CN112884201B - 基于人工智能算法的非介入式负荷监测方法、装置及系统 - Google Patents

基于人工智能算法的非介入式负荷监测方法、装置及系统 Download PDF

Info

Publication number
CN112884201B
CN112884201B CN202110062476.8A CN202110062476A CN112884201B CN 112884201 B CN112884201 B CN 112884201B CN 202110062476 A CN202110062476 A CN 202110062476A CN 112884201 B CN112884201 B CN 112884201B
Authority
CN
China
Prior art keywords
data
artificial intelligence
metering data
intelligence algorithm
identification result
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
Application number
CN202110062476.8A
Other languages
English (en)
Other versions
CN112884201A (zh
Inventor
李希普
刘晓露
夏军虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Vango Technologies Inc
Original Assignee
Hangzhou Vango Technologies Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Vango Technologies Inc filed Critical Hangzhou Vango Technologies Inc
Priority to CN202110062476.8A priority Critical patent/CN112884201B/zh
Publication of CN112884201A publication Critical patent/CN112884201A/zh
Application granted granted Critical
Publication of CN112884201B publication Critical patent/CN112884201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本申请公开了一种基于人工智能算法的非介入式负荷监测方法，MCU在获取到待运算数据时，从中筛选出一部分数据发送至数据运算装置进行处理，并接收数据运算装置返回的处理结果，然后依据处理结果进行分析决策。应用以上技术方案，MCU可以将数据分析过程中需要的运算分担给数据运算装置，减轻了MCU的运算压力，从而降低了MCU的资源和功耗要求，MCU可以直接对处理结果进行分析决策，MCU和数据运算装置相互结合，提高了数据处理的速度和精度。此外，本申请还公开了一种基于人工智能算法的非介入式负荷监测装置及系统，与上述基于人工智能算法的非介入式负荷监测方法对应，效果同上。

Description

基于人工智能算法的非介入式负荷监测方法、装置及系统
技术领域
本申请涉及电力负荷监测技术领域，特别是涉及一种基于人工智能算法的非介入式负荷监测方法、装置及系统。
背景技术
非介入式负荷监测(Nonintrusive load monitoring，NILM)系统可以测量获得总负荷的电压、电流等承载电力信息的信号，这些信息包含了不同特性负荷成分的信息，通过提取这些电气量的特征信息，NILM系统就能实现负荷分解，进一步判断下游用电设备的构成和使用情况。
传统的非介入式负荷监测系统分为四个部分，数据输入部分，负荷识别模块部分，负荷特征构建部分，以及实际结果应用部分。首先，研究人员在实验室环境下收集大量的用电器数据，并使用分类算法和模式识别对这些用电器数据进行解析，分离出不同电器所拥有的一系列负荷印记之后将这些负荷印记归类并储存至负荷识别模块中的特征库中。接下来，将负荷识别模块接入电网环境中读取用电器的电网计量数据如电压、电流、荷载等，将获取到的数据通过模式识别算法进行分析，负荷识别模块将分析出的负荷印记与模块中搭载的特征库进行比对，识别出当前电网环境下的用电器种类和数量，最终将识别结果和用电器的电网计量数据从模块中输出以进行进一步应用。上述非介入式负荷监测过程中，不管是模式识别还是进行特征比对，都需要进行大量的算法分类和比对计算，而负荷识别模块中使用的芯片计算能力有限，在这一过程中使用的算法精度会被迫降低，即使芯片的算力被提升至可以支持复杂算法的程度，为此增加的硬件成本和用电功耗也是不可接受的。考虑到模块芯片的运算能力有限，另一种非介入式负荷监测的设计思路则是将整个检测过程转换至云端进行处理，取消负荷识别模块的设计，将整个辨识过程交付给云端负荷识别服务器进行处理，负荷识别模块更换为传输模组，只负责将数据上传至云端。但是在这种方式下模块端要将全部的计量数据传输到云端进行分析处理，这就需要一个足够大的传输通道，电表自带的传统传输通道传输能力有限，即使不考虑其他工作，这一通道也很难达到要求。
鉴于上述现有技术，寻求一种降低芯片运算压力的非介入式负荷监测方法是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种基于人工智能算法的非介入式负荷监测方法、装置及系统，用于减轻MCU的运算压力，从而降低MCU的资源和功耗要求，提高数据处理的速度和精度。
为解决上述技术问题，本申请提供一种基于人工智能算法的非介入式负荷监测方法，应用于MCU，所述MCU与数据运算装置连接，该方法包括：
获取待运算数据；
从所述待运算数据中筛选出目标数据，并将所述目标数据发送至所述数据运算装置；
接收所述数据运算装置返回的处理结果，并依据所述处理结果进行分析决策。
优选地，所述待运算数据具体为模拟用电环境下的第一电网计量数据，则所述从所述待运算数据中筛选出目标数据，具体为：
通过人工智能算法建立所述第一电网计量数据与负荷识别结果之间的对应关系；
从所述第一电网计量数据中筛选建立所述对应关系过程中对应的数据。
优选地，所述待运算数据具体为模拟用电环境下的第一电网计量数据和实际用电环境下的第一用电器计量数据，则所述从所述待运算数据中筛选出目标数据，具体为：
通过人工智能算法建立所述第一电网计量数据与负荷识别结果之间的对应关系；
从所述第一电网计量数据中筛选建立所述对应关系过程中对应的数据；
依据所述对应关系对所述第一用电器计量数据进行分析以识别出对应的负荷识别结果；
从所述第一用电器计量数据中筛选分析所述第一用电器计量数据过程中对应的数据。
优选地，在所述通过人工智能算法建立所述第一电网计量数据与负荷识别结果之间的对应关系之后，还包括：
获取模拟用电环境下的第二电网计量数据，并依据所述对应关系获取所述第二电网计量数据对应的负荷识别结果；
若所述第二电网计量数据对应的负荷识别结果与实际电器信息之间的误差大于第一预设阈值，则对所述人工智能算法进行优化；
通过优化后的所述人工智能算法建立所述第一电网计量数据与所述负荷识别结果之间的对应关系。
优选地，在所述通过优化后的所述人工智能算法建立所述第一电网计量数据与负荷识别结果之间的对应关系之后，还包括：
获取实际用电环境下的第二用电器计量数据，并通过所述对应关系获取所述第二用电器计量数据对应的负荷识别结果；
若所述第二用电器计量数据对应的负荷识别结果与实际电器信息之间的误差大于第二预设阈值，则对所述优化后的所述人工智能算法进行进一步优化以得到目标算法；
通过所述目标算法建立所述第一电网计量数据与负荷识别结果之间的对应关系。
优选地，在所述依据所述对应关系对所述第一用电器计量数据进行分析以识别出对应的负荷识别结果之后，还包括：
获取用户反馈；
当所述用户反馈为负荷识别结果与实际电器信息之间的误差大于第三预设阈值时，更新所述目标算法。
优选地，所述数据运算装置串行依次处理所述数据。
为解决上述技术问题，本申请还提供一种基于人工智能算法的非介入式负荷监测装置，部署于MCU，所述MCU与数据运算装置连接，包括：
获取模块，用于获取待运算数据；
发送模块，用于从所述待运算数据中筛选出目标数据，并将所述目标数据发送至所述数据运算装置；
分析模块，用于接收所述数据运算装置返回的处理结果，并依据所述处理结果进行分析决策。
为解决上述技术问题，本申请还提供一种基于人工智能算法的非介入式负荷监测系统，包括MCU与数据运算装置；
所述MCU用于获取待运算数据；从所述待运算数据中筛选出目标数据，并将所述目标数据发送至所述数据运算装置；接收所述数据运算装置返回的处理结果，并依据所述处理结果进行分析决策。
本申请所提供的基于人工智能算法的非介入式负荷监测方法，MCU在获取到待运算数据时，从中筛选出一部分数据发送至数据运算装置进行处理，并接收数据运算装置返回的处理结果，然后依据处理结果进行分析决策。应用以上技术方案，MCU可以将数据分析过程中需要的运算分担给数据运算装置，减轻了MCU的运算压力，从而降低了MCU的资源和功耗要求，MCU可以直接对处理结果进行分析决策，MCU和数据运算装置相互结合，提高了数据处理的速度和精度。
此外，本申请还提供一种基于人工智能算法的非介入式负荷监测装置及系统，与上述基于人工智能算法的非介入式负荷监测方法对应，效果同上。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于人工智能算法的非介入式负荷监测方法的流程图；
图2为本申请实施例提供的一种基于人工智能算法的非介入式负荷监测装置的结构示意图；
图3为本申请实施例提供的一种基于人工智能算法的非介入式负荷监测系统的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本申请保护范围。
本申请的核心是提供一种基于人工智能算法的非介入式负荷监测方法、装置及系统，用于减轻MCU的运算压力，从而降低MCU的资源和功耗要求，提高数据处理的速度和精度。
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。
图1为本申请实施例提供的一种基于人工智能算法的非介入式负荷监测方法的流程图。如图1所示，该方法应用于MCU，MCU与数据运算装置连接，包括：
S10：获取待运算数据。
S11：从待运算数据中筛选出目标数据，并将目标数据发送至数据运算装置。
S12：接收数据运算装置返回的处理结果，并依据处理结果进行分析决策。
在非介入式负荷监测过程中，MCU获取到大量的待运算数据后，不需要对其进行大量的算法分类和比对计算，只需从待运算数据中筛选出一部分数据，发送至数据运算装置来完成，可以理解，本申请所提到的数据运算装置相当于一个计算器，只进行一些简单的计算，然后将计算结果返回MCU，MCU根据这些结果进行进一步的分析决策。
可以理解的是，以上方法由MCU实现，MCU可以直接对当前电网环境下的用电器种类和数量进行识别，也可以与数据运算装置协同处理以得到用电设备信息，无论采用何种方式，均由MCU进行最终的分析决策，将识别出的用电设备信息发送给用户。
本实施例提供的基于人工智能算法的非介入式负荷监测方法，MCU在获取到待运算数据时，从中筛选出一部分数据发送至数据运算装置进行处理，并接收数据运算装置返回的处理结果，然后依据处理结果进行分析决策。应用以上技术方案，MCU可以将数据分析过程中需要的运算分担给数据运算装置，减轻了MCU的运算压力，从而降低了MCU的资源和功耗要求，MCU可以直接对处理结果进行分析决策，MCU和数据运算装置相互结合，提高了数据处理的速度和精度。
作为一种优选地实施例，待运算数据具体为模拟用电环境下的第一电网计量数据，则从待运算数据中筛选出目标数据，具体为：
通过人工智能算法建立第一电网计量数据与负荷识别结果之间的对应关系；
从第一电网计量数据中筛选建立对应关系过程中对应的数据。
优选地，待运算数据具体为模拟用电环境下的第一电网计量数据和实际用电环境下的第一用电器计量数据，则从待运算数据中筛选出目标数据，具体为：
通过人工智能算法建立第一电网计量数据与负荷识别结果之间的对应关系；
从第一电网计量数据中筛选建立对应关系过程中对应的数据；
依据对应关系对第一用电器计量数据进行分析以识别出对应的负荷识别结果；
从第一用电器计量数据中筛选分析第一用电器计量数据过程中对应的数据。
在具体实施中，首先尽可能多的选取市面上的用电器建立用户的模拟用电环境，在模拟用电环境总线上加入录波设备，获取模拟用电环境下的电网数据，控制电器进入不同的工况，记录当时的电网数据，收集电压，电流，功率等电网信息，构建电网波形。模拟全部可能的电器使用情况，单独电器的启停，多个电器同时工作，多电器同时关闭等。将收集到的不同状态下的电网数据进行记录并储存，构建数据集以作为第一电网计量数据。然后使用这些数据对选定的人工智能算法进行筛选试验，根据算法得出的结果，选取最适合这一分析的算法，并建立第一电网计量数据与负荷识别结果之间的对应关系。接下来将上述对应关系发送至端侧，在实际用电环境下，依据对应关系对第一用电器计量数据进行分析以识别出对应的负荷识别结果。
具体地，确定出在端侧将要使用的人工智能算法后，对其进行梳理并进行算法算子ip化。通过梳理算法结构和逻辑，找出算法使用中的最基础的算法单元。通过对算法结构的拆分，将算法中重复次数最多的基础算法单元确定出来。根据这一计算单元的结构，设计相应的支持人工智能算法实现的硬件结构，使用硬件结构来代替MCU进行计算。
具体地，数据运算装置串行依次处理数据。
需要说明的是，具体实施中还会对设计完成的数据运算装置进行实际测试，并根据导入人工智能算法的最终输出性能进行修改和调整。
本实施例提供的基于人工智能算法的非介入式负荷监测方法，MCU不需要完成全部的计算内容，可以减轻人工智能算法对MCU的要求，并且可以人为的对算法的计算速度进行限制。通过这一设计，可以更好的利用非介入式负荷识别的非即时性，将算法由同时并行运算改为串行依次处理，进一步降低硬件的设计难度和需求。完成算法单元硬件化后，设计整个支持人工智能算法的芯片结构，在这一芯片结构中融入硬件化的算法单元，使得MCU能够更好的完成端侧的负荷识别算法应用。
在上述实施例的基础上，作为一种优选地实施例，在通过人工智能算法建立第一电网计量数据与负荷识别结果之间的对应关系之后，还包括：
获取模拟用电环境下的第二电网计量数据，并依据对应关系获取第二电网计量数据对应的负荷识别结果；
若第二电网计量数据对应的负荷识别结果与实际电器信息之间的误差大于第一预设阈值，则对人工智能算法进行优化；
通过优化后的人工智能算法建立第一电网计量数据与负荷识别结果之间的对应关系。
具体地，在通过优化后的人工智能算法建立第一电网计量数据与负荷识别结果之间的对应关系之后，还包括：
获取实际用电环境下的第二用电器计量数据，并通过对应关系获取第二用电器计量数据对应的负荷识别结果；
若第二用电器计量数据对应的负荷识别结果与实际电器信息之间的误差大于第二预设阈值，则对优化后的人工智能算法进行进一步优化以得到目标算法；
通过目标算法建立第一电网计量数据与负荷识别结果之间的对应关系。
在具体实施中，通过人工智能算法建立第一电网计量数据与负荷识别结果之间的对应关系之后，还会对该算法进行进一步的优化。可以使用一些已经录制好的网络数据作为训练数据，对选定的人工智能算法进行筛选试验，根据算法得出的结果，选取最适合这一分析的算法以作为优化后的人工智能算法，并通过优化后的人工智能算法建立第一电网计量数据与负荷识别结果之间的对应关系。
由于实际用电情况和测试用数据集一定存在差异，在部署的时候首先用用户的实际数据对端侧算法进行新的训练，根据已知标签对未知数据进行重新训练学习。然后使用这一新生成的算法进行分析。进一步地，构建真实负荷识别使用环境，对算法进行测试，此时的算法来自服务器端训练出效果最好的人工智能算法，根据测试结果出现的问题，进一步对算法结构和参数进行优化，然后再次进行测试。通过这样的循环训练，最终获得对应当前第一电网计量数据的最优算法结果及参数。
本实施例提供的基于人工智能算法的非介入式负荷监测方法，在模拟用电环境和实际用电环境下分别对人工智能算法进行优化，即使用后台训练、端侧训练相互结合的方式，提高了人工智能算法的推理分析的精度。
进一步地，在依据对应关系对第一用电器计量数据进行分析以识别出对应的负荷识别结果之后，还包括：
获取用户反馈；
当用户反馈为负荷识别结果与实际电器信息之间的误差大于第三预设阈值时，更新目标算法。
在具体实施中，将目标人工智能算法输出至用户端，由用户端对这一结果进行反馈。如果用户反馈分析结果正确无误或在允许范围内，我们就将这一算法保留在端侧运行。如果用户反馈出现极大误差或分析完全错误，则将该用户反馈数据及该设备所用算法可以选择上传至云端进行二次分析，找出问题并解决。然后将改进后的算法再次下发。通过这一反馈流程，可以获得算法的精确程度和分析广度等数据，从而对基本算法进行进一步优化。最终可以将优化的算法经过后台重新下发给各个终端。
在上述实施例中，对于基于人工智能算法的非介入式负荷监测方法进行了详细描述，本申请还提供基于人工智能算法的非介入式负荷监测装置对应的实施例。需要说明的是，本申请从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。
图2为本申请实施例提供的一种基于人工智能算法的非介入式负荷监测装置的结构示意图。如图2所示，基于功能模块的角度，该装置包括：
获取模块10，用于获取待运算数据；
发送模块11，用于从待运算数据中筛选出目标数据，并将目标数据发送至数据运算装置；
分析模块12，用于接收数据运算装置返回的处理结果，并依据处理结果进行分析决策。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
本实施例提供的基于人工智能算法的非介入式负荷监测装置，基于人工智能算法的非介入式负荷监测方法实现，MCU在获取到待运算数据时，从中筛选出目标数据发送至数据运算装置进行处理，并接收数据运算装置返回的处理结果，然后依据处理结果进行分析决策。应用以上技术方案，MCU可以将数据分析过程中需要的运算分担给数据运算装置，减轻了MCU的运算压力，从而降低了MCU的资源和功耗要求，MCU可以直接对处理结果进行分析决策，MCU和数据运算装置相互结合，提高了数据处理的速度和精度。
最后，本申请还提供一种基于人工智能算法的非介入式负荷监测系统对应的实施例。图3为本申请实施例提供的一种基于人工智能算法的非介入式负荷监测系统的结构图。如图3所示，该系统包括：MCU1与数据运算装置2；
MCU1用于获取待运算数据；从待运算数据中筛选出目标数据，并将目标数据发送至数据运算装置2；接收数据运算装置2返回的处理结果，并依据处理结果进行分析决策。
由于在上文中对于基于人工智能算法的非介入式负荷监测方法结合基于人工智能算法的非介入式负荷监测系统详细说明，故本实施例不再赘述。
本申请实施例提供的基于人工智能算法的非介入式负荷监测系统，包括MCU与数据运算装置，MCU在获取到待运算数据时，从中筛选出一部分数据发送至数据运算装置进行处理，并接收数据运算装置返回的处理结果，然后依据处理结果进行分析决策。应用以上技术方案，MCU可以将数据分析过程中需要的运算分担给数据运算装置，减轻了MCU的运算压力，从而降低了MCU的资源和功耗要求，MCU可以直接对处理结果进行分析决策，MCU和数据运算装置相互结合，提高了数据处理的速度和精度。
以上对本申请所提供的一种基于人工智能算法的非介入式负荷监测方法、装置及系统进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (7)

1.一种基于人工智能算法的非介入式负荷监测方法，其特征在于，应用于MCU，所述MCU与数据运算装置连接，该方法包括：
获取待运算数据；
从所述待运算数据中筛选出目标数据，并将所述目标数据发送至所述数据运算装置；
所述待运算数据具体为模拟用电环境下的第一电网计量数据和实际用电环境下的第一用电器计量数据，则所述从所述待运算数据中筛选出目标数据，具体为：通过人工智能算法建立所述第一电网计量数据与负荷识别结果之间的对应关系；从所述第一电网计量数据中筛选建立所述对应关系过程中对应的数据；依据所述对应关系对所述第一用电器计量数据进行分析以识别出对应的负荷识别结果；从所述第一用电器计量数据中筛选分析所述第一用电器计量数据过程中对应的数据；
在所述通过人工智能算法建立所述第一电网计量数据与负荷识别结果之间的对应关系之后，还包括：获取模拟用电环境下的第二电网计量数据，并依据所述对应关系获取所述第二电网计量数据对应的负荷识别结果；若所述第二电网计量数据对应的负荷识别结果与实际电器信息之间的误差大于第一预设阈值，则对所述人工智能算法进行优化；通过优化后的所述人工智能算法建立所述第一电网计量数据与所述负荷识别结果之间的对应关系；
接收所述数据运算装置返回的处理结果，并依据所述处理结果进行分析决策。
2.如权利要求1所述的基于人工智能算法的非介入式负荷监测方法，其特征在于，所述待运算数据具体为模拟用电环境下的第一电网计量数据，则所述从所述待运算数据中筛选出目标数据，具体为：
通过人工智能算法建立所述第一电网计量数据与负荷识别结果之间的对应关系；
从所述第一电网计量数据中筛选建立所述对应关系过程中对应的数据。
3.如权利要求1所述的基于人工智能算法的非介入式负荷监测方法，其特征在于，在所述通过优化后的所述人工智能算法建立所述第一电网计量数据与负荷识别结果之间的对应关系之后，还包括：
获取实际用电环境下的第二用电器计量数据，并通过所述对应关系获取所述第二用电器计量数据对应的负荷识别结果；
若所述第二用电器计量数据对应的负荷识别结果与实际电器信息之间的误差大于第二预设阈值，则对所述优化后的所述人工智能算法进行进一步优化以得到目标算法；
通过所述目标算法建立所述第一电网计量数据与负荷识别结果之间的对应关系。
4.如权利要求3所述的基于人工智能算法的非介入式负荷监测方法，其特征在于，在所述依据所述对应关系对所述第一用电器计量数据进行分析以识别出对应的负荷识别结果之后，还包括：
获取用户反馈；
当所述用户反馈为负荷识别结果与实际电器信息之间的误差大于第三预设阈值时，更新所述目标算法。
5.如权利要求1所述的基于人工智能算法的非介入式负荷监测方法，其特征在于，所述数据运算装置串行依次处理所述数据。
6.一种基于人工智能算法的非介入式负荷监测装置，其特征在于，部署于MCU，所述MCU与数据运算装置连接，包括：
获取模块，用于获取待运算数据；
发送模块，用于从所述待运算数据中筛选出目标数据，并将所述目标数据发送至所述数据运算装置；所述待运算数据具体为模拟用电环境下的第一电网计量数据和实际用电环境下的第一用电器计量数据，则所述从所述待运算数据中筛选出目标数据，具体为：通过人工智能算法建立所述第一电网计量数据与负荷识别结果之间的对应关系；从所述第一电网计量数据中筛选建立所述对应关系过程中对应的数据；依据所述对应关系对所述第一用电器计量数据进行分析以识别出对应的负荷识别结果；从所述第一用电器计量数据中筛选分析所述第一用电器计量数据过程中对应的数据；在所述通过人工智能算法建立所述第一电网计量数据与负荷识别结果之间的对应关系之后，还包括：获取模拟用电环境下的第二电网计量数据，并依据所述对应关系获取所述第二电网计量数据对应的负荷识别结果；若所述第二电网计量数据对应的负荷识别结果与实际电器信息之间的误差大于第一预设阈值，则对所述人工智能算法进行优化；通过优化后的所述人工智能算法建立所述第一电网计量数据与所述负荷识别结果之间的对应关系；
分析模块，用于接收所述数据运算装置返回的处理结果，并依据所述处理结果进行分析决策。
7.一种基于人工智能算法的非介入式负荷监测系统，其特征在于，应用于权利要求1-5任一项所述的基于人工智能算法的非介入式负荷监测方法，包括MCU与数据运算装置；
所述MCU用于获取待运算数据；从所述待运算数据中筛选出目标数据，并将所述目标数据发送至所述数据运算装置；接收所述数据运算装置返回的处理结果，并依据所述处理结果进行分析决策；
所述待运算数据具体为模拟用电环境下的第一电网计量数据和实际用电环境下的第一用电器计量数据，则所述从所述待运算数据中筛选出目标数据，具体为：通过人工智能算法建立所述第一电网计量数据与负荷识别结果之间的对应关系；从所述第一电网计量数据中筛选建立所述对应关系过程中对应的数据；依据所述对应关系对所述第一用电器计量数据进行分析以识别出对应的负荷识别结果；从所述第一用电器计量数据中筛选分析所述第一用电器计量数据过程中对应的数据；
在所述通过人工智能算法建立所述第一电网计量数据与负荷识别结果之间的对应关系之后，还包括：获取模拟用电环境下的第二电网计量数据，并依据所述对应关系获取所述第二电网计量数据对应的负荷识别结果；若所述第二电网计量数据对应的负荷识别结果与实际电器信息之间的误差大于第一预设阈值，则对所述人工智能算法进行优化；通过优化后的所述人工智能算法建立所述第一电网计量数据与所述负荷识别结果之间的对应关系。
CN202110062476.8A 2021-01-18 2021-01-18 基于人工智能算法的非介入式负荷监测方法、装置及系统 Active CN112884201B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110062476.8A CN112884201B (zh) 2021-01-18 2021-01-18 基于人工智能算法的非介入式负荷监测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110062476.8A CN112884201B (zh) 2021-01-18 2021-01-18 基于人工智能算法的非介入式负荷监测方法、装置及系统

Publications (2)

Publication Number Publication Date
CN112884201A CN112884201A (zh) 2021-06-01
CN112884201B true CN112884201B (zh) 2022-09-27

Family

ID=76048921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110062476.8A Active CN112884201B (zh) 2021-01-18 2021-01-18 基于人工智能算法的非介入式负荷监测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN112884201B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008430B (zh) * 2014-05-29 2017-04-26 华北电力大学 一种构建拟境挖掘动态智能负荷预测模型的方法
CN106022645B (zh) * 2016-06-07 2021-02-12 深圳市芝电能源科技有限公司 非侵入式在线实时电力负荷识别方法及识别系统
CN108132379A (zh) * 2017-12-11 2018-06-08 武汉大学 基于云平台的非侵入式负荷监测系统及识别方法
CN110133393B (zh) * 2018-09-13 2021-07-20 华南理工大学 一种基于非侵入式监测技术的用电监测系统及方法

Also Published As

Publication number Publication date
CN112884201A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN108804696A (zh) 电力用户电器指纹库的创建方法及其系统
CN115170000A (zh) 一种基于电能表通信模块的远程监测方法及系统
CN109359665A (zh) 一种基于支持向量机的家电负荷识别方法及装置
CN114977176B (zh) 电力负荷分解方法、装置、设备及存储介质
CN116681186B (zh) 一种基于智能终端的用电质量分析方法及装置
CN110532314A (zh) 高压电器质量检测的方法及终端设备
CN109815855A (zh) 一种基于机器学习的电子设备自动测试方法及系统
CN117113159A (zh) 基于深度学习的电力用户侧负荷分类方法及系统
CN112884201B (zh) 基于人工智能算法的非介入式负荷监测方法、装置及系统
CN113726558A (zh) 基于随机森林算法的网络设备流量预测系统
CN106817328B (zh) 数字预失真表生成方法及装置
CN117218405A (zh) 一种电池生产设备故障数字诊断方法
CN116679139A (zh) 电缆更换监测系统及方法
CN115865630A (zh) 基于深度学习的网络设备故障诊断方法及系统
CN115936680A (zh) 一种设备运维的智能派单方法及系统
CN115902557A (zh) 开关柜故障诊断处理方法、装置及非易失性存储介质
CN113283316A (zh) 一种基于声音信号的开关机械故障诊断方法、装置及设备
Pau et al. Electric current classification with tiny machine learning for home appliances
Cavraro et al. Learning power grid topologies
CN118625153B (zh) 一种电化学储能剩余寿命估计方法
CN116643170B (zh) 电机轴系振动测试方法、装置和计算机设备
Bugnot et al. A non-intrusive appliance recognition system
CN117665626A (zh) 国产平台下基于大模型的电池续航测试方法及系统
Siemaszko et al. Use of data-mining for non-invasive signature recognition in micro-grids: A preliminary approach applied to residential areas with PV converters
CN118820895A (zh) 基于神经网络的电能质量扰动识别方法及装置、电子设备

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