CN112396098A - 非嵌入式公寓电器负荷识别分析方法、系统及应用 - Google Patents
非嵌入式公寓电器负荷识别分析方法、系统及应用 Download PDFInfo
- Publication number
- CN112396098A CN112396098A CN202011260647.XA CN202011260647A CN112396098A CN 112396098 A CN112396098 A CN 112396098A CN 202011260647 A CN202011260647 A CN 202011260647A CN 112396098 A CN112396098 A CN 112396098A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- electrical appliance
- electric appliance
- appliance
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 27
- 239000006185 dispersion Substances 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000011897 real-time detection Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 23
- 238000013528 artificial neural network Methods 0.000 abstract description 14
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 240000007651 Rubus glaucus Species 0.000 description 3
- 235000011034 Rubus glaucus Nutrition 0.000 description 3
- 235000009122 Rubus idaeus Nutrition 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开一种非嵌入式公寓电器负荷识别分析方法、系统及应用，涉及智慧电网应用技术领域。对采集各个电器的电压、电流、有功功率、功率因数历史数据，使用神经网络模型进行训练；计算出一段时间内电器的电流离散程度，取稳态数据的数据数列，计算所述数据数列标准差，作为离散度；利用训练好的神经网络模型对电流离散度进行判断，识别出某类电器负荷运行情况。本发明接入的电力数据具有普遍性、通用性，易于采集特点。需要的必备参数具有普遍适用性，如电压、电流、有功功率、功率因数等。本发明搭载多种专业算法如深度学习算法、神经网络、违规判断等。本发明结合计算机高速度计算，结果相应及时、准确。
Description
技术领域
本发明公开涉及智慧电网应用技术领域，尤其涉及一种非嵌入式公寓电器负荷识别分析方法、系统及应用。
背景技术
非侵入式负荷识别技术作为智能电网需求侧能源管理的基础，在优化电网供求关系、促进节能减排等方面具有广阔的应用前景。
目前，非嵌入式公寓电器负荷识别的应用价值和应用前景毋庸置疑，很多行业企业也在开展此技术的研发。
非侵入式用电监测，直接在用户总的进线端进行测量，根据进线端的电流、电压、有功功率、功率因数推算出家庭当中有哪一些用电器正在使用，目前已经有不少国内外的专家对此进行了研究。
非侵入式负荷识别包含前处理过程，负荷时序状态变动检测，用电负荷差异化特征提取。非侵入式负荷统计识别方法，基于模板匹配的负荷识别模型和基于稳态电流分解的负荷识别模型；用电负荷智能识别方法，包括基于机器学习的负荷识别模型，基于隐含马尔可夫的负荷识别模型和基于深度学习的负荷识别模型；非侵入式负荷识别在智能用电负荷预测方法中的应用，包括用电负荷时序确定性预测和用电负荷时序区间预测。
负荷识别方法通常对负荷特征进行学习和训练，过程繁琐，需要的样本也较大，因此如何简化训练过程，减小计算量并提高识别准确率是研究的重点。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有技术的公寓电器负荷识别硬件设备成本高、响应速度慢。
(2)现有技术的公寓电器负荷识别软件识别公寓电器负荷精准度低，不能实时对用电负荷情况进行定位。
(3)现有技术的公寓电器负荷识别软件对接入的电力数据不易于采集，造成计算结果不准确。不能帮助用户实时掌握违规用电的情况。
解决以上问题及缺陷的难度为：
本发明针对的主要是商用公寓，特别是蓝领公寓的电器负荷识别，从需求侧负荷来源到负荷判断，缩小了负荷识别的范围，有助于提高负荷识别精度，大大降低了负荷识别不准确的问题。
本发明结合硬件应用于商业公寓中，软硬件相结合，降低了改造成本，提高了本发明的使用价值。
解决以上问题及缺陷的意义为：
本发明来源于实际需求，目的是解决以上问题及缺陷，从而满足实际应用的需要，达到负荷识别准确、快速且具有较强经济性，能够应用到实际中去，为需求者所接受。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了面向用户侧窃电行为识别分析算法。所述技术方案如下：
根据本发明公开实施例的第一方面，提供一种非嵌入式公寓电器负荷识别分析方法，包括：
(1)对采集各个电器的电压、电流、有功功率、功率因数历史数据，使用神经网络模型进行训练；所述使用神经网络模型进行训练包括：对采集各个电器的历史数据分纬度(电压、电流、有功功率、功率因数按列排列)；数据的每一行(电压、电流、有功功率、功率因数)都对应某一类电器，对各个电器的标签数字化(1代表热得快、2代表电水壶、3代表微波炉、4代表电磁炉、5代表空调、6代表电吹风)；对历史数据的每一行进行打散后，逐行输入模型进行模型训练，训练100次后，得到稳定的电器识别准确率在93％左右，保存模型。
(2)计算出一段时间内电器的电流离散程度，取稳态数据的数据数列，计算所述数据数列标准差，作为离散度；
离散度结算：取一段时间(半分钟，数据是每秒一次，半分钟30个数据)组成电流数据数组，计算此数据的标准差
Xi表示数组中的每个电流，
表示n(30)个数据的平均值，n代表数组中数据的个数。
(3)利用训练好的神经网络模型对实时数据进行判断，识别出某类电器负荷运行情况。
判断步骤：调用前面已经训练好的违规电器神经网络识别模型对实时数据(电流、电压、功率因数、有功功率)进行实时检验，得出实时数据对应的电器标签(1代表热得快、2代表电水壶、3代表微波炉、4代表电磁炉、5代表空调、6代表电吹风)，进而转化成对应的电器来识别各种电器。
优选地，所述对采集各个电器的电压、电流、有功功率、功率因数历史数据进行存储、清洗，去除电器非稳态环境的数据。
优选地，所述利用训练好的神经网络模型对电流离散度进行判断中，对某一类电器进行多次检验，评估出某一类电器最多的次数，识别出是某一类电器。
优选地，所述神经网络模型MLPClassifier包括的参数：：
activation＝’relu’:激活函数，用于非线性识别；
Solver＝’adam’:随机梯度下降法，用于优化学习模型的参数权重，逐渐增大模型的准确度，最终选定一组最优的参数；
Max_iter＝10000:对给定的数据进行多次迭代；
Alpha＝0.0001:正则化参数，作为惩罚项，使得影响不明显的参数忽略，防止过拟合。
优选地，所述识别出某类电器负荷运行情况包括：
对待识别的电器预设黑白名单，若电器在黑名单中，则认为电器是不被允许使用的，若电器在白名单内，则认为电器是被允许使用；
若某一电器的功率超过阈值，则大功率电器预警。
优选地，所述大功率电器预警包括：
预设功能只有大功率预警：则超大功率报警，不超不报警；
预设功能只有违规电器预警：若待识别电器在黑名单中则报警，不在黑名单，则不报警。
优选地，所述预设功能只有大功率预警和只有违规电器预警进一步包括：
若待识别电器在黑名单内，并且超大功率：则大功率预警；
若待识别电器在白名单内，超大功率：不预警；
若待识别电器不在黑白名单内，超大公率：大功率预警；
若待识别电器在黑名单内，不超大功率：违规电器预警；
若待识别电器在白名单内，不超大功率：不预警。
根据本发明公开实施例的第二方面，提供一种非嵌入式公寓电器负荷识别分析系统，所述非嵌入式公寓电器负荷识别分析系统包括：
测量模块，根据提供的接口协议，得到电流、电压、功率因数参数，以及电器名称，将测量的数据信息通过插排传输给无线终端设备；
无线终端设备通过路由器将测量模块采集的所述数据信息传输给云服务器；
智能终端设备，应用EBIM可视化技术将云服务器的信息，直观展示违规用电行为；
同时者将违规用电行为的信息通过无线终端设备发送给控制模块，控制继电器对违规用电器进行控制。
根据本发明公开实施例的第三方面，提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求任意一项所述包括下列步骤：
对采集各个电器的电压、电流、有功功率、功率因数历史数据，使用神经网络模型进行训练；
计算出一段时间内电器的电流离散程度，取稳态数据的数据数列，计算所述数据数列标准差，作为离散度；
利用训练好的神经网络模型对电流离散度进行判断，识别出某类电器负荷运行情况。
根据本发明公开实施例的第四方面，提供一种非嵌入式公寓电器负荷识别分析方法在校园公寓电器、物业小区公寓电器负荷识别上的应用。
本发明公开的实施例提供的技术方案可以包括以下有益效果：本发明主要解决负荷识别的准确性、简化性和适用性问题。根据面向对象不同，负荷识别的内容不同。为解决公寓对象，特开发包含大功率条件的家用违规电器负荷识别算法。
非嵌入是公寓电器负荷识别的特征，本发明面向对象为公寓用户，这就排除了一些电器(非家用)的使用可能性，加大了精准识别家用电器的概率，大大提高了负荷识别的准确性。
整个过程可以分为公寓电器特征库的建立、数据采集与处理、特征提取、负荷识别、确定电器种类、违规判断分析等步骤。其中公寓用电器特征库的建立、特征提取、负荷识别是关键技术。
本发明只需通过对预处理的数据一次调用，由计算机自动训练，并不需要过多的人为干涉，而且通过多次预训练来提高精度。整个训练过程也就需15至20分钟，即可训练出准确率90％以上的模型。
本发明与现有技术相比较，本发明硬件设备具有成本低、反应速度快、升级便捷等特点。本发明针对性更强，识别公寓电器负荷更精准，及时反馈违规用电行为，节省人工排查的时间与人力物力的消耗，帮助管理者直接定位问题，有较好的经济性与安全性。
本发明的非嵌入式公寓电器负荷识别分析算法，还具有以下优点：
本发明接入的电力数据具有普遍性、通用性，易于采集特点。需要的必备参数具有普遍适用性，如电压、电流、有功功率、功率因数等。
本发明搭载多种专业算法如深度学习算法、神经网络、违规判断等。
本发明结合计算机高速度计算，结果相应及时、准确。
本发明使用便捷，可扩展性强。可结合计算机或手机端展示算法结果，用户实时掌握违规用电的情况。
结合实验或试验数据和现有技术对比得到的效果和优点，包括：
准确进行负荷识别，并结合设备黑白名单、大功率参照表(输入，可配置)得出违规电器及大功率使用；
本发明结合硬件采集设备应用，试验数据精准，达到公寓负荷识别的要求。成本低，实用性强，有较强的推广性。
当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是本发明实施例提供的非嵌入式公寓电器负荷识别分析方法流程图。
图2是本发明实施例提供的非嵌入式公寓电器负荷识别分析方法原理图。
图3是本发明实施例提供的非嵌入式公寓电器负荷识别分析系统示意图。
图4是本发明实施例提供的硬件与软件相结合实施例示意图。
图2-图4中：1、路由器；2、树莓派；3、无线终端设备；4、插排；5、测量模块；6、控制模块；7、继电器；8、智能终端设备端；9、云服务器。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本发明通过接入的采频率为1s的电压、电流、有功功率、功率因数，应用公寓电器负荷识别分析算法，得到负荷端用电信息。
本发明提供一种非嵌入式公寓电器负荷识别分析方法，包括：
对采集各个电器的电压、电流、有功功率、功率因数历史数据，使用神经网络模型进行训练；
计算出一段时间内电器的电流离散程度，取稳态数据的数据数列，计算所述数据数列标准差，作为离散度；
利用训练好的神经网络模型对电流离散度进行判断，识别出某类电器负荷运行情况。
具体地，如图1所示，本发明提供的非嵌入式公寓电器负荷识别分析方法包括：
S101，数据采集与处理：接入传感器的电压、电流、有功功率、功率因数，采集频率为1秒(合理采集频率1秒及以上均能实现，为了预警的实时性，频率越小越好)。对各个电器的电压、电流、有功功率、功率因数的数据进行存储、清洗(去除电器非稳态环境的数据，电器运行的前5秒数据和电器运行结束时的后5秒数据)、以便于后续的模型训练。
S102，计算出一段时间内电器的电流离散程度，取稳态数据(半分钟)的数据数列，计算其标准差，作为其离散度：各个电器电流平稳性不一样，有些电器比如热的快，电吹风等纯阻性电器的电流比较稳定，离散度比较小，电磁炉、微波炉等非纯阻性电器的电流不稳定，离散度比较大。电器一段时间内(半分钟)的电流的离散程度不一样，故可以作为判别电器的标准之一。
S103，模型训练：根据各个电器的历史数据(电压、电流、有功功率、功率因数)，使用神经网络模型对其训练，并把训练好的模型保存，以供后续检测电器设备时使用。
S104，实时获取电器数据并识别：获取一段时间(半分钟，合理范围半分钟至1分钟均可，为了识别的实时性，故选择半分钟)内待识别电器的电压、电流、有功功率、功率因数，并计算出其稳态的电流的离散度。利用训练好的神经网络模型对其进行判断，对某一类电器进行10次检验，评估出10次中模型认定为某一类电器最多的次数(没有下限值)，从而识别出是某一类电器。
S105，算法预警功能逻辑：电器黑白名单：对待识别的电器预设黑白名单，若电器在黑名单中，则认为电器是不被允许使用的，若电器在白名单内，则认为电器是被允许使用的。
大功率识别：若某一电器的功率超过阈值(限定功率)，则大功率电器预警。
步骤S101中，使用神经网络模型进行训练；所述使用神经网络模型进行训练包括：对采集各个电器的历史数据分纬度(电压、电流、有功功率、功率因数按列排列)；数据的每一行(电压、电流、有功功率、功率因数)都对应某一类电器，对各个电器的标签数字化(1代表热得快、2代表电水壶、3代表微波炉、4代表电磁炉、5代表空调、6代表电吹风)；对历史数据的每一行进行打散后，逐行输入模型进行模型训练，训练100次后，得到稳定的电器识别准确率在93％左右，保存模型。
步骤S102中，离散度结算：取一段时间(半分钟，数据是每秒一次，半分钟30个数据)组成电流数据数组，计算此数据的标准差
Xi表示数组中的每个电流，
表示n(30)个数据的平均值，n代表数组中数据的个数。
步骤S103中，判断步骤：调用前面已经训练好的违规电器神经网络识别模型对实时数据(电流、电压、功率因数、有功功率)进行实时检验，得出实时数据对应的电器标签(1代表热得快、2代表电水壶、3代表微波炉、4代表电磁炉、5代表空调、6代表电吹风)，进而转化成对应的电器来识别各种电器。
优选地，所述对采集各个电器的电压、电流、有功功率、功率因数历史数据进行存储、清洗，去除电器非稳态环境的数据。
优选地，所述利用训练好的神经网络模型对电流离散度进行判断中，对某一类电器进行多次检验，评估出某一类电器最多的次数，识别出是某一类电器。
步骤S103中，神经网络模型：模拟大脑网络识别的一种模型，可以对给定的特定信息(电压、电流、有功功率、功率因数)和已经标定过的标签(热得快、电吹风、电磁炉、电水壶、空调、微波炉等)进行训练学习。从而达到模型未来对给定的电压、电流、有功功率、功率因数来判别出是某一类电器。
涉及的参数含义：
activation＝’relu’:激活函数，使模型具有非线性识别能力。
Solver＝’adam’:随机梯度下降法，用来优化学习模型的参数权重，逐渐增大模型的准确度，最终选定一组最优的参数。
Max_iter＝10000:对给定的数据多次迭代(10000次)，从而使得模型的准确度提升。
Alpha＝0.0001:正则化参数，作为惩罚项，使得影响不明显的参数被忽略，来防止模型的过拟合。
步骤S105中，大功率识别包括：
(1)预设功能只有大功率预警：则超大功率报警，不超不报警.
(2)预设功能只有违规电器预警：若待识别电器在黑名单中则报警，不在黑名单，则不报警.
(3)预设功能大功率预警和违规电器预警都包含：
若待识别电器在黑名单内，并且超大功率：则大功率预警。
若待识别电器在白名单内，超大功率：不预警。
若待识别电器不在黑白名单内，超大公率：大功率预警。
若待识别电器在黑名单内，不超大功率：违规电器预警。
若待识别电器在白名单内，不超大功率：不预警。
在本发明中，针对难以通过数学建模的形式解决问题，本发明采用模式识别的方法来完成，即通过在实际公寓场景中运行，学习各种用电设备的电压、电流、有功功率、功率因数特征，来达到识别负荷的目标。
基于模式识别算法众多，考虑负荷种类、处理场景、精度与准确率，本发明采用神经网络的方式。现将如上样本作为神经网络的样本训练集，利用BP神经网络的学习功能对建立的神经网络进行训练，以达到对输入数据进行分类识别的功能。
本发明采用的PYTHON自带的神经网络库，它包含了多种神经网络和多种算法。此库应用起来也非常方便，只需要将输入数据和目标数据导入，然后选择算法，即可以生成神经网路。本发明根据多种电器的用电特征，获得了多组训练数据。建立BP神经网络并进行网络训练，训练算法采用MLPClassifier算法。
由根据多次验证，神经网络经过一系列的训练以后，基本上能够对所监测到的负载进行分类，特别是电阻类负载和电机类负载的区分比较精确。但对于电器的用电数据特征比较接近，识别时有一定的误差。针对这一问题，可以采取加大数据长度的方法或者增加电器用电特征，比如无功功率、视在等特征，对神经网络进行训练，还需要加大训练的时间和次数。
如图3所示，本发明提供的非嵌入式公寓电器负荷识别分析系统，包括：
路由器1、树莓派2、无线终端设备3、插排4、测量模块5，控制模块6继电器7、智能终端设备端8。
测量模块5为12路测量模块，根据提供的接口协议，得到电流、电压、功率因数等参数，以及电器名称，将测量的数据信息通过插排4传输给无线终端设备3；
无线终端设备3通过路由器1将测量模块5采集的所述数据信息传输给云服务器9；
智能终端设备8包括计算机、手机、平板，应用EBIM可视化技术将云服务器9的信息，直观展示违规用电行为，及时通知管理者。
同时管理者将违规用电行为的信息通过无线终端设备3发送给控制模块6，控制继电器7对违规用电器进行控制。
下面结合具体实施例对本发明作进一步描述。
实施例
如图4(本发明提供的非嵌入式公寓电器负荷识别分析系统实物图)所示，本发明在硬件与软件相结合下能够达到最佳，具体实施方案如下：
第一步：硬件采集设备选取
系统箱：路由器1个、树莓派3个、DTU(将串口数据转换为IP数据或将IP数据转换为串口数据通过无线通信网络进行传送的无线终端设备)1个，3位插排2个；
测控箱：12路测量模块，控制模块1个，4路继电器3个。
第二步：由硬件设备提供的接口，根据接口协议，得到电流、电压、功率因数等参数。
第三步：接入电器负荷识别分析算法，得到用户违规电器使用的电器名称、功率等信息。
第四步：应用EBIM可视化技术，通过计算机、手机等智能终端设备直观展示违规用电行为，及时通知管理者。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。
本发明重点解决经济性、安全性问题，在成本投入最小的情况下，通过软硬件相结合的方法，实现窃电行为识别并实时定位，排除了人工排除的安全隐患。本发明制定了一套面向用户侧窃电行为识别分析算法。本算法主要通过软硬件相结合来实现，解决了仅靠硬件设备窃电报警的局限性。可扩展性强、使用方便，响应及时。能够直接给出发出窃电行为的用户，省去了现场人工递推排查的工作，既保证了人员安全，又能节约资源。
首先，选取的分析对象易于采集，本发明选取电压、电流、功率、电量作为分析对象，广泛通用。
其次，应用电力AI分析技术，结合窃电行为分析与抄表计量分析算法，综合确定窃电对象，结果更精准。
下面结合仿真效果对本发明作进一步描述。
仿真结果
本发明非嵌入式公寓电器负荷识别分析算法在搭载APP的第一界面中，可直观、突出展示整个公寓的所有违规用电房间。
本发明非嵌入式公寓电器负荷识别分析算法在搭载APP的参数设置界面中，可支持违规管理类型、功率超限上限、设备类型黑白名单设置。
本发明非嵌入式公寓电器负荷识别分析算法在搭载APP的大功率报警界面中，可详细展示了大功率超限报警的时间、功率值。
本发明非嵌入式公寓电器负荷识别分析算法在搭载APP的违规电器报警中，可详细展示违规电器报警的类型、时间。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围应由所附的权利要求来限制。
Claims (9)
1.一种非嵌入式公寓电器负荷识别分析方法，其特征在于，所述非嵌入式公寓电器负荷识别分析方法包括：
对采集各个电器的电压、电流、有功功率、功率因数历史数据，使用神经网络模型进行训练；
计算出一段时间内电器的电流离散程度，取稳态数据的数据数列，计算所述数据数列标准差，作为离散度；
利用训练好的神经网络模型以及电流离散度对实时数据进行判断，识别出某类电器负荷运行情况。
2.根据权利要求1所述的非嵌入式公寓电器负荷识别分析方法，其特征在于，所述对采集各个电器的电压、电流、有功功率、功率因数历史数据进行存储、清洗，去除电器非稳态环境的数据；
所述使用神经网络模型进行训练包括：
1)对采集各个电器的历史数据分纬度，所述电压、电流、有功功率、功率因数按列排列；
2)所述电压、电流、有功功率、功率因数数据的每一行都对应某一类电器，对各个电器的标签数字化；
3)对历史数据的每一行进行打散后，逐行输入神经网络模型进行模型训练，训练多次后，得到稳定的电器识别准确率，并进行保存。
3.根据权利要求1所述的非嵌入式公寓电器负荷识别分析方法，其特征在于，所述离散度的计算方法包括：
取一段时间组成电流数据数组，计算此数据数组的标准差
Xi表示数组中的每个电流，
表示n(30)个数据的平均值，n代表数组中数据的个数；
所述利用训练好的神经网络模型以及电流离散度对实时电流进行判断中，对某一类电器进行多次检验，评估出某一类电器最多的次数，识别出是某一类电器；
所述判断步骤包括：调用已经训练好的违规电器神经网络模型对实时数据进行实时检验，得出实时数据对应的电器标签，进而转化成对应的电器实现识别各种电器。
4.根据权利要求1所述的非嵌入式公寓电器负荷识别分析方法，所述神经网络模型MLPClassifier包括的参数：
activation＝’relu’:激活函数，用于非线性识别；
Solver＝’adam’:随机梯度下降法，用于优化学习模型的参数权重，逐渐增大模型的准确度，最终选定一组最优的参数；
Max_iter＝10000:对给定的数据进行多次迭代；
Alpha＝0.0001:正则化参数，作为惩罚项，使得影响不明显的参数忽略，防止过拟合。
5.根据权利要求1所述的非嵌入式公寓电器负荷识别分析方法，其特征在于，所述识别出某类电器负荷运行情况包括：
对待识别的电器预设黑白名单，若电器在黑名单中，则认为电器是不被允许使用的，若电器在白名单内，则认为电器是被允许使用；
若某一电器的功率超过阈值，则大功率电器预警。
6.根据权利要求5所述的非嵌入式公寓电器负荷识别分析方法，其特征在于，所述大功率电器预警包括：
预设功能只有大功率预警：则超大功率报警，不超不报警；
预设功能只有违规电器预警：若待识别电器在黑名单中则报警，不在黑名单，则不报警。
7.根据权利要求6所述的非嵌入式公寓电器负荷识别分析方法，其特征在于，所述预设功能只有大功率预警和只有违规电器预警进一步包括：
若待识别电器在黑名单内，并且超大功率：则大功率预警；
若待识别电器在白名单内，超大功率：不预警；
若待识别电器不在黑白名单内，超大公率：大功率预警；
若待识别电器在黑名单内，不超大功率：违规电器预警；
若待识别电器在白名单内，不超大功率：不预警。
8.一种非嵌入式公寓电器负荷识别分析系统，其特征在于，所述非嵌入式公寓电器负荷识别分析系统包括：
测量模块，根据提供的接口协议，得到电流、电压、功率因数参数，以及电器名称，将测量的数据信息通过插排传输给无线终端设备；
无线终端设备通过路由器将测量模块采集的所述数据信息传输给云服务器；
智能终端设备，应用EBIM可视化技术将云服务器的信息，直观展示违规用电行为；
同时者将违规用电行为的信息通过无线终端设备发送给控制模块，控制继电器对违规用电器进行控制。
9.一种根据权利要求1～7任意一项非嵌入式公寓电器负荷识别分析方法在校园公寓电器、物业小区公寓电器负荷识别上的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011260647.XA CN112396098A (zh) | 2020-11-12 | 2020-11-12 | 非嵌入式公寓电器负荷识别分析方法、系统及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011260647.XA CN112396098A (zh) | 2020-11-12 | 2020-11-12 | 非嵌入式公寓电器负荷识别分析方法、系统及应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112396098A true CN112396098A (zh) | 2021-02-23 |
Family
ID=74599204
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011260647.XA Pending CN112396098A (zh) | 2020-11-12 | 2020-11-12 | 非嵌入式公寓电器负荷识别分析方法、系统及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112396098A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033775A (zh) * | 2021-03-10 | 2021-06-25 | 南方电网数字电网研究院有限公司 | 一种基于有监督学习的非侵入式负荷识别网络架构 |
| CN113129163A (zh) * | 2021-03-29 | 2021-07-16 | 上海思创电器设备有限公司 | 一种应用于算法核心单元的负荷监控系统 |
| CN113705229A (zh) * | 2021-08-24 | 2021-11-26 | 国网江苏省电力有限公司营销服务中心 | 基于电力大数据的高危企业违规生产识别方法 |
| CN117633611A (zh) * | 2023-10-23 | 2024-03-01 | 北京航天常兴科技发展股份有限公司 | 一种危险用电器及用电行为识别方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106327357A (zh) * | 2016-08-17 | 2017-01-11 | 深圳先进技术研究院 | 一种基于改进概率神经网络的负载识别方法 |
| CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
| CN109212364A (zh) * | 2018-10-31 | 2019-01-15 | 国网江苏省电力有限公司太仓市供电分公司 | 一种基于离散度突变的并联电容器组早期故障预警方法 |
| CN110244150A (zh) * | 2019-07-05 | 2019-09-17 | 四川长虹电器股份有限公司 | 一种基于均方根和标准差的非侵入式电器识别方法 |
| CN110288113A (zh) * | 2019-03-19 | 2019-09-27 | 浙江工业大学 | 一种非侵入式负荷智能识别系统 |
-
2020
- 2020-11-12 CN CN202011260647.XA patent/CN112396098A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106327357A (zh) * | 2016-08-17 | 2017-01-11 | 深圳先进技术研究院 | 一种基于改进概率神经网络的负载识别方法 |
| CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
| CN109212364A (zh) * | 2018-10-31 | 2019-01-15 | 国网江苏省电力有限公司太仓市供电分公司 | 一种基于离散度突变的并联电容器组早期故障预警方法 |
| CN110288113A (zh) * | 2019-03-19 | 2019-09-27 | 浙江工业大学 | 一种非侵入式负荷智能识别系统 |
| CN110244150A (zh) * | 2019-07-05 | 2019-09-17 | 四川长虹电器股份有限公司 | 一种基于均方根和标准差的非侵入式电器识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| KHAIRELL KHAZIN KAMAN ET AL.: "Artificial Neural Network for Non-Intrusive Electrical Energy Monitoring System", 《INDONESIAN JOURNAL OF ELECTRICAL ENGINEERING AND COMPUTER SCIENCE》 * |
| 张冬松等: "一种基于 SVM 的负载识别算法" * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033775A (zh) * | 2021-03-10 | 2021-06-25 | 南方电网数字电网研究院有限公司 | 一种基于有监督学习的非侵入式负荷识别网络架构 |
| CN113033775B (zh) * | 2021-03-10 | 2023-08-18 | 南方电网数字电网研究院有限公司 | 一种基于有监督学习的非侵入式负荷识别网络架构 |
| CN113129163A (zh) * | 2021-03-29 | 2021-07-16 | 上海思创电器设备有限公司 | 一种应用于算法核心单元的负荷监控系统 |
| CN113705229A (zh) * | 2021-08-24 | 2021-11-26 | 国网江苏省电力有限公司营销服务中心 | 基于电力大数据的高危企业违规生产识别方法 |
| CN113705229B (zh) * | 2021-08-24 | 2023-11-10 | 国网江苏省电力有限公司营销服务中心 | 基于电力大数据的高危企业违规生产识别方法 |
| CN117633611A (zh) * | 2023-10-23 | 2024-03-01 | 北京航天常兴科技发展股份有限公司 | 一种危险用电器及用电行为识别方法及系统 |
| CN117633611B (zh) * | 2023-10-23 | 2024-05-24 | 北京航天常兴科技发展股份有限公司 | 一种危险用电器及用电行为识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112396098A (zh) | 非嵌入式公寓电器负荷识别分析方法、系统及应用 | |
| Wei et al. | Based on time sequence of ARIMA model in the application of short-term electricity load forecasting | |
| CN108054749B (zh) | 一种非侵入式电力负荷分解方法及装置 | |
| CN109345409A (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
| CN109190950B (zh) | 一种电表和水表档案贯通的用能异常识别方法 | |
| CN110991263B (zh) | 一种抗背景负荷干扰的非入侵式负荷识别方法及系统 | |
| CN109767054A (zh) | 基于深度神经网络算法的能效云评估方法及边缘能效网关 | |
| CN111553444A (zh) | 一种基于非侵入负荷终端数据的负荷辨识方法 | |
| CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
| CN111190067A (zh) | 基于物联网的餐饮消毒设备使用监控方法、服务器及系统 | |
| CN112071047A (zh) | 一种居民离家返家行为判断方法 | |
| CN108957304A (zh) | 断路器载流故障预测方法 | |
| CN115456034A (zh) | 一种电动自行车充电自动识别监测方法及系统 | |
| CN116933318A (zh) | 一种基于联邦学习的用电数据隐私保护方法 | |
| CN113659564B (zh) | 基于电压波动特征聚类的低压配电网拓扑识别方法及系统 | |
| CN106295877B (zh) | 一种智能电网电能使用量预测方法 | |
| Gurbuz et al. | Comprehensive non-intrusive load monitoring process: Device event detection, device feature extraction and device identification using KNN, random forest and decision tree | |
| CN113922361A (zh) | 一种基于非侵入式配用电信息分解的安全隐患及故障保护方法 | |
| CN109599952B (zh) | 一种基于4g通信技术的配电网监控管理系统及方法 | |
| CN108399387A (zh) | 用于识别目标群体的数据处理方法及装置 | |
| CN115828091A (zh) | 基于端-云协同的非侵入式负荷辨识方法与系统 | |
| CN115372727A (zh) | 一种家庭用电设备识别方法及智能电表 | |
| CN114662576A (zh) | 基于有监督分类的非侵入式电瓶车充电检测方法及系统 | |
| CN111199014B (zh) | 一种基于时间序列的seq2point的NILM方法及装置 | |
| CN112560908A (zh) | 一种云端协同的负荷辨识系统及方法 |
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 |