CN112924779A - 非侵入式负荷识别方法、装置及终端设备 - Google Patents

非侵入式负荷识别方法、装置及终端设备 Download PDF

Info

Publication number
CN112924779A
CN112924779A CN202110098847.8A CN202110098847A CN112924779A CN 112924779 A CN112924779 A CN 112924779A CN 202110098847 A CN202110098847 A CN 202110098847A CN 112924779 A CN112924779 A CN 112924779A
Authority
CN
China
Prior art keywords
power
target
sequence
active power
electricity
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
Application number
CN202110098847.8A
Other languages
English (en)
Inventor
李争
冯威
王泽�
安国庆
王世勇
白明
石福帅
王强
陈贺
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.)
Hebei University of Science and Technology
Shijiazhuang Kelin Electric Co Ltd
Original Assignee
Hebei University of Science and Technology
Shijiazhuang Kelin Electric Co Ltd
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 Hebei University of Science and Technology, Shijiazhuang Kelin Electric Co Ltd filed Critical Hebei University of Science and Technology
Priority to CN202110098847.8A priority Critical patent/CN112924779A/zh
Publication of CN112924779A publication Critical patent/CN112924779A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/001—Measuring real or reactive component; Measuring apparent energy
    • G01R21/002—Measuring real component
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/001—Measuring real or reactive component; Measuring apparent energy
    • G01R21/003—Measuring reactive component
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods

Abstract

本发明适用于电力检测技术领域，提供了一种非侵入式负荷识别方法、装置及终端设备，该方法包括：按照预设采样频率采集用电用户的电能数据；基于各个采样时刻的电能数据计算对应的有功功率序列和无功功率序列；根据所述有功功率序列和所述无功功率序列，确定所述用电用户的目标功率曲线；将所述目标功率曲线输入预设负荷识别模型，得到所述用电用户对应的用电信息。本申请通过计算目标功率曲线，能够为预设负荷识别模型提供更加有效的用电特征，从而提高用电信息识别的准确性。

Description

非侵入式负荷识别方法、装置及终端设备
技术领域
本发明属于电力检测技术领域，尤其涉及一种非侵入式负荷识别方法、装置及终端设备。
背景技术
负荷监测是实现智能用电、开展节能工程的首要环节。负荷监测技术是通过对用户负荷的数据进行采样和分析，从而得到每个负荷的运行方式、运行状态以及运行参数等详细的数据信息。这些数据可以用于指导用户针对性地制定用电计划，并对自己的节电服务进行评判是否达到预期节电效果。用户还可以根据这些反馈的负荷用电信息，优化用电方式从而达到节能效果。
目前的负荷监测系统大致可以分为侵入式和非侵入式两大类。传统的侵入式负荷监测系统把传感器安装至各个负荷处，监控每个负荷的运行情况。这种方法的一个显著缺点是具有复杂的硬件。非侵入式负荷监测，是指在电力入口处安装监测设备，通过监测该处的电压、电流等信号得到用户单个负荷的种类和运行情况。但是由于市电为交流电，电压和电流数据本身就不是稳定的数据，因此直接根据电压电流数据与时间比较分析得到的用电信息准确性较为低下。
发明内容
有鉴于此，本发明实施例提供了一种非侵入式负荷识别方法、装置及终端设备，以解决现有技术中非侵入式负荷识别准确性低下的问题。
本发明实施例的第一方面提供了一种非侵入式负荷识别方法，包括：
按照预设采样频率采集用电用户的电能数据；
基于各个采样时刻的电能数据计算对应的有功功率序列和无功功率序列；
根据所述有功功率序列和所述无功功率序列，确定所述用电用户的目标功率曲线；
将所述目标功率曲线输入预设负荷识别模型，得到所述用电用户对应的用电信息；所述用电信息包括所述用电用户当前正在运行的用电设备的设备类型；所述预设负荷识别模型基于卷积神经网络算法和训练样本训练得到，所述训练样本包括功率曲线和用电信息。
本发明实施例的第二方面提供了一种非侵入式负荷识别装置，包括：
电能数据获取模块，用于按照预设采样频率采集用电用户的电能数据；
功率提取模块，用于基于各个采样时刻的电能数据计算对应的有功功率序列和无功功率序列；
目标功率曲线获取模块，用于根据所述有功功率序列和所述无功功率序列，确定所述用电用户的目标功率曲线；
用电信息识别模块，用于将所述目标功率曲线输入预设负荷识别模型，得到所述用电用户对应的用电信息；所述用电信息包括所述用电用户当前正在运行的用电设备的设备类型；所述预设负荷识别模型基于卷积神经网络算法和训练样本训练得到，所述训练样本包括功率曲线和用电信息。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述非侵入式负荷识别方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述非侵入式负荷识别方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本申请提供的非侵入式负荷识别方法，首先按照预设采样频率采集用电用户的电能数据；基于各个采样时刻的电能数据计算对应的有功功率序列和无功功率序列；根据所述有功功率序列和所述无功功率序列，确定所述用电用户的目标功率曲线；将所述目标功率曲线输入预设负荷识别模型，得到所述用电用户对应的用电信息。本申请通过计算目标功率曲线，能够为预设负荷识别模型提供更加有效的用电特征，从而提高用电信息识别的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的非侵入式负荷识别方法的实现流程示意图；
图2是本发明实施例提供的根据有功功率目标序列和无功功率目标序列得到目标功率曲线的示意图；
图3是本发明实施例提供的非侵入式负荷识别装置的结构示意图；
图4是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
在一个实施例中，如图1所示，图1示出了本实施例提供的一种非侵入式负荷识别方法的流程，其过程详述如下：
S101：按照预设采样频率采集用电用户的电能数据。
在一个实施例中，图1中的S101的实现流程具体包括：
通过目标电能表按照所述预设采样频率采集所述用电用户的电能数据；所述目标电能表安装于所述用电用户的用户进线端。
在本实施例中，本实施例的执行主体为终端设备，终端设备与目标电能表通信连接，目标电能表安装于用电用户的用户进线端，用户进线端与用电用户所有的用电设备连接，终端设备通过目标电能表获取用电用户总的电能数据，电能数据包括瞬时的电压数据和电流数据，用电设备的类型包括电冰箱、电视机、洗衣机和空调等家用电器。
S102：基于各个采样时刻的电能数据计算对应的有功功率序列和无功功率序列。
在本实施例中，终端设备根据各个采样时刻获取的瞬时电流数据和瞬时电压数据计算对应的有功功率和无功功率，得到有功功率序列和无功功率序列。有功功率序列为多个有功功率按照采样时刻先后顺序排列的序列，无功功率序列为多个无功功率按照采样时刻先后顺序排列的序列。
S103：根据所述有功功率序列和所述无功功率序列，确定所述用电用户的目标功率曲线。
在一个实施例中，图1中的S103的实现流程具体包括：
S201：将所述有功功率序列中当前采样时刻的有功功率与前一采样时刻的有功功率的差值作为当前采样时刻的有功功率的功率变化率；
S202：若监测到当前采样时刻的有功功率的功率变化率大于第一预设阈值，则将当前采样时刻作为起始时刻，并将所述起始时刻后功率变化率小于所述第一预设阈值的有功功率对应的采样时刻作为结束判断时刻，若所述结束判断时刻后预设时间内有功功率的功率变化率均小于所述第一预设阈值，则将所述结束判断时刻作为结束时刻，并将所述起始时刻与所述结束时刻之间的时间区间作为目标时间区间；
S203：将所述有功功率序列中所述目标时间区间对应的序列段作为有功功率目标序列；
S204：将所述无功功率序列中所述目标时间区间对应的序列段作为无功功率目标序列；
S205：根据所述有功功率目标序列和所述无功功率目标序列确定所述用电用户的目标功率曲线。
在本实施例中，由于目标电能表采集的是用户进线端总的电能数据，因此当用电用户的用电设备处于运行状态或停止状态阶段时，功率会处于相对稳定平滑的状态，终端设备无法通过稳态的功率分辨目标运行的用电设备类型。而在用电设备开启时用电用户总的有功功率会相应程度的变化，因此可以根据变化过程中的有功功率序列和无功功率序列确定正在开启的用电设备的类型。
基于上述原理，本实施例可以通过获取功率变化较大的区间段的功率数据确定用电用户的用电信息。
具体地，由于有功功率是保持用电设备正常运行所需的电功率，因此本实施例首先从有功功率序列中定位有功功率发生剧烈变化的区间段。然后提取该区间段内的有功功率组成有功功率目标序列，提取该区间段内的无功功率组成无功功率目标序列。
进一步地，若在结束判断时刻后预设时间内有功功率的功率变化率不都小于第一预设阈值，则向后重新选取结束判断时刻，直至结束判断时刻后预设时间内有功功率的功率变化率均小于第一预设阈值，得到最终的结束时刻。
在一个实施例中，上述S205包括：
S301：根据所述有功功率目标序列和所述无功功率目标序列合成目标功率序列；所述目标功率序列包括多个目标功率数据；且有Pi＝(Pi d,Pi q)；其中，Pi表示第i个采样时刻对应的目标功率数据，Pi d表示所述有功功率目标序列中第i个采样时刻对应的有功功率，Pi q表示所述无功功率目标序列中第i个采样时刻对应的无功功率；
S302：根据所述目标功率序列绘制目标功率曲线。
在本实施例中，图2示出了由有功功率目标序列和无功功率目标序列得到目标功率曲线的示意图，如图2所示，首先建立坐标系，然后以Pi d作为Pi的横坐标，以Pi q作为Pi的纵坐标，在坐标系中确定Pi的位置，得到目标功率序列的坐标轨迹。
从上述实施例可知，本实施例通过上述方式将有功功率和无功功率合并，能够增大不同用电设备的功率曲线之间的差别，避免直接依靠功率-时间的坐标图造成不同用电设备的二维图像特征相近的问题，使得到的目标功率序列的坐标轨迹更具辨识度，从而提高用电信息的辨识准确性。
在一个实施例中，上述S302包括：
对所述目标功率序列中的目标功率数据进行插值处理，得到目标功率曲线。
在本实施例中，在获取到目标功率序列后，为了避免由于采样频率过小而造成的数据点断续的问题，本实施例对目标功率序列中的目标功率数据进行插值处理，得到目标功率曲线，从而减小因采样频率过小而产生数据精度差的现象。
进一步地，对目标功率曲线图像进行图像模糊处理，生成最终的目标功率曲线的二维图像。
S104：将所述目标功率曲线输入预设负荷识别模型，得到所述用电用户对应的用电信息；所述用电信息包括所述用电用户当前正在运行的用电设备的设备类型；所述预设负荷识别模型基于卷积神经网络算法和训练样本训练得到，所述训练样本包括功率曲线和用电信息。
在本实施例中，预设负荷识别模型可以为经典卷积神经网络AlexNet模型。在模型训练阶段，训练样本可以选取大量不同用电设备对应的功率曲线和用电信息。模型训练好后，终端设备在获取到最终的目标功率曲线的二维图像后，将其输入预设负荷识别模型，得到用电用户对应的用电信息，用电信息包括用电用户在当前阶段对应的用电设备的设备类型和设备运行状态。
本发明实施例提供的一种非侵入式负荷识别方法，将采集到的电压电流数据转换成暂态的有功功率序列和无功功率序列，然后根据有功功率序列和无功功率序列合成目标功率曲线，最后采用训练好的预设负荷识别模型通过辨识目标功率曲线的特征得到用户的用电信息，从而提高电力负荷监测的准确性和效率，降低电力负荷监测的复杂程度。
在本实施例中，终端设备识别出用电用户的用电信息后，最终将用电信息汇总在服务器中，辨识工作由服务器进行处理。
进一步地，终端设备在获取到用电用户的用电信息后，还可以根据用电信息及预设用电范围，生成该用电用户对应的用电建议，并将用电建议以短信的形式发送至用电用户的终端设备。例如，若该用电用户的某个非必要用电设备的用电时长在长时间内均超出预设用电范围，用电建议可以提醒用户可通过减少该非必要用电设备的使用时长来节约用电。
在一个实施例中，如图3所示，图3示出了本实施例提供的一种非侵入式负荷识别装置的结构，其包括：
电能数据获取模块110，用于按照预设采样频率采集用电用户的电能数据；
功率提取模块120，用于基于各个采样时刻的电能数据计算对应的有功功率序列和无功功率序列；
目标功率曲线获取模块130，用于根据所述有功功率序列和所述无功功率序列，确定所述用电用户的目标功率曲线；
用电信息识别模块140，用于将所述目标功率曲线输入预设负荷识别模型，得到所述用电用户对应的用电信息；所述用电信息包括所述用电用户当前正在运行的用电设备的设备类型；所述预设负荷识别模型基于卷积神经网络算法和训练样本训练得到，所述训练样本包括功率曲线和用电信息。
在一个实施例中，所述电能数据获取模块110具体用于：
通过目标电能表按照所述预设采样频率采集所述用电用户的电能数据；所述目标电能表安装于所述用电用户的用户进线端。
在一个实施例中，所述目标功率曲线获取模块130包括：
变化率计算单元，用于将所述有功功率序列中当前采样时刻的有功功率与前一采样时刻的有功功率的差值作为当前采样时刻的有功功率的功率变化率；
目标时间区间获取单元，用于若监测到当前采样时刻的有功功率的功率变化率大于第一预设阈值，则将当前采样时刻作为起始时刻，并将所述起始时刻后功率变化率小于所述第一预设阈值的有功功率对应的采样时刻作为结束判断时刻，若所述结束判断时刻后预设时间内有功功率的功率变化率均小于所述第一预设阈值，则将所述结束判断时刻作为结束时刻，并将所述起始时刻与所述结束时刻之间的时间区间作为目标时间区间；
有功功率目标序列获取单元，用于将所述有功功率序列中所述目标时间区间对应的序列段作为有功功率目标序列；
无功功率目标序列获取单元，用于将所述无功功率序列中所述目标时间区间对应的序列段作为无功功率目标序列；
目标功率曲线获取单元，用于根据所述有功功率目标序列和所述无功功率目标序列确定所述用电用户的目标功率曲线。
在一个实施例中，目标功率曲线获取单元包括：
目标功率序列获取子单元，用于根据所述有功功率目标序列和所述无功功率目标序列合成目标功率序列；所述目标功率序列包括多个目标功率数据；且有Pi＝(Pi d,Pi q)；其中，Pi表示第i个采样时刻对应的目标功率数据，Pi d表示所述有功功率目标序列中第i个采样时刻对应的有功功率，Pi q表示所述无功功率目标序列中第i个采样时刻对应的无功功率；
目标功率曲线绘制子单元，用于根据所述目标功率序列绘制目标功率曲线。
在一个实施例中，目标功率曲线绘制子单元包括：
对所述目标功率序列中的目标功率数据进行插值处理，得到目标功率曲线。
从上述实施例可知，本申请提供的非侵入式负荷识别装置，首先按照预设采样频率采集用电用户的电能数据；基于各个采样时刻的电能数据计算对应的有功功率序列和无功功率序列；根据所述有功功率序列和所述无功功率序列，确定所述用电用户的目标功率曲线；将所述目标功率曲线输入预设负荷识别模型，得到所述用电用户对应的用电信息。本申请通过计算目标功率曲线，能够为预设负荷识别模型提供更加有效的用电特征，从而提高用电信息识别的准确性。
图4是本发明一实施例提供的终端设备的示意图。如图4所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个基于WiFi信号的人员合法性检测方法实施例中的步骤，例如图1所示的步骤101至104。
所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种非侵入式负荷识别方法，其特征在于，包括：
按照预设采样频率采集用电用户的电能数据；
基于各个采样时刻的电能数据计算对应的有功功率序列和无功功率序列；
根据所述有功功率序列和所述无功功率序列，确定所述用电用户的目标功率曲线；
将所述目标功率曲线输入预设负荷识别模型，得到所述用电用户对应的用电信息；所述用电信息包括所述用电用户当前正在运行的用电设备的设备类型；所述预设负荷识别模型基于卷积神经网络算法和训练样本训练得到，所述训练样本包括功率曲线和用电信息。
2.如权利要求1所述的非侵入式负荷识别方法，其特征在于，所述按照预设采样频率采集用电用户的电能数据，包括：
通过目标电能表按照所述预设采样频率采集所述用电用户的电能数据；所述目标电能表安装于所述用电用户的用户进线端。
3.如权利要求1所述的非侵入式负荷识别方法，其特征在于，所述根据所述有功功率序列和所述无功功率序列，确定所述用电用户的目标功率曲线，包括：
将所述有功功率序列中当前采样时刻的有功功率与前一采样时刻的有功功率的差值作为当前采样时刻的有功功率的功率变化率；
若监测到当前采样时刻的有功功率的功率变化率大于第一预设阈值，则将当前采样时刻作为起始时刻，并将所述起始时刻后功率变化率小于所述第一预设阈值的有功功率对应的采样时刻作为结束判断时刻，若所述结束判断时刻后预设时间内有功功率的功率变化率均小于所述第一预设阈值，则将所述结束判断时刻作为结束时刻，并将所述起始时刻与所述结束时刻之间的时间区间作为目标时间区间；
将所述有功功率序列中所述目标时间区间对应的序列段作为有功功率目标序列；
将所述无功功率序列中所述目标时间区间对应的序列段作为无功功率目标序列；
根据所述有功功率目标序列和所述无功功率目标序列确定所述用电用户的目标功率曲线。
4.如权利要求3所述的非侵入式负荷识别方法，其特征在于，所述根据所述有功功率目标序列和所述无功功率目标序列确定所述用电用户的目标功率曲线，包括：
根据所述有功功率目标序列和所述无功功率目标序列合成目标功率序列；所述目标功率序列包括多个目标功率数据；且有Pi＝(Pi d,Pi q)；其中，Pi表示第i个采样时刻对应的目标功率数据，Pi d表示所述有功功率目标序列中第i个采样时刻对应的有功功率，Pi q表示所述无功功率目标序列中第i个采样时刻对应的无功功率；
根据所述目标功率序列绘制目标功率曲线。
5.如权利要求4所述的非侵入式负荷识别方法，其特征在于，所述根据所述目标功率序列得到目标功率曲线，包括：
对所述目标功率序列中的目标功率数据进行插值处理，得到目标功率曲线。
6.一种非侵入式负荷识别装置，其特征在于，包括：
电能数据获取模块，用于按照预设采样频率采集用电用户的电能数据；
功率提取模块，用于基于各个采样时刻的电能数据计算对应的有功功率序列和无功功率序列；
目标功率曲线获取模块，用于根据所述有功功率序列和所述无功功率序列，确定所述用电用户的目标功率曲线；
用电信息识别模块，用于将所述目标功率曲线输入预设负荷识别模型，得到所述用电用户对应的用电信息；所述用电信息包括所述用电用户当前正在运行的用电设备的设备类型；所述预设负荷识别模型基于卷积神经网络算法和训练样本训练得到，所述训练样本包括功率曲线和用电信息。
7.如权利要求6所述的非侵入式负荷识别装置，其特征在于，所述电能数据获取模块具体用于：
通过目标电能表按照所述预设采样频率采集所述用电用户的电能数据；所述目标电能表安装于所述用电用户的用户进线端。
8.如权利要求6所述的非侵入式负荷识别装置，其特征在于，所述目标功率曲线获取模块包括：
变化率计算单元，用于将所述有功功率序列中当前采样时刻的有功功率与前一采样时刻的有功功率的差值作为当前采样时刻的有功功率的功率变化率；
目标时间区间获取单元，用于若监测到当前采样时刻的有功功率的功率变化率大于第一预设阈值，则将当前采样时刻作为起始时刻，并将所述起始时刻后功率变化率小于所述第一预设阈值的有功功率对应的采样时刻作为结束判断时刻，若所述结束判断时刻后预设时间内有功功率的功率变化率均小于所述第一预设阈值，则将所述结束判断时刻作为结束时刻，并将所述起始时刻与所述结束时刻之间的时间区间作为目标时间区间；
有功功率目标序列获取单元，用于将所述有功功率序列中所述目标时间区间对应的序列段作为有功功率目标序列；
无功功率目标序列获取单元，用于将所述无功功率序列中所述目标时间区间对应的序列段作为无功功率目标序列；
目标功率曲线获取单元，用于根据所述有功功率目标序列和所述无功功率目标序列确定所述用电用户的目标功率曲线。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN202110098847.8A 2021-01-25 2021-01-25 非侵入式负荷识别方法、装置及终端设备 Pending CN112924779A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110098847.8A CN112924779A (zh) 2021-01-25 2021-01-25 非侵入式负荷识别方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110098847.8A CN112924779A (zh) 2021-01-25 2021-01-25 非侵入式负荷识别方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN112924779A true CN112924779A (zh) 2021-06-08

Family

ID=76167564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110098847.8A Pending CN112924779A (zh) 2021-01-25 2021-01-25 非侵入式负荷识别方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN112924779A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393121A (zh) * 2021-06-15 2021-09-14 贵州电网有限责任公司 一种基于负荷电力指纹特征的非侵入式负荷识别方法
CN113568383A (zh) * 2021-06-30 2021-10-29 宁波三星医疗电气股份有限公司 适用于加工中心的非侵入式识别方法
CN114184870A (zh) * 2021-12-14 2022-03-15 河北科技大学 非侵入式负荷识别方法及设备
CN116258355A (zh) * 2023-05-15 2023-06-13 国网浙江省电力有限公司永康市供电公司 适用于多点功率估计的配电台区负荷曲线分解方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110504679A (zh) * 2019-07-25 2019-11-26 深圳供电局有限公司 一种基于km匹配算法的非侵入式负荷辨识方法
CN110751385A (zh) * 2019-10-08 2020-02-04 威胜集团有限公司 非侵入式负荷识别方法、终端设备及存储介质
CN110907762A (zh) * 2019-12-10 2020-03-24 深圳供电局有限公司 一种非侵入式负荷匹配辨识方法
CN111027408A (zh) * 2019-11-19 2020-04-17 广西电网有限责任公司电力科学研究院 一种基于支持向量机和v-i曲线特征的负荷识别方法
CN111244954A (zh) * 2020-03-23 2020-06-05 广东电科院能源技术有限责任公司 一种非入侵式负荷辨识方法及装置
CN112180193A (zh) * 2020-09-28 2021-01-05 华中科技大学 一种基于轨迹图像识别的非侵入式负荷识别系统及方法
CN112215406A (zh) * 2020-09-23 2021-01-12 国网甘肃省电力公司营销服务中心 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110504679A (zh) * 2019-07-25 2019-11-26 深圳供电局有限公司 一种基于km匹配算法的非侵入式负荷辨识方法
CN110751385A (zh) * 2019-10-08 2020-02-04 威胜集团有限公司 非侵入式负荷识别方法、终端设备及存储介质
CN111027408A (zh) * 2019-11-19 2020-04-17 广西电网有限责任公司电力科学研究院 一种基于支持向量机和v-i曲线特征的负荷识别方法
CN110907762A (zh) * 2019-12-10 2020-03-24 深圳供电局有限公司 一种非侵入式负荷匹配辨识方法
CN111244954A (zh) * 2020-03-23 2020-06-05 广东电科院能源技术有限责任公司 一种非入侵式负荷辨识方法及装置
CN112215406A (zh) * 2020-09-23 2021-01-12 国网甘肃省电力公司营销服务中心 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法
CN112180193A (zh) * 2020-09-28 2021-01-05 华中科技大学 一种基于轨迹图像识别的非侵入式负荷识别系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马意彭等: "基于RN8209 的用电器识别监测系统", 《数码世界》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393121A (zh) * 2021-06-15 2021-09-14 贵州电网有限责任公司 一种基于负荷电力指纹特征的非侵入式负荷识别方法
CN113568383A (zh) * 2021-06-30 2021-10-29 宁波三星医疗电气股份有限公司 适用于加工中心的非侵入式识别方法
CN114184870A (zh) * 2021-12-14 2022-03-15 河北科技大学 非侵入式负荷识别方法及设备
CN116258355A (zh) * 2023-05-15 2023-06-13 国网浙江省电力有限公司永康市供电公司 适用于多点功率估计的配电台区负荷曲线分解方法及装置
CN116258355B (zh) * 2023-05-15 2023-08-11 国网浙江省电力有限公司永康市供电公司 适用于多点功率估计的配电台区负荷曲线分解方法及装置

Similar Documents

Publication Publication Date Title
CN112924779A (zh) 非侵入式负荷识别方法、装置及终端设备
CN109034244B (zh) 基于电量曲线特征模型的线损异常诊断方法及装置
CN111045814B (zh) 资源调度方法和终端设备
CN110736899B (zh) 小电流接地故障定位方法及系统、监测装置、设备、介质
CN109470957B (zh) 一种基于弗雷歇距离的非侵入式电器识别方法
CN108198408B (zh) 一种基于用电信息采集系统的自适应反窃电监控方法及系统
CN111626360B (zh) 用于检测锅炉故障类型的方法、装置、设备和存储介质
CN111291328B (zh) 一种基于精细斜率的暂态事件识别方法、系统以及设备
CN108072858B (zh) 电能表质量管理方法、系统及终端设备
CN116595395B (zh) 一种基于深度学习的逆变器输出电流预测方法及系统
CN114047710A (zh) 智能家居数据分析方法、装置、终端设备以及存储介质
CN114184870A (zh) 非侵入式负荷识别方法及设备
CN112730654B (zh) 六氟化硫电气设备故障检测方法、装置及终端设备
CN113627289A (zh) 一种基于深度学习的电力设备识别方法及其装置
CN113222402A (zh) 负荷分类计量方法、装置、存储介质及电子设备
CN112365090A (zh) 一种基于深度学习的非入侵式用电负荷识别方法及装置
CN104915559B (zh) 一种用电设备确定方法及系统
CN111697556A (zh) 电气设备的运行控制方法及终端设备
CN116488149A (zh) 微电网发电策略确定方法、装置以及微电网
CN211955647U (zh) 一种非入侵式负荷监测装置
CN114116275A (zh) 终端异常修复方法、装置、存储介质及电子设备
CN113516275A (zh) 一种配电网超短期负荷预测方法、装置及终端设备
CN111509810A (zh) 一种锂电池充电状态检测方法、装置及存储介质
CN113780717A (zh) 基于网关的偷漏电行为分析方法、装置、智能网关和介质
CN113033889A (zh) 高压输电线路故障预测方法、装置及终端设备

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