CN113011482B - 非侵入式负荷识别方法、终端设备及存储介质 - Google Patents

非侵入式负荷识别方法、终端设备及存储介质 Download PDF

Info

Publication number
CN113011482B
CN113011482B CN202110262702.7A CN202110262702A CN113011482B CN 113011482 B CN113011482 B CN 113011482B CN 202110262702 A CN202110262702 A CN 202110262702A CN 113011482 B CN113011482 B CN 113011482B
Authority
CN
China
Prior art keywords
preset
power data
data
power
time
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
CN202110262702.7A
Other languages
English (en)
Other versions
CN113011482A (zh
Inventor
梁家阁
任智仁
汤博
刘宇轩
刘建
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.)
Wasion Group Co Ltd
Original Assignee
Wasion Group 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 Wasion Group Co Ltd filed Critical Wasion Group Co Ltd
Priority to CN202110262702.7A priority Critical patent/CN113011482B/zh
Publication of CN113011482A publication Critical patent/CN113011482A/zh
Application granted granted Critical
Publication of CN113011482B publication Critical patent/CN113011482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Fuzzy Systems (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种非侵入式负荷识别方法、终端设备及存储介质，该方法包括步骤：获取预设时间范围内的电表功率数据；根据目标电器对应的预设窗口长度在电表功率数据中选取多个时间段为预设窗口长度的预设功率数据；将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据；根据多个时间段对应的估计功率数据得到预设时间范围内的目标电器功率数据。本发明可根据窗口长度对电表功率数据进行筛选，将筛选的数据传输已经训练好的神经网络中，最终得到目标电器功率数据，通过神经网络可提高识别准确性，而且适用于多种电器。

Description

非侵入式负荷识别方法、终端设备及存储介质
技术领域
本发明涉及数据识别技术领域，尤其涉及非侵入式负荷识别方法、终端设备及存储介质。
背景技术
电力负荷识别最常见两种方法为侵入式和非侵入式识别方法，侵入式识别方法需要安装传感器至各个负荷处，这种方法虽然可以直接获得负荷的测量数据，但是成本较高、维护也相对困难；而非侵入式方法只需要在电力供给的总入口安装监测设备就可以对电力系统内的各个负荷分解、监测和识别。采用现有的非侵入式识别方法对于工作状态较为稳定的用电设备，例如电视机、电脑等，负荷识别难度相对较低，但是对于工作状态较多，例如洗衣机，因为工作用电情况变化较多，负荷识别的难度也非常大，使识别准确性较低。
发明内容
本发明的主要目的在于提供一种非侵入式负荷识别方法、终端设备及存储介质，旨在解决现有的非入侵式用电负荷识别方法识别准确性较低的技术问题。
为实现上述目的，本发明提供一种非侵入式负荷识别方法，包括步骤：
获取预设时间范围内的电表功率数据；
根据所述目标电器对应的预设窗口长度在所述电表功率数据中选取多个时间段为预设窗口长度的预设功率数据，相邻预设功率数据对应的起始时间差为预设滑动步长；
将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据；
根据多个时间段对应的估计功率数据得到预设时间范围内的目标电器功率数据。
优选地，所述将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据的步骤之前，还包括：
获取原始数据，并对所述原始数据进行预处理获得样本数据，所述原始数据包括至少两个电器对应的电器功率数据，所述样本数据包括目标电器处于运行状态的运行功率样本和目标电器处于待机状态的待机功率样本；
将所述样本数据输入待训练的神经网络模型中，生成与所述样本数据对应的所述估计功率数据，并基于预设评价指标对待训练的神经网络模型进行迭代训练，直至所述待训练的神经网络模型对应的损失函数的损失值满足预设收敛条件，将所述待训练的神经网络模型设置为已训练完成的神经网络模型。
优选地，所述获取原始数据，并对所述原始数据进行预处理获得样本数据的步骤包括：
获取原始数据，并根据所述原始数据确定目标电器对应处于运行状态的每次运行时长；
根据每次运行时长和预设统计规则生成目标电器对应的估计使用时长，并将所述估计使用时长设置为预设窗口长度；
根据滑动步长和目标电器在各运行时长对应的运行功率，生成运行功率样本和待机功率样本，并设置运行功率样本为正样本，设置待机功率样本为负样本。
优选地，所述获取原始数据，并根据所述原始数据确定目标电器对应处于运行状态的每次运行时长的步骤包括：
获取原始数据，根据原始数据确定目标电器对应的预设启停参数确定目标电器对应处于运行状态的每次运行时长，其中，所述预设启停参数包括启动功率阈值、最小运行时间、最小停止时间以及停止功率阈值。
优选地，所述将所述待训练的神经网络模型设置为已训练完成的神经网络模型的步骤之后，还包括：
通过预设电器启停状态估计的准确度以及预设电器运行时电能消耗估计的准确度对已训练完成的神经网络模型进行评估。
优选地，所述通过预设电器启停状态估计的准确度以及预设电器运行时电能消耗估计的准确度对降噪自编码器的卷积神经网络模型进行评估的步骤包括：
获取预设电器启停状态估计的准确度对应的马修斯相关系数以及启停状态估计的准确度对应的F1分数，并获取预设电器运行时电能消耗估计的准确度对应的噪声等效功率以及电能消耗估计的准确度对应的F1分数；
根据预设电器启停状态估计的准确度对应的马修斯相关系数、启停状态估计的准确度对应的F1分数、预设电器运行时电能消耗估计的准确度对应的噪声等效功率以及电能消耗估计的准确度对应的F1分数对进行评估。
优选地，所述已训练完成的神经网络模型包括卷积编码器、双向长短时记忆层和卷积解码器；所述将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据的步骤包括：
将各预设功率数据以预设时间步长划分为预设个数的短功率数据，将短功率数据输入卷积编码器中，获得压缩的局部特征；
将压缩的局部特征输入双向长短时记忆层，获得每个时间步长对应的记忆特征；
将所述记忆特征输入卷积解码器，获得与多个时间段对应的估计功率数据。
优选地，所述根据多个时间段对应的估计功率数据得到预设时间范围内的目标电器功率数据的步骤包括：
确定各时间段中相同时刻对应的估计功率数据；
对各估计功率数据取中值或平均值得到各时刻对应的目标电器功率数据；
根据各时刻对应的目标电器功率数据生成预设时间范围内的目标电器功率数据。
此外，为实现上述目的，本发明还提供一种终端设备，所述终端设备包括通信模块、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述的非侵入式负荷识别方法的步骤。
此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的非侵入式负荷识别方法的步骤。。
本发明通过获取预设时间范围内的电表功率数据；根据所述目标电器对应的预设窗口长度在所述电表功率数据中选取多个时间段为预设窗口长度的预设功率数据，相邻预设功率数据对应的起始时间差为预设滑动步长；将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据；根据多个时间段对应的估计功率数据得到预设时间范围内的目标电器功率数据。根据窗口长度对电表功率数据进行筛选，将筛选的数据传输已经训练好的神经网络中，最终得到目标电器功率数据，通过神经网络可提高识别准确性，而且适用于多种电器。
附图说明
图1是本发明实施例方案涉及的硬件硬件结构示意图；
图2为本发明非侵入式负荷识别方法第一实施例的流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参照图1，图1为本发明各个实施例中的终端设备的硬件结构示意图。本发明所提供的终端设备包括通信模块10、存储器20及处理器30等部件。其中，所述处理器30分别与所述存储器20和所述通信模块10连接，所述存储器20上存储有计算机程序，所述计算机程序同时被处理器30执行。
通信模块10，可通过网络与外部通讯设备连接。通信模块10可以接收外部通讯设备发出的请求，还可发送广播事件、指令及信息至所述外部通讯设备。所述外部通讯设备可以是服务器、手机、电脑等。
存储器20，可用于存储软件程序以及各种数据。存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作终端设备、至少一个功能所需的应用程序(比如转化率计算程序)等；存储数据区可存储根据监控服务端100的使用所创建的数据或信息等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器30，是终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分，通过运行或执行存储在存储器20内的软件程序和/或模块，以及调用存储在存储器20内的数据，执行终端设备的各种功能和处理数据，从而对终端设备进行整体监控。处理器30可包括一个或多个处理单元；优选地，处理器30可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作终端设备、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器30中。
尽管图1未示出，但上述终端设备还可以包括电路控制模块，用于与电源连接，保证其他部件的正常工作等。上述终端设备还可以包括显示模块，用于显示终端设备界面等，方便工作人员进行实时操作和控制。该终端设备还包括摄像模块、定位模块、检测模块等。
本领域技术人员可以理解，图1中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
基于上述硬件结构，提出本发明方法各个实施例。
参照图2，在本发明非侵入式负荷识别方法的第一实施例中，包括步骤：
步骤S10，获取预设时间范围内的电表功率数据；
步骤S20，根据所述目标电器对应的预设窗口长度在所述电表功率数据中选取多个时间段为预设窗口长度的预设功率数据，相邻预设功率数据对应的起始时间差为预设滑动步长；
本实施例中获取预设时间内的电表功率数据，电表功率数据中包括多种电器不同时段的功率数据，确定目标电器对应的预设窗口长度，可通过目标电器在电表功率数据中出现次数和对应的使用时长确定窗口长度，若洗碗机7大多数使用时使用时长均小于1300s，窗口长度可设置为大于等于1300s，窗口长度的选择原则为窗口长度大于电器大多数使用时长，但窗口长度也不可过大，要在合理的区间内，洗碗机的窗口长度可选择1300s～1600s，此方式可以保证传入算法的每个样本都含有电器运行阶段的足够信息，同时又不会过多增加计算量，窗口长度可根据实际使用情况确定。在电表功率数据中选取多个时间段为预设窗口长度的预设功率数据，相邻预设功率数据对应的起始时间为预设滑动步长。采样频率可设置为1/6Hz，也可根据实际需求确定采样频率。
步骤S30，将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据；
步骤S40，根据多个时间段对应的估计功率数据得到预设时间范围内的目标电器功率数据。
本实施例中将多个预设功率数据分别输入到已经预先训练完成的神经网络模型中，每种电器输入到神经网络的长度与窗口长度相同，生成多个时间段对应的估计功率数据，对多个时间段的估计功率数据取中值或平均值得到预设时间范围内的目标电器功率数据。本实施例中根据窗口长度对电表功率数据进行筛选，将筛选的数据传输已经训练好的神经网络中，最终得到目标电器功率数据，通过神经网络可提高识别准确性，而且适用于多种电器。
基于本发明非侵入式负荷识别方法的第一实施例提出本发明非侵入式负荷识别方法的第二实施例，在本实施例中，步骤S30之前，还包括：
步骤S31，获取原始数据，并对所述原始数据进行预处理获得样本数据，所述原始数据包括至少两个电器对应的电器功率数据，所述样本数据包括目标电器处于运行状态的运行功率样本和目标电器处于待机状态的待机功率样本；
本实施例首先获取原始数据，原始数据由原始电表功率数据结合其他电器的电表功率数据组成的，其中其他电器包括目标电器、噪声电器和辅助电器，可从家庭中常开的低功率噪声电器中进行选择，例如从冰箱、电视中选择，获取这类噪声电器的电表功率数据与原始电表功率数据结合。还可加入一些辅助电器的电表功率数据，这类辅助电器的功率要大于目标电器的功率。目标电器的电表功率数据包括目标电器处于运行状态的运行电表功率数据和目标电器处于待机状态的电表功率数据。原始数据中至少包括两个电器的电表功率数据，在原始电表功率数据的基础上加入目标电器、噪声电器和辅助电器的电表功率数据模拟出原始数据，从原始数据中选择一部分作为样本数据，样本数据中包含目标电器处于运行状态的运行功率样本和目标电器处于待机状态的待机功率样本。
步骤S32，将所述样本数据输入待训练的神经网络模型中，生成与所述样本数据对应的所述估计功率数据，并基于预设评价指标对待训练的神经网络模型进行迭代训练，直至所述待训练的神经网络模型对应的损失函数的损失值满足预设收敛条件，将所述待训练的神经网络模型设置为已训练完成的神经网络模型。
本实施例中将样本数据输入待训练的神经网络模型中，生成与样本数据对应的估计功率数据，并基于预设评价指标对待训练的神经网络模型进行迭代训练，直至待训练的神经网络模型对应的损失函数的损失值满足预设收敛条件，将待训练的神经网络模型设置为已训练完成的神经网络模型。其中，损失函数为
Figure SMS_1
基于本发明非侵入式负荷识别方法的第二实施例提出本发明非侵入式负荷识别方法的第三实施例，在本实施例中，步骤S31包括：
步骤S310，获取原始数据，并根据所述原始数据确定目标电器对应处于运行状态的每次运行时长；
步骤S311，根据每次运行时长和预设统计规则生成目标电器对应的估计使用时长，并将所述估计使用时长设置为预设窗口长度；
步骤S312，根据滑动步长和目标电器在各运行时长对应的运行功率，生成运行功率样本和待机功率样本，并设置运行功率样本为正样本，设置待机功率样本为负样本。
本实施例中获取原始数据，并根据原始数据生成目标电器处于运行状态的每次运行时长，根据每次运行时长和预设统计规则生目标电器对应的估计使用时长，其中，预设统计规则：目标电器在原始数据中共使用Hi次，统计在这Hi次使用中的一个使用时长Li，Li应满足如下条件：有0.75*Hi以上次的使用中，目标电器的运行时间都不超过Li且Li尽量小，运行时间单位为秒。Li即为要传入后续的神经网络时，每条样本的电表序列输入长度和目标电器功率序列输出长度，Li为预设窗口长度。
进一步地，根据滑动步长和目前电器在各运行时长对应的运行功率，针对目标电器，找到该目标电器的所有处于运行状态的时段，在每个在运行时段内滑动随机步长，抽取出K条数据，作为正样本。确定出K的数目后，在该目标电器未使用的时段，抽取K条样本，作为负样本，总共2K条样本即为可供训练和测试神经网络的全部样本。
基于本发明非侵入式负荷识别方法的第三实施例提出本发明非侵入式负荷识别方法的第四实施例，在本实施例中，步骤S310包括：
步骤S50，获取原始数据，根据原始数据确定目标电器对应的预设启停参数确定目标电器对应处于运行状态的每次运行时长，其中，所述预设启停参数包括启动功率阈值、最小运行时间、最小停止时间以及停止功率阈值。
本实施例中通过设定目标电器的各项启停参数，例如目标电器的启动功率阈值，最小运行时间，最小停止时间，停止功率阈值，利用目标电器的启停参数找到原始数据中目标电器每次处于使用状态的时间段并汇总。
基于本发明非侵入式负荷识别方法的第二实施例提出本发明非侵入式负荷识别方法的第五实施例，在本实施例中，步骤S32之后，包括：
步骤S60，通过预设电器启停状态估计的准确度以及预设电器运行时电能消耗估计的准确度对已训练完成的神经网络模型进行评估。
本实施例中通过预设电器启停状态估计的准确度和预设电器运行时电能消耗估计的准确度对已经训练完成的神经网络模型进行评估，通过评估可判断已训练的神经网络模型是否准确，从而提高非侵入式负荷识别的精度。
进一步地，步骤S60包括：
步骤S61，获取预设电器启停状态估计的准确度对应的马修斯相关系数以及启停状态估计的准确度对应的F1分数，并获取预设电器运行时电能消耗估计的准确度对应的噪声等效功率以及电能消耗估计的准确度对应的F1分数；
步骤S62，根据预设电器启停状态估计的准确度对应的马修斯相关系数、启停状态估计的准确度对应的F1分数、预设电器运行时电能消耗估计的准确度对应的噪声等效功率以及电能消耗估计的准确度对应的F1分数对进行评估。
本实施例中的马修斯相关系数计算公式为：
Figure SMS_2
启停状态估计的准确度对应的F1分数计算公式为:
Figure SMS_3
本实施例根据预设电器启停状态估计的准确度对应的马修斯相关系数、启停状态估计的准确度对应的F1分数、预设电器运行时电能消耗估计的准确度对应的噪声等效功率以及电能消耗估计的准确度对应的F1分数对降噪自编码器的卷积神经网络模型进行评估，提高非侵入式负荷识别的精度。
基于本发明非侵入式负荷识别方法的第一实施例提出本发明非侵入式负荷识别方法的第六实施例，在本实施例中，步骤S30包括：
步骤S300，将各预设功率数据以预设时间步长划分为预设个数的短功率数据，将短功率数据输入卷积编码器中，获得压缩的局部特征；
步骤S301，将压缩的局部特征输入双向长短时记忆层，获得每个时间步长对应的记忆特征；
步骤S302，将所述记忆特征输入卷积解码器，获得与多个时间段对应的估计功率数据。
本实施例已训练完成的神经网络模型由卷积编码器、双向长短时记忆层和卷积解码器构成，将各预设功率数据以预设时间步长划分为预设个数的短功率数据，将短功率数据输入卷积编码器中，将样本数据按照一定的批次，每批n条样本，其中64<n<256，将样本传入神经网络的一维卷积层获得压缩的局部特征。将压缩的局部特征输入双向长短时记忆层，获得每个时间步长对应的记忆特征。将记忆特征输入卷积解码器，将每个时间步计算出的特征传入卷积解码器，进行特征压缩后的恢复。通过将特征先压缩再解压，保证网络真正能够学到有用的特征。将恢复的特征送入一维反卷积层，获得与多个时间段对应的估计功率数据。通过构造新型的神经网络结构，同时进行多种有效的数据预处理、后处理操作，使负荷分解效果有了极大的提升。
基于本发明非侵入式负荷识别方法的第一实施例提出本发明非侵入式负荷识别方法的第七实施例，在本实施例中，步骤S40包括：
步骤S41，确定各时间段中相同时刻对应的估计功率数据；
步骤S42，对各估计功率数据取中值或平均值得到各时刻对应的目标电器功率数据；
步骤S43，根据各时刻对应的目标电器功率数据生成预设时间范围内的目标电器功率数据。
本实施例中确定各时间段中相同时刻对应的估计功率数据，对各估计功率数据取中值或平均值，得到每个时刻对应的目标电器功率数据，进一步根据各时刻对应的目标电器功率数据生成预设时间范围内的目标电器功率数据。对多次估计的结果取中值或平均值，达到剔除错误估计值的目的。通过构造新型的神经网络结构，同时进行多种有效的数据预处理、后处理操作，使负荷分解效果有了极大的提升。
请再次结合图1，在一实施例中终端设备包括通信模块10、存储器20及处理器30，其中，所述处理器30分别与所述存储器20和通信模块10连接，所述存储器20上存储有计算机程序，所述计算机程序被所述处理器20执行时实现如上所述的非侵入式负荷识别方法的步骤。终端用于存储终端设备所需基础数据和历史数据。
本发明终端设备的具体实施例与上述非侵入式负荷识别方法各实施例基本相同，在此不作赘述。
本发明还提出一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述非侵入式负荷识别方法的步骤。
本发明存储介质的具体实施例与上述非侵入式负荷识别方法各实施例基本相同，在此不作赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种非侵入式负荷识别方法，其特征在于，包括步骤：
获取预设时间范围内的电表功率数据；
根据目标电器对应的预设窗口长度在所述电表功率数据中选取多个时间段为预设窗口长度的预设功率数据，相邻预设功率数据对应的起始时间差为预设滑动步长；
将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据；
根据多个时间段对应的估计功率数据得到预设时间范围内的目标电器功率数据；
其中，所述已训练完成的神经网络模型包括卷积编码器、双向长短时记忆层和卷积解码器；所述将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据的步骤包括：
将各预设功率数据以预设时间步长划分为预设个数的短功率数据，将短功率数据输入卷积编码器中，获得压缩的局部特征；
将压缩的局部特征输入双向长短时记忆层，获得每个时间步长对应的记忆特征；
将所述记忆特征输入卷积解码器，获得与多个时间段对应的估计功率数据；
其中，所述根据多个时间段对应的估计功率数据得到预设时间范围内的目标电器功率数据的步骤包括：
确定各时间段中相同时刻对应的估计功率数据；
对各估计功率数据取中值或平均值得到各时刻对应的目标电器功率数据；
根据各时刻对应的目标电器功率数据生成预设时间范围内的目标电器功率数据。
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，所述将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据的步骤之前，还包括：
获取原始数据，并对所述原始数据进行预处理获得样本数据，所述原始数据包括至少两个电器对应的电器功率数据，所述样本数据包括目标电器处于运行状态的运行功率样本和目标电器处于待机状态的待机功率样本；
将所述样本数据输入待训练的神经网络模型中，生成与所述样本数据对应的所述估计功率数据，并基于预设评价指标对待训练的神经网络模型进行迭代训练，直至所述待训练的神经网络模型对应的损失函数的损失值满足预设收敛条件，将所述待训练的神经网络模型设置为已训练完成的神经网络模型。
3.如权利要求2所述的非侵入式负荷识别方法，其特征在于，所述获取原始数据，并对所述原始数据进行预处理获得样本数据的步骤包括：
获取原始数据，并根据所述原始数据确定目标电器对应处于运行状态的每次运行时长；
根据每次运行时长和预设统计规则生成目标电器对应的估计使用时长，并将所述估计使用时长设置为预设窗口长度；
根据滑动步长和目标电器在各运行时长对应的运行功率，生成运行功率样本和待机功率样本，并设置运行功率样本为正样本，设置待机功率样本为负样本。
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，所述获取原始数据，并根据所述原始数据确定目标电器对应处于运行状态的每次运行时长的步骤包括：
获取原始数据，根据原始数据确定目标电器对应的预设启停参数确定目标电器对应处于运行状态的每次运行时长，其中，所述预设启停参数包括启动功率阈值、最小运行时间、最小停止时间以及停止功率阈值。
5.如权利要求3所述的非侵入式负荷识别方法，其特征在于，所述将所述待训练的神经网络模型设置为已训练完成的神经网络模型的步骤之后，还包括：
通过预设电器启停状态估计的准确度以及预设电器运行时电能消耗估计的准确度对已训练完成的神经网络模型进行评估。
6.如权利要求5所述的非侵入式负荷识别方法，其特征在于，所述通过预设电器启停状态估计的准确度以及预设电器运行时电能消耗估计的准确度对降噪自编码器的卷积神经网络模型进行评估的步骤包括：
获取预设电器启停状态估计的准确度对应的马修斯相关系数以及启停状态估计的准确度对应的F1分数，并获取预设电器运行时电能消耗估计的准确度对应的噪声等效功率以及电能消耗估计的准确度对应的F1分数；
根据预设电器启停状态估计的准确度对应的马修斯相关系数、启停状态估计的准确度对应的F1分数、预设电器运行时电能消耗估计的准确度对应的噪声等效功率以及电能消耗估计的准确度对应的F1分数对进行评估。
7.一种终端设备，其特征在于，所述终端设备包括通信模块、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的非侵入式负荷识别方法的步骤。
8.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的非侵入式负荷识别方法的步骤。
CN202110262702.7A 2021-03-10 2021-03-10 非侵入式负荷识别方法、终端设备及存储介质 Active CN113011482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110262702.7A CN113011482B (zh) 2021-03-10 2021-03-10 非侵入式负荷识别方法、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110262702.7A CN113011482B (zh) 2021-03-10 2021-03-10 非侵入式负荷识别方法、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN113011482A CN113011482A (zh) 2021-06-22
CN113011482B true CN113011482B (zh) 2023-06-20

Family

ID=76404666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110262702.7A Active CN113011482B (zh) 2021-03-10 2021-03-10 非侵入式负荷识别方法、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN113011482B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116108350B (zh) * 2023-01-06 2023-10-20 中南大学 一种基于多任务学习的非侵入式电器识别方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188826A (zh) * 2019-05-31 2019-08-30 湖南科技大学 基于智能电表数据的家用电器运行状态非侵入式检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188826A (zh) * 2019-05-31 2019-08-30 湖南科技大学 基于智能电表数据的家用电器运行状态非侵入式检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Convolutional Recurrent Neural Network for Real-Time Speech Enhancement;weixin_44223902;《https://blog.csdn.net/weixin_44223902/article/details/109687449》;全文 *
Denoising autoencoders for Non-Intrusive Load Monitoring:Improvements and comparative evaluation;Roberto Bonfigli,et al.;《Energy and Buildings》;20171124;第1461–1474页 *

Also Published As

Publication number Publication date
CN113011482A (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
KR102174466B1 (ko) 스마트팜 운용장비의 오류 진단 방법 및 장치
US20120278272A1 (en) System and method for disaggregating power load
CN109726364B (zh) 用电量异常检测方法、装置、终端及计算机可读存储介质
CN106532719B (zh) 基于电流二次谐波与无功的非变频空调非侵入式辨识方法
CN110751385B (zh) 非侵入式负荷识别方法、终端设备及存储介质
CN112434799B (zh) 基于全卷积神经网络的非侵入式负荷识别方法
CN113011482B (zh) 非侵入式负荷识别方法、终端设备及存储介质
CN109448710B (zh) 语音处理方法及装置、家电设备、存储介质电子装置
CN112433907A (zh) 不间断电源的主机运行参量数据的处理方法、装置和电子装置
CN112561202A (zh) 基于电力大数据居家概率预测方法及其设备
CN107704876B (zh) 应用控制方法、装置、存储介质以及电子设备
CN115729783A (zh) 故障风险监控方法、设备、存储介质及程序产品
CN116128690B (zh) 一种碳排放量成本值计算方法、装置、设备及介质
CN116819352A (zh) 电池阈值的自适应设定方法、装置、设备及存储介质
KR20230089652A (ko) 전자기기의 비침식 부하 모니터링 시스템 및 그 방법
CN115494737A (zh) 智能家电的控制方法、存储介质及电子装置
CN107705154A (zh) 电量统计方法、系统、云服务器、家电和可读存储介质
CN113328520A (zh) 一种送电智能运维方法、系统、装置及存储介质
US20240151752A1 (en) Apparatus and method for analyzing electrical load, and apparatus for modeling electrical load
CN110543902A (zh) 一种家用电器用电状况的整体检测和个体识别装置
CN110781050A (zh) 基于电能数据传感器的数据采集方法、装置及管理系统
CN117387172B (zh) 基于精准推荐设备控制参数的末端空调节能方法和系统
CN116051910A (zh) 非侵入式负荷识别方法、装置、终端设备及存储介质
CN111046340A (zh) 家用电器使用情况评估方法、装置、电子设备及存储介质
CN107730104A (zh) 电量统计方法、系统、云服务器、家电和可读存储介质

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