CN114970633A - 一种基于lstm的非侵入式用电器识别方法、系统及设备 - Google Patents

一种基于lstm的非侵入式用电器识别方法、系统及设备 Download PDF

Info

Publication number
CN114970633A
CN114970633A CN202210637084.4A CN202210637084A CN114970633A CN 114970633 A CN114970633 A CN 114970633A CN 202210637084 A CN202210637084 A CN 202210637084A CN 114970633 A CN114970633 A CN 114970633A
Authority
CN
China
Prior art keywords
electrical appliance
current
neural network
appliance
electric
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.)
Granted
Application number
CN202210637084.4A
Other languages
English (en)
Other versions
CN114970633B (zh
Inventor
顾文杰
吴拨云
秦少阳
何先灯
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.)
Shaanxi Xilu Electronic Technology Co ltd
Xidian University
Original Assignee
Shaanxi Xilu Electronic Technology Co ltd
Xidian University
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 Shaanxi Xilu Electronic Technology Co ltd, Xidian University filed Critical Shaanxi Xilu Electronic Technology Co ltd
Priority to CN202210637084.4A priority Critical patent/CN114970633B/zh
Publication of CN114970633A publication Critical patent/CN114970633A/zh
Application granted granted Critical
Publication of CN114970633B publication Critical patent/CN114970633B/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/242—Home appliances

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Neurology (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于用电器识别技术领域，公开了一种基于LSTM的非侵入式用电器识别方法、系统及设备，利用电流互感器和电压过零检测电路，同步取样用电器的电流数据，通过电流数据提取特征参数并判断出用电器的投切事件后，再利用长短期记忆(LSTM)神经网络判断出投切的用电器种类，最后结合累积和(CUSUM)智能识别出当前用电器的种类和数量。本发明兼顾低成本，低功耗，高识别精度为一体，易于工业化生产和推广使用；具有学习功能，可自主学习新用电器，并识别用电器不局限于出厂时内置的用电器种类。在嵌入式微控制器芯片上部署了LSTM神经网络，用于识别用电器；微控制器芯片相对微处理器芯片在成本上有显著优势，本发明所提出的多参数的检测方法能够更准确的判断出用电器的投切事件。

Description

一种基于LSTM的非侵入式用电器识别方法、系统及设备
技术领域
本发明属于用电器识别技术领域，尤其涉及一种非侵入式用电器识别方法、系统及设备。
背景技术
目前，在如今大量使用电力能源的时代，电力监控是一个重要的话题。在家用电力领域，家用电器识别的要求不断被重视。已有的电器监控设备往往无法兼顾高精度和低成本这两个需求。作为家用识别装置，目前市场上已有的多是成本相对较低的非侵入式电器监控装置，为了在节约成本的同时保证识别的准确性，如今的监控装置多采用一些神经网络或者人工智能的算法，需要电脑参与训练和识别过程，带来了系统功耗的增加以及成本的增加。当然同时也有一些采用简单识别方式的设备，但难以维持较好的识别效果，实际使用效果堪忧。总体来说，在家用电器识别这一领域，高精度和低成本的需求难以两全。
近年来，随着社会经济的飞速发展，工业能源消耗和家庭能源使用量都在急剧上涨。在社会生产力能力持续增强，人民物质生活水平不断提高的同时，能源需求量也同步提升，这给能源供应系统提出了巨大的挑战，尤其是诸如电能等传统能源。来自多方面的，多种类的能源接入量给电力系统提供了大量的资源供应压力。对于如何提高能源使用效率这一课题，物联网技术正处于研究的最前端，它可以灵活地感知电力系统状态，面对变化的负载用电情况及时进行智能通信、控制和调整。而在居民用电领域中，物联网电力控制系统具体落实为家用电器状况监控、用电情况通报和用电器智能调控等。
面对这些家庭电力监控需求，识别电器种类、检测电器使用状态、监测电力使用量等基本要求不断被人们所重视。在用电器识别和家庭负荷监测方面，主要有两种研究方法，即侵入式和非侵入式。非侵入式用电负荷监测技术相比于侵入式负荷监测技术而言，无需繁琐的硬件安装，只需要采集电力供总线处的电压电流，通过特定算法便能得到用电器的类别状态和电能消耗。考虑到侵入式监控的高成本，非侵入式监控应该是家庭电力监控的更优解。非侵入式监控旨在通过处理家庭聚合用电量信息来识别电器的被使用状况。但在非侵入式用电器监测识别方法中，单一的依靠稳态或瞬态参数无法准确的判断用电器种类，而一味的依靠高精度的谐波分析法又会产生数据冗余。
程春雨等提出了一种基于BP神经网络的用电器识别系统设计，系统采集单个用电器工作电流数据并传送给上位机存储留待处理。上位机将接收到的数据进行复合数字滤波，并基于BP神经网络通过叠加原理排列组合出多种情况，生成训练数据集，从而实现用电器识别。
周明等提出了一种基于S_Kohonen非侵入式居民负荷识别方法，分析了典型用电器负荷的电流数据频谱，并以其谐波作为负荷识别的最优特征参量，使用预先采集的负荷特征库训练S_Kohonen神经网络，最终实现对用电器类别的精确识别。
周晓等提出了一种基于ELM的非侵入式电力负荷识别算法，从负荷特性出发，针对各电力负荷的暂态及稳态电气特性，提取并建立负荷特征标签。然后，采用极限学习机(ELM)神经网络模型，将输入特征非线性地映射到输入层，实现快速收敛至全局最优点。采用基于累积和(CUSUM)的双边事件检测方法，实现快速准确地检测出负荷投切事件，实时触发负荷识别。
他们都采用了神经网络或者人工智能的算法，实现了用电器的识别，但是他们都需要复杂的训练以及复杂的计算，并且需要借助电脑来实现神经网络识别，带来了系统功耗的增加以及成本的增加。
综上所述，现有的用电器识别算法与系统中，往往不能兼顾低成本和高精度这两个重要需求，不适用于实际的家庭电器识别使用状况。现有非侵入用电器识别系统计算复杂度过高，不利于低功耗和产业化。
程春雨，周明，周晓等人提出的用电器识别算法虽然采用的不同的具体识别方法，但是都是使用了神经网络或者人工智能的算法以达到用电器识别的高精度要求。虽然已经在一定程度上控制了成本，但是由于其所用神经网络或者人工智能的算法本身固有的对于训练量和计算量的需求，并没有实现在嵌入式微控制芯片上部署神经网络进行识别，系统功耗的增加以及成本的增加是不可避免的。在满足高精度需求的同时难以兼顾低成本的要求，而成本问题在家用设备的领域中由尤为重要，这无疑会限制这些设备的实际推广使用，也不能完美的满足市场用户需求。
除了这些使用了神经网络或者人工智能的算法的系统，其他更低成本的识别装置就具有识别精度不足的明显问题。或是只能识别一些由厂商固定选定的用电器，使用范围非常局限，或是识别准确度不高，无法做到高准确率的实时识别显示。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有的用电器识别算法与系统中，往往不能兼顾低成本和高精度这两个重要需求，不适用于实际的家庭电器识别使用状况；现有非侵入用电器识别系统计算复杂度过高，不利于低功耗和产业化。
(2)现有的采用神经网络或人工智能算法实现用电器识别的方法中，都需要复杂的训练以及复杂的计算，并且需要借助计算机来实现神经网络识别，带来了系统功耗的增加以及成本的增加。
(3)现有的非侵入式用电器识别方法针对的大多是几十瓦及以上的用电器，针对十瓦以内的小用电器(比如台灯，LED等待灯)不具备识别能力或者识别性能很差。
(4)现有的非侵入式用电器识别方法采用功率变化为投切事件判断的依据，其适用的电气功率都是在几十瓦以上，即仅仅对大功率电气有效。
发明内容
针对现有技术存在的问题，本发明提供了一种非侵入式用电器识别方法、系统、及设备，尤其涉及一种基于LSTM(长短期记忆)神经网络的非侵入式用电器识别方法、系统及设备。
本发明是这样实现的，一种非侵入式用电器识别方法，所述非侵入式用电器识别方法包括：
利用电流互感器和电压过零检测电路，同步取样用电器的电流；利用获取的电流数据，对LSTM神经网络进行训练；利用获取的电流数据得到电流的基波相位、各次谐波与基波幅度比和能量比等特征参数，并利用这些特征参数判断出用电器的投切事件；利用训练好的LSTM神经网络对变化的电流数据进行识别，判断出投切的用电器种类；最后结合累积和(CUSUM)智能识别出当前用电器的种类和数量。
进一步，所述非侵入式用电器识别方法包括以下步骤：
步骤一，进行用电器参数获取并缓冲在MCU的内存中；
步骤二，进行LSTM神经网络的训练；
步骤三，进行用电器特征特征参数提取，并利用这些特征判断用电器的投切事件；
步骤四，利用训练好的LSTM神经网络进行用电器识别；
步骤五，基于累计和(CUSUM)智能识别出当前用电器的种类和数量。
进一步，所述步骤一中的用电器参数获取包括：
获取的用电器参数是电流数据，通过电流互感器和电压过零检测电路，在电压过零点，同步取样用电器的电流数据；取样通过MCU控制ADC模块实现；取样得到的数据缓冲在MCU的内存中。
进一步，所述步骤二中的神经网络训练包括：
(1)LSTM神经网络
采用LSTM神经网络实现用电器的识别；基于LSTM神经网络，以单个用电器自身电流数据为训练数据，通过迭代训练的方法建立用电器学习模型。
LSTM单元结构包含遗忘门ft，输入门it和输出门ot三个对信息进行筛选的门神经元和一个内部记忆神经元
Figure BDA0003682523780000051
其中，σ表示sigmoid函数，tanh表示双曲正切函数，ht表示该单元结构的输出，Ct为该细胞状态。
在神经网络学习过程中，历史学习信息将由遗忘门ft筛选出对下一次学习有用的信息；当前时刻t的输入xt与上一时刻输出ht-1拼接后，经过激活函数sigmoid后的结果与上一时刻的细胞输出Ct-1点乘，从而实现对上一时刻的学习信息进行筛选；其中决定遗忘门的公式为：
ft＝σ(Wf[ht-1；xt]+bf)；
Figure BDA0003682523780000052
式中，Wf为遗忘门权重矩阵，bf为遗忘门偏置向量。
输入门it用于决定输入xt中被加入与细胞状态中的信息；输入xt经过激活函数sigmoid得到结果it用于决定被更新的信息；输入xt经过函数tanh的结果
Figure BDA0003682523780000053
代表当前时刻的信息，计算公式为：
it＝σ(Wi[ht-1；xt]+bi)；
Figure BDA0003682523780000054
式中，Wi，Wc为输入门权重矩阵，bi，bc为输入门偏置向量。
根据当前时刻输入得到的it和ct点乘结果与遗忘门对上一时刻细胞状态的筛选结果相加，得到当前细胞状态Ct：
Figure BDA0003682523780000055
式中，⊙表示按元素相乘。
输出门ot由当前时刻输入xt、上一时刻单元结构的输出ht-1以及当前细胞状态Ct决定，单元结构的输出ht由ot与Ct运算得到：
ot＝σ(Wo[ht-1；xt]+b0)；
ht＝ot⊙tanh Ct；
式中，Wo为输出门权重矩阵，b0为输出门偏置向量。
(2)ND-LSTM模型结构
ND-LSTM采用单层LSTM网络，并加入丢弃层防止对训练数据过拟合，实现部署至嵌入式控制芯片的轻量级神经网络；通过数据输入层，将电流数据输入到具有128个神经元的长短期神经网络层中，再通过丢弃层随机屏蔽50％的神经元防止神经网络过拟合；其后经过具有64个和5个节点的全连接层，最终通过Softmax激活层得到每种用电器分类的概率，并由识别输出层结果。
(3)ND-LSTM模型训练
采用预先采集的用电器电流数据作为样本，选取60％作为训练集，20％作为验证集和20％作为测试集；神经网络的求解器为Adam，初始学习率为0.00001，得到用于用电器识别的ND-LSTM神经网络模型。
进一步，所述步骤三中的用电器特征参数提取和投切事件判断包括：
系统利用电源总线上的电流数据的特征参数，判断用电器的投切事件；通过FFT运算实现电流频谱特征的提取，从而得到用电器的特征参数。
FFT是离散傅里叶变换的快速算法，设第t组的电流采样序列为{ft(l)}，则其N点的DFT的结果为：
Figure BDA0003682523780000061
瞬时负荷特性指负荷在投切瞬间所表现的电气特性，稳态负荷特性指负荷开启进入稳定工作后所表现的电气特性；多个用电器组合的负荷特性的变化，用于判断用电器的投切事件。定义多个用电器同时工作时，得到的电流频谱中基频fc及各次谐波的幅值为：
Figure BDA0003682523780000065
式中，fs为采样率，
Figure BDA0003682523780000064
表示向下取整运算；定义评价函数Qt：
Figure BDA0003682523780000062
在用电器投切的t＝6的时刻，Qt发生明显的变化，通过Qt初步反映用电器的投切事件；采用间隔m组的数据的变化值ΔQt作为初步判断用电器投切的依据：
Figure BDA0003682523780000071
式中，H为门限，H＝50mA，m＝2，间隔m根据实际情况调整；采用差分法，且选取频谱在fc的幅值差ΔDt(1)作为额外的判断条件：
ΔDt(1)＝|Dt(1)|-|Dt-k(1)|；
通过比较ΔDt(1)值区分出大功率用电器的投切事件；由于用电器会存在功率因数的不同，选取功率因数角φt(k)作为识别用电器投切事件的特征参数之一：
φt(k)＝arg(Dt(k))；
式中，arg(x)表示求x的角度。
用于判断用电器投切事件的函数为：
Figure BDA0003682523780000072
进一步，所述步骤四中的用电器识别包括：
系统在监测模式下，得到用电器的投切时刻，令此时前后采集到的电流数据分别为Ft+1(n)和Ft-1(n)，根据ΔQt判断用电器的状态；当ΔQt>0，用电器开启；当ΔQt<0，用电器关闭，并得到用电器数量变化前后电流数据差：
Figure BDA0003682523780000073
xt＝[ΔFt(1),ΔFt(2),…,ΔFt(n)](0≤n≤N-1)；
将xt输入到已经训练好的用电器识别神经网络后，得到用电器种类；根据积累和原理，更新当前用电器的种类和数量，并更新OLED显示。
本发明的另一目的在于提供一种应用所述的非侵入式用电器识别方法的非侵入式用电器识别系统，所述非侵入式用电器识别系统包括：
参数获取模块，用于获取用电器参数并缓冲在MCU的内存中；
神经网络训练模块，用于进行LSTM神经网络的训练；
特征提取及投切事件判断模块，用于进行用电器特征参数提取和投切事件的判断；
用电器识别模块，用于利用训练好的LSTM神经网络进行用电器识别；
当前用电器的种类和数量统计模块，用于给出当前在用电器的统计信息。
本发明的另一目的在于提供一种计算设备，所述计算设备包括存储器和处理器，所述存储器存储有计算程序，所述计算程序被所述处理器执行时，使得所述处理器执行所述的非侵入式用电器识别方法。
本发明的另一目的在于提供一种计算设备可读存储介质，存储有计算程序，所述计算程序被处理器执行时，使得所述处理器执行所述的非侵入式用电器识别方法。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的非侵入式用电器识别系统。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明设计了一种低复杂度、高精度的非侵入式用电器监测识别的算法和系统。该系统利用电流互感器和电压过零检测电路，同步取样用电器的电流，通过对电流数据提取特征值参数，判断出用电器的投切事件，再利用长短期记忆神经网络(Long Short-TermMemory，LSTM)对投切前后的电流数据差进行识别，判断出投切的用电器种类，最后结合累积和(CUSUM)智能识别出当前用电器的种类和数量。本发明设计了一种可在嵌入式微控制芯片(Cortex-M系列)上应用的低成本、轻量化、高精度的非侵入式用电器监测识别算法ND-LSTM及其系统。该系统，在提升用电器种类识别率的同时，降低了复杂度，实现了神经网络在嵌入式微控制芯片上的应用。
本发明基于LSTM神经网络，以单个用电器自身电流数据为训练数据，通过迭代训练的方法建立用电器学习模型。该方法充分利用了用电器电流数据的时域相关性，提高了用电器检测的精度，并降低所需数据维度大小。实验结果表明，本发明提供的ND-LSTM算法和系统具有良好的性能和低功耗特性。利用本发明可进一步应用于推断各个用电器的工作情况，包含用电器投切时间点、使用时长、功耗总和等，可以为智能电网提供精细化的用户用电信息，并为电网能源管理和优化提供重要参考。
本发明在不影响用电器本身工作状态的情况下，在电源总线上(家庭入户电表处)进行用电流同步采集，即非侵入监测；通过本发明提出的多参数的检测方法判断出用电器的投切事件；在用电器投切事件发生后，本发明针对变化的电流数据，在嵌入式微控制芯片上利用LSTM神经网络识别出变化的用电器种类，最后结合累积和(CUSUM)得到当前用电器的种类和数量；在实现低功耗的同时保证高识别率，同时具有自主学习功能，能够识别多种混合组合用电器(包括大小功率用电器混合)，最终识别准确率高达99.6％。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明提供了一种可在嵌入式微控制芯片上应用的低成本、低功耗、高精度的非侵入式用电器监测识别算法和系统，在能够对多种同时使用的家用电器进行准确识别的同时，可以降低成品和功耗，有利于产业化。本发明为实现泛在电力物联网客户侧智能感知提供一定条件，能够广泛应用于低压电网中，实现家用电器状况监控，用电情况通报等多样化功能。
本发明兼顾低成本，低功耗，高识别精度为一体，易于工业化生产和推广使用；具有学习功能，本发明可自主学习新用电器，可识别用电器不局限于出厂时内置的用电器种类；只需要针对单个用电器进行少量数据的训练，即可对组合用电器实现准确的识别。在嵌入式微控制器芯片上部署了LSTM神经网络，用于识别用电器；微控制器芯片相对微处理器芯片在成本上有显著优势，所提出的多参数的检测方法能更准确的判断出用电器的投切事件。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
(1)本发明的技术方案转化后的预期收益和商业价值为：
为了适应经济社会发展需要，我国正在全力推进智能电网建设。对于建设泛在电力物联网而言，推进智能电表的使用和优化是在电网终端的重要建设。中国目前有约4.91亿户家庭，每年智能电报招标数量基本都在6000万左右，不仅有未安装智能电表的家庭需要新安装智能电表，更有老一代电表需要升级。本发明安装于家庭智能电表之上，能够实时识别用电器种类和数量，检测家庭用电器工作状态，便于进行电能管理，节能减排，减少家庭用电安全隐患等。面对着庞大的社会需求与现存的空白市场，本发明具有巨大的商业价值与空间。
(2)本发明的技术方案填补了国内外业内技术空白：
本发明可以部署在智能电表上，由于不需要复杂的神经网络的识别计算，只需要进行一层128个神经元的LSTM神经网络的识别计算，因此可以在终端完成用电器的神经网络识别，大大增加了技术的实用性，填补了国内外业内的技术空白。
(3)本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题：
现有技术无法直接部署到智能电表上，本发明具有低功耗和低成本的特性，可以部署到智能电表上，解决了人们一直渴望解决、但始终未能获得成功的技术难题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述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用电器识别方法流程图；
图2是本发明实施例提供的LSTM结构示意图；
图3是本发明实施例提供的ND-LSTM模型结构示意图；
图4是本发明实施例提供的示例用电器频谱特征图；
图5是本发明实施例提供的示例用电器动态特征Qt示意图；
图6是本发明实施例提供的ND-LSTM网络训练误差曲线图；
图7是本发明实施例提供的实施例硬件结构图；
图8是本发明实施例提供的实施例软件流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。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。
针对现有技术存在的问题，本发明提供了一种非侵入式用电器识别方法、系统及设备，下面结合附图对本发明作详细的描述。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
术语解释：用电器识别：指区分与确认正在使用的电器的种类。非侵入式：指没有改变原正常工作系统的状态，对正常工作系统没有影响，以附加状态存在。动态特征参数：指实时变化的电气参数，如电路电流，电功率等。长短期神经网络(Long Short-TermMemory，LSTM)：一种神经网络；嵌入式微控制器芯片(MCU)：一种以Cotex-M系列内核为核心，芯片内部集成各种必要功能和外设的处理芯片；投切：特指用电器的开、关动作。
如图1所示，本发明实施例提供的非侵入式用电器识别方法包括以下步骤：
S101，进行用电器参数获取并缓冲在MCU的内存中；
S102，进行LSTM神经网络的训练；
S103，进行用电器特征参数提取和投切事件判断；
S104，利用训练好的LSTM神经网络进行用电器识别；
S105，利用累计和(CUSUM)智能识别当前的用电器种类和数量。
本发明实施例提供的非侵入式用电器识别方法具体包括用电器参数获取、神经网络训练、用电器投切事件判断、用电器识别以及当前用电器种类和数量统计五个部分。
1.用电器参数获取
本发明需要获取的用电器参数主要是电流信息，通过电流互感器和电压过零检测电路，在电压过零点，同步取样用电器的电流。取样通过MCU控制ADC模块实现；取样得到的数据缓冲在MCU的内存中，以便进一步的处理。
2.神经网络训练
本发明采用LSTM神经网络实现用电器的识别。LSTM是一种时间递归神经网络，能够很好的学习到序列数据中的长期依赖关系，同时解决了循环神经网络(RecurrentNeural Networks，RNN)随着时间序列数据的长度增加而导致梯度消失的问题。
本发明基于LSTM神经网络，以单个用电器自身电流数据为训练数据，通过迭代训练的方法建立用电器学习模型。该方法充分利用了用电器电流数据的时域相关性，提高了用电器检测的精度，并降低所需数据维度大小。
2.1LSTM的基本理论
图2展示了LSTM的基本结构。在一个LSTM单元结构内，包含了遗忘门ft，输入门it和输出门ot三个可以对信息进行筛选的门神经元和一个内部记忆神经元
Figure BDA0003682523780000121
图4中σ表示sigmoid函数，tanh表示双曲正切函数，ht表示该单元结构的输出，Ct为该细胞状态。
在神经网络学习过程中，历史学习信息将由遗忘门ft筛选出对下一次学习有用的信息。当前时刻t的输入xt与上一时刻输出ht-1拼接后，经过激活函数sigmoid后的结果与上一时刻的细胞输出Ct-1点乘，从而实现对上一时刻的学习信息进行筛选。其中决定遗忘门的公式为：
ft＝σ(Wf[ht-1；xt]+bf
Figure BDA0003682523780000131
其中，Wf为遗忘门权重矩阵，bf为遗忘门偏置向量。
输入门it用于决定输入xt中的哪些信息被加入与细胞状态中。输入xt经过激活函数sigmoid得到结果it用于决定哪些信息被更新。输入xt经过函数tanh的结果
Figure BDA0003682523780000132
代表当前时刻的信息。两者的计算公式为：
it＝σ(Wi[ht-1；xt]+bi)
Figure BDA0003682523780000133
其中，Wi，Wc为输入门权重矩阵，bi，bc为输入门偏置向量。
根据当前时刻输入得到的it和ct点乘结果与遗忘门对上一时刻细胞状态的筛选结果相加即可得到当前细胞状态Ct：
Figure BDA0003682523780000134
式中⊙表示按元素相乘。
输出门ot由当前时刻输入xt、上一时刻单元结构的输出ht-1以及当前细胞状态Ct决定，单元结构的输出ht由ot与Ct运算得到：
ot＝σ(Wo[ht-1；xt]+b0)
ht＝ot⊙tanh Ct
其中，Wo为输出门权重矩阵，b0为输出门偏置向量。
2.2ND-LSTM模型结构
本发明提出的ND-LSTM模型如图3所示，采用单层LSTM网络，并加入了丢弃层防止对训练数据过拟合，实现了一个可部署至嵌入式控制芯片的轻量级神经网络。通过数据输入层，将电流数据输入到具有128个神经元的长短期神经网络层中，再通过丢弃层随机屏蔽50％的神经元防止神经网络过拟合，其后经过具有64个和5个节点的全连接层，最终通过Softmax激活层得到每种用电器分类的概率，并由识别输出层结果。
2.3ND-LSTM模型训练
采用预先采集的用电器负荷特征数据作为样本，选取60％作为训练集，20％作为验证集和20％作为测试集。神经网络的求解器为Adam，初始学习率为0.00001。经过上述步骤得到可用于用电器识别的ND-LSTM神经网络模型。
3.用电器特征参数提取和投切事件判断
系统主要利用电源总线上的电流数据的特征参数，判断用电器的投切事件。通过FFT运算实现电流频谱特征的提取，从而得到用电器的特征参数。
FFT是离散傅里叶变换(DFT)的快速算法，两者具有相同性质。设第t组的电流采样序列为{ft(l)}，则其N点的DFT的结果为：
Figure BDA0003682523780000141
以某吹风机和路由器为例，实际采集和计算得到的电流频谱如图4所示。由图4可以明显看出，不同用电器在电流频谱上具有较大差异，因此电流的频谱可以作为用电器识别的依据之一。
为了能判断出用电器数量及投切的时刻，需研究用电器的瞬时负荷特性。瞬时负荷特性指负荷在投切瞬间所表现的电气特性，稳态负荷特性指负荷开启进入稳定工作后所表现的电气特性。多个用电器组合的负荷特性的变化可用于判断用电器的投切事件。
本发明定义多个用电器同时工作时，得到的电流频谱中基频fc及各次谐波的幅值为：
Figure BDA0003682523780000142
其中，fs为采样率，
Figure BDA0003682523780000143
表示向下取整运算，在我国fc＝50Hz，在欧美等fc＝60Hz。定义评价函数Qt：
Figure BDA0003682523780000144
如图5所示，在用电器投切的t＝6的时刻，Qt发生了明显的变化，即通过Qt可以初步反映用电器的投切事件。本发明采用间隔m组的数据的变化值ΔQt作为初步判断用电器投切的依据：
Figure BDA0003682523780000151
其中H为门限，本发明测试所选取的H＝50mA，m＝2。间隔m可根据实际情况调整。为了进一步提高用电器投切时刻的识别成功率，本系统采用差分法，且选取了频谱在fc的幅值差ΔDt(1)作为额外的判断条件：
ΔDt(1)＝|Dt(1)|-|Dt-k(1)|
通过比较ΔDt(1)值，可快速区分出大功率用电器的投切事件。由于用电器会存在功率因数的不同，本发明还选取功率因数角φt(k)作为识别用电器投切事件的特征参数之一：
φt(k)＝arg(Dt(k))
其中，arg(x)表示求x的角度。
综上，本发明用于判断用电器投切事件的函数为：
Figure BDA0003682523780000152
4.用电器识别
系统在监测模式下，根据式Vt的变化到用电器的投切时刻，令此时前后采集到的电流数据分别为Ft+1(n)和Ft-1(n)。根据ΔQt判断用电器的状态。当ΔQt>0，该用电器开启，当ΔQt<0，该用电器关闭，并因此得到用电器数量变化前后电流数据差：
Figure BDA0003682523780000153
xt＝[ΔFt(1),ΔFt(2),…,ΔFt(n)](0≤n≤N-1)
根将xt输入到已经训练好的用电器识别神经网络后，即可得到用电器种类。
5.当前用电器种类和数量统计
在识别出投切的用电器种类和变化后，根据积累和(CUSUM)原理，更新当前用电器的种类和数量的统计，并更新OLED显示。
MCU可以为具有类似采样，处理功能的其它型号；评价函数与判断用电器状态改变的函数中的具体参数可以选取其它值；判断过程中采用的用电器参数个数与种类(N次谐波与基波比值，功率因数角等)，可以根据实际识别需要与成本考虑，进行一定修改调整。本发明显示器硬件部分，具体的屏幕可以被替换，如HMI屏幕，LCD屏幕等，其中显示部分也可根据实际需求更改。模数转换器ADC可采用其他型号。神经网络可部署至但不限于嵌入式微控制器，嵌入式微处理器，桌面处理器，服务器，FPGA等其他具有计算能力的平台。
本发明实施例提供的非侵入式用电器识别系统包括：
参数获取模块，用于获取用电器参数并缓冲在MCU的内存中；
神经网络训练模块，用于进行LSTM神经网络的训练；
特征参数提取模块，用于进行用电器特征参数提取和投切事件判断；
用电器识别模块，用于利用训练好的LSTM神经网络进行用电器识别；
当前用电器种类和数量统计模块，用于根据累计和统计当前的用电器种类和数量。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
发明人首先将本发明实现的系统部署在接线板输入线上，并在该接线板上接入多个用电器组合，完成了学习和识别，验证了系统的正确性；然后将本发明实现的系统部署在西安电子科技大学EII-202实验室电表箱内，通过一段测试，表明，系统可以准确的识别出实验室内在用的示波器、信号源、电源、电烙铁、空调、笔记本、台灯等用电器的组合，进一步验证了系统的正确性。最后，通过在西安市雁塔区光华路小悉尼新都3号楼1单元2801、2805两个用户电表上部署该系统，实际测试结果表明，本系统可以正确识别用户内的用电器使用状况。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
1、性能测试
为说明本发明的效果，模型训练使用Building-Level fully labeledElectricity Disaggregation dataset(BLUED)开源数据集验证算法。该数据集来源于美国一独栋房屋一周的用电器电流，电压和有功功率数据，其中电压和电流采样频率为12kHz，有功功率采样频率为60kHz。同时，该数据集对约50台用电器事件进行了标记。本发明用电器识别模型采取6种用电器投切事件前后的稳态电流数据差作为样本，合计500种，选取60％作为训练集，20％作为验证集和20％作为测试集。神经网络的求解器为Adam，初始学习率为0.00001。
由图6可以看到，本发明所提出的ND-LSTM神经网络模型最后的误差趋近于零，因此可认为所提出的ND-LSTM算法收敛。
表1不同算法用电器识别准确率对比
Figure BDA0003682523780000171
为说明本发明提供的ND-LSTM神经网络模型识别性能，同时选用现有技术中的Adaboost-BP算法、UIF-NILM算法和Fisher判别方法作为对比。本发明采用负荷识别准确率来评价识别算法的性能，用电器识别准确率Acc是指算法对该电器识别正确的样本个数占该电器样本总数的比例：
Figure BDA0003682523780000172
其中M为该用电器待识别样本个数，M'为该用电器识别后结果正确的样本个数。
表1展现了本发明的方法与对比算法的用电器识别准确率。本发明提出的ND-LSTM用电器识别模型平均识别准确率达99.25％，性能整体优于另外3种判别算法。ND-LSTM相比于其他模型能更好的处理时间序列，其记忆能力能更有效的寻找数据间的长短期依赖关系，因此在本发明应用场景下，具有更优的性能表现。同时，本发明通过综合评价函数Vt，能更精确的判断出用电器的投切事件，并利用电流数据差更准确的得到了单个用电器的电流数据，故可以使用较少的神经元实现单个用电器的识别，并能有效减少硬件系统MCU的计算量。
2、系统实施例
2.1实施例硬件设计
为进一步验证算法的性能，本发明采用意法半导体公司的STM32H743作为MCU，外设由电流取样、电压过零检测、电源、ADC采样、OLED显示屏和键盘等模块构成本发明实施例的硬件系统，其结构如图7所示。
1.本发明实施例首先用电流取样器取样用电器电流并利用过零检测电路检测市电电压过零时刻，其次用内置PGA的ADC对信号进行放大和模数转换，再次利用MCU在电压过零时刻同步采集电流信号、智能检测用电器种类和数量，最后将结果显示在OLED屏幕上。
本发明实施例采用ADS1256作为ADC，它是TI公司一款24位的超低噪声差分ADC，最高支持30ksps的采样率，内部可配置缓冲与64档位的PGA，可满足大动态范围及高精度的用电器参数采集。
用电器参数获取过程中，MCU需要通过读取ADS1256同步采集的电流和电压信息，进而分析得到有用数据。本系统中，MCU通过串行外围设备接口(SPI)来读取ADC模块的数据。采样率设置为7.5K。通过ADS1256的DRDY信号触发MCU中断，实现对信号的连续采集。为了保证每次采集的信号同相位，每次以过零信号的上升沿触发ADC采集一组数据，每组数据4096个，并使用环形FIFO队列对电参数信息进行存储。通过此方法能有效减少数据处理以及DRDY信号的中断服务程序的开销。
2.实施例软件设计
本发明实施例中，利用MCU对500ms为一组的同步采样电流数据进行处理，得到电流的基波相位，各次谐波与基波幅度比和能量比等特征参数。然后利用这些参数，计算出用于判断用电器投切事件的特征参数Vt。
本发明实施例软件流程图如图8所示。系统启动时，OLED屏幕将显示系统功能菜单，通过矩阵键盘选择系统进入学习模式或检测模式。在学习模式下，用电器数量为1，将用电器启用后通过人机交互，依次采集和学习各个用电器的电流数据、计算出特征参数、训练LSTM网络，并存储这些结果；在监测模式下，系统将周期性地采集用电数据，计算出用电量的特征参数Vt，然后根据Vt的变化，判断是否有用电器状态发生改变，如果有，则利用变化的数据，使用训练好的LSTM神经网络模型判断出变化的用电器种类，最后基于累积和(CUSUM)更新识别出的当前的用电器种类和数量并通过OLED屏幕显示。
3.实施例的LSTM神经网络的部署方式和学习方式
首次启动系统前，先获取不同用电器的电流参数信息，然后在计算机或者服务器上对LSTM神经网络进行训练和验证。将训练好的模型使用意法半导体公司STM32-CUBE-AI工具包进行裁剪和压缩，并随着系统程序一并部署至MCU的Flash中。通过STM32-CUBE-AI工具，将已训练的神经网络模型经过裁剪后转换为C语言代码，使模型能够部署在MCU上。在所提供的实施例中，本系统将采集的数据，通过串口发送到计算机上，在计算机上完成LSTM神经网络的训练，并将训练结果发送给本系统；实际部署时，本系统可以将采集的数据，通过物联网技术发送到服务器上，在服务器上完成LSTM神经网络的训练，并将训练结果发送给本系统。
本发明使用乘法累加运算(MACC，multipy-accumulate operation)估计模型的复杂性。STM32不同架构的性能参数如下：STM32 Arm Cortex-M4/M33：～9cycles/MACC，STM32Arm Cortex-M7：6cycles/MACC。本发明选用的STM32H743主频为480MHz，内核为ArmCortex-M7。经过STM32-CUBE-AI工具包进行裁剪和压缩后模型MACC值约为0.63*106，实测神经网络模型识别时间为923ms，因此该模型可部署至本发明所选单片机上。
学习时，首先将待学习用电器与插座相连，通过人机交互界面选择进入学习模式。开始学习后，启动用电器并保持用电器运行，此时系统将实施例软件流程图所述，对单个用电器的电流信息采样并计算出Vt，同时将采集的数发送给计算机并由计算机进行LSTM网络训练，LSTM网络训练完成后，下发学习结果给本系统，然后由本系统提示学习成功，并将学习结果显示在OLED屏上。
表2给出了用电器学习测试结果，其中包含功率因数角φ(k)、3次及5次谐波与基波的幅度比值D(3)和D(5)、用电器电流I和系统最大功耗Pmax以及系统平均功耗Pav。
由表2可知，本发明实施例工作时最大功耗不到1.5瓦，平均功耗为0.978瓦。在监测模式下只读取ADC数据并按Vt检测用电器状态改变，此时功耗小于1瓦，监测到用电器状态改变并用LSTM神经网络对用电器进行识别时，本发明实施例系统达到峰值功耗。因此，本发明实施例提供的系统具有低功耗特性。经过多次实验验证，本发明实施例在学习模式下，能成功学习所有待学习用电器的特征参数，并在单片机中储存相应的参数。本发明实施例学习迅速，各个用电器学习时间均小于分钟。
表2学习模式测试结果
Figure BDA0003682523780000201
4.实施例用电器识别测试
在本发明实施例的测试中，对8种用电器的256种不同投切组合各进行20次验证，合计5120组数据。为了更好的体现本发明所提方法的效果，本发明复现了现有技术所提出的UIF-NILM算法。由于现有技术的算法所需计算资源更多，无法部署于本发明MCU平台，因此本发明将采集的5120组数据导出，然后使用树莓派4B作为其部署平台。用电器识别实测结果和功耗如表3所示。
表3用电器实测结果与功耗对比
Figure BDA0003682523780000211
由表3可以看出，本发明所提出的ND-LSTM方法平均识别准确率为99.6％，比现有技术所提方法高出3.1％，具有更高的用电器识别准确率。本发明实施例测试得到的性能(见表3)优于采用公共数据集测试得到的性能(见表1)的原因是，本发明实施例的数据是在实验室内一个接线板上采集得到的，而公共数据集是实际用电环境采集的数据，公共数据集中的干扰比实施例数据中的干扰更大，因此性能略差。
从表3还可以看出，本发明所提出的ND-LSTM算法，在实现用电器识别时，功耗低于1.5瓦，具有更好的功耗表现，能应用于嵌入式微控制器中，因此具有很高的应用价值。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种非侵入式用电器识别方法，其特征在于，所述非侵入式用电器识别方法包括：利用电流互感器和电压过零检测电路，同步取样用电器的电流，通过对电流数据提取特征参数并判断出投切事件后，再对变换的电流数据利用长短时记忆神经网络识别出投切的用电器种类，最后结合累积和智能识别出当前用电器的种类和数量。
2.如权利要求1所述非侵入式用电器识别方法，其特征在于，所述非侵入式用电器识别方法包括以下步骤：
步骤一，进行用电器参数获取并缓冲在MCU的内存中；
步骤二，进行LSTM神经网络的训练；
步骤三，进行用电器特征特征参数提取，并利用这些特征判断用电器的投切事件；
步骤四，利用训练好的LSTM神经网络进行用电器识别；
步骤五，基于累计和(CUSUM)智能识别出当前用电器的种类和数量。
3.如权利要求2所述非侵入式用电器识别方法，其特征在于，所述步骤一中的用电器参数获取包括：
获取的用电器参数是电流信息，通过电流互感器和电压过零检测电路，在电压过零点，同步取样用电器的电流数据；取样通过MCU控制ADC模块实现；取样得到的数据缓冲在MCU的内存中。
4.如权利要求2所述非侵入式用电器识别方法，其特征在于，所述步骤二中的神经网络训练包括：
(1)LSTM神经网络
采用LSTM神经网络实现用电器的识别；基于LSTM神经网络，以单个用电器自身电流数据为训练数据，通过迭代训练的方法建立用电器学习模型；
LSTM单元结构包含遗忘门ft，输入门it和输出门ot三个对信息进行筛选的门神经元和一个内部记忆神经元
Figure FDA0003682523770000011
其中，σ表示sigmoid函数，tanh表示双曲正切函数，ht表示该单元结构的输出，Ct为该细胞状态；
在神经网络学习过程中，历史学习信息将由遗忘门ft筛选出对下一次学习有用的信息；当前时刻t的输入xt与上一时刻输出ht-1拼接后，经过激活函数sigmoid后的结果与上一时刻的细胞输出Ct-1点乘，从而实现对上一时刻的学习信息进行筛选；其中决定遗忘门的公式为：
ft＝σ(Wf[ht-1；xt]+bf)；
Figure FDA0003682523770000021
式中，Wf为遗忘门权重矩阵，bf为遗忘门偏置向量；
输入门it用于决定输入xt中被加入与细胞状态中的信息；输入xt经过激活函数sigmoid得到结果it用于决定被更新的信息；输入xt经过函数tanh的结果
Figure FDA0003682523770000022
代表当前时刻的信息，计算公式为：
it＝σ(Wi[ht-1；xt]+bi)；
Figure FDA0003682523770000023
式中，Wi，Wc为输入门权重矩阵，bi，bc为输入门偏置向量；
根据当前时刻输入得到的it和ct点乘结果与遗忘门对上一时刻细胞状态的筛选结果相加，得到当前细胞状态Ct：
Figure FDA0003682523770000024
式中，⊙表示按元素相乘；
输出门ot由当前时刻输入xt、上一时刻单元结构的输出ht-1以及当前细胞状态Ct决定，单元结构的输出ht由ot与Ct运算得到：
ot＝σ(Wo[ht-1；xt]+b0)；
ht＝ot⊙tanh Ct；
式中，Wo为输出门权重矩阵，b0为输出门偏置向量；
(2)ND-LSTM模型结构
ND-LSTM采用单层LSTM网络，并加入丢弃层防止对训练数据过拟合，实现部署至嵌入式控制芯片的轻量级神经网络；通过数据输入层，将电流数据输入到具有128个神经元的长短期神经网络层中，再通过丢弃层随机屏蔽50％的神经元防止神经网络过拟合；经过具有64个和5个节点的全连接层，通过Softmax激活层得到每种用电器分类的概率，并由识别输出层结果；
(3)ND-LSTM模型训练
采用预先采集的用电器电流数据作为样本，选取60％作为训练集，20％作为验证集和20％作为测试集；神经网络的求解器为Adam，初始学习率为0.00001，得到用于用电器识别的ND-LSTM神经网络模型。
5.如权利要求2所述非侵入式用电器识别方法，其特征在于，所述步骤三中的用电器特征参数提取和投切事件判断包括：
系统利用电源总线上的电流特性，判断用电器的投切事件；通过FFT运算实现电流频谱特征的提取，从而得到用电器的动态特征；
FFT是离散傅里叶变换的快速算法，设第t组的电流采样序列为{ft(l)}，则其N点的DFT的结果为：
Figure FDA0003682523770000031
瞬时负荷特性指负荷在投切瞬间所表现的电气特性，稳态负荷特性指负荷开启进入稳定工作后所表现的电气特性；多个用电器组合的负荷特性的变化，用于判断用电器的投切事件；定义多个用电器同时工作时，得到的电流频谱中基频fc及各次谐波的幅值为：
Figure FDA0003682523770000034
式中，fs为采样率，
Figure FDA0003682523770000035
表示向下取整运算；定义评价函数Qt：
Figure FDA0003682523770000032
在用电器投切的t＝6的时刻，Qt发生明显的变化，通过Qt初步反映用电器的投切事件；采用间隔m组的数据的变化值ΔQt作为初步判断用电器投切的依据：
Figure FDA0003682523770000033
式中，H为门限，H＝50mA，m＝2，间隔m根据实际情况调整；采用差分法，且选取频谱在fc的幅值差ΔDt(1)作为额外的判断条件：
ΔDt(1)＝|Dt(1)|-|Dt-k(1)|；
通过比较ΔDt(1)值区分出大功率用电器的投切事件；由于用电器会存在功率因数的不同，选取功率因数角φt(k)作为识别用电器投切事件的特征参数之一：
φt(k)＝arg(Dt(k))；
式中，arg(x)表示求x的角度；
用于判断用电器投切事件的函数为：
Figure FDA0003682523770000041
6.如权利要求2所述非侵入式用电器识别方法，其特征在于，所述步骤四中的用电器识别包括：
系统在监测模式下，得到用电器的投切时刻，令此时前后采集到的电流数据分别为Ft+1(n)和Ft-1(n)，根据ΔQt判断用电器的状态；当ΔQt>0，用电器开启；当ΔQt<0，用电器关闭，并得到用电器数量变化前后电流数据差：
Figure FDA0003682523770000042
xt＝[ΔFt(1),ΔFt(2),…,ΔFt(n)](0≤n≤N-1)；
将xt输入到已经训练好的用电器识别神经网络后，得到用电器种类；根据积累和原理，更新当前用电器的种类和数量，并更新OLED显示。
7.一种应用如权利要求1～6任意一项所述非侵入式用电器识别方法的非侵入式用电器识别系统，其特征在于，所述非侵入式用电器识别系统包括：
参数获取模块，用于获取用电器参数并缓冲在MCU的内存中；
神经网络训练模块，用于进行LSTM神经网络的训练；
特征提取及投切事件判断模块，用于进行用电器特征参数提取和投切事件的判断；
用电器识别模块，用于利用用电器识别神经网络进行用电器识别；
当前用电器的种类和数量统计模块，用于给出当前在用电器的统计信息。
8.一种计算设备，其特征在于，所述计算设备包括存储器和处理器，所述存储器存储有计算程序，所述计算程序被所述处理器执行时，使得所述处理器执行如权利要求1～6任意一项所述非侵入式用电器识别方法。
9.一种计算设备可读存储介质，存储有计算程序，所述计算程序被处理器执行时，使得所述处理器执行如权利要求1～6任意一项所述非侵入式用电器识别方法。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述非侵入式用电器识别系统。
CN202210637084.4A 2022-06-07 2022-06-07 一种基于lstm的非侵入式用电器识别方法、系统及设备 Active CN114970633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210637084.4A CN114970633B (zh) 2022-06-07 2022-06-07 一种基于lstm的非侵入式用电器识别方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210637084.4A CN114970633B (zh) 2022-06-07 2022-06-07 一种基于lstm的非侵入式用电器识别方法、系统及设备

Publications (2)

Publication Number Publication Date
CN114970633A true CN114970633A (zh) 2022-08-30
CN114970633B CN114970633B (zh) 2023-04-18

Family

ID=82959413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210637084.4A Active CN114970633B (zh) 2022-06-07 2022-06-07 一种基于lstm的非侵入式用电器识别方法、系统及设备

Country Status (1)

Country Link
CN (1) CN114970633B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879037A (zh) * 2023-02-23 2023-03-31 深圳合众致达科技有限公司 一种基于智能电表的学生公寓负载识别方法及系统
CN115952447A (zh) * 2023-03-14 2023-04-11 广东云山能源科技有限公司 电器负载类型智能识别系统及方法
CN115982576A (zh) * 2023-03-17 2023-04-18 石家庄科林电气股份有限公司 一种恶性负载的识别方法、装置及电能表

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122790A (zh) * 2017-03-15 2017-09-01 华北电力大学 基于混合神经网络和集成学习的非侵入式负荷识别算法
CN111415270A (zh) * 2020-03-03 2020-07-14 浙江万胜智能科技股份有限公司 一种基于lstm学习的电力负荷智能识别方法
CN112580471A (zh) * 2020-12-11 2021-03-30 浙江大学 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法
CN113887912A (zh) * 2021-09-26 2022-01-04 新疆大学 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122790A (zh) * 2017-03-15 2017-09-01 华北电力大学 基于混合神经网络和集成学习的非侵入式负荷识别算法
CN111415270A (zh) * 2020-03-03 2020-07-14 浙江万胜智能科技股份有限公司 一种基于lstm学习的电力负荷智能识别方法
CN112580471A (zh) * 2020-12-11 2021-03-30 浙江大学 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法
CN113887912A (zh) * 2021-09-26 2022-01-04 新疆大学 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MIAO WEIWEI ET AL.: "Non-invasive Load Identification Method Based on the Characteristics of Residential Electrical Appliances", 《2022 5TH INTERNATIONAL CONFERENCE ON ENERGY,ELECTRICAL AND POWER ENGINEERING》 *
尹立亚: "非侵入式负荷特征提取与识别算法的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879037A (zh) * 2023-02-23 2023-03-31 深圳合众致达科技有限公司 一种基于智能电表的学生公寓负载识别方法及系统
CN115952447A (zh) * 2023-03-14 2023-04-11 广东云山能源科技有限公司 电器负载类型智能识别系统及方法
CN115982576A (zh) * 2023-03-17 2023-04-18 石家庄科林电气股份有限公司 一种恶性负载的识别方法、装置及电能表
CN115982576B (zh) * 2023-03-17 2023-06-20 石家庄科林电气股份有限公司 一种恶性负载的识别方法、装置及电能表

Also Published As

Publication number Publication date
CN114970633B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN114970633B (zh) 一种基于lstm的非侵入式用电器识别方法、系统及设备
CN110610280B (zh) 一种电力负荷短期预测方法、模型、装置及系统
Wang et al. Non-intrusive load monitoring algorithm based on features of V–I trajectory
CN112180193B (zh) 一种基于轨迹图像识别的非侵入式负荷识别系统及方法
Ma et al. Toward energy-awareness smart building: Discover the fingerprint of your electrical appliances
CN113036759B (zh) 一种电力用户负荷细粒度识别方法及识别系统
CN109359665B (zh) 一种基于支持向量机的家电负荷识别方法及装置
Yu et al. Non-intrusive adaptive load identification based on siamese network
CN114942344A (zh) 一种非侵入式用电器识别方法、系统、介质、设备及终端
CN113887912B (zh) 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法
Eskander et al. A complementary unsupervised load disaggregation method for residential loads at very low sampling rate data
CN113193654A (zh) 一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测方法
Dan et al. Review of non-intrusive load appliance monitoring
Wu et al. Nonintrusive on-site load-monitoring method with self-adaption
CN115758188A (zh) 一种非侵入式的负荷识别方法、装置、设备和介质
Chen et al. Non-intrusive load monitoring based on feature extraction of change-point and xgboost classifier
Gopinath et al. DeepEdge-NILM: A case study of non-intrusive load monitoring edge device in commercial building
Li et al. Stacking ensemble learning-based load identification considering feature fusion by cyber-physical approach
Gurbuz et al. A brief review of non-intrusive load monitoring and its impact on social life
Deng et al. Residential appliance detection using attention-based deep convolutional neural network
Nambi et al. Sustainable energy consumption monitoring in residential settings
CN105305437A (zh) 电力负荷三重可信度匹配辨识方法
CN112862163A (zh) 一种基于dtw算法的短期电力负荷预测系统
Guohua et al. Research on non-intrusive load monitoring based on random forest algorithm
CN110501568B (zh) 一种基于图信号处理的非侵入式设备负载监测方法

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
GR01 Patent grant
GR01 Patent grant