CN212646862U - 居民用电采集装置 - Google Patents
居民用电采集装置 Download PDFInfo
- Publication number
- CN212646862U CN212646862U CN202022220636.0U CN202022220636U CN212646862U CN 212646862 U CN212646862 U CN 212646862U CN 202022220636 U CN202022220636 U CN 202022220636U CN 212646862 U CN212646862 U CN 212646862U
- Authority
- CN
- China
- Prior art keywords
- resident
- current sensor
- voltage sensor
- residential
- residential 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.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 96
- 238000004891 communication Methods 0.000 claims description 12
- 239000002184 metal Substances 0.000 claims description 6
- 229910052751 metal Inorganic materials 0.000 claims description 6
- 239000011248 coating agent Substances 0.000 claims description 5
- 238000000576 coating method Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 11
- 238000000034 method Methods 0.000 description 36
- 230000015654 memory Effects 0.000 description 29
- 230000006870 function Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 17
- 238000012549 training Methods 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 14
- 238000004590 computer program Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000009434 installation Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000012847 principal component analysis method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000005056 cell body Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- -1 polysiloxane Polymers 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 229920002379 silicone rubber Polymers 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种居民用电采集装置,居民用电采集装置包括:用电负荷采集组件、壳体、分别设置在所述壳体中的电流传感器和电压传感器;所述电流传感器的输出端和电压传感器的输出端分别连接至所述用电负荷采集组件,所述电流传感器的输入端和电压传感器的输入端分别用于与居民用电入户总线连接。本申请提供的居民用电采集装置结构简单且可靠,能够有效节省居民用电采集所需消耗的人力成本、时间成本及物力成本,进而能够有效提高居民用电采集的可靠性、安全性及便捷性。
Description
技术领域
本申请涉及电力设备技术领域,具体涉及居民用电采集装置。
背景技术
近些年来,我国的电网供电技术不断发展成熟,取得了非常显著的进步,并开始将发展方向往高新技术领域拓展,着重进行智能电网的建设。智能电网就是用智能化系统对电力网络进行控制,实现电力传输系统的经济、稳定、快速运行。其中,居民用电数据采集及监测是智能电网重要手段与方法,了解居民用户电能的使用规律以及负荷的分布,制定相应服务策略,提升服务精准度。
目前,为了有效监测居民用电情况以为居民用户提供更好的电力服务,现有的居民用电采集方式为在居民用户家中各处的负荷电器处添加可测量电气信号的传感器,采集电器工作状态下的电力数据并传输给数据处理中心。然而,该种设置方式需要进入到居民家中,所需消耗的人力成本及物力成本较高,且无法保证传感器在数据采集期间一直处于正常使用状态,因此,不但安装传感器会对居民生活带来不便,难以大规模普及,同时也无法保证居民用电采集的可靠性及安全性。
实用新型内容
针对现有技术中的问题,本申请提供一种居民用电采集装置,所述居民用电采集装置的结构简单且可靠,能够有效节省居民用电采集所需消耗的人力成本、时间成本及物力成本,进而能够有效提高居民用电采集的可靠性、安全性及便捷性。
为解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种居民用电采集装置,包括:用电负荷采集组件、壳体、分别设置在所述壳体中的电流传感器和电压传感器;
所述电流传感器的输出端和电压传感器的输出端分别连接至所述用电负荷采集组件,所述电流传感器的输入端和电压传感器的输入端分别用于与居民用电入户总线连接。
进一步地,所述用电负荷采集组件包括:通信连接的数据采集板卡和上位机;
所述电流传感器的输出端和电压传感器的输出端分别连接至所述数据采集板卡;
所述上位机与一供电电源连接;
所述数据采集板卡固定设置在壳体内。
进一步地,所述电流传感器的输入端设有电流钳,该电流钳连接至所述居民用电入户总线中的火线。
进一步地,所述电压传感器的输入端设有两个触头;
一个所述触头连接至所述居民用电入户总线中的火线,另一个所述触头连接至所述居民用电入户总线中的零线。
进一步地,所述电流传感器的输出端通过一同轴线连接至所述数据采集板卡。
进一步地,所述上位机包括:嵌入式单片机;
所述嵌入式单片机固定设置在壳体内。
进一步地,所述上位机包括:客户终端设备;
所述客户终端设备设有显示屏。
进一步地,所述壳体包括:槽体及与该槽体配合使用的盖板;
所述槽体内形成有用于容纳电流传感器和电压传感器的容纳腔。
进一步地,所述槽体内部的底板上设有多个安装槽;
所述电流传感器和电压传感器分别通过各个安装槽固定设置在所述槽体内。
进一步地,所述壳体为金属壳体,且该金属壳体的外壁上涂设有防潮涂层。
由上述技术方案可知,本申请提供的居民用电采集装置,居民用电采集装置包括:用电负荷采集组件、壳体、分别设置在所述壳体中的电流传感器和电压传感器;所述电流传感器的输出端和电压传感器的输出端分别连接至所述用电负荷采集组件,所述电流传感器的输入端和电压传感器的输入端分别用于与居民用电入户总线连接;通过将电流传感器和电压传感器均设置在壳体中,能够保证电流传感器和电压传感器在运行期间的运行可靠性,能够有效避免因用户误碰而导致的采集失败或安全事故的发生;通过将电流传感器的输入端和电压传感器的输入端分别用于与居民用电入户总线连接,能够避免进行居民用户家中进行用电采集而给居民带来的不便,能够有效节省所需消耗的人力成本、时间成本及物力成本,进而能够有效提高居民用电采集的可靠性、安全性及便捷性。
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,下面描述中的附图是本申请的一些实施例,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为本申请实施例中的居民用电采集装置的第一种结构示意图。
图2为本申请实施例中的居民用电采集装置中用电负荷采集组件的结构示意图。
图3为本申请实施例中的居民用电采集装置的第二种结构示意图。
图4为本申请实施例中的居民用电采集装置的第三种结构示意图。
图5为本申请应用实例中的居民用电采集装置的硬件结构示意图。
图6为本申请应用实例中的居民用电采集装置的安装位置示意图。
图7为本申请应用实例中的居民用电采集装置中的上位机检测结果显示界面示意图。
图8为本申请实施例中的居民用电负荷识别方法的流程示意图。
图9为本申请应用实例中的居民用电负荷识别方法的具体举例流程示意图。
图10为本申请应用实例中的损失函数的变化趋势举例示意图。
图11为本申请实施例的电子设备的系统构成的示意框图。
图12为本申请实施例的居民用电负荷识别装置的结构示意图。
附图标号:
1、壳体;
2、电流传感器;
3、电压传感器;
4、用电负荷采集组件;
41、数据采集板卡;
42、上位机;
421、嵌入式单片机;
422、客户终端设备;
5、居民用电入户总线;
6、供电电源。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为更好地为用户提供精准服务,分析居民用户负荷特征与用能规律是开展服务的前提条件。入户式负荷监测系统是一种有效负荷检测系统,其是在各负荷电器处添加可测量电气信号的传感器,采集电器工作状态下的电力数据并传输给数据处理中心,人力、物力成本较高,且安装传感器会对居民生活带来不便,难以大规模普及。基于此,本申请实施例提供一种居民用电采集装置,包括:用电负荷采集组件、壳体、分别设置在所述壳体中的电流传感器和电压传感器;所述电流传感器的输出端和电压传感器的输出端分别连接至所述用电负荷采集组件,所述电流传感器的输入端和电压传感器的输入端分别用于与居民用电入户总线连接。通过将电流传感器和电压传感器均设置在壳体中,能够保证电流传感器和电压传感器在运行期间的运行可靠性,能够有效避免因用户误碰而导致的采集失败或安全事故的发生;通过将电流传感器的输入端和电压传感器的输入端分别用于与居民用电入户总线连接,能够避免进行居民用户家中进行用电采集而给居民带来的不便,能够有效节省所需消耗的人力成本、时间成本及物力成本,进而能够有效提高居民用电采集的可靠性、安全性及便捷性。
具体通过下述多个实施例分别进行说明。
为了有效节省居民用电采集所需消耗的人力成本、时间成本及物力成本,进而能够有效提高居民用电采集的可靠性、安全性及便捷性,本申请实施例提供一种居民用电采集装置,参见图1,所述居民用电采集装置具体包含有如下内容:
用电负荷采集组件4、壳体1、分别设置在所述壳体1中的电流传感器2和电压传感器3;所述电流传感器2的输出端和电压传感器3的输出端分别连接至所述用电负荷采集组件4,所述电流传感器2的输入端和电压传感器3的输入端分别用于与居民用电入户总线5连接。
可以理解的是,电流传感器2采用霍尔电流传感器2,输出为1mV/mA。
电压传感器3的输出为100:1和10:1这两个量程范围。
可以理解的是,所述用电负荷采集组件4用于接收电流传感器2和电压传感器3自位于居民用户家室外的居民用电入户总线5采集的用电信号,并将该用电信号进行信号转换,具体可以为模拟信号与数字信号之间的转换。
从上述描述可知,本申请实施例提供的居民用电采集装置,通过将电流传感器2和电压传感器3均设置在壳体1中,能够保证电流传感器2和电压传感器3在运行期间的运行可靠性,能够有效避免因用户误碰而导致的采集失败或安全事故的发生;通过将电流传感器2的输入端和电压传感器3的输入端分别用于与居民用电入户总线5连接,能够避免进行居民用户家中进行用电采集而给居民带来的不便,能够有效节省所需消耗的人力成本、时间成本及物力成本,进而能够有效提高居民用电采集的可靠性、安全性及便捷性。
在本申请的居民用电采集装置的一个实施例中,参见图2,所述居民用电采集装置中的用电负荷采集组件4具体包含有如下内容:
通信连接的数据采集板卡41和上位机42;所述电流传感器2的输出端和电压传感器3的输出端分别连接至所述数据采集板卡41;所述上位机42与一供电电源6连接;以及,所述数据采集板卡41固定设置在壳体1内(未在图2中示出),以有效提高用电负荷采集的可靠性及安装便捷性。
可以理解的是,所述数据采集板卡41具备模拟/数字输入通道。其中模拟输入通道需具备信号跟踪、硬件滤波、放大等功能,通道采样率不低于200kS/s,分辨率不低于12位。
在所述用电负荷采集组件4的一个实施例中,所述上位机42可以采用嵌入式单片机421;所述数据采集板卡41与嵌入式单片机421之间可以应用局域网进行通信连接,具体可以为以太网通讯。参见图3,所述嵌入式单片机421和所述数据采集板卡41均固定设置在壳体1内,以在整体上提高居民用电采集装置的携带、安装及维修的便捷性。
其中,上位机42采用主频不低于200MHz的嵌入式单片机421。
在所述用电负荷采集组件4的一个实施例中,所述上位机42可以采用客户终端设备422;所述数据采集板卡41与客户终端设备422之间可以应用互联网进行通信连接,具体可以通过现有的通信模块实现。参见图4,所述客户终端设备422在所述壳体1外部与所述壳体1内的数据采集板卡41远程连接,以满足居民用电采集装置的远程操作要求。
另外,所述客户终端设备422还可以设有显示屏,可以理解的是,所述客户终端设备422可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在本申请的居民用电采集装置的一个实施例中,所述电流传感器2的输入端设有电流钳,该电流钳连接至所述居民用电入户总线5中的火线。
在本申请的居民用电采集装置的一个实施例中,所述电压传感器3的输入端设有两个触头;一个所述触头连接至所述居民用电入户总线5中的火线,另一个所述触头连接至所述居民用电入户总线5中的零线。在本申请的居民用电采集装置的一个实施例中,所述电流传感器2的输出端通过一同轴线连接至所述数据采集板卡41。
在本申请的居民用电采集装置的一个实施例中,所述壳体1包括:槽体及与该槽体配合使用的盖板;所述槽体内形成有用于容纳电流传感器2和电压传感器3的容纳腔,以有效提高居民用电采集装置的部件更换便捷性及维护便捷性。
在本申请的居民用电采集装置的一个实施例中,所述槽体内部的底板上设有多个安装槽;所述电流传感器2和电压传感器3分别通过各个安装槽固定设置在所述槽体内,以有效提高壳体1内部件的安装稳定性及可靠性。
在本申请的居民用电采集装置的一个实施例中,所述壳体1为金属壳体1,且该金属壳体1的外壁上涂设有防潮涂层。具体来说,防潮涂层可以采用硅橡胶(聚硅氧烷)高分子聚合物涂层,可以有效阻止或降低水分渗透。
为了进一步说明本方案,本申请还提供一种居民用电采集装置的具体应用实例,本申请应用实例主要为了解决非入户居民用户负荷的检测问题。通过本申请应用实例提出的采集入户总线电量信号的负荷检测系统,提升负荷检测的便捷性、非打扰性。
本申请应用实例提出了采集入户总线电量信号的负荷检测系统,主要具有以下功能:(1)能够采集入户总线电量信号,根据监测到的电量信号开启负荷检测过程;(2)能够分析电量信号,展示分析结果。
参见图5,居民用电采集装置的硬件结构主要包括供电电源6、上位机42、数据采集板卡41、电流传感器2、电压传感器3。供电电源6为上位机42提供正常工作所需要的电源。电压和电流传感器2将负荷电压、电流转换为上位机42可处理的数据信号。数据采集板卡41将采集到的电压、电流数据信号传输至上位机42。
参见图6所示的居民用电采集装置的安装位置,其中,居民户内家用电器可以包含有风扇、冰箱、油烟机、吹风机及空调等,所述居民用电采集装置的具体应用如下:
(1)负荷电量信号采集
电流传感器2的电流钳夹在火线上,串接进线路,其输出端BNC公头通过同轴线接于数据采集板卡41某一采集通道;电压传感器3的两个触头分别跨接在火线和零线,输出端接于数据采集板卡41另一采集通道。
上位机42接收到数据采集板卡41采集到传输来的数据后,进行初步分析判断,计算电压信号和电流信号的点积,即负荷功率P的大小。当P>0时,触发数据采集板卡41,进行数据采集存储。
(2)负荷电量信号分析
上位机42在存储完成数据集后,经过数据集划分、离散傅里叶变换得到数据集20次谐波特征,并利用主成分分析法,将数据集特征参量降为至10。将降维后的特征参量输入至参数训练完成的负荷辨识记忆网络模型中,最后由网络模型输出检测结果。
(3)检测结果展示
参见图7,上位机42检测结果显示界面分为三部分:第一部分为采集参数设定,采集开始按钮、采集频率、采集时间、模型选择;第二部分为采集数据波形及特征参量提取;第三部分为负荷检测结果,工作电器及其运行时间和用电量情况。
从上述描述可知,本申请应用实例提供的居民用电采集装置,能够在无打扰情况下便捷进行负荷检测;在不影响负荷运行下,本申请应用实例能够自动采集负荷数据,自动分析负荷成分,并进行结果显示。
负荷监测是智能电网重要手段与方法,了解居民用户电能的使用规律以及负荷的分布,制定相应服务策略,提升服务精准度。负荷监测有侵入式和非侵入式两种方式,侵入式负荷监测方法是在各电器处添加可以测量电气信号的传感器,采集电器工作状态下的电力数据并传输给数据处理中心。这种方法所需的人力、物力成本较高,且安装传感器会对居民生活带来不便,难以大规模普及。非侵入式监测技术仅需在居民用户进户总线设置传感器,采集用户的功率、电流等电气信号,通过分析得到用户用电负荷种类、用电时间等信息。
基于此,基于上述居民用电采集装置的实施例,本申请还提供一种应用该居民用电采集装置实现的居民用电负荷识别方法,主要是解决居民用户小功率用电负荷识别困难、准确率低问题,以功率较小的电风扇为例,应用长短期记忆人工神经网络(Long Short-Term Memory,LSTM)进行负荷数据分析处理,建立负荷分类模型。结合主成分分析(Principal Component Analysis,PCA)技术,在保留原数据信息的基础上,减少特征数量,提高模型的运行效率,以便对电力信号进行实时分析。
为了有效解决解决居民用户小功率用电负荷识别困难、准确率低问题,本申请实施例提供一种执行主体为前述的用电负荷采集组件执行的居民用电负荷识别方法,具体可以为上位机执行的居民用电负荷识别方法,参见图8,所述居民用电负荷识别方法具体包含有如下内容:
步骤100:控制所述的居民用电采集装置中的所述用电负荷采集组件接收电流传感器和电压传感器采集的数据以使该用电负荷采集组件获取目标居民用户的用电数据。
步骤200:对所述目标居民用户的用电数据进行预处理。
步骤300:应用预处理后的用电数据和长短期记忆人工神经网络LSTM模型,确定所述目标居民用户的用电负荷识别结果。
在步骤200的一个实施例中,所述步骤200具体包含有如下内容:
步骤201:对所述目标居民用户的用电数据中的电流信号进行离散傅里叶变换DFT处理,得到对应的第一维电流谐波特征量数据集。
步骤202:应用预设的主成分分析PCA方式,对所述第一维电流谐波特征量进行数据降维处理,得到对应的第二维电流谐波特征量数据集,并设置各个所述第二维电流谐波特征量数据集的标签,该标签用于表示对应的第二维电流谐波特征量数据集中是否包含有目标电器。
在步骤300的一个实施例中,所述步骤300具体包含有如下内容:
步骤301:将所述第二维电流谐波特征量数据集划分为训练集、验证集和测试集。
步骤302:基于所述训练集,采用批量梯度下降BGD算法对预设的长短期记忆人工神经网络LSTM模型进行模型训练,得到对应的居民用户用电负荷识别模型。
步骤303:应用所述验证集对所述居民用户用电负荷识别模型进行验证,并将通过验证的居民用户用电负荷识别模型确定为当前的目标居民用户用电负荷识别模型。
步骤304:将所述测试集输入所述目标居民用户用电负荷识别模型,并将该目标居民用户用电负荷识别模型的输出作为所述目标居民用户使用所述目标电器的用电负荷识别结果。
可以理解的是,用于执行本申请的居民用电负荷识别方法的居民用电负荷识别装置可以为独立于居民用电采集装置之外的客户终端设备或者服务器,该居民用电负荷识别装置也可以与所述居民用电采集装置中的用电负荷采集组件集成设置,该居民用电负荷识别装置还可以直接采用所述用电负荷采集组件中的上位机实现,举例来说,上位机的第一功能模块可以控制数据采集板卡接收电流传感器和电压传感器采集的数据,而后上位机的第一功能模块控制上位机的第二功能模块根据电流传感器和电压传感器采集的数据获取目标居民用户的用电数据;而后上位机的第一功能模块对所述目标居民用户的用电数据进行预处理,并应用预处理后的用电数据和长短期记忆人工神经网络LSTM模型,确定所述目标居民用户的用电负荷识别结果等。
为了进一步说明上述方法实施例,本申请还提供一种居民用电负荷识别方法的具体应用实例,具体为基于主成分分析—长短期记忆人工神经网络算法的非侵入式居民小功率负荷辨识方法。
在入户总线处利用电流采集装置获取用户电流数据,按表1顺序交替投切风扇、油烟机、吹风机、冰箱、空调这五种家庭常用电器设备,获取相应稳态条件下入户总线电流波形,记录数据集data。
表1用电器工作情况及相应的数据集
数据集名称 | 工作电器 |
data1 | 风扇 |
data2 | 吹风机 |
data3 | 冰箱 |
data4 | 风扇、油烟机 |
data5 | 风扇、吹风机、冰箱 |
data6 | 风扇、吹风机、油烟机 |
data7 | 空调、吹风机 |
参见图9,居民用电负荷识别方法具体包含有如下内容:
首先,获取不同工作电器组合场景下稳态电流数据集,每个数据集包含10000个数据点,对电流信号进行离散傅里叶变换,得到其20次谐波频域特征量。
其次,利用主成分分析法,将20维电流谐波特征量转换为维度为10的新特征量数据集;并将包含电风扇的数据集标签值设置为1,不包含电风扇的数据集标签值设置为0。
然后,从数据集中生成样本集,并将样本集划分为训练集、验证集,以及测试集,使用划分后的数据集进行模型训练、验证以及最终预测。
最后,利用构建的损失函数及训练集,找到长短期记忆人工神经网络模型最优参数;使用含有最优参数的长短期记忆人工神经网络模型识别测试集中的风扇。
(一)数据集特征量提取
电流模拟信号x(t)的傅里叶变换为:
以50kHZ频率对电流模拟信号进行采样,即采样时间间隔为0.02ms,则有:
x(t)|t=nT=xa(nT)=x(n) (2)
由于n足够大,t→nT,dt→T,则电流采样信号离散傅里叶变换为:
将采样电流信号进行20次谐波分解,得到电流波形的频域特征。
(二)特征参量降维处理生成样本集
对于给定阶数为n×m的矩阵X,其中n表示观测得到的电流信号样本数量,m表示每一个样本所拥有的特征参量数量。设矩阵X的协方差矩阵为C,协方差是两个变量相关关系的度量。协方差为正,表示两个变量在某一方向上同时变化;协方差为负,表示两个变量在某一方向上变化相反。协方差数值接近零,表示两个变量不相关。协方差矩阵为:
通过矩阵X得到矩阵C后,对矩阵C使用奇异值分解的方法进行处理,得到[U,S,V]矩阵,使用矩阵U的前k个分量对矩阵X进行变换,即得到阶数为n×k的新矩阵Z,矩阵Z即为使用主成分分析方法处理后得到的新的特征矩阵,是寻找一组新的正交坐标系将原始数据投射到新坐标系中达到降维目的,优化模型计算效率。
应用该方法将20维的电流谐波特征转换为特征维度为10的新数据集。以新数据集作为样本集,从第一个数据点开始选取连续的20个数据点组成一个20×10的数据矩阵作为一个样本,再从第二个数据点开始选取连续的20个数据点作为一个样本,以此类推,共9980个样本。将组合的样本数据集随机打乱,其中5980个样本划分为训练集,2000个样本划分为验证集,剩余2000个样本为测试集,使用划分后的数据集进行模型训练、验证以及最终预测。
(三)损失函数训练模型识别测试集
长短期记忆人工神经网络长短期记忆人工神经网络模型是一种特殊的循环神经网络,它不仅考虑网络当前的输入,还拥有对已输入数据的“记忆”功能,即某一序列的当前输出与序列已输出值有关。神经网络的输入层神经元数量由输入的特征维度决定,隐藏层神经元数量一般等于输入层或为输入层神经元个数的几倍,选取为30。输出层神经元个数由输出结果决定,对于单个电器运行状态识别,即输出层神经元的数量为1。在第二个隐藏层与输出层之间加入全连接层,以便模型拥有更好的预测结果。
学习率控制模型的学习进度,学习率过小或过大都会导致模型在训练中出现错误,甚至产生不收敛的后果,选择学习率为0.01。
损失函数定义了模型输出结果和真实值之间的误差,将模型预测输出与标签值的偏离程度进行量化,作为神经网络的优化目标训练模型。选用拟合结果与真实值的均方误差作为模型的损失函数,其具体表达式为:
采用批量梯度下降的方法对模型进行训练,每次迭代使用100个样本的数据进行计算,根据计算所得损失函数的值来修正模型系数,可大大提高模型训练速度。
在模型不断迭代优化过程中,损失函数的变化趋势参见图10,随着训练步数的增大,损失函数整体呈下降趋势,且下降速度较快,模型训练效率较高。在训练步数达到400步以后,损失函数下降幅度变小,最后趋于平稳,模型参数达到最优。
使用已经训练好的LSTM模型对划分的测试集进行预测,误差函数使用平均绝对误差函数,其表达式为:
式中N为测试集所包含的样本数量,yi为测试集中样本所携带的标签值,为模型预测值。模型在测试集上的预测准确率为98.82%。所设计的基于PCA-LSTM的非侵入式负荷监测模型可以对小功率电器进行准确识别。
从上述描述可知,本申请应用实例提供的居民用电负荷识别方法,(1)使用电流信号20次谐波稳态频域特征作为特征参量,并通过主成分分析方法将特征参量维度降至10。(2)选取学习率0.01,采用损失函数训练长短期记忆人工神经网络模型。(3)该方法用于识别居民用户小功率电器准确率较高。
从软件层面来说,为了有效节省居民用电采集所需消耗的人力成本、时间成本及物力成本,进而能够有效提高居民用电采集的可靠性、安全性及便捷性,本申请提供一种用于执行所述居民用电负荷识别方法中全部或部分内容的居民用电负荷识别装置的实施例,参见图12,所述居民用电负荷识别装置具体包含有如下内容:
数据获取模块1000,用于控制所述的居民用电采集装置中的所述用电负荷采集组件接收电流传感器和电压传感器采集的数据以使该用电负荷采集组件获取目标居民用户的用电数据。
数据预处理模块2000,用于对所述目标居民用户的用电数据进行预处理。
负荷识别模块3000,用于应用预处理后的用电数据和长短期记忆人工神经网络LSTM模型,确定所述目标居民用户的用电负荷识别结果。
从上述描述可知,本申请实施例提供的居民用电负荷识别装置,用于识别居民用户小功率电器准确率较高。
从硬件层面来说,为了有效节省居民用电采集所需消耗的人力成本、时间成本及物力成本,进而能够有效提高居民用电采集的可靠性、安全性及便捷性,本申请提供一种用于实现所述居民用电负荷识别方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
图11为本申请实施例的电子设备9600的系统构成的示意框图。如图11所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图11是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
在一实施例中,居民用电负荷识别功能可以被集成到中央处理器中。其中,中央处理器可以被配置为进行如下控制:
步骤100:控制所述的居民用电采集装置中的所述用电负荷采集组件接收电流传感器和电压传感器采集的数据以使该用电负荷采集组件获取目标居民用户的用电数据。
步骤200:对所述目标居民用户的用电数据进行预处理。
步骤300:应用预处理后的用电数据和长短期记忆人工神经网络LSTM模型,确定所述目标居民用户的用电负荷识别结果。
从上述描述可知,本申请实施例提供的电子设备,用于识别居民用户小功率电器准确率较高。
在另一个实施方式中,居民用电负荷识别装置可以与中央处理器9100分开配置,例如可以将居民用电负荷识别装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现居民用电负荷识别功能。
如图11所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图11中所示的所有部件;此外,电子设备9600还可以包括图11中没有示出的部件,可以参考现有技术。
如图11所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的居民用电负荷识别方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的居民用电负荷识别方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:控制所述的居民用电采集装置中的所述用电负荷采集组件接收电流传感器和电压传感器采集的数据以使该用电负荷采集组件获取目标居民用户的用电数据。
步骤200:对所述目标居民用户的用电数据进行预处理。
步骤300:应用预处理后的用电数据和长短期记忆人工神经网络LSTM模型,确定所述目标居民用户的用电负荷识别结果。
从上述描述可知,本申请实施例提供的计算机可读存储介质,用于识别居民用户小功率电器准确率较高。
需要说明的是,在本文中,关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本实用新型和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本实用新型的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本实用新型中的具体含义。
本领域内的技术人员应明白,本实用新型的实施例可提供为方法、装置、或计算机程序产品。因此,本实用新型可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本实用新型可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本实用新型是参照根据本实用新型实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本实用新型的说明书中,说明了大量具体细节。然而能够理解的是,本实用新型的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应当理解,为了精简本实用新型公开并帮助理解各个实用新型方面中的一个或多个,在上面对本实用新型的示例性实施例的描述中,本实用新型的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释呈反映如下意图:即所要求保护的本实用新型要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,实用新型方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本实用新型的单独实施例。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。本实用新型并不局限于任何单一的方面,也不局限于任何单一的实施例,也不局限于这些方面和/或实施例的任意组合和/或置换。而且,可以单独使用本实用新型的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是:以上各实施例仅用以说明本实用新型的技术方案,而非对其限制;尽管参照前述各实施例对本实用新型进行了详细的说明,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,或者对其中部分或者全部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实用新型各实施例技术方案的范围,其均应涵盖在本实用新型的权利要求和说明书的范围当中。
Claims (10)
1.一种居民用电采集装置,其特征在于,包括:用电负荷采集组件、壳体、分别设置在所述壳体中的电流传感器和电压传感器;
所述电流传感器的输出端和电压传感器的输出端分别连接至所述用电负荷采集组件,所述电流传感器的输入端和电压传感器的输入端分别用于与居民用电入户总线连接。
2.根据权利要求1所述的居民用电采集装置,其特征在于,所述用电负荷采集组件包括:通信连接的数据采集板卡和上位机;
所述电流传感器的输出端和电压传感器的输出端分别连接至所述数据采集板卡;
所述上位机与一供电电源连接;
所述数据采集板卡固定设置在壳体内。
3.根据权利要求1所述的居民用电采集装置,其特征在于,所述电流传感器的输入端设有电流钳,该电流钳连接至所述居民用电入户总线中的火线。
4.根据权利要求1所述的居民用电采集装置,其特征在于,所述电压传感器的输入端设有两个触头;
一个所述触头连接至所述居民用电入户总线中的火线,另一个所述触头连接至所述居民用电入户总线中的零线。
5.根据权利要求2所述的居民用电采集装置,其特征在于,所述电流传感器的输出端通过一同轴线连接至所述数据采集板卡。
6.根据权利要求2所述的居民用电采集装置,其特征在于,所述上位机包括:嵌入式单片机;
所述嵌入式单片机固定设置在壳体内。
7.根据权利要求2所述的居民用电采集装置,其特征在于,所述上位机包括:客户终端设备;
所述客户终端设备设有显示屏。
8.根据权利要求1所述的居民用电采集装置,其特征在于,所述壳体包括:槽体及与该槽体配合使用的盖板;
所述槽体内形成有用于容纳电流传感器和电压传感器的容纳腔。
9.根据权利要求8所述的居民用电采集装置,其特征在于,所述槽体内部的底板上设有多个安装槽;
所述电流传感器和电压传感器分别通过各个安装槽固定设置在所述槽体内。
10.根据权利要求1所述的居民用电采集装置,其特征在于,所述壳体为金属壳体,且该金属壳体的外壁上涂设有防潮涂层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202022220636.0U CN212646862U (zh) | 2020-09-30 | 2020-09-30 | 居民用电采集装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202022220636.0U CN212646862U (zh) | 2020-09-30 | 2020-09-30 | 居民用电采集装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN212646862U true CN212646862U (zh) | 2021-03-02 |
Family
ID=74762256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202022220636.0U Active CN212646862U (zh) | 2020-09-30 | 2020-09-30 | 居民用电采集装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN212646862U (zh) |
-
2020
- 2020-09-30 CN CN202022220636.0U patent/CN212646862U/zh active Active
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106936129B (zh) | 基于多特征融合的电力负荷辨识方法及系统 | |
US6937946B1 (en) | System and method for remote identification of energy consumption systems and components | |
CN109359665B (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
CN110412347B (zh) | 一种基于非侵入式负荷监测的窃电行为识别方法与装置 | |
CN112180193A (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 | |
US11002773B2 (en) | Monitoring apparatus, monitoring method, and storage medium | |
CN112434799B (zh) | 基于全卷积神经网络的非侵入式负荷识别方法 | |
CN110416995B (zh) | 一种非侵入式负荷分解方法和装置 | |
CN109477907A (zh) | 触觉雨水传感器 | |
CN106464988A (zh) | 能量管理系统 | |
CN109633301A (zh) | 基于量子遗传优化的非侵入式电器负荷识别方法 | |
CN114859169A (zh) | 一种配变出线负荷智能识别方法及系统、存储介质 | |
Englert et al. | Reduce the number of sensors: Sensing acoustic emissions to estimate appliance energy usage | |
CN111927810B (zh) | 一种应用于手持式风扇的充放电信息数据处理方法及装置 | |
CN212646862U (zh) | 居民用电采集装置 | |
Azizi et al. | Quantification of disaggregation difficulty with respect to the number of smart meters | |
CN112067938A (zh) | 居民用电采集装置、居民用电负荷识别方法及识别装置 | |
CN109599952B (zh) | 一种基于4g通信技术的配电网监控管理系统及方法 | |
CN115983347A (zh) | 一种非侵入式负荷分解方法、装置及存储介质 | |
TW201530959A (zh) | 非侵入式負載監測系統及其方法 | |
CN115825602A (zh) | 一种综合多元信息相似性分析的负荷辨识方法及系统 | |
CN115222018A (zh) | 非侵入式负荷分解方法及装置 | |
CN113762619B (zh) | 配电物联网用户负荷识别方法、系统、设备和存储介质 | |
CN106447867A (zh) | 一种基于指纹和声纹的智能门锁及其检测方法 | |
CN110889465A (zh) | 基于自适应谐振网络的电力需求侧设备辨识方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant |