CN117477771A - 非侵入式宿舍用电安全监测方法、系统和存储介质 - Google Patents

非侵入式宿舍用电安全监测方法、系统和存储介质 Download PDF

Info

Publication number
CN117477771A
CN117477771A CN202311418472.4A CN202311418472A CN117477771A CN 117477771 A CN117477771 A CN 117477771A CN 202311418472 A CN202311418472 A CN 202311418472A CN 117477771 A CN117477771 A CN 117477771A
Authority
CN
China
Prior art keywords
total
power
current
decomposition
target
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
CN202311418472.4A
Other languages
English (en)
Inventor
汪莹洁
杨晓辰
张雪容
朱鹏
陈悦
陈琴芳
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.)
State Grid Zhejiang Electric Power Co Ltd Hangzhou Linping District Power Supply Co
Original Assignee
State Grid Zhejiang Electric Power Co Ltd Hangzhou Linping District Power Supply Co
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 State Grid Zhejiang Electric Power Co Ltd Hangzhou Linping District Power Supply Co filed Critical State Grid Zhejiang Electric Power Co Ltd Hangzhou Linping District Power Supply Co
Priority to CN202311418472.4A priority Critical patent/CN117477771A/zh
Publication of CN117477771A publication Critical patent/CN117477771A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • 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
    • G01R21/06—Arrangements for measuring electric power or power factor by measuring current and voltage
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/09—Supervised learning
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本申请公开了非侵入式宿舍用电安全监测方法、系统和存储介质，方法包括：对总电压、总电流和总开关状态进行采样。将总电压和总电流做乘法运算，得到总有用功率。通过功率分解模型提取总有用功率和开关状态中的功率分解特征，根据功率分解特征，确定若干目标电器类型和对应的分解功率。若禁用电器表中存在目标电器类型以及对应的分解功率区间，则发出违规用电预警。通过对干路总功率消耗进行负载功率分解，预测宿舍内的耗电电器，确定禁用电器，无需对电路进行物理干预即可获取宿舍的用电数据，分析每个宿舍的用电电器，提高宿舍用电安全。

Description

非侵入式宿舍用电安全监测方法、系统和存储介质
技术领域
本申请涉及电网技术领域，尤其涉及非侵入式宿舍用电安全监测方法、系统和存储介质。
背景技术
宿舍用电安全关系到生命财产安全，极其重要。现有宿舍用电安全管理方法一般采用室内总功率控制的方式，当宿舍室内总功率超过预设功率阈值情况下，采取自动断电。现有方法只有设置很小的功率阈值才能有效控制宿舍禁用电器的使用，给住户用户造成了很大的不方便，而且只能依据功率大小控制宿舍用电，但不能分析电器类型，无法确定宿舍是否真的存在禁用电器。
发明内容
针对现有技术的不足，本申请提出了一种非侵入式宿舍用电安全监测方法、系统和存储介质，解决了宿舍用电安全监测方法容易对用户造成不便，无法分析用电电器的问题。
为了实现上述目的，本申请技术方案如下：
一种非侵入式宿舍用电安全监测方法，包括：。
S1、采集用电数据：以预设采样频率在配电箱处对室内当前用电的总电压、总电流和总开关状态进行采样。
S2、用电数据预处理：若总电流超过预设的电流区间，则删除当前的总电流和对应的总电压、总开关状态，并重新采集总电压、总电流和总开关状态。
S3、计算总功率：将总电压和总电流做乘法运算，得到总有用功率。
S4、确定目标电器和功率：将总有用功率和总开关状态输入至预设的功率分解模型，通过功率分解模型提取总有用功率和开关状态中的功率分解特征，根据功率分解特征，确定若干目标电器类型和对应的分解功率。
S5、违规用电预警：遍历预设的禁用电器表，若禁用电器表中存在目标电器类型以及对应的分解功率区间，则发出违规用电预警。
可选地，步骤S2包括以下步骤S21-S24：
S21、获取总电压集合、总电流集合。
总电流集合包括以预设采样频率在配电箱处对室内采集的多个连续时间点的总电流。
S22、计算总电流集合对应的平均值和标准差。
S23、根据平均值和标准差，确定电流区间。
S24、若当前的总电流超出电流区间，则删除当前的总电流和对应的总电压、总开关状态，并重新采集总电压、总电流和总开关状态。
可选地，平均值μ的表达式为：
标准差σ的表达式为：
其中，Ii表示采集的第i个总电流，n表示总电流的采样个数。
可选地，功率分解模型功率分解的表达式为：
其中，yt表示在t时刻的总有功率；表示第i个目标电器在t时刻的有用功率；εt表示由非目标电器组成噪声；m表示目标电器的个数。
可选地，在步骤S4之前，还包括以下步骤S041-S044：
S041、获取总有用功率序列样本、第一目标电器的有用功率序列样本和开关状态序列样本。
第一目标电器为目标电器集合中的任一目标电器。
目标电器包括被禁用电器和允许适用的电器。
S042、按照时间顺序，用第一目标电器的有用功率序列样本及类型对总有用功率序列样本和第一目标电器的开关状态序列样本进行打标，得到样本训练集。
S043、利用神经网络模型建立总有用功率、总开关状态与目标电器的有用功率和类型相对应的待训练功率分解模型。
S044、以总有用功率序列样本、第一目标电器的开关状态序列样本为输入，第一目标电器的有用功率序列样本和类型为输出，对待训练功率分解模型进行训练；同理，采用以总有用功率序列样本、目标电器集合中每个目标电器的开关状态序列样本为输入，目标电器集合中每个目标电器的有用功率序列样本和类型为输出，对待训练功率分解模型进行训练，直至待训练功率分解模型的损失函数收敛，得到功率分解模型。
可选地，损失函数L的表达式为：
其中，表示序列的总时间长度，xt表示在t时刻的样本标记，表示模型在t时刻的输出结果。
可选地，禁用电器表包括电熨斗、电烙铁、电热水壶、电热毯、电磁炉。
基于相同的技术构思，本申请还提供了一种非侵入式宿舍用电安全监测系统，包括：
获取模块，用于以预设采样频率在配电箱处对室内当前用电的总电压、总电流和总开关状态进行采样。
处理模块，用于若总电流超过预设的电流区间，则删除当前的总电流和对应的总电压、总开关状态，并重新采集总电压、总电流和总开关状态；将总电压和总电流做乘法运算，得到总有用功率；将总有用功率和总开关状态输入至预设的功率分解模型，通过功率分解模型提取总有用功率和开关状态中的功率分解特征，根据功率分解特征，确定若干目标电器类型和对应的分解功率；遍历预设的禁用电器表，若禁用电器表中存在目标电器类型以及对应的分解功率区间，则发出违规用电预警。
可选地，功率分解模型功率分解的表达式为：
其中，yt表示在t时刻的总有功率；表示第i个目标电器在t时刻的有用功率；εt表示由非目标电器组成噪声；m表示目标电器的个数。
基于相同的技术构思，本申请还提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述各实施方式中的所述的非侵入式宿舍用电安全监测方法的步骤。
本申请的有益效果：通过对干路总功率消耗进行负载功率分解，预测宿舍内的耗电电器，确定禁用电器，提供了一种简单、经济、可靠、完整的用电安全监测方案，无需对电路进行物理干预即可获取宿舍的用电数据，分析每个宿舍的用电电器，有助于及时发现宿舍内的禁用电器，提高宿舍用电安全。
附图说明
图1为本申请实施例中非侵入式宿舍用电安全监测方法的流程示意图。
图2为本申请实施例中非侵入式宿舍用电安全监测系统的结构示意图。
其中，图2中附图标记为：1-获取模块、2-处理模块。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可以包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、程序、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、程序、步骤、操作、元件、组件和/或它们的组。
图1为本申请一些实施方式中一种非侵入式宿舍用电安全监测方法的流程图，如图1所示，可以包括以下步骤S1-S5：
S1、采集用电数据：以预设采样频率在配电箱处对室内当前用电的总电压、总电流和总开关状态进行采样。
总开关状态包括电路的干路断开或导通状态，以及干路导通的时间点、时长等。
配电箱是所有用户用电的总的一个电路分配箱，可在配电箱处安装采集器采集宿舍用电的电压和电流数据。一般的，用电总电压取市电电压。借助不同类型的电流互感器，可满足不同电流等级的采集需求，还可在不断电的情况下安装部署。当有宿舍有电器在通电使用时，在配电箱处，即在干路上产生电流，此时干路开关状态视为处于导通状态，记录干路导通的时间点、时长。有些电器处于待机状态，消耗电流很小，可视为未处于工作状态，为了排除此类影响，预设电流阈值，当总电流大于电流阈值时，视为总开关处于导通状态，即视为有电器在使用。也就是说，总开关的导通状态是室内各电器开关导通状态的叠加。
S2、用电数据预处理：若总电流超过预设的电流区间，则删除当前的总电流和对应的总电压、总开关状态，并重新采集总电压、总电流和总开关状态。
一些实施方式中，步骤S2包括以下步骤S21-S24：
S21、获取总电压集合、总电流集合。
总电流集合包括以预设采样频率在配电箱处对室内采集的多个连续时间点的总电流。
S22、计算总电流集合对应的平均值和标准差。
可选地，平均值μ和标准差σ的表达式分别为：
其中，Ii表示采集的第i个总电流，n表示总电流的采样个数。
S23、根据平均值和标准差，确定电流区间。
可选地，电流区间设置为(μ-2σ，μ+2σ)
S24、若当前的总电流超出电流区间，则删除当前的总电流和对应的总电压、总开关状态，并重新采集总电压、总电流和总开关状态。
上述实施例，通过设置电流区间排出因电火花或者开关毛刺等原因造成异常数据的影响。若识别出异常数据，则删除当前数据，并重新采样，保证数据的准确性。
S3、计算总功率：将总电压和总电流做乘法运算，得到总有用功率。
总有功功率是室内当前使用中的目标电器的有用功率之和。总有功功率序列可表示为y＝(y1，y2，...，yt)，第i个目标电器的有用功率序列可表示为 i∈m，m表示目标电器的个数。
S4、确定目标电器和功率：将总有用功率和总开关状态输入至预设的功率分解模型，通过功率分解模型提取总有用功率和开关状态中的功率分解特征，根据功率分解特征，确定若干目标电器类型和对应的分解功率。
可选地，功率分解模型功率分解的表达式为：
其中，yt表示在t时刻的总有功率，即所有目标电器的总功率消耗之和；表示第i个目标电器在t时刻的有用功率；εt表示由非目标电器组成噪声；m表示目标电器的个数。
将目标电器的功率消耗作为原始数据，而其它非目标电器的功率消耗当作噪声，则在t时刻聚合有功功率消耗yt是一个带有噪声的数据。
S5、违规用电预警：遍历预设的禁用电器表，若禁用电器表中存在目标电器类型以及对应的分解功率区间，则发出违规用电预警。
禁用电器表包括容易产生危险、功率较大的电器。禁用电器表中的电器可以根据实际管理需要添加或删减。
可选地，禁用电器表包括电熨斗、电烙铁、电热水壶、电热毯、电磁炉、电火锅、微波炉、“热得快”等。
步骤S4确定目标电器类型和对应的分解功率后，将目标电器类型和分解功率同预设的禁用电器表进行匹配。如果禁用电器表出现了该目标电器类型，且步骤S4识别的目标电器的分解功率在中的电器对应的分解功率区间内，则判定该目标电器为禁用电器。
本申请可以结合总功率限制，对宿舍用电安全进行管理，在线路通电的承受范围内，可以为宿舍设置较大的总功率阈值，当宿舍的总有用功率超过总功率阈值的情况下，直接对宿舍进行断电控制。在宿舍的总有用功率未超过总功率阈值的情况下，即可以保证住户有较宽的用电范围，又可以实时监测分析宿舍的用电电器类型。当预测到有禁用电器在使用时，及时发出预警，进行用电管理。
本申请通过对干路总功率消耗进行负载功率分解，预测宿舍内的耗电电器，确定禁用电器，提供了一种简单、经济、可靠、完整的用电安全监测方案，无需对电路进行物理干预即可获取宿舍的用电数据，分析每个宿舍的用电电器，有助于及时发现宿舍内的禁用电器，提高宿舍用电安全。
一些实施方式中，在步骤S4之前，还包括以下步骤S041-S044：
S041、获取总有用功率序列样本、第一目标电器的有用功率序列样本和开关状态序列样本。
第一目标电器为目标电器集合中的任一目标电器。
目标电器为在用电过程中需要被识别的电器，包括被禁用电器和允许适用的电器。允许适用的电器包括如电灯、手机充电器、电脑、电视、空调等日常电器。
总有用功率序列样本由多个总有用功率样本按照时间点排列得到。每个总有用功率样本目标电器集合中的若干目标电器在模拟用电情况下的功率总和。
例如，目标电器集合中包括电熨斗、电烙铁、电热水壶、电热毯、电灯、电脑、空调。
例如，在t1时刻模拟电熨斗的一档、电热水壶、电灯在使用。则在t1时刻总有用功率样本的值为电熨斗的一档、电热水壶和电灯在使用情况下的功率，即额定功率的总和。在t1时刻模拟电熨斗的二档、电灯、电脑在使用。例如，则在t2时刻总有用功率样本的值为电熨斗的二档、电热水壶和电灯在使用情况下的功率，即额定功率的总和。
并且根据各目标电器模拟的使用情况，可以确定相应的开关状态。例如，电灯在t1-t5时刻都在使用，那么电灯在t1-t5时间段内的开关状态为导通，导通时长也随之确定。其它目标电器也是如此。每个目标电器的开关状态也按照时间排列，构成每个目标电器的开关状态序列样本。
可以理解的是，各电器的使用功率是已知的，可以根据产品的铭牌得到或设定。
S042、按照时间顺序，用第一目标电器的有用功率序列样本及类型对总有用功率序列样本和第一目标电器的开关状态序列样本进行打标，得到样本训练集。
例如，用第一目标电器在t1时刻的有用功率标记总有用功率序列样本在t1时刻的总有用功率。同理，采用其它目标电器的有用功率序列样本标记总有用功率序列样本在各时刻的总有用功率。
若在模拟状态，目标电器集合中在t1时刻处于工作状态时的总电流超过电流阈值，则视为总开关状态在t1时刻为导通状态，这样根据电路的干路总电流大小情况，更能准确的识别室内有无高电耗电器在使用。
S043、利用神经网络模型建立总有用功率、总开关状态与目标电器的有用功率和类型相对应的待训练功率分解模型。
深度学习(deep learning)是机器学习的分支，其核心思想是利用多层神经网络来学习数据的表示和特征，通过模拟人类大脑的分层结构来提取外部输入信息的特征，学习一种深层的非线性表达的关系，可以实现复杂函数的逼近。
本申请的神经网络模型采用基于全卷积去噪自编码器下的多任务学习策略，以联合损失函数对模型进行训练。全卷积去噪自编码器(FCN-DAE)，在编码器、潜在空间层和解码器中都只使用了卷积神经网络，能够相比去噪自编码器(DAE)的功能上能够更好的保留时间信息。通过有监督学习方法对DAE进行训练，能够使编码器学习提取最重要的特征到低维的潜在空间特征向量h中，解码器能够学会将特征向量h重建得到一个与真实值xt最为接近的重构数据通过损失函数对卷积神经网络的权重是进行更新。模型学习率设置为0.001，输入窗口长度batch size设置为256，输入窗口长度为256。
S044、以总有用功率序列样本、第一目标电器的开关状态序列样本为输入，第一目标电器的有用功率序列样本和类型为输出，对待训练功率分解模型进行训练；同理，采用以总有用功率序列样本、目标电器集合中每个目标电器的开关状态序列样本为输入，目标电器集合中每个目标电器的有用功率序列样本和类型为输出，对待训练功率分解模型进行训练，直至待训练功率分解模型的损失函数收敛，得到功率分解模型。
可选地，损失函数L的表达式为：
其中，表示序列的总时间长度，xt表示在t时刻的样本标记，表示模型在t时刻的输出结果。
功率分解模型对某一时刻的总有用功率和总开关状态进行分解，从而识别室内有哪些电器正在运行，何时开启，何时关闭，得到电器的运行状态、功率等用电信息，达到非侵入式负荷监测的用途。例如，假设电磁炉的工作功率为1000W，则设定电磁炉对应的分解功率在900W-1000瓦之间。依据习惯电磁炉通常在中午11点30分左右大概开启25分钟，则电磁炉对应的总开关状态为开启时间点在中午11点至12点，导通时长为30分钟。也就是说，当总功率在中午11点至12点超过1000W，且总开关状态导通超过30分钟，电磁炉很可能正在使用。假设吹风机的工作功率为500W，则设定电磁炉对应的分解功率在500W-600瓦之间。依据习惯吹风机通常在早晨7点30分左右大概开启3分钟，则电磁炉对应的总开关状态为开启时间点在早晨7点至8点，导通时长为4分钟以内。
一些实施方式中，通过神经网络模型构建主回归子任务与辅助分类子任务网络，以联合损失函数对模型进行训练，实现子任务间的信息交互。
其中主回归子任务网络只学习输入总功率与目标电器有功功率之间的映射关系，是回归网络。而辅助分类子任务网络只学习输入总功率与目标电器的开/关状态之间的关系，是二分类网络。
模型包含通道注意力模块与空间注意力模块两部分，能够分别从通道上和空间上学习“注意什么”与“注意哪里”，实现关注重要特征与抑制不重要特征。卷积块注意力模型的计算过程可以表示为：
式中表示为逐元素相乘，F为卷积块注意力模型的输入，MC(F)为通道注意力特征矩阵，FC为空间注意力模块的输入，MS(FC)为空间注意力特征矩阵。FCS为卷积块注意力模型的输出，MC(F)与MS(FC)计算如下：
Ms(Fc)＝σ(Mconv)
Mconv＝fConv1D([fAvgPool(Fc)；fMaxPool(Fc)])
一些实施方式中，按照时间顺序，用目标电器的有用功率序列样本及类型对总有用功率序列样本进行打标，得到样本训练集。利用神经网络模型建立总有用功率与目标电器的有用功率和类型相对应的待训练功率分解模型。以总有用功率序列样本为输入，目标电器的有用功率序列样本和类型为输出，对待训练功率分解模型进行训练，直至待训练功率分解模型的损失函数收敛，得到功率分解模型。本实施例的功率分解模型只以总有用功率为输入，对总有用功率进行分解，得到目标电器类型和分解功率。
基于相同的技术构思，本申请还提供了一种非侵入式宿舍用电安全监测系统，其可用于宿舍用电安全监测。本申请实施例中的系统能够实现对应于上述图1所对应的实施例中所执行的非侵入式宿舍用电安全监测的方法的步骤。该系统实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。如图2所示，该系统包括获取模块1和处理模块2。处理模块2和获取模块2的功能实现可参考图1所对应的实施例中所执行的操作，此处不作赘述。处理模块2可用于控制获取模块1的收发操作。
获取模块1，用于以预设采样频率在配电箱处对室内当前用电的总电压、总电流和总开关状态进行采样。
处理模块2，用于若总电流超过预设的电流区间，则删除当前的总电流和对应的总电压、总开关状态，并重新采集总电压、总电流和总开关状态；将总电压和总电流做乘法运算，得到总有用功率；将总有用功率和总开关状态输入至预设的功率分解模型，通过功率分解模型提取总有用功率和开关状态中的功率分解特征，根据功率分解特征，确定若干目标电器类型和对应的分解功率；遍历预设的禁用电器表，若禁用电器表中存在目标电器类型以及对应的分解功率区间，则发出违规用电预警。
可选地，功率分解模型功率分解的表达式为：
其中，yt表示在t时刻的总有功率；表示第i个目标电器在t时刻的有用功率；εt表示由非目标电器组成噪声；m表示目标电器的个数。
本申请通过对干路总功率消耗进行负载功率分解，预测宿舍内的耗电电器，确定禁用电器，提供了一种简单、经济、可靠、完整的用电安全监测方案，无需对电路进行物理干预即可获取宿舍的用电数据，分析每个宿舍的用电电器，有助于及时发现宿舍内的禁用电器，提高宿舍用电安全。
基于相同的技术构思，本申请还提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述各实施方式中的所述的非侵入式宿舍用电安全监测方法的步骤。
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，本申请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一个存储介质(如ROM/RAM)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，凡是利用本申请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，这些均属于本申请的保护之内。

Claims (10)

1.一种非侵入式宿舍用电安全监测方法，其特征在于，包括：
S1、以预设采样频率在配电箱处对室内当前用电的总电压、总电流和总开关状态进行采样；
S2、若总电流超过预设的电流区间，则删除当前的总电流和对应的总电压、总开关状态，并重新采集总电压、总电流和总开关状态；
S3、将总电压和总电流做乘法运算，得到总有用功率；
S4、将总有用功率和总开关状态输入至预设的功率分解模型，通过功率分解模型提取总有用功率和开关状态中的功率分解特征，根据功率分解特征，确定若干目标电器类型和对应的分解功率；
S5、遍历预设的禁用电器表，若禁用电器表中存在目标电器类型以及对应的分解功率区间，则发出违规用电预警。
2.根据权利要求1所述的非侵入式宿舍用电安全监测方法，其特征在于，
步骤S2包括以下步骤S21-S24：
S21、获取总电压集合、总电流集合；
总电流集合包括以预设采样频率在配电箱处对室内采集的多个连续时间点的总电流；
S22、计算总电流集合对应的平均值和标准差；
S23、根据所述平均值和所述标准差，确定电流区间；
S24、若当前的总电流超出电流区间，则删除当前的总电流和对应的总电压、总开关状态，并重新采集总电压、总电流和总开关状态。
3.根据权利要求2所述的非侵入式宿舍用电安全监测方法，其特征在于，
所述平均值的表达式为：
所述标准差的表达式为：
其中，Ii表示采集的第i个总电流，n表示总电流的采样个数。
4.根据权利要求1所述的非侵入式宿舍用电安全监测方法，其特征在于，
功率分解模型功率分解的表达式为：
其中，yt表示在t时刻的总有功率；表示第i个目标电器在t时刻的有用功率；εt表示由非目标电器组成噪声；m表示目标电器的个数。
5.根据权利要求4所述的非侵入式宿舍用电安全监测方法，其特征在于，
在步骤S4之前，还包括以下步骤S041-S044：
S041、获取总有用功率序列样本、第一目标电器的有用功率序列样本和开关状态序列样本；
第一目标电器为目标电器集合中的任一目标电器；
S042、按照时间顺序，用第一目标电器的有用功率序列样本及类型对总有用功率序列样本和第一目标电器的开关状态序列样本进行打标，得到样本训练集；
S043、利用神经网络模型建立总有用功率、总开关状态与目标电器的有用功率和类型相对应的待训练功率分解模型；
S044、以总有用功率序列样本、第一目标电器的开关状态序列样本为输入，第一目标电器的有用功率序列样本和类型为输出，对待训练功率分解模型进行训练；同理，采用以总有用功率序列样本、目标电器集合中每个目标电器的开关状态序列样本为输入，目标电器集合中每个目标电器的有用功率序列样本和类型为输出，对待训练功率分解模型进行训练，直至待训练功率分解模型的损失函数收敛，得到功率分解模型。
6.根据权利要求5所述的非侵入式宿舍用电安全监测方法，其特征在于，
所述损失函数L的表达式为：
其中，表示序列的总时间长度，xt表示在t时刻的样本标记，表示模型在t时刻的输出结果。
7.根据权利要求1所述的非侵入式宿舍用电安全监测方法，其特征在于，
禁用电器表包括电熨斗、电烙铁、电热水壶、电热毯和电磁炉。
8.一种非侵入式宿舍用电安全监测系统，其特征在于，包括：
获取模块，用于以预设采样频率在配电箱处对室内当前用电的总电压、总电流和总开关状态进行采样；
处理模块，用于若总电流超过预设的电流区间，则删除当前的总电流和对应的总电压、总开关状态，并重新采集总电压、总电流和总开关状态；将总电压和总电流做乘法运算，得到总有用功率；将总有用功率和总开关状态输入至预设的功率分解模型，通过功率分解模型提取总有用功率和开关状态中的功率分解特征，根据功率分解特征，确定若干目标电器类型和对应的分解功率；遍历预设的禁用电器表，若禁用电器表中存在目标电器类型以及对应的分解功率区间，则发出违规用电预警。
9.根据权利要求8所述的非侵入式宿舍用电安全监测系统，其特征在于，
功率分解模型功率分解的表达式为：
其中，yt表示在t时刻的总有功率；表示第i个目标电器在t时刻的有用功率；εt表示由非目标电器组成噪声；m表示目标电器的个数。
10.一种存储有计算机可读指令的存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中的任一所述的非侵入式宿舍用电安全监测方法中的步骤。
CN202311418472.4A 2023-10-30 2023-10-30 非侵入式宿舍用电安全监测方法、系统和存储介质 Pending CN117477771A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311418472.4A CN117477771A (zh) 2023-10-30 2023-10-30 非侵入式宿舍用电安全监测方法、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311418472.4A CN117477771A (zh) 2023-10-30 2023-10-30 非侵入式宿舍用电安全监测方法、系统和存储介质

Publications (1)

Publication Number Publication Date
CN117477771A true CN117477771A (zh) 2024-01-30

Family

ID=89623192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311418472.4A Pending CN117477771A (zh) 2023-10-30 2023-10-30 非侵入式宿舍用电安全监测方法、系统和存储介质

Country Status (1)

Country Link
CN (1) CN117477771A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118033208A (zh) * 2024-04-12 2024-05-14 江苏尚研电力科技有限公司 智能化的空气开关

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118033208A (zh) * 2024-04-12 2024-05-14 江苏尚研电力科技有限公司 智能化的空气开关

Similar Documents

Publication Publication Date Title
CN117477771A (zh) 非侵入式宿舍用电安全监测方法、系统和存储介质
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
CN105911342B (zh) 基于功率持续时间特性的电饭煲非侵入辨识方法
CN110751385B (zh) 非侵入式负荷识别方法、终端设备及存储介质
CN111563827B (zh) 基于电器物理特性及居民用电行为的负荷分解方法
CN110929115B (zh) 一种基于用电特性的用电安全监测方法及系统
CN114037178A (zh) 基于无监督预训练神经网络的非侵入式负荷分解方法
Shen et al. Self-healing evaluation of smart distribution network based on uncertainty theory
CN117614141B (zh) 一种用于配电网的多电压层级协调管理方法
CN109616997B (zh) 空气开关、电路的优化方法及装置
CN115601603B (zh) 模型训练和用电器类别识别方法、设备及存储介质
CN115563583A (zh) 基于多物理量融合的非侵入式负荷监测方法
CN117039840A (zh) 一种基于特征自动增强的家用负荷识别方法及系统
CN116340323A (zh) 电力工作室消息收集装置与收集方法
CN112016587A (zh) 基于主站特征库技术的用能监测云端协同非侵入辨识方法
CN112653243B (zh) 一种变电设备构件与物联网信息进行联通和联动的方法
CN205610345U (zh) 一种基于物联网的太阳能发电监控系统
CN210534241U (zh) 非侵入式家用电器智能识别与监测装置
CN214473641U (zh) 一种基于轨迹图像识别的非侵入式负荷识别装置
Hao et al. Data traffic characterization in intelligent electric substations using FARIMA based threshold model
CN113971371B (zh) 一种末端电网用户设备辨识、安全管控方法
CN115795354B (zh) 三合一场所的识别方法和识别装置
CN116859169B (zh) 一种非侵入式电力负荷分解方法及系统
CN114509977A (zh) 基于物联网开关的节能方法及系统
CN115800541A (zh) 一种专变用户用电诊断系统

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