非侵入式负荷识别方法、终端设备及存储介质技术

本发明专利技术公开了一种非侵入式负荷识别方法、终端设备及存储介质，该方法包括步骤：获取预设时间范围内的电表功率数据；根据目标电器对应的预设窗口长度在电表功率数据中选取多个时间段为预设窗口长度的预设功率数据；将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据；根据多个时间段对应的估计功率数据得到预设时间范围内的目标电器功率数据。本发明专利技术可根据窗口长度对电表功率数据进行筛选，将筛选的数据传输已经训练好的神经网络中，最终得到目标电器功率数据，通过神经网络可提高识别准确性，而且适用于多种电器。

【技术实现步骤摘要】
非侵入式负荷识别方法、终端设备及存储介质
本专利技术涉及数据识别
，尤其涉及非侵入式负荷识别方法、终端设备及存储介质。
技术介绍
电力负荷识别最常见两种方法为侵入式和非侵入式识别方法，侵入式识别方法需要安装传感器至各个负荷处，这种方法虽然可以直接获得负荷的测量数据，但是成本较高、维护也相对困难；而非侵入式方法只需要在电力供给的总入口安装监测设备就可以对电力系统内的各个负荷分解、监测和识别。采用现有的非侵入式识别方法对于工作状态较为稳定的用电设备，例如电视机、电脑等，负荷识别难度相对较低，但是对于工作状态较多，例如洗衣机，因为工作用电情况变化较多，负荷识别的难度也非常大，使识别准确性较低。
技术实现思路
本专利技术的主要目的在于提供一种非侵入式负荷识别方法、终端设备及存储介质，旨在解决现有的非入侵式用电负荷识别方法识别准确性较低的技术问题。为实现上述目的，本专利技术提供一种非侵入式负荷识别方法，包括步骤：获取预设时间范围内的电表功率数据；根据所述目标电器对应的预设窗口长度在所述电表功率数据中选取多个时间段为预设窗口长度的预设功率数据，相邻预设功率数据对应的起始时间差为预设滑动步长；将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据；根据多个时间段对应的估计功率数据得到预设时间范围内的目标电器功率数据。优选地，所述将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据的步骤之前，还包括：获取原始数据，并对所述原始数据进行预处理获得样本数据，所述原始数据包括至少两个电器对应的电器功率数据，所述样本数据包括目标电器处于运行状态的运行功率样本和目标电器处于待机状态的待机功率样本；将所述样本数据输入待训练的神经网络模型中，生成与所述样本数据对应的所述估计功率数据，并基于预设评价指标对待训练的神经网络模型进行迭代训练，直至所述待训练的神经网络模型对应的损失函数的损失值满足预设收敛条件，将所述待训练的神经网络模型设置为已训练完成的神经网络模型。优选地，所述获取原始数据，并对所述原始数据进行预处理获得样本数据的步骤包括：获取原始数据，并根据所述原始数据确定目标电器对应处于运行状态的每次运行时长；根据每次运行时长和预设统计规则生成目标电器对应的估计使用时长，并将所述估计使用时长设置为预设窗口长度；根据滑动步长和目标电器在各运行时长对应的运行功率，生成运行功率样本和待机功率样本，并设置运行功率样本为正样本，设置待机功率样本为负样本。优选地，所述获取原始数据，并根据所述原始数据确定目标电器对应处于运行状态的每次运行时长的步骤包括：获取原始数据，根据原始数据确定目标电器对应的预设启停参数确定目标电器对应处于运行状态的每次运行时长，其中，所述预设启停参数包括启动功率阈值、最小运行时间、最小停止时间以及停止功率阈值。优选地，所述将所述待训练的神经网络模型设置为已训练完成的神经网络模型的步骤之后，还包括：通过预设电器启停状态估计的准确度以及预设电器运行时电能消耗估计的准确度对已训练完成的神经网络模型进行评估。优选地，所述通过预设电器启停状态估计的准确度以及预设电器运行时电能消耗估计的准确度对降噪自编码器的卷积神经网络模型进行评估的步骤包括：获取预设电器启停状态估计的准确度对应的马修斯相关系数以及启停状态估计的准确度对应的F1分数，并获取预设电器运行时电能消耗估计的准确度对应的噪声等效功率以及电能消耗估计的准确度对应的F1分数；根据预设电器启停状态估计的准确度对应的马修斯相关系数、启停状态估计的准确度对应的F1分数、预设电器运行时电能消耗估计的准确度对应的噪声等效功率以及电能消耗估计的准确度对应的F1分数对进行评估。优选地，所述已训练完成的神经网络模型包括卷积编码器、双向长短时记忆层和卷积解码器；所述将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据的步骤包括：将各预设功率数据以预设时间步长划分为预设个数的短功率数据，将短功率数据输入卷积编码器中，获得压缩的局部特征；将压缩的局部特征输入双向长短时记忆层，获得每个时间步长对应的记忆特征；将所述记忆特征输入卷积解码器，获得与多个时间段对应的估计功率数据。优选地，所述根据多个时间段对应的估计功率数据得到预设时间范围内的目标电器功率数据的步骤包括：确定各时间段中相同时刻对应的估计功率数据；对各估计功率数据取中值或平均值得到各时刻对应的目标电器功率数据；根据各时刻对应的目标电器功率数据生成预设时间范围内的目标电器功率数据。此外，为实现上述目的，本专利技术还提供一种终端设备，所述终端设备包括通信模块、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计算机程序，所述计算机程序被所述处理器执行时实现如上述的非侵入式负荷识别方法的步骤。此外，为实现上述目的，本专利技术还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的非侵入式负荷识别方法的步骤。。本专利技术通过获取预设时间范围内的电表功率数据；根据所述目标电器对应的预设窗口长度在所述电表功率数据中选取多个时间段为预设窗口长度的预设功率数据，相邻预设功率数据对应的起始时间差为预设滑动步长；将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据；根据多个时间段对应的估计功率数据得到预设时间范围内的目标电器功率数据。根据窗口长度对电表功率数据进行筛选，将筛选的数据传输已经训练好的神经网络中，最终得到目标电器功率数据，通过神经网络可提高识别准确性，而且适用于多种电器。附图说明图1是本专利技术实施例方案涉及的硬件硬件结构示意图；图2为本专利技术非侵入式负荷识别方法第一实施例的流程示意图。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。请参照图1，图1为本专利技术各个实施例中的终端设备的硬件结构示意图。本专利技术所提供的终端设备包括通信模块10、存储器20及处理器30等部件。其中，所述处理器30分别与所述存储器20和所述通信模块10连接，所述存储器20上存储有计算机程序，所述计算机程序同时被处理器30执行。通信模块10，可通过网络与外部通讯设备连接。通信模块10可以接收外部通讯设备发出的请求，还可发送广播事件、指令及信息至所述外部通讯设备。所述外部通讯设备可以是服务器、手机、电脑等。存储器20，可用于存储软件程序以及各种数据。存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作终端设备、至少一个功能所需的应用程序(比如转化率计算程序)等；存储数据区可存储根据监控服务端100的使用所创建的数据或信息等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如本文档来自技高网...

【技术保护点】
1.一种非侵入式负荷识别方法，其特征在于，包括步骤：/n获取预设时间范围内的电表功率数据；/n根据所述目标电器对应的预设窗口长度在所述电表功率数据中选取多个时间段为预设窗口长度的预设功率数据，相邻预设功率数据对应的起始时间差为预设滑动步长；/n将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据；/n根据多个时间段对应的估计功率数据得到预设时间范围内的目标电器功率数据。/n

【技术特征摘要】
1.一种非侵入式负荷识别方法，其特征在于，包括步骤：
获取预设时间范围内的电表功率数据；
根据所述目标电器对应的预设窗口长度在所述电表功率数据中选取多个时间段为预设窗口长度的预设功率数据，相邻预设功率数据对应的起始时间差为预设滑动步长；
将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据；
根据多个时间段对应的估计功率数据得到预设时间范围内的目标电器功率数据。


2.如权利要求1所述的非侵入式负荷识别方法，其特征在于，所述将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据的步骤之前，还包括：
获取原始数据，并对所述原始数据进行预处理获得样本数据，所述原始数据包括至少两个电器对应的电器功率数据，所述样本数据包括目标电器处于运行状态的运行功率样本和目标电器处于待机状态的待机功率样本；
将所述样本数据输入待训练的神经网络模型中，生成与所述样本数据对应的所述估计功率数据，并基于预设评价指标对待训练的神经网络模型进行迭代训练，直至所述待训练的神经网络模型对应的损失函数的损失值满足预设收敛条件，将所述待训练的神经网络模型设置为已训练完成的神经网络模型。


3.如权利要求2所述的非侵入式负荷识别方法，其特征在于，所述获取原始数据，并对所述原始数据进行预处理获得样本数据的步骤包括：
获取原始数据，并根据所述原始数据确定目标电器对应处于运行状态的每次运行时长；
根据每次运行时长和预设统计规则生成目标电器对应的估计使用时长，并将所述估计使用时长设置为预设窗口长度；
根据滑动步长和目标电器在各运行时长对应的运行功率，生成运行功率样本和待机功率样本，并设置运行功率样本为正样本，设置待机功率样本为负样本。


4.如权利要求3所述的非侵入式负荷识别方法，其特征在于，所述获取原始数据，并根据所述原始数据确定目标电器对应处于运行状态的每次运行时长的步骤包括：
获取原始数据，根据原始数据确定目标电器对应的预设启停参数确定目标电器对应处于运行状态的每次运行时长，其中，所述预设启停参数包括启动功率阈值、最小运行时间、最小停止时间以及停止功率阈值。


5.如权利要求3所述的非侵入式负荷识别方法，其特征在于，所述将所述待训练的神经网络模型设置为已训练完成的神经网...

【专利技术属性】
技术研发人员：梁家阁，任智仁，汤博，刘宇轩，刘建，
申请(专利权)人：威胜集团有限公司，
类型：发明
国别省市：湖南;43