小波变换等算法进行特征提取。因此，本申请将V-I轨迹转化为轨迹矩阵，通过使用二维图像矩阵描述不同类型家庭负荷的V-I轨迹特征，具有计算简单且还原效果较高的优点。

具体地，本申请中通过V-I轨迹矩阵来作为负荷识别的基础数据，在进行负荷识别时，可以先从综合用电数据中提取出电流波形以及电压波形，而后根据电流波形与电压波形，获取相应的V-I轨迹，并进一步构建V-I轨迹矩阵。

步骤205，提取待识别负荷对应的电流高次谐波附加特征与功率特征。

步骤207，将V-I轨迹矩阵、功率特征以及电流高次谐波附加特征合并，获取混合特征矩阵。

具体地，为了防止特征数据过于庞大，延长有监督学习的训练时间，在使用V-I波形矩阵描述负荷的电流波形特征时会适当的减少矩阵阶数，进而降低了对电流波形的采样精度，这导致了一部分高次谐波特征，如9次谐波特征难以体现在V-I波形矩阵中，对家用电器辨识方面造成一定的偏差。因此，本文选取了电流高次谐波以及有功、无功功率作为补充特征，高次谐波特征可以弥补V-I波形矩阵采样精度不足的缺点，而有功、无功功率特征可以区分大功率用电器与小功率用电器，两者可以极大提高负荷辨识的正确率。同时在得到功率特征、电流高次谐波特征之后，将功率特征与电流高次谐波特征作为附加特征，和V-I波形矩阵进行整合，形成混合特征矩阵，方便识别算法的后续运算。

步骤209，提取混合特征矩阵对应的图像特征，根据图像特征获取待识别负荷对应的负荷识别结果。

具体地，在得到混合特征矩阵之后，可以将混合特征矩阵视为黑白图像，进而使用图像识别技术进行特征提取，得到混合特征矩阵对应的图像特征，根据图像特征获取待识别负荷对应的负荷识别结果。在具体的实施例中，可以基于训练完成的卷积神经网络模型来进行图像识别，以提高图像识别过程的效率与准确率。如对于加热器与吹风机，这两种负荷的V-I轨迹矩阵相似度较高，且有功、无功功率差距极小，难以进行特征辨识，然而两者的高次谐波特征有较大差异，因此本申请的负荷识别方法通过融合高次谐波作为补充特征，能够准确区分两种家用电器，有助于排查含有大量高次谐波的家用电器的潜在安全风险。

上述负荷识别方法，通过获取负荷识别请求，查找负荷识别请求对应的待识别负荷；提取待识别负荷对应的V-I轨迹矩阵，其中V-I轨迹用于表征电压波形与电压波形的关系；提取待识别负荷对应的电流高次谐波附加特征与功率特征；将V-I轨迹矩阵、功率特征以及电流高次谐波附加特征合并，获取混合特征矩阵；提取混合特征矩阵对应的图像特征，根据图像特征获取待识别负荷对应的负荷识别结果。本申请通过对传统的V-I轨迹矩阵特征进行改进，在矩阵中融合入高次谐波电流特征及功率特征，组合成混合特征矩，而后基于混合特征矩阵来进行负荷识别，能够准确区分各种家用电器，同时能更准确地排查含有大量高次谐波的家用电器的潜在安全风险。

在一个实施例中，如图3所示，步骤203包括：

步骤302，提取待识别负荷在周期内的电压波形数据与电流波形数据。

步骤304，将电压波形数据与电流波形数据分别进行归一化处理，获取归一化电压波形数据与归一化电流波形数据。

步骤306，将归一化电压波形数据与归一化电流波形数据映射至初始V-I轨迹矩阵，获取待识别负荷对应的V-I轨迹矩阵。

其中，周期内的电压波形数据与电流波形数据具体是指，一个电压周期内的电压波形数据以及一个电流周期内的电流波形数据。而将电压波形数据与电流波形数据分别进行归一化处理具体是指将两种波形数据归一化至[0,1]范围内。而初始V-I轨迹矩阵是指初始状态下的轨迹矩阵，矩阵内的元素均为0。

具体地，为了后续运算过程的方便，可以从待识别负荷中提取出V-I轨迹，并将其映射至初始矩阵内来构建待识别负荷对应的V-I轨迹矩阵。在其中一个实施例中，矩阵的构建过程包括：先提取负荷在一个周期内的电压电流波形，并将两种波形数据归一化至[0,1]范围内。构建N×N阶二维矩阵M作为V-I波形矩阵，矩阵在初始状态下的所有元素均为0。利用下列公式将电压电流波形映射至N×N阶二维矩阵中。公式为：

M(a,b)＝1

式中V(k)和I(k)分别表示归一化后第k个采样点的电压与电流值；a，b分别为矩阵M的行索引和列索引；为向下取整符号。本实施例中，可以有效地将待识别负荷数据转化为V-I矩阵，从而提高负荷识别效率与准确率。

在一个实施例中，如图4所示，步骤205包括：

步骤401，通过快速傅里叶变换，将待识别负荷的电流波形在周期内的时域信号转化为频域信号；

步骤403，根据频域信号，获取待识别负荷对应的电流高次谐波附加特征。

其中，电流高次谐波附加特征包括了幅值特征以及相位特征。具体地，可以通过电流高次谐波附加特征来对V-I波形矩阵的采样精度进行补充，从而提高负荷识别过程的准确率。在进行转换时，需要先将电流波形在周期内的时域信号转化为频域信号，转化的公式具体为：

式中，k表示谐波次数；X(k)表示第k次谐波的频域分量，使用复数表示；n表示电流值；N表示一个周期内的电流采样点个数。其中X(k)的模值表示了第k次谐波的幅值，而X(k)的辐角表示了第k次谐波的相位。通过研究表明，家用电器的稳态电流波形中奇次谐波的幅值远大于偶次谐波，且当谐波次数大于11次时幅值已经非常小，容易混入大量干扰噪声，因此，在本申请的具体实施例中，可以通过选取7、9、11次谐波来获得电流高次谐波附加特征。而高次谐波的幅值计算如下式所示：

A_i(k)＝|X_i(k)|

式中A_i(k)表示电流第k次谐波的幅值；X_i(k)表示电流第k次谐波的频域分量，其中k分别取7,9,11。同时对于电流高次谐波附加特征而言，除了包含幅值外，相位也是极为重要的参数。由于不同家用电器的高次谐波相位值各不相同，比如加热器的9次谐波相位为负，而吹风机的9次谐波则为正，因此还使用电流高次谐波的相位特征也可以辅助区分不同家用电器。本实施例中，通过快速傅里叶变换，来对待识别负荷中的电流波形进行频域转化，可以有效地提取得到电流高次谐波附加特征中的幅值特征以及相位特征。

在其中一个实施例中，步骤207具体包括：根据功率特征以及电流高次谐波附加特征构建补充特征矩阵；将V-I轨迹矩阵与补充特征矩阵拼接，获取混合特征矩阵。

具体地，在将功率特征以及电流高次谐波附加特征添加到V-I轨迹矩阵时，为了保证格式一致，可以先根据功率特征以及电流高次谐波附加特征来构建与V-I轨迹矩阵格式类似的矩阵，而后通过矩阵拼接来将不同的特征组合起来，得到相应的混合特征矩阵。而构建补充特征矩阵的过程，则具体可以通过二进制编码来实现。而对于矩阵拼接的过程，如对于N×N阶的V-I波形矩阵M与N×8阶的补充特征矩阵F，可以将补充特征矩阵F添加到V-I波形矩阵M的右侧，即M矩阵的第N+m列为F矩阵的第m列，形成一个N×(N+8)阶的混合特征矩阵MF。本实施例中，通过构建矩阵的方法来对不同来源的特征进行组合，可以有效保证所得混合特征矩阵的有效性，从而提高负荷识别的准确率。

在其中一个实施例中，如图5所示，根据功率特征以及电流高次谐波附加特征构建补充特征矩阵包括：

步骤502，将功率特征以及电流高次谐波附加特征进行归一化处理，获取归一化特征值。

步骤504，将归一化特征值转化为二进制特征值。

步骤506，根据预设特征顺序，将二进制特征值依次填入初始特征矩阵，获取补充特征矩阵。

具体地，可以先确认特征的个数以及预设特征顺序，如在一个实施例中，功率特征包括有功功率值和无功功率值。而电流高次谐波附加特征包括7次、9次、11次谐波的幅值，7次、9次、11次谐波的相位值。可以确认特征个数为8，同时还基于预设特征顺序确定8个补充特征，从左至右分别为：7次、9次、11次谐波的幅值，7次、9次、11次谐波的相位值、有功功率值和无功功率值。而后可以通过二进制编码来实现不充特征矩阵的构建，在这个过程中，需要先对功率特征以及电流高次谐波附加特征进行归一化处理，此处归一化为将负荷识别过程中所适用的各个样本点对应的同一特征进行归一化至[0,2^N-1]范围内，N表示一个周期内的电流采样点个数。归一化的公式具体为：

式中k表示样本点的编号；m表示特征编号，如对于8个特征的情况下，则可以取1,2…,8；S_m,k表示归一化后第k个样本第m个特征值，s_m,k表示归一化之前第k个样本第m个特征值，min s_m、max s_m分别表示第m个特征下最小和最大的样本的特征值，为向下取整符号。而后将上述归一化后的特征值转换为N位二进制数。比如当N＝8，若归一化后的特征值为181，则二进制数为10110101。而后将N×8阶二维特征矩阵作为初始特征矩阵，矩阵在初始状态下的所有元素均为0。使用下式将二进制数的各位填入矩阵F中

F_k(a,m)＝bin_m,k(a) (1)

式中，k表示样本编号，m表示特征编号，a表示二进制位索引，范围为[1,N]；F_k(a,m)表示第k个样本的补充特征矩阵F的第a行第m列元素值；bin表示二进制运行函数，bin_m,k(a)表示第k个样本第m个特征下的二进制特征值的第a位。在其中一个实施例中，拼接完成的混合特征矩阵具体可以参照图6，包括了V-I轨迹矩阵、电流高次谐波附加特征以及功率特征三个部分。本实施例中，通过二进制编码的方式来实现补充特征矩阵的构建，可以保证矩阵构建的效率，同时保证与V-I轨迹矩阵的可拼接性。

在一个具体的实施例中，步骤209具体包括：获取混合特征矩阵对应的二维图像数据；通过预设卷积神经网络提取二维图像数据对应的图像特征，根据图像特征获取待识别负荷对应的负荷识别结果。

具体地，在构建混合特征矩阵后，基于上述的构建过程，矩阵元素的取值只有0和1，因此可以将矩阵视为黑白图像，进而使用图像识别技术进行特征提取。本实施例中，具体通过选用卷积神经网络(Convolutional Neural Networks,CNN)进行矩阵特征的识别，相比于其他全连接神经网络，卷积神经网络在训练二维图像数据的过程中可以保留数据的空间特征，拥有较高的训练效率，且不容易出现网络过拟合的情况。CNN的输入层维度与混合特征矩阵维度相同，输出层的维度与待分类负荷种类数量有关，而CNN的隐含层是由卷积层、池化层、Dropout层和全连接层组成的，其中卷积层和池化层交替重复，且上一层的输出直接作为下一层的输入。卷积层的作用是进行输入数据特征提取，是由多个卷积核组成的。卷积核也被称之为滤波器，其内部权重均由多次反向传播修正而来。使用它对输入特征进行从左到右、从上到下的扫描，对扫描区域进行卷积运算，可以提取输入图像的特征。池化层的作用是对输入图像进行压缩，从而降低了下一层的输入维度，提高运算效率。同时池化层也能减少网络参数的数量，达到抑制过拟合的效果。本申请所选取的池化层过滤器大小可以为2×2，从而可以将输入单元数缩小四倍输出，极大的加快了训练过程。Dropout层工作的原理是，层内的神经元在前向传导的过程中，每一个神经元都有一定概率停止工作，即无法向后续神经元传递信息。通过设置Dropout层，可以提高网络的训练速度，防止过拟合现象的出现，提高模型的鲁棒性。最后一层全连接层的作用是实现样本的分类，输出向量的维度与样本总类别数相同，向量的每个元素分别代表了本次辨识结果为第i类设备的概率，所有元素的和为1。本文选取的损失函数为平方损失函数，在每一次训练结束之后，全连接层都会将分类结果与样本实际类别进行比对，利用损失函数计算训练误差，再微调网络中神经元之间的权重，进行下一次训练。对网络进行多次训练的目的是使损失函数最小化，保证样本实际类别对应的元素概率值最大，从而达到最佳的分类效果。深度学习算法CNN的本质是使用大量的特征滤波器进行特征提取，并进行层层卷积与池化，进而一步步从混合特征矩阵中提取有效特征，构建分类规则。一般来说，网络层数越多，则提取的特征也越具有代表性。在一个具体的实施例中，本申请的卷积神经网络结构可以参照表1所示。

表1卷积神经网络结构

而与此对应的特征提取过程则可以参照图7。本实施例中，通过卷积神经网络来提取混合特征矩阵的空间特征，拥有较高的训练效率，且不容易出现网络过拟合的情况，从而有效提高负荷识别的准确率。

在一个具体的实施例中，本申请负荷识别方法的处理流程可以参照图8，首先，采集混合了冰箱、空调、洗衣机以及吹风机等设备的综合用电数据的稳态数据。得到稳态电流波形与稳态电压波形，而后通过特征提取，得到V-I轨迹矩阵以及电流高次谐波和有功无功功率3个特征数据。而后通过特征组合，得到混合特征矩阵，并通过卷积神经网络模型来进行电器负荷特征的识别，得到相应的负荷识别结果。

在另一个具体的实施例中，可以通过选用PLAID数据集对所提出的负荷识别算法进行验证。PLAID数据集内包含了11类家用电器，总共有1793组样本数据，以采样率30kHz记录了每一个样本单独运行超过2s的电压与电流信号。由于大部分家用电器的开启瞬态过程都能控制在2s以内，因此从数据集的每组数据中均能提取家用电器稳态运行波形。为评估本本申请所提算法的准确性，通过利用混淆矩阵展示各类用电器的识别正确率。本算例使用的混淆矩阵为11×11阶方阵，混淆矩阵的行表示家用电器的真实类别，而混淆矩阵的列表示神经网络的预测类别，矩阵第i行第j列元素代表神经网络将真实类别为i的样本预测为j类的数量。混淆矩阵一般使用召回率R、精确度P、平衡分数Q和总识别率A来描述识别的总体效果，计算公式如下所示：

其中T_pi表示每种电器类型分类正确的样本个数，N表示样本总数，Z表示电器类型数，N_i表示样本集中各电器类型的样本个数，i表示样本类型数，j表示分类结果数，N_j表示分类结果中每个类型的样本个数，R_i表示召回率，P_i表示精确度，Q表示平衡分数，当A和Q值越大，表示分类器的判断效果越好。使用表2展示了使用混合特征进行负荷识别的混淆矩阵，图中类别序号1-11分别表示空调、节能灯、冰箱、电风扇、吹风机、加热器、灯泡、笔记本、微波炉、吸尘器和洗衣机。

表2

在特征提取的有效性方面，相比直接使用V-I轨迹矩阵进行负荷辨识和融合V-I轨迹矩阵与功率特征的负荷辨识方法，本申请的负荷识别方法拥有极大的优越性。表对比了本文所提算法、基于V-I轨迹矩阵的负荷辨识算法以及融合V-I轨迹矩阵与功率特征的负荷辨识算法的正确率，可以看出混合特征可以极大地提高辨识正确率，特别是5号吹风机与6号加热器，这两种家用电器之间没有错误识别的现象发生。同时本文所提算法对其他类型家用电器均有较好的识别效果，总辨识正确率超过93％。

表3

应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图9所示，提供了一种负荷识别装置，包括：

请求获取模块902，用于获取负荷识别请求，查找负荷识别请求对应的待识别负荷。

轨迹矩阵提取模块904，用于提取待识别负荷对应的V-I轨迹矩阵，其中V-I轨迹用于表征电压波形与电压波形的关系。

特征提取模块906，用于提取待识别负荷对应的电流高次谐波附加特征与功率特征。

混合矩阵构建模块908，用于将V-I轨迹矩阵、功率特征以及电流高次谐波附加特征合并，获取混合特征矩阵。

负荷识别模块910，用于提取混合特征矩阵对应的图像特征，根据图像特征获取待识别负荷对应的负荷识别结果。

在其中一个实施例中，轨迹矩阵提取模块904具体用于：提取待识别负荷在周期内的电压波形数据与电流波形数据；将电压波形数据与电流波形数据分别进行归一化处理，获取归一化电压波形数据与归一化电流波形数据；将归一化电压波形数据与归一化电流波形数据映射至初始V-I轨迹矩阵，获取待识别负荷对应的V-I轨迹矩阵。

在其中一个实施例中，特征提取模块906具体用于：通过快速傅里叶变换，将待识别负荷的电流波形在周期内的时域信号转化为频域信号；根据频域信号，获取待识别负荷对应的电流高次谐波附加特征。

在其中一个实施例中，混合矩阵构建模块908具体用于：根据功率特征以及电流高次谐波附加特征构建补充特征矩阵；将V-I轨迹矩阵与补充特征矩阵拼接，获取混合特征矩阵。

在其中一个实施例中，混合矩阵构建模块908还用于：将功率特征以及电流高次谐波附加特征进行归一化处理，获取归一化特征值；将归一化特征值转化为二进制特征值；根据预设特征顺序，将二进制特征值依次填入初始特征矩阵，获取补充特征矩阵。

在其中一个实施例中，负荷识别模块910具体用于：获取混合特征矩阵对应的二维图像数据；通过预设卷积神经网络提取二维图像数据对应的图像特征，根据图像特征获取待识别负荷对应的负荷识别结果。

关于负荷识别装置的具体限定可以参见上文中对于负荷识别方法的限定，在此不再赘述。上述负荷识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储负荷识别数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种负荷识别方法。

本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取负荷识别请求，查找负荷识别请求对应的待识别负荷；

提取待识别负荷对应的V-I轨迹矩阵，其中V-I轨迹用于表征电压波形与电压波形的关系；

提取待识别负荷对应的电流高次谐波附加特征与功率特征；

将V-I轨迹矩阵、功率特征以及电流高次谐波附加特征合并，获取混合特征矩阵；

提取混合特征矩阵对应的图像特征，根据图像特征获取待识别负荷对应的负荷识别结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：提取待识别负荷在周期内的电压波形数据与电流波形数据；将电压波形数据与电流波形数据分别进行归一化处理，获取归一化电压波形数据与归一化电流波形数据；将归一化电压波形数据与归一化电流波形数据映射至初始V-I轨迹矩阵，获取待识别负荷对应的V-I轨迹矩阵。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过快速傅里叶变换，将待识别负荷的电流波形在周期内的时域信号转化为频域信号；根据频域信号，获取待识别负荷对应的电流高次谐波附加特征。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据功率特征以及电流高次谐波附加特征构建补充特征矩阵；将V-I轨迹矩阵与补充特征矩阵拼接，获取混合特征矩阵。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将功率特征以及电流高次谐波附加特征进行归一化处理，获取归一化特征值；将归一化特征值转化为二进制特征值；据预设特征顺序，将二进制特征值依次填入初始特征矩阵，获取补充特征矩阵。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取混合特征矩阵对应的二维图像数据；通过预设卷积神经网络提取二维图像数据对应的图像特征，根据图像特征获取待识别负荷对应的负荷识别结果。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取负荷识别请求，查找负荷识别请求对应的待识别负荷；

提取待识别负荷对应的V-I轨迹矩阵，其中V-I轨迹用于表征电压波形与电压波形的关系；

提取待识别负荷对应的电流高次谐波附加特征与功率特征；

将V-I轨迹矩阵、功率特征以及电流高次谐波附加特征合并，获取混合特征矩阵；

提取混合特征矩阵对应的图像特征，根据图像特征获取待识别负荷对应的负荷识别结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：提取待识别负荷在周期内的电压波形数据与电流波形数据；将电压波形数据与电流波形数据分别进行归一化处理，获取归一化电压波形数据与归一化电流波形数据；将归一化电压波形数据与归一化电流波形数据映射至初始V-I轨迹矩阵，获取待识别负荷对应的V-I轨迹矩阵。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过快速傅里叶变换，将待识别负荷的电流波形在周期内的时域信号转化为频域信号；根据频域信号，获取待识别负荷对应的电流高次谐波附加特征。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据功率特征以及电流高次谐波附加特征构建补充特征矩阵；将V-I轨迹矩阵与补充特征矩阵拼接，获取混合特征矩阵。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将功率特征以及电流高次谐波附加特征进行归一化处理，获取归一化特征值；将归一化特征值转化为二进制特征值；据预设特征顺序，将二进制特征值依次填入初始特征矩阵，获取补充特征矩阵。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取混合特征矩阵对应的二维图像数据；通过预设卷积神经网络提取二维图像数据对应的图像特征，根据图像特征获取待识别负荷对应的负荷识别结果。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。