基于不同分辨率数据的非侵入式负荷识别方法与流程

本发明涉及非侵入式负荷识别，尤其涉及一种基于不同分辨率数据的非侵入式负荷识别方法。

背景技术：

1、近年来，随着智能电网的发展和人们生活水平的不断提升，居民用户对精准精益用电服务需求也在不断增长。日益成熟的智能电网技术是电力用户与电网之间友好互动的基础。一方面，实现智能用电的前提是电力用户知晓自己的用电习惯，获取用电负荷的用电详情，通过负荷监测技术提供的各种用电设备的数据，用户可以调整自身用电行为，进而达到节约用电的目的。比如，根据峰谷电中不同时间电价的差异，把洗衣机工作的时间调整到早上八点以前。另一方面，负荷监测技术可以帮助电网掌握某个地区常用负荷设备以及多数电力用户的用电行为，进而为调度发电、电网规划提供指导意见，最终为智能用电提供技术支持。目前，负荷监测系统大致可以分为侵入式和非侵入式两大类。传统的侵入式负荷监测系统把传感器安装在各个负荷处，监控每个负荷的运行情况，该方法虽然能准确的实现负荷监测，但每户家庭造价比较高，安装不方便，维护困难，普及性不高。非侵入式负荷识别只需要在供电入口处安装一个电流、电压或功率互感器，这样不仅可以降低安装成本，还可以保持用户电气的独立性，通过总的供电电流或者功率来分解得到各个电器负荷的实际运行状态和功率情况，达到分量计量的目的。

2、在现阶段非侵入式负荷识别研究中，通常将低频数据和高频数据作为两个独立的维度分别进行研究，负荷识别方案往往智能采用低频或高频其中一种采样数据，只采用低频数据，容易导致局部信息丢失，特别是电器运行的暂态特征信息会损失；只采用高频数据，虽然可以保留很多局部信息，但是网络的输入会很长，会显著增加整个网络的参数量和计算量，同时输入太长，大部分数据为后半段稳态过程，重复数据比较多，对特征提取带来难度；此两种方式都存在采样数据信息考虑不全面，容易造成识别效果差。因此，亟待提出一种基于不同分辨率数据的非侵入式负荷识别方法，解决如何准确且快速的对各用电设备负荷进行识别并输出结果的技术问题。

技术实现思路

1、本发明的主要目的是提出一种基于不同分辨率数据的非侵入式负荷识别方法，旨在解决如何准确且快速的对各用电设备负荷进行识别并输出结果的技术问题。

2、为实现上述目的，本发明提供一种基于不同分辨率数据的非侵入式负荷识别方法，其中，所述基于不同分辨率数据的非侵入式负荷识别方法包括以下步骤：

3、采集电器的电能数据，构建多分辨率有功功率序列特征的负荷特征数据集；

4、构建负荷识别神经网络模型，并基于所述负荷识别神经网络模型对负荷特征数据集中的数据进行负荷分类识别。

5、优选方案之一，所述采集电器的电能数据，具体为：

6、设置采样频率，实时采集总电表进线口的电压和电流；

7、根据采集的总电表进线口的电压和电流，计算有功功率的实时序列。

8、优选方案之一，所述有功功率的实时序列为：

9、

10、其中，p为有功功率的实时序列，n为一个采样周期所包含的采样点数，t∈[0,n)，vt为第t个采样点对应的电压值，it为第t个采样点对应的电流值。

11、优选方案之一，所述计算有功功率的实时序列之后，还包括：

12、根据有功功率的实时序列，得到下采样有功功率的实时序列，采样周期为m，下采样有功功率的实时序列为

13、优选方案之一，所述构建多分辨率有功功率序列特征的负荷特征数据集，具体为：以任一周波点为起始点，取连续有功功率实时序列p中l1个周波点，作为第一维数据；取连续下采样有功功率的实时序列p中l2个下采样周波点，作为第二维数据。

14、优选方案之一，所述第一维数据为高频数据的局部信息。

15、优选方案之一，所述第二维数据为低频数据的全局信息。

16、优选方案之一，所述负荷识别神经网络模型包括第一特征提取网络；所述第一特征提取网络依次包括第一输入层、1*3卷积层convld_1、最大值池化层maxpooling1d、1*3卷积层convld_2、最大值池化层maxpooling1d。

17、优选方案之一，所述负荷识别神经网络模型包括第二特征提取网络；所述第二特征提取网络依次包括第二输出层、1*7卷积层convld_1、最大值池化层maxpooling1d、1*7卷积层convld_2、最大值池化层maxpooling1d。

18、优选方案之一，所述负荷识别神经网络模型还包括展平与拼接层、全连接层dense_1、全连接层dense_2；展平与拼接层分别与第一特征提取网络的最大值池化层maxpooling1d和第二特征提取网络的最大值池化层maxpooling1d连接。

19、本发明的上述技术方案中，该基于不同分辨率数据的非侵入式负荷识别方法包括以下步骤：采集电器的电能数据，构建多分辨率有功功率序列特征的负荷特征数据集；构建负荷识别神经网络模型，并基于所述负荷识别神经网络模型对负荷特征数据集中的数据进行负荷分类识别。本发明解决了如何准确且快速的对各用电设备负荷进行识别并输出结果的技术问题。

20、在本发明中，通过以高频数据的局部信息和低频数据的全局信息作为网络的两路输入，高频数据具有更加细腻的局部信息，用来提取丰富的暂态特征，低频数据具有更加全面的全局信息，用来提取暂态和稳态的全过程特征，从而涵盖了局部的暂态特征和全过程的全局特征。

21、在本发明中，针对第一维数据输入，在第一特征提取网络中采用3*3卷积核，有助于提取数据的局部特征，针对第二维数据输入，在第二特征提取网络中采用7*7卷积核，增大感受野，有助于提取数据丰富的全局特征。

技术特征：

1.一种基于不同分辨率数据的非侵入式负荷识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于不同分辨率数据的非侵入式负荷识别方法，其特征在于，所述采集电器的电能数据，具体为：

3.根据权利要求2所述的基于不同分辨率数据的非侵入式负荷识别方法，其特征在于，所述有功功率的实时序列为：

4.根据权利要求3所述的基于不同分辨率数据的非侵入式负荷识别方法，其特征在于，所述计算有功功率的实时序列之后，还包括：

5.根据权利要求4所述的基于不同分辨率数据的非侵入式负荷识别方法，其特征在于，所述构建多分辨率有功功率序列特征的负荷特征数据集，具体为：以任一周波点为起始点，取连续有功功率实时序列p中l1个周波点，作为第一维数据；取连续下采样有功功率的实时序列中l2个下采样周波点，作为第二维数据。

6.根据权利要求5所述的基于不同分辨率数据的非侵入式负荷识别方法，其特征在于，所述第一维数据为高频数据的局部信息。

7.根据权利要求5所述的基于不同分辨率数据的非侵入式负荷识别方法，其特征在于，所述第二维数据为低频数据的全局信息。

8.根据权利要求1-7任一项所述的基于不同分辨率数据的非侵入式负荷识别方法，其特征在于，所述负荷识别神经网络模型包括第一特征提取网络；所述第一特征提取网络依次包括第一输入层、1*3卷积层convld_1、最大值池化层maxpooling1d、1*3卷积层convld_2、最大值池化层maxpooling1d。

9.根据权利要求8所述的基于不同分辨率数据的非侵入式负荷识别方法，其特征在于，所述负荷识别神经网络模型包括第二特征提取网络；所述第二特征提取网络依次包括第二输出层、1*7卷积层convld_1、最大值池化层maxpooling1d、1*7卷积层convld_2、最大值池化层maxpooling1d。

10.根据权利要求9所述的一种基于不同分辨率数据的非侵入式负荷识别方法，其特征在于，所述负荷识别神经网络模型还包括展平与拼接层、全连接层dense_1、全连接层dense_2；展平与拼接层分别与第一特征提取网络的最大值池化层maxpooling1d和第二特征提取网络的最大值池化层maxpooling1d连接。

技术总结
本发明公开了一种基于不同分辨率数据的非侵入式负荷识别方法，其中，所述基于不同分辨率数据的非侵入式负荷识别方法包括以下步骤：采集电器的电能数据，构建多分辨率有功功率序列特征的负荷特征数据集；构建负荷识别神经网络模型，并基于所述负荷识别神经网络模型对负荷特征数据集中的数据进行负荷分类识别。本发明解决了如何准确且快速的对各用电设备负荷进行识别并输出结果的技术问题。

技术研发人员：刘建,赵言涛,唐博,刘宇轩,刘名成,彭宁
受保护的技术使用者：威胜集团有限公司
技术研发日：
技术公布日：2024/4/7