【技术实现步骤摘要】
本专利技术属于储能管理技术改进领域，尤其涉及一种非侵入式智能负载检测家庭储能能源管理的方法及系统。
技术介绍
1、目前，家庭电路负载检测通常使用侵入式电力负荷检测，侵入式方法涉及在家庭电力系统内部安装传感器或监测设备，以实时监测电流、电压等参数。这些设备通常需要物理连接到电力系统中。其存在如下缺点：
2、安装成本高： 侵入式方法需要在电力系统内进行设备安装，需要专业电工人员进行操作，存在安装麻烦，设备和安装费用高，后期维护成本大。
3、停电风险： 安装侵入式设备需要短暂的停电，会对家庭生活造成一定不便，影响正常家庭生活。
4、而上述这类能源系统调度通常采用单一特征识别，其存在以下缺点：
5、信息丢失： 单一特征可能无法充分捕捉负荷的复杂性和多样性。电力负荷数据往往涉及多个方面的信息，包括时间、功率、电流、电压等。使用单一特征可能导致其他重要信息被忽略，从而造成信息丢失。
6、局限性： 单一特征可能只涵盖负荷的某个方面，无法全面反映负荷的特点。例如，只使用电流作为特征可能无法充分描述负荷的变化模式，因为负荷的变化可能还受到电压、功率因数等因素的影响。
7、鲁棒性不足： 使用单一特征可能对数据的噪声和异常数据较为敏感，导致模型的鲁棒性不足。如果一个特征受到异常数据的影响，可能会影响负荷检测的准确性。
8、难以应对变化：负荷在不同的时间段和场景下可能表现出不同的模式和特征。使用单一特征可能无法适应这种变化，导致模型的泛化能力不足。
9、欠拟
技术实现思路
1、本专利技术的目的在于提供一种非侵入式智能负载检测家庭储能能源管理的方法及系统，旨在解决上述的技术问题。
2、本专利技术是这样实现的，一种非侵入式智能负载检测家庭储能能源管理的方法，所述非侵入式智能负载检测家庭储能能源管理的方法包括以下步骤：
3、s1、获取家庭电路中各负载设备的阻抗；
4、s2、依据在不同频率下获取负载设备的阻抗值计算获得家庭电路中负载设备的功率数据；
5、s3、将获取的功率数据输入已设定的神经网络模型预测家庭电路中负载设备的工作状态；
6、s4、根据预测家庭电路中负载设备工作状态需求能量及能源供应能量分配能源使用比例。
7、本专利技术的进一步技术方案是：所述步骤s2依据在不同频率下获取负载设备的阻抗值计算获得家庭电路中负载设备的功率数据包括：
8、依据60hz时的复杂阻抗z(60hz) 计算各个负载设备的功率，通过公式对各个负载设备计算其有功功率和无功功率，根据所述有功功率和所述无功功率得到负载设备的视在功率；
9、其中，所述有功功率 p = (vrms / | z(60 hz) | )^2 * r，所述无功功率 q =(vrms / | z(60 hz) | )^2 * x，所述视在功率s = p + qj，vrms是60 hz电压的均方根值，r是z(60 hz)的实部，x是z(60 hz)的虚部，j是虚数单位。
10、本专利技术的进一步技术方案是：所述步骤s3中还包括以下步骤：
11、s31、指定时间内获取待监测负载设备在各个采样点每秒的无功功率总和和有功功率总和；
12、s32、将采集负载设备的功率数据作为预先设定神经网络模型的输入层节点；
13、s33、将下一时间节点负载设备的功率数据作为神经网络模型的输出层节点；
14、s34、通过输入的负载设备的功率数据对神经网络模型进行训练后预测下一个设定时间内各负载设备的工作状态。
15、本专利技术的进一步技术方案是：所述步骤s1将电能测量设备插接在家庭电路的插座上，电能测量设备生成高频信号将其传输至电力线路中测量连接在电路上的负载设备的阻抗。
16、本专利技术的进一步技术方案是：所述步骤s34中神经网络模型训练中通过非线性变换使神经网络捕捉复杂的数据模式，当输入为正时，激活函数的输出等于输入；当输入为负时，输出为0，激活函数：f(x)=max(0,x)，其中，x是输入值，f(x) 则是激活函数的输出值。
17、本专利技术的另一目的在于提供一种非侵入式智能负载检测家庭储能能源管理的系统，非侵入式智能负载检测家庭储能能源管理的系统包括
18、阻抗获取模块，用于获取家庭电路中各负载设备的阻抗；
19、功率获取模块，用于依据在不同频率下获取负载设备的阻抗值计算获得家庭电路中负载设备的功率数据；
20、工作状态获取模块，用于将获取的功率数据输入已设定的神经网络模型预测家庭电路中负载设备的工作状态；
21、配比模块，用于根据预测家庭电路中负载设备工作状态需求能量及能源供应能量分配能源使用比例。
22、本专利技术的进一步技术方案是：所述功率获取模块依据在不同频率下获取负载设备的阻抗值计算获得家庭电路中负载设备的功率数据包括：
23、依据60hz时的复杂阻抗z(60hz) 计算各个负载设备的功率，通过公式对各个负载设备计算其有功功率和无功功率，根据所述有功功率和所述无功功率得到负载设备的视在功率；
24、其中，所述有功功率 p = (vrms / | z(60 hz) | )^2 * r，所述无功功率 q =(vrms / | z(60 hz) | )^2 * x，所述视在功率s = p + qj，vrms是60 hz电压的均方根值，r是z(60 hz)的实部，x是z(60 hz)的虚部，j是虚数单位。
25、本专利技术的进一步技术方案是：所述工作状态获取模块中还包括
26、采样单元，用于指定时间内获取待监测负载设备在各个采样点每秒的无功功率总和和有功功率总和；
27、输入层单元，用于将采集负载设备的功率数据作为预先设定神经网络模型的输入层节点；
28、输出层单元，用于将下一时间节点负载设备的功率数据作为神经网络模型的输出层节点；
29、获取工作状态单元，用于通过输入的负载设备的功率数据对神经网络模型进行训练后预测下一个设定时间内各负载设备的工作状态。
30、本专利技术的进一步技术方案是：所述阻抗获取模块中将电能测量设备插接在家庭电路的插座上，电能测量设备生成高频信号将其传输至电力线路中测量连接在电路上的负载设备的阻抗。
31、本专利技术的进一步技术方案是：所述获取工作状态单元中神经网络模型训练中通过非线性变换使神经网络捕捉复杂的数据模式，当输入为正时，激活函数的输出等于输入；当输入为负时，输出为0，激活函数：f(x)=max(0,x)本文档来自技高网...
【技术保护点】
1.非侵入式智能负载检测家庭储能能源管理的方法，其特征在于，所述非侵入式智能负载检测家庭储能能源管理的方法包括以下步骤：
2.根据权利要求1所述的非侵入式智能负载检测家庭储能能源管理的方法，其特征在于，所述步骤S2依据在不同频率下获取负载设备的阻抗值计算获得家庭电路中负载设备的功率数据包括：
3.根据权利要求1或2所述的非侵入式智能负载检测家庭储能能源管理的方法，其特征在于，所述步骤S3中还包括以下步骤：
4.根据权利要求3所述的非侵入式智能负载检测家庭储能能源管理的方法，其特征在于，所述步骤S1将电能测量设备插接在家庭电路的插座上，电能测量设备生成高频信号将其传输至电力线路中测量连接在电路上的负载设备的阻抗。
5.根据权利要求4所述的非侵入式智能负载检测家庭储能能源管理的方法，其特征在于，所述步骤S34中神经网络模型训练中通过非线性变换使神经网络捕捉复杂的数据模式，当输入为正时，激活函数的输出等于输入；当输入为负时，输出为0，激活函数：f(x)=max(0,x)，其中，x是输入值，f(x) 则是激活函数的输出值。
6.
7.根据权利要求6所述的非侵入式智能负载检测家庭储能能源管理的系统，其特征在于，所述功率获取模块依据在不同频率下获取负载设备的阻抗值计算获得家庭电路中负载设备的功率数据包括：
8.根据权利要求6或7所述的非侵入式智能负载检测家庭储能能源管理的系统，其特征在于，所述工作状态获取模块中还包括
9.根据权利要求8所述的非侵入式智能负载检测家庭储能能源管理的系统，其特征在于，所述阻抗获取模块中将电能测量设备插接在家庭电路的插座上，电能测量设备生成高频信号将其传输至电力线路中测量连接在电路上的负载设备的阻抗。
10.根据权利要求9所述的非侵入式智能负载检测家庭储能能源管理的系统，其特征在于，所述获取工作状态单元中神经网络模型训练中通过非线性变换使神经网络捕捉复杂的数据模式，当输入为正时，激活函数的输出等于输入；当输入为负时，输出为0，激活函数：f(x)=max(0,x)，其中，x是输入值，f(x) 则是激活函数的输出值。
...【技术特征摘要】
1.非侵入式智能负载检测家庭储能能源管理的方法，其特征在于，所述非侵入式智能负载检测家庭储能能源管理的方法包括以下步骤：
2.根据权利要求1所述的非侵入式智能负载检测家庭储能能源管理的方法，其特征在于，所述步骤s2依据在不同频率下获取负载设备的阻抗值计算获得家庭电路中负载设备的功率数据包括：
3.根据权利要求1或2所述的非侵入式智能负载检测家庭储能能源管理的方法，其特征在于，所述步骤s3中还包括以下步骤：
4.根据权利要求3所述的非侵入式智能负载检测家庭储能能源管理的方法，其特征在于，所述步骤s1将电能测量设备插接在家庭电路的插座上，电能测量设备生成高频信号将其传输至电力线路中测量连接在电路上的负载设备的阻抗。
5.根据权利要求4所述的非侵入式智能负载检测家庭储能能源管理的方法，其特征在于，所述步骤s34中神经网络模型训练中通过非线性变换使神经网络捕捉复杂的数据模式，当输入为正时，激活函数的输出等于输入；当输入为负时，输出为0，激活函数：f(x)=max(0,x)，其中，x是输入值，f(x) 则是激活函数的输出值。
...【专利技术属性】
技术研发人员：刘炜，谭海锋，
申请(专利权)人：广州疆海科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。