CN108879702B - 一种基于家居负荷分解的用电控制系统 - Google Patents
一种基于家居负荷分解的用电控制系统 Download PDFInfo
- Publication number
- CN108879702B CN108879702B CN201810645299.4A CN201810645299A CN108879702B CN 108879702 B CN108879702 B CN 108879702B CN 201810645299 A CN201810645299 A CN 201810645299A CN 108879702 B CN108879702 B CN 108879702B
- Authority
- CN
- China
- Prior art keywords
- intelligent
- current
- neural network
- electric
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 28
- 230000005611 electricity Effects 0.000 claims abstract description 28
- 238000005070 sampling Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 7
- 238000013144 data compression Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 241001654412 Corchorus hirsutus Species 0.000 description 1
- 241000883990 Flabellum Species 0.000 description 1
- HEFNNWSXXWATRW-UHFFFAOYSA-N Ibuprofen Chemical compound CC(C)CC1=CC=C(C(C)C(O)=O)C=C1 HEFNNWSXXWATRW-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 235000007261 jackswitch Nutrition 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/10—The network having a local or delimited stationary reach
- H02J2310/12—The local stationary network supplying a household or a building
- H02J2310/14—The load or loads being home appliances
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
- Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/242—Home appliances
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于家居负荷分解的用电控制系统，包括一台智能电表、若干采集模块以及若干智能插座；通过智能插座与钳形电流采集器获取到的设备状态变换信息能够为负荷分解提供时间点数据，编号分类过的智能插座及钳形电流采集器能够为负荷分解提供部分先验知识，这两大措施能大大提高负荷分解的准确度，有助于识别难以被传统非侵入式负荷分解方法识别出的用电设备，同时也能够降低对传感器采样频率，采样类型等的性能要求。此外，结合智能插座的通断电功能，通过智能电表的控制实现电源的按需投切。
Description
技术领域
本发明涉及一种基于家居负荷分解的用电监测控制系统，属于电子信息技术领域。
技术背景
用电监测指实现对家居各用电设备具体耗电情况的监测，通过分析用电数据实现合理科学用电，帮助电力部门提供可靠、高质量的电能；用电控制主要包括远程实现部分电源的投切，当系统检测到电能浪费或安全隐患时自动切断电源，通过计划任务实现电源自动投入等。
家居负荷分解是实现家居用电监测的常用手段，一般有两种：侵入式和非侵入式。侵入式负荷分解安装过程中需要短暂停电，并为多种用电设备加装传感器，成本高且难以被用户接受；非侵入式负荷分解只需要在入口处加装一个传感器，通过数据分析获取各个用电设备的具体使用情况，但是识别准确率无法满足家用环境要求，而且高采样频率的传感器同样有成本过高的问题。
在推行动态电价的大环境下，对用电监测控制系统提出更高要求。而现有的用电监测设备存在功能单一，相互之间不兼容等缺点；传统的负荷分解手段又存在成本过高，识别准确率低，采样频率要求过高等问题，且无法实现对电源的主动控制。因此，研究一种高效低廉，可靠性强，对用户更加友好的用电监测控制系统具有重要意义。
发明内容
本发明针对现有技术的不足提供一种基于家居负荷分解的用电监测控制系统，目的在于为用户提供更加详细的用电监测信息，并能根据需求自动开启和关断插座电源。
传统的家居负荷分解方法被简单划分为侵入式与非侵入式两种，侵入式负荷分解需要用户为每个用电设备加装传感器，安装和后续的维护成本都比较高；非侵入式负荷分解虽然只需要在电力入口处安装传感器，但是对负荷分解而言，依旧缺少足够的信息，常见的解决方法包括提高传感器的采样频率，增加采样器对电力信号的采样类型等等，这些解决方法又不可避免地提高了传感器成本，而且采用非侵入式方法从本质上对一些小功率设备，多状态设备识别准确率不高。
此外，传统的用电监测系统只能进行监测，无法根据监测结果和用户要求进行自动控制，监测得到的用电设备具体信息没有得到充分利用。
本发明为解决上述问题，提出以下技术方案：一种基于家居负荷分解的用电控制系统，包括一台智能电表、若干采集模块以及若干智能插座；所述的采集模块包括钳形电流采集器和嵌于智能插座中的数据采集部分，所述采集模块采集一个或多个用电器的总电流；所述的智能插座对与它连接的所有用电器提供电能并统一控制；所述的控制系统中，存在部分孤立用电器不被采集模块测量电流，或不被智能插座控制仅由普通插座提供电能；所述智能电表中存储有采集模块的布局图和预期孤立用电器类别，布局图记录各个采集模块的编号、各个采集模块对应的预期用电器及预期总电流；智能电表采集该家庭用户的总电流DM，同时获取所有采集模块采集的电流信号DR，将DM和DR输入到预先训练好的神经网络模型，根据神经网络模型的输出生成用电报告，并控制智能插座的通断，进而控制连接的所有用电器的开关。所述神经网络模型通过如下步骤得到：
(1-1)样本获取：在布局有上述控制系统的模拟家庭环境下，针对任一台用电器d′，获取其实际实时电流Y′；智能电表实时采集总电流D′M，采集模块 r′1,r′2,r′3,...,r′h实时采集电流，分别得到电流序列D′R1,D′R2,D′R3,...,D′Rh，h为采集模块数量；D′R1,D′R2,D′R3,...,D′Rh构成D′R(h×p，p为采样次数)，D′R1,D′R2,D′R3,...,D′Rh按采样时刻分别求和构成D′S(h×1),D′S即各采集模块所测电流数据之和。若用电器d包含在采集模块r′i所采集的若干用电器中，则将D′M和D′Ri合并为X′，否则将D′M和D′S合并为X′；
(1-2)设计包含有递归神经网络层，卷积神经网络层、全连接层的深度神经网络；
(1-3)训练模型：将X′和Y′划分为训练集和测试集，定义损失函数，利用训练集中的X′和Y′训练模型。特别的，Y′中时间点t的数据基于X′中时间点t-T 到t的数据训练得到；
(1-4)测试模型：以测试集的X′和Y′测试步骤(3)中模型对用电器d的分解效果；
(1-5)调整模型：根据步骤(1-4)调整步骤(1-2)中的各深度神经网络参数。
通过所述步骤(1-1)到(1-5)对每种用电器建立神经网络模型，所述神经网络模型分为A、B两类，A类模型对应该用电器电流数据被采集模块采集情形， B类模型对应该用电器电流数据未被任何采集模块采集情形。
所述的根据神经网络模型的输出生成用电报告通过如下步骤得到：
(2-1)数据获取：在实际家庭环境下，循环获取T时间段内智能电表采集的总电流DM，采集模块r1,r2,r3,...,rh采集的电流DR1,DR2,DR3,...,DRh构成DR(h为采集模块数量)，DR1,DR2,DR3,...,DRh按采样时刻求和构成DS,DS即各采集模块所测电流数据之和。
(2-2)模型检测：对DR中的每一行DRi，与DM合并为Xi，输入到各用电器的A类模型中，输出各类用电器的功率Yi，其中，i的取值范围为1～h，Yi为一矩阵，其行数为A类模型中用电器类别数量，每行表示该类用电器的功率变化；将 DS与DM合并为XS，输入到各用电器的B类模型中，输出各类用电器的功率YS， YS为一矩阵，其行数为B类模型中用电器类别数量，每行表示该类用电器的功率变化。
(2-3)用电器筛选：各类用电器的功率Yi与采集模块ri对应，根据布局图中 ri的预期用电器种类选择Yi中的用电器，得出采集模块ri所采集用电器功率曲线及流经实际总电流Ii；根据预期孤立用电器类别筛选功率YS，得到各孤立用电器的功率曲线。
(2-4)生成用电报告：根据(2-3)的结果得到各用电器功率曲线及流经采集模块ri的总电流Ii
智能电表对智能插座的控制通过如下步骤进行：
(3-1)电流数据异常检测：智能电表分析DR中来自于智能插座的电流数据，若超过预期总电流的50％，则判定产生异常，将该智能插座断开；
(3-2)模型输出异常检测：分析用电报告中经智能插座控制的用电器功率曲线，若瞬时功率超过用电器额定功率的2倍，则判定产生异常，将对应的智能插座断开；
(3-3)用户自定义控制：在步骤(3-1)、(3-2)未检测到异常的情况下，根据用户预设的定时任务开关相应智能插座。
进一步地，所述的智能电表包括：
第一数据采集模块，用于采集家庭用户的总电流；
数据存储模块，用于存储有采集模块的布局图和预期孤立用电器类别，布局图记录各个采集模块的编号、各个采集模块对应的预期用电器及预期总电流；
数据处理模块，用于数据分析，生成用电报告和控制指令；
通信模块，用于与采集模块、智能插座进行通信；
人机交互模块，用于输入用户的自定义设置，例如，定时控制信息；
所述的采集模块由钳形电流采集器和智能插座中的数据采集部分组成，其中钳形电流采集器包括：
第二数据采集模块，用于采集电流；
通信模块，用于与智能电表进行通信；
微处理器模块，用于对数据进行压缩存储，在接收到智能电表的请求时向智能电表上传采集的电流数据。
所述的智能插座包括：
第三数据采集模块，用于采集电流；
通信模块，用于与智能电表进行通信；
电源投切模块，用于控制插座的通断；
微处理器模块，用于对数据进行压缩存储，在接收到智能电表的请求时向智能电表上传采集的电流数据。
进一步地，所述第二数据采集模块和第三数据采集模块的采样频率低于智能电表中第一数据采集模块的电流采样频率。
进一步地，所述深度神经网络由输入层、递归神经网络层、卷积神经网络层、全连接层、输出层组成，其中输入层节点数为2，递归神经网络层、卷积神经网络层、全连接层的层数及节点数取值不固定，输出层节点数为1。
进一步地，所述递归神经网络层采用长短时记忆网络，记忆步长在30-60 之间，卷积神经网络层附加最大值池化层，全连接层的激活函数为ReLU函数。深度神经网络各层的权重采用随机值初始化，训练方法采用随机梯度下降法。
进一步地，所述智能电表内置的深度神经网络模型在云端更新，并在本地计算。
进一步地，所述智能电表存储的预期用电器类别在不确定的情况下可以超过实际用电器类别，预期总电流在不确定情况下取预期用电器额定功率下工作总电流的1.5倍。
进一步地，神经网络模型的获取步骤(1-3)中的T可以选取时长30秒。
本发明的有益效果是：通过智能插座与钳形电流采集器获取到的设备状态变换信息能够为负荷分解提供时间点数据，编号分类过的智能插座及钳形电流采集器能够为负荷分解提供部分先验知识，这两大措施能大大提高负荷分解的准确度，有助于识别难以被传统非侵入式负荷分解方法识别出的用电设备，同时也能够降低对传感器采样频率，采样类型等的性能要求。此外，结合智能插座的通断电功能，通过智能电表的控制实现电源的按需投切。
附图说明
图1为基于家居负荷分解的用电监测控制系统的结构简图；
图2为压缩数据流程图；
图3为模型训练流程图；
图4为用电报告生成流程图；
图5为用电控制流程图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚明白，下面将结合附图对本发明的具体实施方式做进一步说明。
本发明是一种基于家居负荷分解的用电监测控制系统，如图1所示，包括一台智能电表、若干采集模块以及若干智能插座；各部分之间通过RF无线网络交换信息。为保证数据交换不泄漏用户用电隐私，需要对RF无线网络进行加密；为尽可能降低数据分析产生的误差，数据交换过程中要保证数据的完整性。
其中智能电表作为核心部分，不可或缺；智能插座与钳形电流采集器可根据用户需求安装，其数量与安装位置由用户决定。三部分之间采用统一的通讯标准，用户可以实现不同品牌设备的混用，也可按照需求增删设备。
采集模块属于系统监测部分，包括钳形电流采集器和嵌于智能插座中的数据采集部分，采集一个或多个用电器的总电流；对于钳形电流采集器，它的数据采集模块由钳形铁心和AD转换器两部分组成，安装时将钳形铁芯夹在待测导线上，根据电流互感器的原理测量导线上流过的电流信息，再通过AD转换器将电流信息转换成数字量。微处理器模块主要由通用嵌入式芯片构成，它对传送来的电流数据进行压缩。设置定长时间段T，若T时间内数据波动较大，直接记录原始数据及相应采样时刻；若T时间内数据几乎没有波动或者导线上没有电流通过，记录时间段T的起止时刻及这一时间段内数据均值。压缩完成的数据存储在微处理器中。通信模块由RF射频模块组成，需要保持信道畅通，当接收到来自智能电表的数据时，及时请求中断，并将数据传送给微处理器模块。微处理器分析接收的数据，若智能电表要求发送数据，微处理器模块将从数据存储模块中将指令要求时间段内的数据取出，交由通信模块以固定格式发送给智能电表；若智能电表是对数据接收成功作出应答，则微处理器将应答指令中对应时间段的数据删除。智能电表的数据采集部分除电表采用内置的数字电流表外，其他与钳形电流采集器相同。
所述的智能插座对与它连接的所有用电器提供电能并统一控制，智能插座的电源投切模块属于系统执行部分。在通信模块接收到来自智能电表的投切电源命令时，智能插座的微处理器模块发出指令，通过小型继电器，实现电源的投切。
自然，控制系统中，也存在部分孤立用电器不被采集模块测量电流，或不被智能插座控制仅由普通插座提供电能，它们电源投切不受智能电表控制。
智能电表属于系统核心部分。数据采集模块直接利用内置的数字电流表获取电力入口电流数据。人机交互模块包括按键、液晶显示屏等部分，用户可通过按键和显示屏向智能电表输入自定义信息，读取智能电表的工作状态。通信模块包含WiFi功能和RF射频模块，当智能电表与用户的智能手机处于同一个 WiFi网络下时，用户可通过智能手机与智能电表进行信息交换，设置自定义信息，获取用电报告；RF射频模块与采集模块完成组网，在数据处理模块的控制下每隔时间T向采集模块发送指令请求数据，指令内容需要包含电流数据的起止时间，数据接收成功后及时向采集模块发送应答，应答内容同样需要包含成功接收数据的起止时间。数据处理模块将智能电表采集的数据和通信模块接收的数据预处理后输入到不同用电设备的神经网络模型中，完成负荷分解，并将用电报告储存到数据存储模块；数据处理模块中关键的神经网络模型可利用WiFi 网络实现自动云端更新。数据处理模块根据用电报告检测到到用电异常时，生成切断相应电源命令，由通信模块向指定智能插座发送命令数据；在未检测到异常情况下，根据用户预设的定时开关任务生成相应的电源投切命令，由通信模块向指定智能插座发送命令数据。
用户向智能电表输入的自定义信息包括：电源的计划任务，如在某一时刻关闭或开启某设备的电源；用电报告格式等自定义信息；智能插座、钳形电流采集器的编号及相关预期用电设备；预期孤立用电器；模型自动更新的频率等。
为充分利用各采集模块信息，在组网过程中，用户需要对智能插座、钳形电流采集器进行编号并指出对应的预期用电器类别和总电流，作为采集模块的布局图存储在智能电表中；用户同时需要指出预期孤立用电器类别。智能电表的数据处理模块将综合这些信息和电流数据得出用电报告，与传统单纯利用电流数据的非侵入式负荷分解方案相比，准确率会有所提升。
智能电表检测的电流数据是控制系统数据的主要来源，对电流的采样频率比采样模块高，在用户配置智能插座和钳形电流采集器后，可以降低智能电表的采样频率。本控制系统涉及的数据压缩、模型训练、用电报告生成及用电控制具体可采用如下方式：
1、数据压缩，如图2所示
本发明中的数据主要包括两类：1)由智能电表采集的较高频率电流信息DM， 2)由智能插座和钳形电流采集器采集的较低频率电流信息DL。在家居环境下，每时每刻都会有用电设备在运行，因此一般情况下DM不会为零；但是对于智能插座和钳形电流采集器而言，插座上没有用电器运行，钳形电流采集器所监测导线上也无用电器运行时，DL会出现为零的情形。此外，由于智能电表监测整个家居环境下总电流变化情况，考虑到用电设备的多样性与设备用电状态变化的频繁性，总电流波形会有较多波动；而对于智能插座与钳形电流采集器监测的用电设备及状态变化相对较少，对应的电流小型的波动也更少。因此，为降低数据传输和存储压力，智能插座和钳形电流采集器的电流数据进行压缩，而为保证负荷分解的准确性，智能电表的电流数据不再压缩。
数据压缩需要检测电流数据波动情况，当存在较大波动时，以原始数据存储；当几乎没有波动时，以平均值数据存储。数据波动检测压缩算法如下：
(1-1)对定长时间段T，将其等分为t0,t1,...,tm-1共m个小时间段，每个小时间段时长为
(1-2)若智能插座及钳形电流采集器的采样频率为f，则每个小时间段内共有
条电流数据；
(1-3)计算每个小时间段的电流均值Ii，i＝0,1,...,m-1：
其中，DLj表示该时间段内第j条电流数据，j＝0,1,...,Tf-1表示时间段T内各条电流数据；
(1-4)计算相邻两个时间段的电流均值波动量αi，i＝0,1,...,m-2：
αi＝|Ii+1-Ii|
(1-5)设定阈值γ，若αi＞γ，说明从第i和第i+1个小时间段电流数据波动较大，对波动较大的小时间段记录原始数据，其他小时间段按照电流均值Ii记录。
智能插座和钳形电流采集器采集的较低频率电流信息DL在经过微处理器模块的波动检测压缩算法处理后通过通信模块发送到智能电表，智能电表解压数据得到DR。
2、模型训练，如图3所示
在配置有智能电表、若干智能插座和若干钳形电流采集器的多个模拟家庭环境下，针对任一台用电器d′，获取其实际电流Y′，得到(1)、数据压缩中所述的DM、DR记为D′M、D′R。在家庭环境下，智能电表、智能插座、钳形电流采集器的采样频率不同，以智能电表的采样频率f为基准值，对采样频率为fi的各采集模块数据用插值法扩充。
(2-1)样本获取：D′R中采集模块r′1,r′2,r′3,...,r′h对应的电流序列分别为 D′R1,D′R2,D′R3,...,D′Rh，h为采集模块数量，D′R大小为：h×p，其中p为采样次数。 D′R1,D′R2,D′R3,...,D′Rh按采样时刻分别求和构成D′S(h×1),D′S即各采集模块所测电流数据之和。若用电器d′包含在采集模块r′i所采集的若干用电器中，则将D′M和D′Ri合并为X′，否则将D′M和D′S合并为X′；
(2-2)设计神经网络：电流数据具有时序，为准确判断用电器功率变化，需要综合利用多个时间段信息。为利用电流数据的时序特征，在设计神经网络时加入两层长短时记忆网络，其步长设定为30秒即可充分提取切换用电器时总电流的瞬态变化；为利用多个时间段信息，设计五层卷积神经网络，它可以综合感知野内电流数据的局部信息，方便对大型数据的处理；在每个卷积层后追加池化层，扩大感知野，实现卷积层非线性，对数据进行降维；在数据的输入和输出层采用全连接层神经网络，主要调整输入数据的维数输入到卷积层或长短时记忆网络层，输出层综合卷积层信息得到电流输出y′。
(2-3)训练模型：将X′和Y′按7:3划分为训练集和测试集，定义损失函数为用电器d′实际电流Y′和预测电流y′的均方误差，利用训练集中的X′和Y′采用随机梯度下降法训练(2-2)中的网络模型。其中Y′在时间点t的数据基于X′中时间点t-T到t的数据训练得到。
(2-4)测试模型：以测试集的X′和Y′测试步骤(3)中模型测试用电器d的分解效果，分解效果利用测试集的X′和Y′损失函数衡量。
(2-5)调整模型：根据步骤(1-4)调整步骤(1-2)中的各层神经元节点数目，卷积层卷积核，卷积层激活函数等参数；不同用电器对应的网络结构有所区别，比如热水器去掉卷积层有更好效果，而洗衣机去掉长短时记忆网络有更好效果。调整模型直到测试集的损失函数值得到满足。
通过所述步骤(2-1)到(2-5)对每种用电器建立神经网络模型，所述神经网络模型分为A、B两类，A类模型对应该用电器电流数据被采集模块采集情形， B类模型对应该用电器电流数据未被任何采集模块采集情形。
3、用电报告生成，如图4所示
(3-1)数据获取：在配置有智能电表、若干智能插座和若干钳形电流采集器的实际家庭环境下，循环获取T时间段内智能电表采集的总电流DM，采集模块r1,r2,r3,...,rh采集的电流DR1,DR2,DR3,...,DRh构成DR(h为采集模块数量)， DR1,DR2,DR3,...,DRh按采样时刻求和构成DS,DS即各采集模块所测电流数据之和。
(3-2)模型检测：对采集模块rd下的用电器d1,取DR中中对应的电流数据DRd，与DM合并为X，输入到各用电器的A类模型中，输出各类用电器的功率Y。，Y为一矩阵，其行数为A类模型中用电器类别数量，每行表示该类用电器的功率变化；对孤立用电器d2，将DS与DM合并为XS，输入到各用电器的B类模型中，输出各类用电器的功率YS，YS为一矩阵，其行数为B类模型中用电器类别数量，每行表示该类用电器的功率变化。
(3-3)用电器筛选：从智能电表中获取采集模块rd的布局图，根据布局图中用电器类别选择Y中对应行，整合为采集模块rd的各类别用电器功率矩阵Yd。 Yd中某行表示用电器d1功率变化，可以结合d1实际类别确定具体行数。根据Yd可进一步计算各类别用电器功率曲线，并得到流经rd实际总电流Id；根据智能电表中存储的预期孤立用电器类别筛选功率YS，得到各孤立用电器的功率曲线，结合d2实际类别确定具体行数。
(3-4)生成用电报告：(3-1)到(3-3)以用电器d1、d2为例说明了如何利用两类神经网络模型得到各用电器功率曲线及流经采集模块ri的总电流Ii，这些数据可通过图表的形式生成用电报告。
4、用电控制，如图5所示
智能电表对智能插座的控制通过如下步骤进行：
(4-1)电流数据异常检测：智能电表分析DR中来自于智能插座的电流数据，若超过预期总电流的50％，则判定产生异常，将该智能插座断开；
(4-2)模型输出异常检测：分析用电报告中经智能插座控制的用电器功率曲线，若瞬时功率超过用电器额定功率的2倍，则判定产生异常，将对应的智能插座断开；
(4-3)用户自定义控制：在步骤(4-1)、(4-2)未检测到异常的情况下，根据用户预设的定时任务开关相应智能插座。
采用如图1所示的测试模型对本发明的控制系统进行测试。
(1)在电扇正常工作时，扇面正常转动，流经智能插座的电流是正常的；当对电扇施加干扰，扇叶被异物卡住时，电扇内部电机堵转，电流将变为原来的十几倍，此时，智能电表检测出智能插座总电流异常，将智能插座开关自动断开。
(2)通过交互界面设定电视机的播放时间为17:00～19:00。在19:01分，智能插座自动断开电源，关闭电视机。
Claims (5)
1.一种基于家居负荷分解的用电控制系统，其特征在于，包括一台智能电表、若干采集模块以及若干智能插座；所述的采集模块包括钳形电流采集器和嵌于智能插座中的数据采集部分，所述采集模块采集一个或多个用电器的总电流；所述的智能插座对与它连接的所有用电器提供电能并统一控制；所述的控制系统中，存在部分孤立用电器不被采集模块测量电流，或不被智能插座控制仅由普通插座提供电能；所述智能电表中存储有采集模块的布局图和预期孤立用电器类别，布局图记录各个采集模块的编号、各个采集模块对应的预期用电器及预期总电流；智能电表采集家庭用户的总电流DM，同时获取所有采集模块采集的电流信号DR，将DM和DR输入到预先训练好的神经网络模型，根据神经网络模型的输出生成用电报告，并控制智能插座的通断，进而控制连接的所有用电器的开关；所述神经网络模型通过如下步骤得到：
(1-1)样本获取：在布局有上述控制系统的模拟家庭环境下，针对任一台用电器d，获取其实际实时电流Y′，Y′为1×p矩阵，p为采样次数；智能电表实时采集总电流D′M，D′M为1×p矩阵，采集模块r1′,r2′,r3′,...,rh′在不同的采样时刻实时采集电流，分别得到电流序列D′R1,D′R2,D′R3,...,D′Rh，h为采集模块数量；D′R1,D′R2,D′R3,...,D′Rh构成h×p矩阵D′R，即
D′R1,D′R2,D′R3,...,D′Rh按采样时刻分别对不同的采集模块采集到的电流数据求和构成1×p矩阵D′S，即D′S各元素分别对应相应采样时刻下各采集模块所采集电流数据之和；若用电器d包含在采集模块ri′所采集的若干用电器中，则将D′M和D′Ri合并为矩阵X′；否则将D′M和D′S合并为矩阵X′；
(1-2)设计包含有递归神经网络层，卷积神经网络层、全连接层的深度神经网络；
(1-3)训练模型：将X′和Y′划分为训练集和测试集，定义损失函数，利用训练集中的X′和Y′训练模型；Y′中时间点t的数据基于X′中时间点t-T到t的数据训练得到；
(1-4)测试模型：以测试集的X′和Y′测试步骤(1-3)中模型对用电器d的分解效果；
(1-5)调整模型：根据步骤(1-4)调整步骤(1-2)中的各深度神经网络参数；
通过所述步骤(1-1)到(1-5)对每种用电器建立神经网络模型，所述神经网络模型分为A、B两类，A类模型对应该用电器电流数据被采集模块采集情形，B类模型对应该用电器电流数据未被任何采集模块采集情形；
所述的根据神经网络模型的输出生成用电报告通过如下步骤得到：
(2-1)数据获取：在实际家庭环境下，循环获取T时间段内智能电表采集的总电流DM，DM为1×p矩阵，采集模块r1,r2,r3,...,rh在不同的采样时刻实时采集电流，分别得到电流序列DR1,DR2,DR3,...,DRh并构成h×p矩阵DR，即
DR1,DR2,DR3,...,DRh按采样时刻分别对不同的采集模块采集到的电流数据求和构成1×p矩阵DS,即DS各元素分别对应相应采样时刻下各采集模块所采集电流数据之和；
(2-2)模型检测：对DR中的每一行DRi，与DM合并为矩阵Xi；Xi输入到各用电器的A类模型中，输出各类用电器的功率Yi，其中，i的取值范围为1～h，Yi为一矩阵，其行数为A类模型中用电器类别数量，每行表示该类用电器的功率变化；将DS与DM合并为矩阵XS；XS输入到各用电器的B类模型中，输出各类用电器的功率YS，YS为一矩阵，其行数为B类模型中用电器类别数量，每行表示该类用电器的功率变化；
(2-3)用电器筛选：各类用电器的功率Yi与采集模块ri对应，根据布局图中ri的预期用电器种类选择Yi中的用电器，得出采集模块ri所采集用电器功率曲线及流经实际总电流Ii；根据预期孤立用电器类别筛选功率YS，得到各孤立用电器的功率曲线；
(2-4)生成用电报告：根据(2-3)的结果得到各用电器功率曲线及流经采集模块ri的总电流Ii；
智能电表对智能插座的控制通过如下步骤进行：
(3-1)电流数据异常检测：智能电表分析DR中来自于智能插座的电流数据，若超过预期总电流的50％，则判定产生异常，将该智能插座断开；
(3-2)模型输出异常检测：分析用电报告中经智能插座控制的用电器功率曲线，若瞬时功率超过用电器额定功率的2倍，则判定产生异常，将对应的智能插座断开；
(3-3)用户自定义控制：在步骤(3-1)、(3-2)未检测到异常的情况下，根据用户预设的定时任务开关相应智能插座。
2.根据权利要求1所述的控制系统，其特征在于，所述深度神经网络由输入层、递归神经网络层、卷积神经网络层、全连接层、输出层组成，其中输入层节点数为2，递归神经网络层、卷积神经网络层、全连接层的层数及节点数取值不固定，输出层节点数为1。
3.根据权利要求2所述的控制系统，其特征在于，所述递归神经网络层采用长短时记忆网络，记忆步长在30-60之间，卷积神经网络层附加最大值池化层，全连接层的激活函数为ReLU函数；深度神经网络各层的权重采用随机值初始化，训练方法采用随机梯度下降法。
4.根据权利要求1所述的控制系统，其特征在于，所述智能电表内置的深度神经网络模型在云端更新，并在本地计算。
5.根据权利要求1所述的控制系统，其特征在于，神经网络模型的获取步骤(1-3)中的T选取时长30秒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810645299.4A CN108879702B (zh) | 2018-06-21 | 2018-06-21 | 一种基于家居负荷分解的用电控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810645299.4A CN108879702B (zh) | 2018-06-21 | 2018-06-21 | 一种基于家居负荷分解的用电控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108879702A CN108879702A (zh) | 2018-11-23 |
| CN108879702B true CN108879702B (zh) | 2020-10-27 |
Family
ID=64340714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810645299.4A Active CN108879702B (zh) | 2018-06-21 | 2018-06-21 | 一种基于家居负荷分解的用电控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108879702B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109613362B (zh) * | 2018-12-14 | 2021-02-26 | 四川长虹电器股份有限公司 | 非侵入式电器数量识别方法 |
| CN110555972B (zh) * | 2019-06-06 | 2021-08-13 | 国网浙江省电力有限公司 | 基于智能插座采集海量数据的家用电器使用频率优化方法 |
| CN110415487B (zh) * | 2019-06-06 | 2021-08-10 | 国网浙江省电力有限公司 | 一种基于物联网的空巢老人健康监测的优化分析方法 |
| CN110443479A (zh) * | 2019-07-25 | 2019-11-12 | 东南大学 | 一种智慧社区半侵入式电能管理系统及方法 |
| CN110932397A (zh) * | 2019-11-27 | 2020-03-27 | 国网天津市电力公司电力科学研究院 | 一种基于非侵入式技术的居民户内电器分布式控制系统 |
| CN111311434B (zh) * | 2020-02-14 | 2021-04-16 | 广州水沐青华科技有限公司 | 用电设备负荷分离方法、装置、计算机设备和存储介质 |
| CN111404222B (zh) * | 2020-03-05 | 2023-10-31 | 深圳渊联技术有限公司 | 设备采样装置及工作、管理方法、管理平台、管理系统 |
| CN112039218B (zh) * | 2020-11-04 | 2021-03-23 | 天津滨电电力工程有限公司 | 一种用于商业环境的电器精细化用电监测方法及系统 |
| CN112751416A (zh) * | 2020-12-29 | 2021-05-04 | 潘建宏 | 智能用户用电行为分析系统 |
| CN113759733A (zh) * | 2021-06-23 | 2021-12-07 | 国网浙江省电力有限公司嘉兴供电公司 | 一种结合电能调度的智能家居系统及其控制方法 |
| CN113964844B (zh) * | 2021-11-01 | 2023-10-31 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于5g公网隧道时间窗口的切负荷控制系统 |
| CN114200381B (zh) * | 2021-12-10 | 2024-06-18 | 苏州昊星海洲科技有限公司 | 一种智能电表可靠性检测系统和方法 |
| CN114977176B (zh) * | 2022-07-19 | 2022-11-18 | 深圳江行联加智能科技有限公司 | 电力负荷分解方法、装置、设备及存储介质 |
| CN118033232B (zh) * | 2024-03-05 | 2024-08-13 | 中电装备山东电子有限公司 | 一种基于可识别电器功率的转接插头的精细化智能电能表 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022645A (zh) * | 2016-06-07 | 2016-10-12 | 李祖毅 | 非侵入式在线实时电力负荷识别方法及识别系统 |
| CN106096726A (zh) * | 2016-05-31 | 2016-11-09 | 华北电力大学 | 一种非侵入式负荷监测方法及装置 |
| CN106815677A (zh) * | 2016-12-09 | 2017-06-09 | 国网北京市电力公司 | 非侵入式负荷识别方法和装置 |
| CN107122790A (zh) * | 2017-03-15 | 2017-09-01 | 华北电力大学 | 基于混合神经网络和集成学习的非侵入式负荷识别算法 |
| CN107145098A (zh) * | 2017-05-03 | 2017-09-08 | 贵州蜂能科技发展有限公司 | 一种智能插座及家庭用电智能控制方法 |
| CN107392391A (zh) * | 2017-08-10 | 2017-11-24 | 天津求实智源科技有限公司 | 一种基于深度学习的电力负荷用电分解方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103001230B (zh) * | 2012-11-16 | 2014-10-15 | 天津大学 | 非侵入式电力负荷监测与分解的电流模式匹配方法 |
-
2018
- 2018-06-21 CN CN201810645299.4A patent/CN108879702B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096726A (zh) * | 2016-05-31 | 2016-11-09 | 华北电力大学 | 一种非侵入式负荷监测方法及装置 |
| CN106022645A (zh) * | 2016-06-07 | 2016-10-12 | 李祖毅 | 非侵入式在线实时电力负荷识别方法及识别系统 |
| CN106815677A (zh) * | 2016-12-09 | 2017-06-09 | 国网北京市电力公司 | 非侵入式负荷识别方法和装置 |
| CN107122790A (zh) * | 2017-03-15 | 2017-09-01 | 华北电力大学 | 基于混合神经网络和集成学习的非侵入式负荷识别算法 |
| CN107145098A (zh) * | 2017-05-03 | 2017-09-08 | 贵州蜂能科技发展有限公司 | 一种智能插座及家庭用电智能控制方法 |
| CN107392391A (zh) * | 2017-08-10 | 2017-11-24 | 天津求实智源科技有限公司 | 一种基于深度学习的电力负荷用电分解方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108879702A (zh) | 2018-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108879702B (zh) | 一种基于家居负荷分解的用电控制系统 | |
| CN105719466A (zh) | 一种基于配电系统的远程抄表系统 | |
| CN106340884B (zh) | 基于混合功率判据的非侵入式非变频冰箱启动辨识方法 | |
| CN109217466A (zh) | 一种电力运维监控系统及方法 | |
| Lin et al. | Design and implementation of a smart home energy saving system with active loading feature identification and power management | |
| CN104678261A (zh) | 接地网腐蚀状态检测装置及方法 | |
| CN105143892A (zh) | 电能测量装置和使用该装置的电能测量信息标记系统 | |
| CN105738736B (zh) | 一种智能变电站二次设备全景测试系统、构建及测试方法 | |
| CN110850357B (zh) | 一种电能计量装置远程综合处理系统 | |
| CN109975694A (zh) | 一种继电器状态监测系统 | |
| CN106655516A (zh) | 电源设备采集装置及远程故障诊断系统 | |
| CN111464366A (zh) | 一种基于电量比对和地理定位的台区拓扑识别方法 | |
| CN111754752A (zh) | 一种基于在线算法的物联网智能燃气网络系统及监测方法 | |
| CN103885097B (zh) | 气象站综合测试系统 | |
| CN106324409A (zh) | 一种变压器分接头在线显示装置及系统 | |
| CN212256562U (zh) | 一种基于在线算法的物联网智能燃气网络系统 | |
| CN103558482B (zh) | 一种变压器套管剩余寿命检测方法 | |
| CN117176201A (zh) | 一种hplc+hrf双模通信传输用电数据的系统 | |
| CN205670233U (zh) | 一种电能替代电量采集系统及电能替代监测装置 | |
| CN204462309U (zh) | 接地网腐蚀状态检测装置 | |
| CN204010288U (zh) | 一种用电信息远程无线终端采集器 | |
| CN206807149U (zh) | 一种基于宽带电力线载波的用电安全控制系统 | |
| CN213183074U (zh) | 一种远程抄表的智能空开 | |
| CN107238754B (zh) | 一种检测电量的方法和装置 | |
| CN207908578U (zh) | 电子烟测试仪 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |