CN113514717B - 一种非侵入式电力负荷监测系统 - Google Patents

Abstract

本发明公开了一种非侵入式电力负荷监测系统，包括如下步骤：S1、用电数据分析；S2、用户画像；S3、场景分析；S4、告警业务流程推送。本发明通过对用户的总用电数据的用电构成分析、用电习惯等多方面进行用户画像的完善，提供了可靠的数据依据。同时，结合实时的数据传输，进行实时用电分析，提高了用电异常判定的准确性，克服了现有方法的滞后性。在一天内，一旦用户有异于用电习惯的行为，将进行实时的告警推送，为可能发生意外的老人们争取到了宝贵的救助时间。

Description

一种非侵入式电力负荷监测系统

技术领域

本发明涉及电力检测系统技术领域，具体涉及一种非侵入式电力负荷监测系统。

背景技术

随着生活水平的提高以及医疗卫生条件的改善，人口老龄化速度正在加快，养老护老问题正成为全社会广泛关注的问题。在众多的生活元素中，独居老人的用电安全是家属最为担心的问题，任何一种的不安全不规范的使用行为都有可能成为危害老人们生命安全的潜在危险。如今，随着物联网以及人工智能技术的普及，为解决独居老人的日常安全问题提供了更多可能。

因此，提出了非侵入式电力负荷监测系统，从而实现对居民家庭住宅的能耗监测。其现实意义主要体现在两个方面：首先，处在单位家庭中的运用。通过对用电数据的分析可以监测出家庭用户的用电行为是否安全，以及单位家庭中设备是否老化或损坏，并且通过对家庭用户的各种设备的信号数据监测分析，发现异常信号能及时对其进行处理。通过观察被监测家庭中用电行为状态，可以观测并且记录家庭中用户的行为规律，进行长期监测，一旦发现用户的生活状态出现异常情况，及时反馈给承担用户生活安全状况的负责人，从而确保用户的生活安全。

其次，处在整个电力系统中的运用。通过对用户用电行为数据的分析可以更加合理的为电力系统进行分时段，分功率消耗量进行电价的制定，提高电力系统资产利用率。并且在我国不同季节常常会出现用电高峰阶段，通过对电力设备的使用情况，可以有意识的避开高峰阶段，提高电网的利用率。通过对家庭用户用电行为数据的分析，从而保障地区用电安全，避免了部分地区的偷电用电情况。同时，在大数据时代的背景下，对家庭用户的用电行为进行数据收集，有助于对电力系统进行整体的改革优化，为电力系统提供可靠的数据来源。

但是，当前，在实际场景实施过程中，主要使用的是基于简单的用电量统计的非侵入式电力负荷监测系统，通过安装智能水电表，进行数据采集和统计，分别给老人进行阈值设定，采用此方法存在以下缺点：

1、用单纯的阈值标准不能衡量家庭的用电情况，反而会造成大概率的误报和漏报。单纯的家庭总用电量减少不能直接证明有告警的必要，对告警的多次无效的反馈反而打扰了用户的正常生活。阈值的标准对于老人用电异常行为的判定，不论是因人而异还是统一设定，都不具备更可靠的依据；

2、此种方式滞后性太大。告警的时间跨度较长，不能进行实时的用电异常告警。老人一旦发现问题，不能在当天进行有效的告警，甚至要超过三天才能发现问题，及时帮扶的最佳时间也已经错过。

因此，发明一种非侵入式电力负荷监测系统来解决上述问题很有必要。

发明内容

本发明的目的是提供一种非侵入式电力负荷监测系统，以解决技术中的上述不足之处。

为了实现上述目的，本发明提供如下技术方案：一种非侵入式电力负荷监测系统，包括如下步骤：

S1、用电数据分析，将采集到的用户总用电数据进行家庭基础用电数据和用户实际用电数据的划分识别；

S2、用户画像，基于用户对各种用电器的使用情况进行用户的用电习惯、段时间的用电行为迁移以及基础信息分类分析，利用统计学分析、贝叶斯网络推理进行场景的数据挖掘和分析；

S3、场景分析，结合线下调研和业务需求，将实际场景中的告警分为异常用电行为告警、趋势用电变化告警、家庭用电器分析报告、用电器使用异常告警等四部分；

S4、告警业务流程推送，告警服务依托于小波Plus智能物联平台，通过安装智能断路器装置，将用户的用电数据通过WaveletThings平台进行实时的数据接入，整体模型通过WaveletAI平台进行模型部署，在规则链配置中利用规则节点引用的方式进行模型预测，最后，通过微智安管理平台进行告警推送以及情况核实反馈。

优选的，所述家庭基础用电数据是由所有24小时持续工作的用电器数据所组成的用电曲线。

优选的，所述用户实际用电数据是由所有非24小时持续工作的用电器数据所组成的用电曲线。

优选的，所述家庭基础用电数据和用户实际用电数据基于循环时序提取法。

优选的，所述循环时序提取法为基于轨迹跟踪算法、LCSS算法、移动平均数模型等对获取到的总用电数据进行分析，在DOW特性的基础上运用分类和协整理论进行时间序列的构建和依赖性判定

优选的，所述循环时序提取法步骤如下：

S1、检测某用户的历史总电流电压\功率时序数据，然后进行数据预处理；

S2、以小时为单位对功率数据进行统计，将历史数据内每小时的数据进行用电量聚类，在此之前，设置闽值，根据K-MEANS聚类算法获取到该用户的用电量的高低中峰值的变化区间和发生频率区间；

S3、获取该用户用电量的低峰值的用电时间区间，依次遍历时间区间，获取该时间区间的总电流时序数据，判断该时间区间内的总功率是否属于低峰期，若不是，返回上一步，继续依次遍历时间区间；

S4、获取该时间区间的总电流时序数据，若是，继续判断该时间区间内的总功率的发生频次是否大于阈值，若不是，继续依次遍历时间区间，获取该时间区间的总电流时序数据，若是，根据Lcss算法移动平均数模型，提取符合当前意功率以及总功率的发生频次的所有时间区间内的总电流数据，进行相似性对比，取最小集合set，获取目标循环时序电流序列。

优选的，所述用户画像主要基于用户对各种用电器的使用情况进行用户的用电习惯、段时间的用电行为迁移以及基础信息分类分析，主要利用统计学分析、贝叶斯网络推理进行场景的数据挖掘和分析。

优选的，识别家用电器主要是在低频采集(15s/次)的条件下，结合时间变量进行有效识别。

优选的，所述识别家用电器算法包括如下步骤：

S1、安装智能断路器对用电器负荷分解；

S2、对用电器数据进行采集，对用电器运行特征提取；

S3根据用电器负荷分解主要进行负载检测、状态标签、特征提取和识别分类。

优选的，所述家用电器识别技术如下：

S1、检测某用户的历史总电流和电压功率时序数据，利用循环时序提取法获取到用户的基础用电和实际用电行为数据；

S2、判断是否为基础用电时序，若不是，对时序进行事件检测，设置发生判定的跃迁值p2，检测标准为，如果在时序电流中的某一时间戳，电流的变化值大于p，则认为该时间戳产生了事件，结合特征库和用电器本身使用时间的特征，进行事件动态匹配；

S3、若是基础用电时序，则对时序进行事件检测，设置发生判定的跃迁值p1，结合特征库和用电器本身使用时间的特征，进行事件动态匹配，获取最终事件监测结果。

在上述技术方案中，本发明提供的技术效果和优点：

1、在现有技术方法中，用户异常情况的判定标准单一且不全面，告警的时效性较差，滞后性严重，且误报率较高。同样是非侵入式的用电监测，本方法中，通过对用户的总用电数据的用电构成分析、用电习惯等多方面进行用户画像的完善，提供了可靠的数据依据。同时，结合实时的数据传输，进行实时用电分析，提高了用电异常判定的准确性，克服了现有方法的滞后性。在一天内，一旦用户有异于用电习惯的行为，将进行实时的告警推送，为可能发生意外的老人们争取到了宝贵的救助时间；

2、另外在现有技术方法中，告警和情况反馈只能保障老人们实际已产生的异常生命状态，不能对老人用电行为的潜在异常状态进行分析和告警。而本方法中，随着老人用电数据的各个指标的变化，可以挖掘出老人用电行为反映出来的健康状态的改变，做到了防患于未然，并且小波Plus平台是领先的数据智能平台，由小波物联、小波数据、小波AI、小波看板四部分组成，可独立使用。平台打通连接层、平台层、应用层，从物联网、大数据、人工智能到可视化展示，提供端到端的一站式平台及产品，帮助企业实现真正的数字化，智能化转型升。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明的流程图；

图2为本发明的循环时序提取法结构示意图；

图3为本发明的整体技术路线结构示意图；

图4为本发明的家用电器识别技术结构示意图。

具体实施方式

为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。

本发明提供了如图1-2所示，的一种非侵入式电力负荷监测系统，包括如下步骤：

S1、用电数据分析，将采集到的用户总用电数据进行家庭基础用电数据和用户实际用电数据的划分识别；

S2、用户画像，基于用户对各种用电器的使用情况进行用户的用电习惯、段时间的用电行为迁移以及基础信息分类分析，利用统计学分析、贝叶斯网络推理进行场景的数据挖掘和分析；

S3、场景分析，结合线下调研和业务需求，将实际场景中的告警分为异常用电行为告警、趋势用电变化告警、家庭用电器分析报告、用电器使用异常告警等四部分；

S4、告警业务流程推送，告警服务依托于小波Plus智能物联平台，通过安装智能断路器装置，将用户的用电数据通过WaveletThings平台进行实时的数据接入，整体模型通过WaveletAI平台进行模型部署，在规则链配置中利用规则节点引用的方式进行模型预测，最后，通过微智安管理平台进行告警推送以及情况核实反馈。

进一步的，在上述技术方案中，所述家庭基础用电数据是由所有24小时持续工作的用电器数据所组成的用电曲线；

进一步的，在上述技术方案中，所述用户实际用电数据是由所有非24小时持续工作的用电器数据所组成的用电曲线；

进一步的，在上述技术方案中，所述家庭基础用电数据和用户实际用电数据基于循环时序提取法；

进一步的，在上述技术方案中，所述循环时序提取法为基于轨迹跟踪算法、LCSS算法、移动平均数模型等对获取到的总用电数据进行分析，在DOW特性的基础上运用分类和协整理论进行时间序列的构建和依赖性判定。

在现有技术方法中，用户异常情况的判定标准单一且不全面，告警的时效性较差，滞后性严重，且误报率较高。同样是非侵入式的用电监测，本方法中，通过对用户的总用电数据的用电构成分析、用电习惯等多方面进行用户画像的完善，提供了可靠的数据依据。同时，结合实时的数据传输，进行实时用电分析，提高了用电异常判定的准确性，克服了现有方法的滞后性。在一天内，一旦用户有异于用电习惯的行为，将进行实时的告警推送，为可能发生意外的老人们争取到了宝贵的救助时间，另外在现有技术方法中，告警和情况反馈只能保障老人们实际已产生的异常生命状态，不能对老人用电行为的潜在异常状态进行分析和告警。而本方法中，随着老人用电数据的各个指标的变化，可以挖掘出老人用电行为反映出来的健康状态的改变，做到了防患于未然。

将采集到的用户总用电数据进行家庭基础用电数据和用户实际用电数据的划分识别。家庭基础用电数据是由所有24小时持续工作的用电器数据所组成的用电曲线；用户实际用电数据是由所有非24小时持续工作的用电器数据所组成的用电曲线。对比电路的特性，在持续工作的用电器数据中发现普遍具有电路中频率特性。

由于电器是24小时运行的，在家庭总电流中，家庭基础用电数据具有叠加性、规律性的呈现。如何获取家庭基础用电数据，即为如何获取时序时间序列中的具有周期性、趋势性的循环序列。基础的时间序列对比的算法只能简单的对比两条趋势和数值大小，获取到的循环时序误差值较大。在此基础上，基于轨迹跟踪算法、LCSS算法、移动平均数模型等对获取到的总用电数据进行分析，在DOW特性的基础上运用分类和协整理论进行时间序列的构建和依赖性判定，大大提高了获取到的循环时间序列的正确性。所以，本专利使用循环时序提取法进行时序提取，技术路线如下：检测某用户的历史总电流电压\功率时序数据，然后进行数据预处理，以小时为单位对功率数据进行统计，将历史数据内每小时的数据进行用电量聚类，在此之前，设置闽值，根据K-MEANS聚类算法获取到该用户的用电量的高低中峰值的变化区间和发生频率区间，获取该用户用电量的低峰值的用电时间区间，依次遍历时间区间，获取该时间区间的总电流时序数据，判断该时间区间内的总功率是否属于低峰期，若不是，返回上一步，继续依次遍历时间区间，获取该时间区间的总电流时序数据，若是，继续判断该时间区间内的总功率的发生频次是否大于阈值，若不是，继续依次遍历时间区间，获取该时间区间的总电流时序数据，若是，根据Lcss算法移动平均数模型，提取符合当前意功率以及总功率的发生频次的所有时间区间内的总电流数据，进行相似性对比，取最小集合set，获取目标循环时序电流序列，基于上述方法，获取用户的基础用电和实际用电行为数据。由于用电数据具有叠加性，为后续推送的用户告警提供了不可或缺的决策支持。

如图3-4所示，所述用户画像主要基于用户对各种用电器的使用情况进行用户的用电习惯、段时间的用电行为迁移以及基础信息分类分析，主要利用统计学分析、贝叶斯网络推理进行场景的数据挖掘和分析；

进一步的，在上述技术方案中，识别家用电器主要是在低频采集(15s/次)的条件下，结合时间变量进行有效识别。

用户画像本质上是用来描述用户需求的方法论，从用户的角度思考，理解用户的行为动机、日常习惯、潜在需求，想像用户的用电场景，当前，用户画像主要基于用户对各种用电器的使用情况进行用户的用电习惯、段时间的用电行为迁移以及基础信息分类分析，主要利用统计学分析、贝叶斯网络推理进行场景的数据挖掘和分析。家用电器事件监测分析，除了基于统计学分析之外，更侧重于非侵入式电力负荷分解算法进行家用电器事件监测和电器识别。所以，进行用户画像的重心主要在于如何准确有效的识别出家用电器，当前，针对用电器识别，更多的是在高频采集的情况下进行数据采集，获取用电器的谐波等特征进行建模，从而对家用电器进行识别，想要在低频采集的情况下进行用电器的识别还是较为困难的一个技术点，本专利提出了新的家用电器分解算法，在低频采集(15s/次)的条件下，结合时间变量有效识别家用电器，技术路线如下：安装智能断路器对用电器负荷分解，对用电器数据进行采集，对用电器运行特征提取，根据用电器负荷分解主要进行负载检测、状态标签、特征提取和识别分类；

具体的家用电器识别技术如下：

检测某用户的历史总电流和电压功率时序数据，利用循环时序提取法获取到用户的基础用电和实际用电行为数据，判断是否为基础用电时序，若不是，对时序进行事件检测，设置发生判定的跃迁值p2，检测标准为，如果在时序电流中的某一时间戳，电流的变化值大于p，则认为该时间戳产生了事件，结合特征库和用电器本身使用时间的特征，进行事件动态匹配，这里非连续使用的家用电器特征库主要包括电饭煲、洗衣机、热水器、空调、显示器类、微波炉等大型家电以及加热类电器等，若是基础用电时序，则对时序进行事件检测，设置发生判定的跃迁值p1，结合特征库和用电器本身使用时间的特征，进行事件动态匹配，这里24小时家用电器待征库主要包括冰箱、鱼缸加热棒等持续运行类电器等，通过上述方法获取最终事件监测结果。

场景分析主要结合大量的线下调研和业务需求，将实际场景中的告警分为异常用电行为告警、趋势用电变化告警、家庭用电器分析报告、用电器使用异常告警等四部分。

告警服务依托于微企信息自主研发的小波Plus智能物联平台，小波Plus平台是领先的数据智能平台，由小波物联、小波数据、小波AI、小波看板四部分组成，可独立使用。平台打通连接层、平台层、应用层，从物联网、大数据、人工智能到可视化展示，提供端到端的一站式平台及产品，帮助企业实现真正的数字化，智能化转型升，通过安装智能断路器装置，将用户的用电数据通过WaveletThings平台进行实时的数据接入。整体模型通过WaveletAI平台进行模型部署，在规则链配置中利用规则节点引用的方式进行模型预测。最后，通过微智安管理平台进行告警推送以及情况核实反馈。

以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。

Claims (7)

1.一种非侵入式电力负荷监测系统，其特征在于：包括如下步骤：

S1、用电数据分析，将采集到的用户总用电数据进行家庭基础用电数据和用户实际用电数据的划分识别；

S2、用户画像，基于用户对各种用电器的使用情况进行用户的用电习惯、段时间的用电行为迁移以及基础信息分类分析，利用统计学分析、贝叶斯网络推理进行场景的数据挖掘和分析；

S3、场景分析，结合线下调研和业务需求，将实际场景中的告警分为异常用电行为告警、趋势用电变化告警、家庭用电器分析报告、用电器使用异常告警等四部分；

S4、告警业务流程推送，告警服务依托于小波Plus智能物联平台，通过安装智能断路器装置，将用户的用电数据通过WaveletThings平台进行实时的数据接入，整体模型通过WaveletAI平台进行模型部署，在规则链配置中利用规则节点引用的方式进行模型预测，最后，通过微智安管理平台进行告警推送以及情况核实反馈；

所述家庭基础用电数据和用户实际用电数据基于循环时序提取法；

所述循环时序提取法为基于轨迹跟踪算法、LCSS算法、移动平均数模型等对获取到的总用电数据进行分析，在DOW特性的基础上运用分类和协整理论进行时间序列的构建和依赖性判定；

所述循环时序提取法步骤如下：

S1、检测某用户的历史总电流电压\功率时序数据，然后进行数据预处理；

S2、以小时为单位对功率数据进行统计，将历史数据内每小时的数据进行用电量聚类，在此之前，设置闽值，根据K-MEANS聚类算法获取到该用户的用电量的高低中峰值的变化区间和发生频率区间；

S3、获取该用户用电量的低峰值的用电时间区间，依次遍历时间区间，获取该时间区间的总电流时序数据，判断该时间区间内的总功率是否属于低峰期，若不是，返回上一步，继续依次遍历时间区间；

S4、获取该时间区间的总电流时序数据，若是，继续判断该时间区间内的总功率的发生频次是否大于阈值，若不是，继续依次遍历时间区间，获取该时间区间的总电流时序数据，若是，根据Lcss算法移动平均数模型，提取符合当前意功率以及总功率的发生频次的所有时间区间内的总电流数据，进行相似性对比，取最小集合set，获取目标循环时序电流序列。

2.根据权利要求1所述的一种非侵入式电力负荷监测系统，其特征在于：所述家庭基础用电数据是由所有24小时持续工作的用电器数据所组成的用电曲线。

3.根据权利要求1或2所述的一种非侵入式电力负荷监测系统，其特征在于：所述用户实际用电数据是由所有非24小时持续工作的用电器数据所组成的用电曲线。

4.根据权利要求1所述的一种非侵入式电力负荷监测系统，其特征在于：所述用户画像主要基于用户对各种用电器的使用情况进行用户的用电习惯、段时间的用电行为迁移以及基础信息分类分析，主要利用统计学分析、贝叶斯网络推理进行场景的数据挖掘和分析。

5.根据权利要求1所述的一种非侵入式电力负荷监测系统，其特征在于：识别家用电器主要是在低频采集(15s/次)的条件下，结合时间变量进行有效识别。

6.根据权利要求1所述的一种非侵入式电力负荷监测系统，其特征在于：识别家用电器算法包括如下步骤：

S1、安装智能断路器对用电器负荷分解；

S2、对用电器数据进行采集，对用电器运行特征提取；

S3根据用电器负荷分解主要进行负载检测、状态标签、特征提取和识别分类。

7.根据权利要求1所述的一种非侵入式电力负荷监测系统，其特征在于：具体的家用电器识别技术如下：

S1、检测某用户的历史总电流和电压功率时序数据，利用循环时序提取法获取到用户的基础用电和实际用电行为数据；

S2、判断是否为基础用电时序，若不是，对时序进行事件检测，设置发生判定的跃迁值p2，检测标准为，如果在时序电流中的某一时间戳，电流的变化值大于p，则认为该时间戳产生了事件，结合特征库和用电器本身使用时间的特征，进行事件动态匹配；

S3、若是基础用电时序，则对时序进行事件检测，设置发生判定的跃迁值p1，结合特征库和用电器本身使用时间的特征，进行事件动态匹配，获取最终事件监测结果。

Images