轻量级非接触式电力分解感知方法及系统

本发明涉及电力感知领域，尤其涉及一种面向高服务质量的轻量级非接触式电力分解感知方法及系统。

背景技术：

1、以智能电网和人工智能物联网的高速发展为背景，家庭能源消耗分析和基于用电的用户行为理解逐渐成为焦点问题。传统的在每一个家用电器上以入户的形式安装传感器的方案不仅成本高昂，而且难以维护。针对此，学术界提出了非侵入式负载监测(non-intrusive load monitoring,nilm)的技术概念，通过在主干路输电线上部署单一传感器并测量总和的电流、电压数据来推测单个用电器的工作状态，见文献[1]。由于其相比传统方案在成本、可维护性和用户接受度上优势，非侵入式负载监测在学术界和工业界获得了广泛的关注，见文献[2]。

2、目前国际上已有了一些相关研究工作并引入了多种算法来解决非侵入式负载监测问题，特别是基于深度学习神经网络的解决方案在解决此类欠定问题上具有明显的精度优势，见文献[3]-文献[6]。然而，制约非侵入式负载监测技术普及的主要原因在于其服务质量(qos,quality of service)不能满足智能电网普及安装的要求。具体体现在：(1)需要切断线路以部署介入式传感器，来测量时间同步的电压与电流数据；(2)如果使用非接触式传感器进行测量，由于只有感应电流可供测量，需要提高测量的采样率来获得更多信息。更高的采样率产生的海量数据给处理、计算、传输和储存都带来了巨大挑战；(3)基于深度学习的方案虽然精度高、泛化能力强，却是以高运算复杂度为代价，大量的神经网络推断计算需要高性能的智能电网终端，由此带来的高额成本在现实推广中是难以承受的，目前实际部署的终端性能有限，无法支持过于复杂的算法。

3、有鉴于此，特提出本发明。

4、文献[1]g.w.hart,“nonintrusive appliance load monitoring,”proceedingsof the ieee,vol.80,no.12,pp.1870–1891,1992.

5、文献[2]a.marchiori,d.hakkarinen,q.han,andl.earle,“circuit-level loadmonitoring for household energy management,”ieee pervasive computing,vol.10,no.1,pp.40–48,2010.

6、文献[3]o.parson,s.ghosh,m.weal,anda.rogers,“non-intrusiveloadmonitoring using prior models of general appliance types,”in twentysixth aaaiconference on artificial intelligence,2012.

7、文献[4]t.hassan,f.javed,and n.arshad,“an empirical investigation ofvi trajectory based load signatures for non-intrusive load monitoring,”ieeetransactions on smart grid,vol.5,no.2,pp.870–878,2013.

8、文献[5]c.zhang,m.zhong,z.wang,n.goddard,and c.sutton,“sequenceto-point learning with neural networks for non-intrusive load monitoring,”inproceedings of the 32nd aaai conference on artificial intelligence,2018.

9、文献[6]y.liu,x.wang,andw.you,“non-intrusive load monitoring byvoltage–current trajectory enabled transfer learning,”ieee transactions onsmart grid,vol.10,no.5,pp.5609–5619,2018.

技术实现思路

1、本发明的目的是提供了一种轻量级非接触式电力分解感知方法及系统，能在不切断、不改装用电线路的前提下，提升电力分解感知的识别精度，进而解决现有技术中存在的上述技术问题。

2、本发明的目的是通过以下技术方案实现的：

3、一种轻量级非接触式电力分解感知方法，包括：

4、步骤1，过滤处理：持续监测电流互感器测得的各用电设备消耗电流之和的总测量值，当总测量值的变化超过给定阈值时，对持续测得的总测量值进行过滤去除相近的测量值序列，通过压缩感知将过滤后的测量值压缩为低冗余数据；

5、步骤2，推断处理：利用预先训练好的基于注意力机制的多标签分类神经网络模型直接对压缩后的低冗余数据进行推断，得出所有正在工作设备的状态。

6、一种轻量级非接触式电力分解感知系统，包括：

7、电流互感器、过滤模块和基于注意力机制的多标签分类神经网络模型的推断模块；其中，

8、所述电流互感器，设置于主干路输电线上能测量得到各用电设备消耗电流之和的总测量值；

9、所述过滤模块，与所述电流互感器电性连接，能持续监测电流互感器测得的各用电设备消耗电流之和的总测量值，当总测量值的变化超过给定阈值时，对持续测得的总测量值进行过滤去除相近的测量值序列，通过压缩感知将过滤后的测量值压缩为低冗余数据；

10、所述基于注意力机制的多标签分类神经网络模型的推断模块，能在预先训练好后直接对压缩后的低冗余数据进行推断，得出所有正在工作设备的状态。

11、与现有技术相比，本发明所提供的轻量级非接触式电力分解感知方法及系统，其有益效果包括：

12、由于通过非接触获得电流的测量值进行后续的电力分解感知，能在不切断、不改装用电线路的前提下，充分挖掘感应电流测量数据的结构特点，滤除数据中的冗余性，同时压缩神经网络规模，以更精简的模型结构达到同样的分解精度。很好的达到了用户透明安装、低数据冗余和低计算代价三个服务质量指标的电力分解感知要求。

技术特征：

1.一种轻量级非接触式电力分解感知方法，其特征在于，包括：

2.根据权利要求1所述的轻量级非接触式电力分解感知方法，其特征在于，所述步骤1中，按以下公式通过压缩感知将过滤后的测量值压缩为低冗余数据，公式为：

3.根据权利要求1或2所述的轻量级非接触式电力分解感知方法，其特征在于，所述步骤1中，给定阈值为：家庭场景取值为0.1安培，工业场景取值由用户手动按需设定。

4.根据权利要求1或2所述的轻量级非接触式电力分解感知方法，其特征在于，所述基于注意力机制的多标签分类神经网络模型由多层卷积神经网络堆叠而成，多层卷积神经网络中的每两层卷积网络中间插设有卷积区块注意力网络；

5.根据权利要求4所述的轻量级非接触式电力分解感知方法，其特征在于，所述步骤2中，按以下方式预先训练基于注意力机制的多标签分类神经网络，包括：

6.根据权利要求4所述的轻量级非接触式电力分解感知方法，其特征在于，所述基于注意力机制的多标签分类神经网络模型的多交叉熵损失函数为：

7.一种轻量级非接触式电力分解感知系统，其特征在于，包括：

8.根据权利要求7所述的轻量级非接触式电力分解感知系统，其特征在于，当总测量值的变化超过给定阈值时，所述过滤模块按以下公式通过压缩感知将过滤后的测量值压缩为低冗余数据，公式为：

9.根据权利要求7或8所述的轻量级非接触式电力分解感知系统，其特征在于，所述基于注意力机制的多标签分类神经网络模型由多层卷积神经网络堆叠而成，多层卷积神经网络中的每两层卷积网络中间插设有卷积区块注意力网络；

10.根据权利要求7或8所述的轻量级非接触式电力分解感知系统，其特征在于，所述基于注意力机制的多标签分类神经网络模型的推断模块按以下方式进行预先训练，包括：

技术总结
本发明公开了一种轻量级非接触式电力分解感知方法，包括：步骤1，过滤处理：持续监测电流互感器测得的各用电设备消耗电流之和的总测量值，当总测量值的变化超过给定阈值时，对持续测得的总测量值进行过滤去除相近的测量值序列，通过压缩感知将过滤后的测量值压缩为低冗余数据；步骤2，推断处理：利用预先训练好的基于注意力机制的多标签分类神经网络模型直接对压缩后的低冗余数据进行推断，得出所有正在工作设备的状态。该方法用更低冗余的数据和更精简的神经网络模型达到和传统高采样率、复杂模型相媲美的精度。

技术研发人员：周颢,王晓宇,李向阳
受保护的技术使用者：中国科学技术大学
技术研发日：
技术公布日：2024/1/16