CN111753968A - 非侵入式负荷监测智能电表和电量分解方法 - Google Patents

Abstract

本发明提供一种非侵入式负荷监测智能电表，包括智能电表主体、数据中心模块，以及与所述数据中心模块通信相连的电量分解模块和显示模块；所述电量分解模块用于使用预先训练的电量分解模型对总线路用电量基于设备进行分解，将分解结果发送至数据中心模块；所述电量分解模型是使用样本用电总量对应的序列数据和各个设备的样本用电量进行训练得到；所述数据中心模块，用于获取所述电量分解模块生成的分解结果，将所述分解结果发送至所述显示模块显示。本发明能够快速计算各个设备的用电量，运算量小，可由智能电表本地完成，提高了智能电表的普及性和适用性；运算速度快，适于用户实时了解家中设备耗电情况，合理用电。

Description

非侵入式负荷监测智能电表和电量分解方法

技术领域

本发明涉及用电负荷监测领域，具体而言涉及一种非侵入式负荷监测智能电表和电量分解方法。

背景技术

伴随着科学技术的不断进步发展，智能电表正在不断普及。现有的智能电表是一种数字电度表，可以精确的标示出用电量，并通过网络回报信息，它可以成为智能电网的一部分，智能电表现在主要创建在AMI电网架构之上，数据可以上传回电力公司，用来协助进行电源管理，电费管理和故障管理等。负荷监测技术又称负荷识别技术，最早由MIT的Hart教授于19世纪80年代提出。负荷监测的目的是监测家庭中电器的实时状态和能耗，可以有效帮助用户了解家中用电情况，调整用电策略节约开支，帮助电力公司制定生产和调度计划，提高企业效益，减少能源浪费。负荷监测又分为侵入式负荷监测技术和非侵入式负荷监测技术，侵入式负荷监测技术需要在主线路和各个设备的线路上加装传感器监测设备功耗和状态而非侵入式负荷监测技术只需在主线路上安装传感器，显然非侵入式负荷监测方式系统安装更方便，成本更低廉，因此也广受学者们的关注。

专利号为CN109840691A中提出了一种基于深度神经网络的非侵入式分项电量估计方法，通过获取总量用电数据序列与目标电器用电数据序列，构建与训练电量估计神经网络，将现场采集到的总量用电数据按需分段，输入训练所得的深度神经网络，在线估计目标电器用电量。该方法针对单一目标电器的用电量具有较高的监测效果，但当目标电器较多时，仍需要逐一进行分析。专利号为CN110376457A提出了一种基于半监督学习算法的非侵入式负荷监测方法及装置，包括：S1，采集智能电表总用电量和各设备运行状态信息的时序信息，S2，预处理数据，S3，通过滑动一个时间长度来获得训练窗口，以总用电量序列作为输入窗口数据，以序列中点时间设备的开关状态作为输出标签，重复多次得到训练样本数据集，S4，使用训练样本训练神经网络模型，步骤S5，将待识别的总电量序列输入训练好的神经网络模型，可以获得正确的各设备运行状态。通过采用该发明可以精细化用户内部设备使用状态。采用前述方法，需要采集大量设备的时序信息和开关状态对模型进行训练，在模型训练完成后，导入总电量序列后，也需要经过大量运算才能获取到各设备的运行状态，运算过程复杂，很多时候需要借助远程服务器完成整个运算过程，难以由智能电表独立完成，普及难度大。另外，在实际应用过程中，由于大部分用电设备运行稳定，用户有时并不需要知晓每个设备的详细运行状态，只希望快速知晓每个设备的用电量，以判断是否需要调整用电设备。对于这部分用户来说，需要提出一种运算量更少可以由智能电表独立完成，且模型更易搭建的电量分解方法。

发明内容

本发明目的在于提供一种非侵入式负荷监测智能电表和电量分解方法，采用加入了注意力机制的序列到点模型，通过为各个不同尺寸的滑动窗口以及有功功率、无功功率、电压等各种物理量加权值，快速构建电量分解模型；所述电量分解模型只需知道总线路用电量，即可快速计算各个设备的用电量，运算量小，能够由智能电表本地完成，提高了智能电表的普及性和适用性；从负荷监测和电量分解的目的性出发，从大量物理量中筛选出电压、有功功率和无功功率三种最能直接反映负荷特性的物理量，同时考虑到用能设备的使用特性，选择一系列长度的滑动窗口，引入注意力机制，通过模型自己学习得到的权值对前述筛选出的各种特征进行加权处理，提高了电量分解的精确度；引入transformer编码解码框架，提高了运算速度，使用户能够实时掌握各个设备的用电量。

为达成上述目的，结合图1，本发明提出一种非侵入式负荷监测智能电表，包括智能电表主体，所述非侵入式负荷监测智能电表还包括数据中心模块、与所述数据中心模块通信相连的电量分解模块和显示模块；

所述电量分解模块，用于使用预先训练的电量分解模型对总线路用电量基于设备进行分解，将分解结果发送至数据中心模块；所述电量分解模型是使用样本用电总量对应的序列数据和各个设备的样本用电量进行训练得到；

所述数据中心模块，用于获取所述电量分解模块生成的分解结果，将所述分解结果发送至所述显示模块显示。

进一步地，所述电量分解模型为加入了注意力机制的序列到点模型，所述注意力机制用于为各个不同尺寸的滑动窗口以及包括有功功率、无功功率、电压在内的各种物理量加权值；所述加入了注意力机制的序列到点模型的输入为所述用电总量对应的序列数据，输出为各个设备的用电量。

进一步地，所述加入了注意力机制的序列到点模型将输入的总线路用电量通过通道注意力层对不同物理量进行加权，提取不同长度的滑动窗口下的数据的特征并对其进行针对不同长度窗口数据的加权融合，最后通过transformer编码解码框架获得各个设备的用电量；

所述加入了注意力机制的序列到点模型的计算过程包括以下步骤：

S11，选取有功功率、无功功率、电压三种物理量，采用CBAM模块中的通道注意力算法对不同物理量进行加权，其中，用于对不同物理量进行加权的权重参数由序列到点模型在训练过程中学习得到，学习过程包括以下步骤：

同时使用最大池化和均值池化算法，经过若干个MLP层获得变换结果，将变换结果分别应用于两个通道，使用激活函数得到各个通道的权重值；

S12，通过卷积操作进行特征提取，将特征张量送入编码器进行特征嵌入，将嵌入特征送入解码器获得输出，通过在总线路数据序列上起点不断向后移动，每次截取一定长度的数据，以选取得到一系列长度的滑动窗口；用同样的卷积神经网络对所述滑动窗口进行特征提取，提取到一系列特征后，采用CBAM模块中的通道注意力算法对其进行加权融合，其中，用于对不同长度窗口数据进行加权融合的权重参数由序列到点模型在训练过程中学习得到，学习过程包括以下步骤：

将通道本身进行降维，分别获取最大池化和均值池化结果，拼接成一个特征图，再使用一个卷积层进行学习。

目前针对非侵入式负荷监测这一问题，因为分解需要得到的输出物理量是有功功率，所以目前大多数方法的输入也是单一有功功率物理量，我们观察到在设备状态发生变化时，电压和无功功率的值也会产生波动且能够较好的反映电气特性。所以，本发明从若干物理量中筛选出这两个值，将之也纳入了输入物理量范围。应当注意的是这些不同的物理量对负荷分解过程的贡献并不一致，所以对不同物理量进行加权求和，本发明借鉴的是计算机视觉领域中提出的CBAM模块中的通道注意力的思想，采用的权重参数是模型在训练过程中自己学习得到的，具体方式是，同时使用最大池化和均值池化算法，然后经过几个MLP层获得变换结果，最后分别应用于两个通道，使用激活函数得到各个通道的权重值。

另一方面，本发明采用的是序列到点模型，通过卷积操作进行特征提取，然后将特征张量送入编码器，进行特征嵌入(embedding)，然后将嵌入特征送入解码器获得输出。其中，滑动窗口的获取过程为：在获取输入时，通过在总线路数据序列上起点不断向后移动，每次截取一定长度的数据获取的输入，进而得到一系列长度的滑动窗口。经研究发现，不同尺度的窗口特征的综合信息对负荷监测有所帮助。因此，本发明提出，选取一系列长度的滑动窗口，用同样的卷积神经网络对其进行特征提取，提取到一系列特征后，同样借鉴计算机视觉领域提出的CBAM模块的空间注意力机制思想对其进行加权融合。采用的权重参数是模型在训练过程中自己学习得到的，具体方式是，首先将通道本身进行降维，分别获取最大池化和均值池化结果，然后拼接成一个特征图，再使用一个卷积层进行学习。

综上，这就是电量分解模型对负荷进行监控的大致流程，将原始数据(总线路电量)通过通道注意力层对不同物理量进行加权，提取不同长度的滑动窗口下的数据的特征并对其进行针对不同长度窗口数据的加权融合，最后通过transformer编码解码框架获得输出(设备电量)。

进一步地，所述非侵入式负荷监测智能电表还包括：与所述数据中心模块通信相连的数据收发模块；

所述数据收发模块用于与外部设备建立通信连接，并通过该通信连接将包括所述分解结果在内的电表运行数据发送至所述外部设备。

进一步地，所述非侵入式负荷监测智能电表还包括：与所述数据中心模块通信相连的电量监控模块和报警模块；

所述电量监控模块用于监控所述总线路用电量或各个设备的用电量的变化是否存在异常；在存在异常时，向所述数据中心模块发送异常信息；

所述数据中心模块还用于在获取到所述异常信息时，控制所述报警模块生成并输出报警信息。

进一步地，所述数据中心模块还用于在接收到外部设备发送的异常指令时，控制所述报警模块生成并输出报警信息。

进一步地，所述非侵入式负荷监测智能电表还包括：与所述报警模块通信相连的开关控制模块；

所述报警模块还用于在生成报警信息后，将所述报警信息发送至所述开关控制模块；

所述开关控制模块用于在接收到所述报警模块发送的报警信息后，控制开关关闭，切断总线路电路。

进一步地，所述报警模块还用于在将所述报警信息发送至所述开关控制模块之后，若接收到所述数据中心模块或外部设备发送的报警解除信息，将所述报警解除信息发送至所述开关控制模块；

所述开关控制模块还用于在接收到所述报警解除信息后，控制开关开启，使总线路电路连通。

结合图2，本发明还提及一种非侵入式负荷监测电量分解方法，所述方法应用于前述所述智能电表，包括以下步骤：

S201，采集总线路上包括用电总量在内的用电参数；

S202，使用预先训练的电量分解模型对总线路用电量基于设备进行分解，得到分解结果；所述电量分解模型是使用样本用电总量对应的序列数据和各个设备的样本用电量进行训练得到，电量分解模型的输入为用电总量对应的序列数据，输出为各个设备的用电量；

S203，显示所述分解结果。

进一步地，所述电量分解模型的训练过程包括以下步骤：

首先将原始数据进行去除异常值和Min-Max归一化等预处理操作，设定一系列的滑动窗口长度值，然后对原始数据进行处理产生训练所需要的batch，每一个batch是一个四维张量、其维度分别为batch尺寸、不同尺寸的窗口数量、最大尺寸的窗口长度、物理量(通道)数量。

将batch输入数据后，首先进行针对通道的加权操作，具体做法是垂直于通道方向，对张量分别作最大池化和平均池化，将得到的这两个向量分别经过几个MLP层，将得到的结果进行求和并使用激活函数获得权重向量，将权重向量和未加权的数据相乘即可获得加权后的数据。

然后将针对不同尺度的窗口数据经过若干次卷积操作进行特征提取，每个尺度的创空间会获得一组特征，然后进行基于不同尺度窗口的加权操作，具体来说，首先进行降维操作，采用最大池化和平均池化操作，然后将结果进行拼接成为一个新的特征图，再利用卷积操作和激活函数获得权重向量，同理，将得到的权重向量乘未加权的数据张量即可获得加权后的张量。

然后将数据输入我们基于transformer框架实现的编码解码组件，即可得到输出数据。

训练模型的时候会将输出数据和真实值进行比较，将均方误差作为损失函数，不断优化模型参数，模型训练好了之后利用已经训练好的模型进行分解的时候则不会再调整参数。transformer框架最早提出应用于自然语言处理任务，为了使其能够顺利应用于负荷监测，本发明在前述输入量处理过程的基础上，通过对其微调的方式，使其能够成功适应本发明提出的的非侵入式负荷监视任务。

以上本发明的技术方案，与现有相比，其显著的有益效果在于：

(1)可以实现对用电总量进行分解和监控，提高智能电表的监控效果，便于用户了解家中设备耗电情况，合理用电。另外，通过将得到的数据反馈给其它设备，以供用户或电力司及时了解各种设备用电情况。

(2)采用加入了注意力机制的序列到点模型，通过为各个不同尺寸的滑动窗口以及有功功率、无功功率、电压等各种物理量加权值，快速构建电量分解模型。

(3)所述电量分解模型只需知道总线路用电量，即可快速计算各个设备的用电量，运算量小，能够由智能电表本地完成，提高了智能电表的普及性和适用性；运算速度快，适于用户实时掌握各个设备的用电量。

(4)采用电量监控模块、报警模块和开关控制模块，在总用电量或分设备用电量出现异常或收到指令的情况下发出警报并关闭开关，可以提高用电安全性。

(5)从负荷监测和电量分解的目的性出发，从大量物理量中筛选出电压、有功功率和无功功率三种最能直接反映负荷特性的物理量，同时考虑到用能设备的使用特性，选择一系列长度的滑动窗口，引入注意力机制，通过模型自己学习得到的权值对前述筛选出的各种特征进行加权处理，有效提高了电量分解的精确度。

(6)另外，本发明创新性的提出，电量分解模型基于“编码器—解码器”框架创建，这种框架的应用虽然目前十分普遍，但多是应用在自然语言处理任务领域，难以应用在电量分解和负荷监测领域。本发明通过对前述输入进行一系列的处理后，对transformer框架进行适应性地微调，使其能够成功应用于负荷监测领域。本发明使用transformer框架替换大多研究者使用的RNN或LSTM等结构，极大地加快计算速度。同时，本发明采用的transformer框架基于注意力机制的思想实现，完全弃除RNN或LSTM等结构，使数据并行计算成为了可能，transformer中的Attention机制可以帮助模型捕捉序列中的长距离信息，这对在分解运行时间较长的设备(比如洗衣机等)的时候比较有帮助。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是本发明的非侵入式负荷监测智能电表的结构示意图。

图2是本发明的非侵入式负荷监测电量分解方法的流程图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

首先，对本申请涉及的若干名词进行介绍。

序列到点(Sequence-to-point，Seq2point)模型：是指输入是总设备的窗口序列，输出是目标设备的单个点的计算模型。可选地，序列到点的模型可以是基于卷积神经网络训练得到的。

注意力(Attention)机制：attention机制的本质是从人类视觉注意力机制中获得灵感。人类视觉在感知东西的时候，一般不会是一个场景从到头看到尾每次全部都看，而往往是根据需求观察注意特定的一部分。在机器学习中应用Attention机制时对不同的数据处理时施加不同的注意力，即权重。

图1是本申请一个实施例提供的非侵入式负荷检测智能电表的结构示意图，如图1所示，该非侵入式至少包括：智能电表主体11；电量分解智能电表还包括：数据中心模块12、与数据中心模块12通信相连的电量分解模块13和显示模块14。

电量分解模块13，从数据采集模块15获取数据用于使用预先训练的电量分解模型对用电总量基于设备进行分解；将分解结果发送至数据中心模块12；电量分解模型是使用样本用电总量对应的序列数据和各个设备的样本用电量进行训练得到的。

数据中心模块12，用于获取电量分解模块13生成的分解结果；将分解结果发送至显示模块显示14。

数据采集模块15利用传感器等从物理线路获取并转换为可供电量分解模块处理的数据。

非侵入式负荷监测智能电表还包括：与数据中心模块12通信相连的数据收发模块16。

数据收发模块16，用于与其它设备建立通信连接，并通过该通信连接将分解结果发送至其它设备。可选地，其它设备可以是用户使用的终端设备，比如：手机、平板电脑、计算机等；或者，是电力公司使用的终端设备，本实施例不对其它设备的使用对象和设备类型作限定。

应当理解，数据收发模块16还可以用于将数据中心模块12获取到的其它数据发送至其它设备。比如：其它数据为用电总量、和/或下文中的异常信息等，本实施例不对其它数据的具体内容作限定。

可选地，电量分解模型为加入了注意力机制的序列到点模型，电量分解模型的输入为用电总量对应的序列数据、输出为各个设备的用电量。

本实施例中，将输入的用电总量视为一个序列数据，在序列数据上通过滑动窗口产生模型输入，采用注意力机制为不同尺寸的滑动窗口加不同的权重，通过训练模型，使得模型的输出为各个设备的用电量，以达到分解总用电量的目的。

具体来说是，首先将原始数据进行去除异常值和Min-Max归一化等预处理操作，设定一系列的滑动窗口长度值，然后对原始数据进行处理产生训练所需要的batch，每一个batch是一个四维张量，其维度分别为batch尺寸、不同尺寸的窗口数量、最大尺寸的窗口长度、物理量(通道)数量。将batch输入数据后，首先进行针对通道的加权操作，具体做法是垂直于通道方向，对张量分别作最大池化和平均池化，将得到的这两个向量分别经过几个MLP层，将得到的结果进行求和并使用激活函数获得权重向量，将权重向量和未加权的数据相乘即可获得加权后的数据。然后将针对不同尺度的窗口数据经过若干次卷积操作进行特征提取，每个尺度的创空间会获得一组特征，然后进行基于不同尺度窗口的加权操作，具体来说，首先进行降维操作，采用最大池化和平均池化操作，然后将结果进行拼接成为一个新的特征图，再利用卷积操作和激活函数获得权重向量，同理，将得到的权重向量乘未加权的数据张量即可获得加权后的张量。然后将数据输入我们基于transformer框架实现的编码解码组件，即可得到输出数据，训练模型的时候会将输出数据和真实值进行比较，将均方误差作为损失函数，不断优化模型参数，模型训练好了之后利用已经训练好的模型进行分解的时候则不会再调整参数。

本发明的电量分解模型从三个方面对现有技术进行了创新：

第一，输入多种物理量并通过注意力机制的思想为其进行加权。其背后的思想是，虽然要分解的输出是有功功率，但当某个设备运行状态发生改变时，总线路中不只有有功功率会发生变化，其他物理量也会发生变化，例如电压和无功功率也会产生波动，也可作为分解辅助信息。为了简化过程，目前所有的电量分解方法中采用都只有有功功率，即使有部分研究人员提出可以引入辅助参量，却无法判断哪些物理量可以引入，又如何引入。针对这一技术问题，经大量研究，本发明从中筛选出最高效的两种辅助物理量：电压和无功功率。但筛选出的三种物理量对分解有功功率来说贡献不一样，具体值是未知的，因此，本发明又提出，采用模型自己学习的方式，获得权重向量来为不同物理量进行加权，并提出了一种具体的学习方法。

第二，针对不同尺度的窗口提取出来的特征进行加权融合。其背后的思想是，在不同长度的滑动窗口上提取到的特征具有不同信息的特征，特别是针对洗衣机这种运行时间较长的设备来说，在进行能量分解到某一时间点时候，可能同时需要近两分钟，五分钟，半小时，一小时的特征信息，这种多维度的特征信息有助于提高模型分解的准确性，这些不同长度滑窗上的特征对分解的贡献也不尽相同，本发明提出，仍然基于注意力机制的思想为这些进行加权，并针对性的提出了一种权重向量的学习方法。

第三，采用transformer结构替代传统的RNN或LSTM结构实现编码解码操作，我们这么做的原因是，目前的电量分解模型的运算速度太慢，难以实现实时性的需求。transformer是近几年提出的比较先进的通用框架，通常用于自然语言处理任务领域，难以应用在电量分解和负荷监测领域。本发明通过对前述物理量和滑动窗口进行处理，并基于处理结果对transformer结构进行微调，使其能够成功应用在电量分解领域。采用这种结构可以在能够捕捉到使用RNN或LSTM时获得的序列中远距离关系的同时简化了结构提升了计算速度，并使并行计算成为了可能，极大地提高了负荷监测效率，为智能电表电量分解的实时性提供了运算基础。

可选地，非侵入式负荷监测智能电表还包括：与数据中心模块12通信相连的电量监控模块17和报警模块18。

电量监控模块17，用于监控用电总量和各分设备用电量的变化是否存在异常；在存在异常时，向数据中心模块12发送异常信息。数据中心模块12，还用于在获取到异常信息时，控制报警模块18生成并输出报警信息。优选的，报警模块18输出报警信息的方式包括但不限于：通过光信号输出、音频信号输出、和/或图像信号输出等。

数据中心模块12，还用于在接收到其它设备发送的异常指令时，控制报警模块18生成并输出报警信息。

更加优选的，非侵入式负荷监测智能电表还包括：与报警模块18通信相连的开关控制模块19。报警模块18在生成报警信息后，将报警信息发送至开关控制模块19。开关控制模块19在接收到报警模块发送的报警信息后，控制开关关闭，以切断用户电路。

可选地，报警模块18在将报警信息发送至开关控制模块19之后，若接收到数据中心模块12发送的报警解除信息，则将报警解除信息发送至开关控制模块19。开关控制模块19在接收到报警解除信息后，控制开关开启，以接通用户电路。优选的，报警解除信息由其它设备发送至数据中心模块；或者，由数据中心模块生成，比如：数据中心模块在发送异常信息之后的预设时长内生成。其中，预设时长可以是10分钟、5分钟等，本实施例不对预设时长的取值作限定。

综上所述，本发明所提及的通过设置数据中心模块、与数据中心模块通信相连的电量分解模块和显示模块。其中，数据采集模块从用户线路中获取并生成电量分解模块的输入，电量分解模块用于使用预先训练的电量分解模型对用电总量数据基于设备进行分解；将分解结果发送至数据中心模块；电量分解模型是使用样本用电总量对应的序列数据和各个设备的样本样本进行训练得到的；数据中心模块用于获取电量分解模块生成的分解结果；将分解结果发送至显示模块显示。本发明可以解决现有的智能电表无法显示各个设备具体的用电情况的问题。由于可以实现对用电总量进行分解和监控，可以提高智能电表的监控效果，以便用户了解家中设备耗电情况，合理用电。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (10)

1.一种非侵入式负荷监测智能电表，包括智能电表主体，其特征在于，所述非侵入式负荷监测智能电表还包括数据中心模块、与所述数据中心模块通信相连的电量分解模块和显示模块；

所述电量分解模块，用于使用预先训练的电量分解模型对总线路用电量基于设备进行分解，将分解结果发送至数据中心模块；所述电量分解模型是使用样本用电总量对应的序列数据和各个设备的样本用电量进行训练得到；

所述数据中心模块，用于获取所述电量分解模块生成的分解结果，将所述分解结果发送至所述显示模块显示。

2.根据权利要求1所述的非侵入式负荷监测智能电表，其特征在于，所述电量分解模型为加入了注意力机制的序列到点模型，所述注意力机制用于为各个不同尺寸的滑动窗口以及包括有功功率、无功功率、电压在内的各种物理量加权值；所述加入了注意力机制的序列到点模型的输入为所述用电总量对应的序列数据，输出为各个设备的用电量。

3.根据权利要求1所述的非侵入式负荷监测智能电表，其特征在于，所述加入了注意力机制的序列到点模型将输入的总线路用电量通过通道注意力层对不同物理量进行加权，提取不同长度的滑动窗口下的数据的特征并对其进行针对不同长度窗口数据的加权融合，最后通过transformer编码解码框架获得各个设备的用电量；

所述加入了注意力机制的序列到点模型的计算过程包括以下步骤：

S11，选取有功功率、无功功率、电压三种物理量，采用CBAM模块中的通道注意力算法对不同物理量进行加权，其中，用于对不同物理量进行加权的权重参数由序列到点模型在训练过程中学习得到，学习过程包括以下步骤：

同时使用最大池化和均值池化算法，经过若干个MLP层获得变换结果，将变换结果分别应用于两个通道，使用激活函数得到各个通道的权重值；

S12，通过卷积操作进行特征提取，将特征张量送入编码器进行特征嵌入，将嵌入特征送入解码器获得输出，通过在总线路数据序列上起点不断向后移动，每次截取一定长度的数据，以选取得到一系列长度的滑动窗口；用同样的卷积神经网络对所述滑动窗口进行特征提取，提取到一系列特征后，采用CBAM模块中的通道注意力算法对其进行加权融合，其中，用于对不同长度窗口数据进行加权融合的权重参数由序列到点模型在训练过程中学习得到，学习过程包括以下步骤：

将通道本身进行降维，分别获取最大池化和均值池化结果，拼接成一个特征图，再使用一个卷积层进行学习。

4.根据权利要求1所述的非侵入式负荷监测智能电表，其特征在于，所述非侵入式负荷监测智能电表还包括：与所述数据中心模块通信相连的数据收发模块；

所述数据收发模块用于与外部设备建立通信连接，并通过该通信连接将包括所述分解结果在内的电表运行数据发送至所述外部设备。

5.根据权利要求1所述的非侵入式负荷监测智能电表，其特征在于，所述非侵入式负荷监测智能电表还包括：与所述数据中心模块通信相连的电量监控模块和报警模块；

所述电量监控模块用于监控所述总线路用电量或各个设备的用电量的变化是否存在异常；在存在异常时，向所述数据中心模块发送异常信息；

所述数据中心模块还用于在获取到所述异常信息时，控制所述报警模块生成并输出报警信息。

6.根据权利要求5所述的非侵入式负荷监测智能电表，其特征在于，所述数据中心模块还用于在接收到外部设备发送的异常指令时，控制所述报警模块生成并输出报警信息。

7.根据权利要求5所述的非侵入式负荷监测智能电表，其特征在于，所述非侵入式负荷监测智能电表还包括：与所述报警模块通信相连的开关控制模块；

所述报警模块还用于在生成报警信息后，将所述报警信息发送至所述开关控制模块；

所述开关控制模块用于在接收到所述报警模块发送的报警信息后，控制开关关闭，切断总线路电路。

8.根据权利要求7所述的非侵入式负荷监测智能电表，其特征在于，所述报警模块还用于在将所述报警信息发送至所述开关控制模块之后，若接收到所述数据中心模块或外部设备发送的报警解除信息，将所述报警解除信息发送至所述开关控制模块；

所述开关控制模块还用于在接收到所述报警解除信息后，控制开关开启，使总线路电路连通。

9.一种非侵入式负荷监测电量分解方法，其特征在于，所述方法应用于如权利要求1-8任意一项中所述智能电表，包括以下步骤：

采集总线路上包括用电总量在内的用电参数；

使用预先训练的电量分解模型对总线路用电量基于设备进行分解，得到分解结果；所述电量分解模型是使用样本用电总量对应的序列数据和各个设备的样本用电量进行训练得到，电量分解模型的输入为用电总量对应的序列数据，输出为各个设备的用电量；

显示所述分解结果。

10.根据权利要求9所述的非侵入式负荷监测电量分解方法，其特征在于，所述电量分解模型的训练过程包括以下步骤：

S1，将原始数据进行包括去除异常值和Min-Max归一化在内的预处理操作；

S2，设定一系列的滑动窗口长度值，对原始数据进行处理产生训练所需要的batch，每一个batch是一个四维张量，其维度分别为batch尺寸、不同尺寸的窗口数量、最大尺寸的窗口长度和物理量数量；

S3，将batch输入数据后，首先进行针对物理量的加权操作，再针对不同尺度的窗口数据经过若干次卷积操作进行特征提取，每个尺度的创空间获得一组特征，进行基于不同尺度窗口的加权操作；

S4，将数据输入基于transformer框架实现的编码解码组件，得到输出数据；

步骤S3中，针对物理量的加权操作包括：

垂直于通道方向，对特征张量分别作最大池化和平均池化，得到的两个向量分别经过若干个MLP层，再将得到的结果进行求和并使用激活函数获得权重向量，将权重向量和未加权的数据相乘获得加权后的数据；

步骤S3中，进行基于不同尺度窗口的加权操作包括：

首先进行降维操作，采用最大池化和平均池化操作，然后将结果进行拼接成为一个新的特征图，再利用卷积操作和激活函数获得权重向量，将得到的权重向量乘未加权的数据张量获得加权后的张量。

Images