先验知识非入侵式负荷识别方法、装置、设备及存储介质与流程

1.本发明涉及负荷监测领域，尤其涉及一种先验知识非入侵式负荷识别方法、装置、设备及存储介质。


背景技术：

2.随着负荷监测系统的高速发展，用户对负荷监测的处理要求也越来越高，在希望准确对负荷进行监测的同时减少负荷监测系统的模型计算量，这也对负荷监测系统的准确性和效率性提出了更高的要求。传统的负荷监测系统的识别方式是通过建立以“transformer”以及变形结构为代表的注意力模型，直接从模型众多信息中选择出对当前任务目标更关键的信息。这种负荷监测系统的识别方式存在很大的缺陷，就会存在识别方式参数多，运算量大，不太适合移动端部署的问题。即，这种负荷监测系统的识别方式会由于需要从众多信息中查找关键信息造成负荷识别效果不佳。


技术实现要素：

3.本发明的主要目的在于提出一种先验知识非入侵式负荷识别方法、装置、设备及存储介质，旨在解决如何在不增加网络模型大小的前提下提升负荷识别效果的技术问题。
4.为实现上述目的，本发明提供一种先验知识非入侵式负荷识别方法，所述先验知识非入侵式负荷识别方法步骤，包括：
5.获取全部输入的标定数据，根据各所述标定数据确定负荷的特征数据波形，将各所述特征数据波形汇总并建立先验知识负荷特征数据库；
6.若获取到输入的目标识别数据，则根据所述目标识别数据确定目标特征数据波形；
7.根据所述目标特征波形和所述先验知识负荷特征数据库进行负荷识别。
8.可选地，根据所述目标识别数据确定目标特征数据波形的步骤，包括：
9.确定所述目标识别数据中所述负荷在全部工作时间点的第一电压值和第一电流值；
10.根据预设算法模块确定所述第一电压值和所述第一电流值对应的目标特征数据值。
11.可选地，根据所述目标特征数据值确定目标特征数据波形的步骤，包括：
12.根据预设的需求数值依次提取所述目标特征数据值得到第一特征数据集，对所述第一特征数据集进行降采样处理得到第二特征数据集；
13.将所述第二特征数据集进行归一化处理得到波形数值，并将所述波形数值在坐标轴中依次连接以建立目标特征数据波形。
14.可选地，将各所述特征数据波形汇总并建立先验知识负荷特征数据库的步骤，包括：
15.确定各所述特征数据波形对应的负荷标识，根据所述负荷标识将各所述特征数据
波形汇总，并将汇总后各所述特征数据波形作为先验知识负荷特征数据库。
16.可选地，根据所述目标特征波形和所述先验知识负荷特征数据库进行负荷识别的步骤，包括：
17.确定所述目标特征波形的目标位置，根据预设的负荷辨识神经网络识别所述目标位置在所述先验知识负荷特征数据库对应的目标负荷；
18.获取预设的分类标识，根据所述分类标识确定所述目标负荷对应的目标结果编码，并将所述目标结果编码作为负荷识别结果。
19.可选地，确定所述目标特征波形的目标位置的步骤，包括：
20.确定所述目标特征波形中的波动最大值，并将所述波动最大值对应的位置作为第一位置；
21.确定所述目标特征波形中的波动与稳定的交界点，将所述交界点对应的位置作为第二位置，并将所述第一位置和所述第二位置作为目标位置。
22.可选地，若获取到输入的目标识别数据的步骤之后，包括：
23.基于安装在供电入口处的预设互感器，实时采集供电电流信息和供电电压信息；
24.并将所述供电电流信息对应的数值和所述供电电压信息对应的数值作为所述目标识别数据。
25.此外，为实现上述目的，本发明还提供一种先验知识非入侵式负荷识别装置，包括：
26.创建模块，用于获取全部输入的标定数据，根据各所述标定数据确定负荷的特征数据波形，将各所述特征数据波形汇总并建立先验知识负荷特征数据库；
27.检测模块，用于若获取到输入的目标识别数据，则根据所述目标识别数据确定目标特征数据波形；
28.处理模块，用于根据所述目标特征波形和所述先验知识负荷特征数据库进行负荷识别。
29.此外，为实现上述目的，本发明还提供一种先验知识非入侵式负荷识别设备，包括：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先验知识非入侵式负荷识别程序，所述先验知识非入侵式负荷识别程序被所述处理器执行时实现上所述先验知识非入侵式负荷识别方法的步骤。
30.此外，为实现上述目的，本发明还提供一种先验知识非入侵式负荷识别存储介质，所述存储介质上存储有先验知识非入侵式负荷识别程序，所述先验知识非入侵式负荷识别程序被处理器执行时实现如上所述先验知识非入侵式负荷识别方法的步骤。
31.本发明在对负荷进行识别之前会通过获取全部输入的标定数据，其中标定数据是指已知负荷的数据，并根据各所述标定数据确定负荷的特征数据波形，将各所述特征数据波形根据已知负荷进行汇总，建立先验知识负荷特征数据库，当建立对应的先验知识负荷特征数据库之后就会在获取输入的目标识别数据之后，目标识别数据是指实际未知负荷的数据，根据所述目标识别数据确定目标特征数据波形，在得到目标特征数据波形就会根据所述目标特征波形的目标位置和所述先验知识负荷特征数据库进行负荷识别，并对应的输出目标结果编码。通过对需要识别的波形的目标位置进行识别就可以对负荷进行准确的识别，从而避免了现有技术中需要从众多信息中选择出对当前任务目标更关键的信息的现象
发生，这种负荷监测系统的识别方式不仅不需要采集众多信息进行识别进而保证了负荷监测系统的监测效率，而且还不存在识别方式参数多，运算量大的问题进而在不增加网络模型大小的前提下提升负荷识别效果。
附图说明
32.图1是本发明实施例方案涉及的硬件运行环境的先验知识非入侵式负荷识别设备结构示意图；
33.图2为本发明先验知识非入侵式负荷识别方法第一实施例的流程示意图；
34.图3为本发明先验知识非入侵式负荷识别的装置模块示意图；
35.图4为本发明先验知识非入侵式负荷识别的目标特征数据波形图；
36.图5为本发明先验知识非入侵式负荷识别的训练模型示意图；
37.图6为本发明先验知识非入侵式负荷识别的推理端模型示意图；
38.图7为本发明先验知识非入侵式负荷识别的推理端模型结构示意图。
39.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
40.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。
41.参照图1，图1为本发明实施例方案涉及的硬件运行环境的先验知识非入侵式负荷识别设备结构示意图。
42.如图1所示，该先验知识非入侵式负荷识别设备可以包括：处理器0003，例如中央处理器(central processing unit，cpu)，通信总线0001、获取接口0002，处理接口0004，存储器0005。其中，通信总线0001用于实现这些组件之间的连接通信。获取接口0002可以包括信息采集装置、获取单元比如计算机，可选获取接口0002还可以包括标准的有线接口、无线接口。处理接口0004可选的可以包括标准的有线接口、无线接口。存储器0005可以是高速的随机存取存储器(random access memory，ram)，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器0005可选的还可以是独立于前述处理器0003的存储装置。
43.本领域技术人员可以理解，图1中示出的结构并不构成对先验知识非入侵式负荷识别设备的限定，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。
44.如图1所示，作为一种存储介质的存储器0005中可以包括操作系统、获取接口模块、处理接口模块以及先验知识非入侵式负荷识别程序。
45.在图1所示的先验知识非入侵式负荷识别设备中，通信总线0001主要用于实现组件之间的连接通信；获取接口0002主要用于连接后台服务器，与后台服务器进行数据通信；处理接口0004主要用于连接部署端(用户端)，与部署端进行数据通信；本发明先验知识非入侵式负荷识别设备中的处理器0003、存储器0005可以设置在先验知识非入侵式负荷识别设备中，所述先验知识非入侵式负荷识别设备通过处理器0003调用存储器0005中存储的先验知识非入侵式负荷识别程序，并执行本发明实施例提供的先验知识非入侵式负荷识别方法。
46.基于上述硬件结构，提出本发明先验知识非入侵式负荷识别方法实施例。
47.本发明实施例提供了一种先验知识非入侵式负荷识别方法，参照图2，图2为本发明先验知识非入侵式负荷识别方法第一实施例的流程示意图。
48.本实施例中，所述先验知识非入侵式负荷识别方法包括：
49.步骤s10，获取全部输入的标定数据，根据各所述标定数据确定负荷的特征数据波形，将各所述特征数据波形汇总并建立先验知识负荷特征数据库；
50.在本实施例中，控制器系统会对所有的家用电器建立一个先验知识负荷特征数据库，主要是依据家用电器的瞬时有功电流和瞬时无功电流建立对应的特征数据波形，并根据对应的特征数据波形将所有的家用电器的波形进行汇总得到先验知识负荷特征数据库，其中先验知识负荷特征数据库是指关于家用电器以瞬时有功电流和瞬时无功电流建立电流波形，先验知识是指波形中波动与稳定的交界位置或波形波动最大值的位置，例如如图4所示，先验知识非入侵式负荷识别的目标特征数据波形图中的小圆圈标定的位置。控制器首先会获取输入的标定数据，并根据标定数据确定负荷的特征数据波形，最后就会根据特征数据波形将所有波形的数据汇总就会得到先验知识负荷特征数据库，标定数据是指输入对应家用电器的瞬时电流值和瞬时电压值，就会通过标定数据和特定的计算方式确定该电器对应的特征数据波形，确定特征数据波形的特定的计算方式是指与后续确定目标特征数据波形的计算方式相同的计算方式，特征数据波形是指该标定数据对应的数据波形，其中，将各所述特征数据波形汇总并建立先验知识负荷特征数据库的步骤，包括：
51.步骤c11，确定各所述特征数据波形对应的负荷标识，根据所述负荷标识将各所述特征数据波形汇总，并将汇总后各所述特征数据波形作为先验知识负荷特征数据库。
52.在本实施例中，在根据标定数据得到对应的特征数据波形之后，就会对该特征数据波形的负荷标识进行确定，最后就会根据负荷标识对应的特征数据波形将汇总，并将汇总后全部特征数据波形作为先验知识负荷特征数据库。例如，如图5所示，先验知识非入侵式负荷识别的训练模型示意图，控制器会在已知负荷标识的前提下对特征数据波形进行特征提取，并将提取的特征进行位置回归和多分离分支，也就是说将特征的位置进行提取并保存该特征位置，同时根据已有的负荷标识进行分离分支保存，例如对于输入标定数据a以及对应的负荷标识a进行确定特征数据波形c之后，就会对特征数据波形c的特征进行提取，并将波形上的特征位置进行回归分支，同时还会根据已有的负荷标识将对应的特征数据波形c进行分离分支，最后将所有的负荷标识对应的特征数据波形进行汇总就会得到先验知识负荷特征数据库，通过建立先验知识负荷特征数据库就可以为后续网络对负荷进行识别提供识别的依据。
53.步骤s20，若获取到输入的目标识别数据，则根据所述目标识别数据确定目标特征数据波形；
54.在本实施例中，在创建先验知识负荷特征数据库之后，就会建立自定义训练和推理的负荷辨识神经网络，通过负荷辨识神经网络对后续的数据进行识别。当检测到输入的目标识别数据之后，就会根据目标识别数据确定目标特征数据波形，根据目标特征数据波形进行负荷识别。目标识别数据是指未知负荷的待识别数据，目标特征数据波形是指该目标识别数据对应建立的波形。其中，所述若获取到输入的目标识别数据的步骤之后，包括：
55.步骤c21，基于安装在供电入口处的预设互感器，实时采集供电电流信息和供电电
压信息；
56.步骤c22，将所述供电电流信息对应的数值和所述供电电压信息对应的数值作为所述目标识别数据。
57.具体地，基于安装在供电入口处(如电表)的预设互感器，可以实时采集供电电流信息和供电电压信息，其中预设互感器可以包括电流互感器和电压互感器，当然还可以包括其他类型的互感器(如功率互感器等)，其中所述供电电流信息可以包括实时采集的供电电流值，所述供电电压信息可以包括实时采集的供电电压值，所述供电电流信息可以包括实时采集的供电电流值。就会通过内部的相关模块对采集的供电电流值和供电电压值组成的目标识别数据确定对应的目标特征数据波形，已根据得到的目标特征数据波形进行负荷识别。
58.步骤s30，根据所述目标特征数据波形和所述先验知识负荷特征数据库进行负荷识别。
59.在本实施例中，得到目标特征数据波形之后，就会根据目标特征数据波形和已建立的先验知识负荷特征数据库进行负荷识别，也就是根据波形进行负荷判断的过程。其中，根据所述目标特征波形和所述先验知识负荷特征数据库进行负荷识别的步骤，包括：
60.步骤c31，确定所述目标特征波形的目标位置，根据预设的负荷辨识神经网络识别所述目标位置在所述先验知识负荷特征数据库对应的目标负荷；
61.在本实施例中，控制器通过确定目标特征波形的目标位置，并根据预设的负荷辨识神经网络识别所述目标位置在所述先验知识负荷特征数据库对应的目标负荷。其中目标位置位置是指波形图中的可用于判断的位置，例如，图4中先验知识非入侵式负荷识别的目标特征数据波形图，图中进行圆圈标定的位置。根据上述先验知识负荷特征数据库的介绍可知，该目标特征波形可以是瞬时有功电流建立的波形图，也可以是瞬时无功电流建立的波形图。进行识别的目标位置可以只是单个位置，只需要对单个位置就会进行识别，不仅提高了识别的效率，还简化了识别的步骤。根据目标位置就会在先验知识负荷特征数据库进行查找相同的目标位置，以确定该目标位置对应的目标负荷，目标负荷是指含有该目标位置的特征的负荷，例如，如图6所示，先验知识非入侵式负荷识别的推理端模型示意图，控制器通过对目标特征波形的目标位置进行特征提取，就会直接对提取的特征进行多分类分支得到对应的识别结果。较比较训练模型而言，推理端模型不需要对提取的特征进行位置回归分支，因为推理端模型只需要对特征进行判断得到识别结果即可。
62.步骤c32，获取预设的分类标识，根据所述分类标识确定所述目标负荷对应的目标结果编码，并将所述目标结果编码作为负荷识别结果。
63.在根据目标特征波形确定对应的目标负荷之后，就会获取预设的分类标识，并根据分类标识确定目标负荷对应的目标结果编码，并将目标结果编码作为负荷识别结果。其中分类标识是指对家用电器的分类标识，例如如下表1所示
[0064][0065]
在已知分类标识之后，就会根据分类标识对目标负荷的目标结果编码进行确定，
最后将目标结果编码作为识别结果进行输出。例如当目标负荷确定是空调之后，就会将编码2作为输出结果，完成了对负荷识别的识别过程，通过输出数字减少了识别输出的成本。
[0066]
进一步，为本实施例还提供了一种先验知识非入侵式负荷识别的推理端模型结构示意图，参照图7，在本实施例中，输入的维度为(none,2000,2)时，就会对其进行2次一维卷积和最大值池化得到(none,500,8)，最后会将得到的维度数据进行压平得到维度(none,4000)，通过对得到的维度进行识别之后就会对最终结果进行输出，得到上述表1中的6个维度其中的一个。也就是根据实际输入对输入的权重进行网络识别，最终得到对应的目标结果编码。其中，none在本实施例中是指1，并且内部识别的参数可以根据用户自定义设置，也可以由系统进行设定，推理端模型结构的分层对应的输出如下表2所示：
[0067][0068]
本实施例在对负荷进行识别之前会通过获取全部输入的标定数据，其中标定数据是指已知负荷的数据，并根据各所述标定数据确定负荷的特征数据波形，将各所述特征数据波形根据已知负荷进行汇总，建立先验知识负荷特征数据库，当建立对应的先验知识负荷特征数据库之后就会在获取输入的目标识别数据之后，目标识别数据是指实际未知负荷的数据，根据所述目标识别数据确定目标特征数据波形，在得到目标特征数据波形就会根据所述目标特征波形的目标位置和所述先验知识负荷特征数据库进行负荷识别，并对应的输出目标结果编码。通过对需要识别的波形的目标位置进行识别就可以对负荷进行准确的识别，从而避免了现有技术中需要从众多信息中选择出对当前任务目标更关键的信息的现象发生，这种负荷监测系统的识别方式不仅不需要采集众多信息进行识别进而保证了负荷监测系统的监测效率，而且还不存在识别方式参数多，运算量大的问题进而在不增加网络模型大小的前提下提升负荷识别效果。
[0069]
进一步地，基于本发明先验知识非入侵式负荷识别方法第一实施例，提出本发明先验知识非入侵式负荷识别方法第二实施例，先验知识非入侵式负荷识别方法包括：
[0070]
进一步的，根据所述目标识别数据确定目标特征数据波形的步骤，包括：
[0071]
步骤a，确定所述目标识别数据中所述负荷在全部工作时间点的第一电压值和第一电流值；
[0072]
步骤b，根据预设算法模块确定所述第一电压值和所述第一电流值对应的目标特征数据值。
[0073]
在本实施例中，通过将目标识别数据中负荷在全部工作时间点的第一电压值和第
一电流值，并根据预设算法模块所有的第一电压值和第一电流值对应的目标特征数据值，其中预设算法模块就是指下述瞬时有功电流和瞬时无功电流的计算方法，首先会确定所有的第一电压值和第一电流值对应的需求电压值和有功功率值。其中，第一电压值和第一电流值是指工作在同一时间点的电压值和电流值，需求电压值是指一个中间过程计算值，有功功率是指有功电流对应的功率，也是一个计算的中间过程计算值，通过提前获取预设采样周期，其中预设采样周期可以是系统进行自定义生成，也可以是用户自定义生成，并通过计算第一电压值和第一电流值的乘积在预设采样周期的第一积分值得到整个预设采样周期的全部有功功率值，最后将第一积分值和预设采样周期的商作为有功功率值。其中有功功率值是指该第一电压值和第一电流值对应作用时间点对应的瞬时有功功率值，有功功率的计算公式如下：
[0074][0075]
其中p是指有功功率，t是指预设采样周期，t表示一个采样周期内采集供电电压/供电电流的采样点位置，v(t)是指t采样点位置的供电电压(第一电压值)，i(t)是指t采样点位置的供电电流(第一电流值)。
[0076]
在确定有功功率值之后，还会对需求电压值进行确定。主要是通过计算第一电压值和第一电压值的乘积在预设采样周期的第二积分值，并将第二积分值和预设采样周期的商作为需求电压值。其中需求电压值是指一个电压的数值的平方，需求电压值的计算公式如下：
[0077][0078]
其中v
rms
表示电压有效值，t是指预设采样周期，v(t)是指t采样点位置的供电电压(第一电压值)。
[0079]
在得到需求电压值和有功功率值之后，就会对两个值进行进一步的计算，就会根据需求电压值和有功功率值得到目标特征数据值，并根据目标特征数据值建立对应的目标特征数据波形。其中，目标特征数据值是指根据目标识别数据进行一系列计算得到的数据值，目标特征数据波形是指根据目标特征数据值建立的波形图。值得注意的一点是，目标识别数据中含有多个电压值和电流值，将工作时间点相同的电压值和电流值为一组，作为第一电压值和第一电流值进行计算得到对应的目标特征数据值，因为目标识别数据中含有多个电压值和电流值就会存在多组，也就是说会存在多个目标特征数据值，最后就会根据得到的多个目标特征数据值建立一个目标特征数据波形，通过建立目标识别数据的目标特征数据波形，可以为识别该目标识别数据对应的负荷提供依据。就会根据两个数值进行确定需要的瞬时有功电流值和瞬时无功电流值。首先会通过计算有功功率值和需求电压值之间的第一商值，其次会将第一商值与第一电压值之间的乘积作为第一目标特征数据值。其中第一目标特征数据值是指关于第一商值与第一电压值之间的乘积，实际是指第一电压值和第一电流值对应作用时间点的瞬时有功电流值，作用时间点是指该瞬时有功电流对应的时间点。在得到第一目标特征数据之后，就会根据第一目标特征数据值得到第二目标特征数据值，主要的步骤是将第一电流值和第一特征数据值之间的差作为第二目标特征数据值，其中第二目标特征数据值是指瞬时无功电流值，关于第二目标特征数据值是指瞬时电流值
减去瞬时有功电流值之后的电流值。其中，第一目标特征数据值和第二目标特征数据值的计算公式如下：
[0080][0081]
if(t)＝i(t)-ia(t)
[0082]
其中v
rms
表示电压有效值，其平方值是指需求电压值，p是指有功功率，v(t)是指t采样点位置的供电电压(第一电压值)，i(t)是指t采样点位置的供电电流(第一电流值)，ia(t)是指第一目标特征数据值，也是瞬时有功电流值，if(t)是指第二目标特征数据值，也是瞬时无功电流值。
[0083]
在本实施例中，通过确定所述目标识别数据中所述负荷在全部工作时间点的第一电压值和第一电流值，根据预设算法模块确定所述第一电压值和所述第一电流值对应的目标特征数据值。通过计算瞬时无功电流值和瞬时有功电流值等目标特征数据值为建立对应的目标特征数据波形提供了数值依据。
[0084]
进一步的，确定所述目标特征波形的目标位置的步骤，包括：
[0085]
步骤c，确定所述目标特征波形中的波动最大值，并将所述波动最大值对应的位置作为第一位置；
[0086]
在本实施例中，得到需要进行识别的目标特征波形之后，就会确定该波形中的目标位置，其中目标位置是指用于负荷识别的位置。就会确定该波形中的波动最大值，同时确定该波动最大值对应的位置作为第一位置，也就是将该位置作为负荷识别的位置之一。
[0087]
步骤d，确定所述目标特征波形中的波动与稳定的交界点，将所述交界点对应的位置作为第二位置，并将所述第一位置和所述第二位置作为目标位置。
[0088]
在确定第一位置之后，同时还会确定该波形波动与稳定的交界点，并将该交接点作为第二位置，第二位置和第一位置是指该波形的目标位置，以用来识别负荷。值得注意的一点是，目标特征波形会存在瞬时有功电流波形和瞬时无功电流波形，根据两者之间的关系可知，两者的变化趋势是相同的，故只需要判断一个波形即可。而且每个波形中的目标位置也只需判断一个位置即可进行负荷识别。
[0089]
在本实施例中，通过确定所述目标特征波形中的波动最大值，并将所述波动最大值对应的位置作为第一位置，确定所述目标特征波形中的波动与稳定的交界点，将所述交界点对应的位置作为第二位置，并将所述第一位置和所述第二位置作为目标位置。将波形波动与稳定的交界位置或者波形波动最大值的位置首次作为先验知识加入网络来辅助负荷分类识别，提供了一种新的辅助识别方式。
[0090]
进一步的，根据所述目标特征数据值确定目标特征数据波形的步骤，包括：
[0091]
步骤e，根据预设的需求数值依次提取所述目标特征数据值得到第一特征数据集，对所述第一特征数据集进行降采样处理得到第二特征数据集；
[0092]
在本实施例中，控制器通过预设的需求数值依次提取目标特征数据值得到第一特征数据集。在提取目标特征数据值之前会对目标特征数据值进行判断，当检测到目标特征数据值为第一目标特征数据值时，就会存储到第一存储空间，当检测到目标特征数据值为第二目标特征数据值时，就会存储到第二存储空间。当对目标特征数据值进行提取时，就会在第一存储空间或者第二存储空间依次根据目标特征数据值对应的时间点进行依次提取。
提取的步骤以第一存储空间为例，通过检测第一存储空间内全部的第一目标特征数据，并确定全部的第一目标特征数据对应的实际作用时间点，根据实际作用时间点进行排序得到提取顺序，根据提取顺序和预设的需求数值对第一目标特征数据进行提取得到第一特征数据集。其中第一特征数据集是指根据需求数值依次提取的个数汇总得到的集合，可以是全部由第一目标特征数据值或第二目标特征数据值组成，实际作用时间点是指该目标特征数据值对应的时间点，例如目标特征数据值f对应的第一电压值或者第一电流值的作用时间点是f时刻，则目标特征数据值f对应实际作用时间点也是f时刻，作用时间点是指电路的实际电流或电压作用的时刻。在得到第一特征数据集之后，就会对第一特征数据集进行降采样处理得到第二特征数据集，具体的实施步骤是：当预设的需求数值为l时，就会连续取l个瞬时有功电流值(第一目标特征数据值)或瞬时无功电流值(第二目标特征数据值)采样点，构建成一维2
×
l向量，其中，l表示长度，2表示维度。当需要降采样处理时，就会间隔一定数目n的采样点数据，则降维后数据维度为2
×
(l/n)，其中，n大小与采样频率f1相关，n∈[1,f1/f2]，f2表示标准工频交流电频率50hz。例如，当预设的需求数值为2000时，就会依次采集2000个第一目标特征数据值或第二目标特征数据值，得到第一特征数据集2*2000，当采样频率为500hz时，就可以确定降采样处理的数值n的取值范围是1-10，当n取5时，就会对第一特征数据集2*2000进行降采处理得到第二特征数据集2*400，其中降采样处理的数值n可以用户自定义，也可以系统自定义。在得到第二特征数据集就为建立波形提供了数据值。
[0093]
步骤f，将所述第二特征数据集进行归一化处理得到波形数值，并将所述波形数值在坐标轴中依次连接以建立目标特征数据波形。
[0094]
在得到第二特征数据集之后，就会对第二特征数据集的数据进行归一化处理，其主要目的是处理数据，以便建立的波形便于识别，避免了数据建立的波形变化较大，不便于实际进行识别的现象发生。在得到波形数值之后，就会根据得到的波形数值建立对应的目标特征数据波形，以进行后续的识别。对于目标特征波形而言，由上述内容可知目标特征波形可以是由第一目标特征数据值或第二目标特征数据值建立的，并根据第一目标特征数据值和第二目标特征数据值可知，两者之间是存在联系的，故两者建立的波形特征是类似的，所以只需要建立其中之一的波形进行特征提取即可对负荷进行准确的识别，并且只需要对一个目标位置进行识别即可，减少了识别的步骤。
[0095]
在本实施例中，通过根据预设的需求数值依次提取所述目标特征数据值得到第一特征数据集，对所述第一特征数据集进行降采样处理得到第二特征数据集，将所述第二特征数据集进行归一化处理得到波形数值，根据所述波形数值建立目标特征数据波形。通过对目标特征数据值进行处理得到了目标特征数据波形，为识别负荷提供了依据。
[0096]
本发明还提供一种先验知识非入侵式负荷识别的装置模块示意图，参照图3，所述先验知识非入侵式负荷识别装置包括：
[0097]
创建模块a01，用于获取全部输入的标定数据，根据各所述标定数据确定负荷的特征数据波形，将各所述特征数据波形汇总并建立先验知识负荷特征数据库；
[0098]
检测模块a02，用于若获取到输入的目标识别数据，则根据所述目标识别数据确定目标特征数据波形；
[0099]
处理模块a03，用于根据所述目标特征波形和所述先验知识负荷特征数据库进行负荷识别。
[0100]
可选地，所述检测模块a02，还用于：
[0101]
确定所述目标识别数据中所述负荷在全部工作时间点的第一电压值和第一电流值；
[0102]
根据预设算法模块确定所述第一电压值和所述第一电流值对应的目标特征数据值。
[0103]
可选地，所述检测模块a02，还用于：
[0104]
根据预设的需求数值依次提取所述目标特征数据值得到第一特征数据集，对所述第一特征数据集进行降采样处理得到第二特征数据集；
[0105]
将所述第二特征数据集进行归一化处理得到波形数值，并将所述波形数值在坐标轴中依次连接以建立目标特征数据波形。
[0106]
可选地，所述创建模块a01，还用于：
[0107]
确定各所述特征数据波形对应的负荷标识，根据所述负荷标识将各所述特征数据波形汇总，并将汇总后各所述特征数据波形作为先验知识负荷特征数据库。
[0108]
可选地，所述处理模块a03，还用于：
[0109]
确定所述目标特征波形的目标位置，根据预设的负荷辨识神经网络识别所述目标位置在所述先验知识负荷特征数据库对应的目标负荷；
[0110]
获取预设的分类标识，根据所述分类标识确定所述目标负荷对应的目标结果编码，并将所述目标结果编码作为负荷识别结果。
[0111]
可选地，所述处理模块a03，还用于：
[0112]
确定所述目标特征波形中的波动最大值，并将所述波动最大值对应的位置作为第一位置；
[0113]
确定所述目标特征波形中的波动与稳定的交界点，将所述交界点对应的位置作为第二位置，并将所述第一位置和所述第二位置作为目标位置。
[0114]
可选地，所述检测模块a02，还用于：
[0115]
基于安装在供电入口处的预设互感器，实时采集供电电流信息和供电电压信息；
[0116]
将所述供电电流信息对应的数值和所述供电电压信息对应的数值作为所述目标识别数据。
[0117]
上述各程序模块所执行的方法可参照本发明先验知识非入侵式负荷识别方法各个实施例，此处不再赘述。
[0118]
本发明还提供一种先验知识非入侵式负荷识别设备。
[0119]
本发明设备包括：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先验知识非入侵式负荷识别程序，所述先验知识非入侵式负荷识别程序被处理器执行时实现如上所述的先验知识非入侵式负荷识别方法的步骤。
[0120]
本发明还提供一种存储介质。
[0121]
本发明存储介质上存储有先验知识非入侵式负荷识别程序，所述先验知识非入侵式负荷识别程序被处理器执行时实现如上所述的先验知识非入侵式负荷识别方法的步骤。
[0122]
其中，在所述处理器上运行的先验知识非入侵式负荷识别程序被执行时所实现的方法可参照本发明先验知识非入侵式负荷识别方法各个实施例，此处不再赘述。
[0123]
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。
[0124]
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。
[0125]
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，或者网络设备等)执行本发明各个实施例所述的方法。
[0126]
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。