非侵入式电动车充电识别方法、装置、介质和智能电表与流程

本发明涉及智能电网监测，尤其涉及一种基于强化学习的非侵入式电动车充电识别方法、一种计算机可读存储介质、一种基于强化学习的非侵入式电动车充电识别装置和一种智能电表。

背景技术：

1、电动车作为重要的短途交通工具，给群众生活出行带来了极大便利，但因电动车充电引发事故而危害公众的生命财产安全的也时有发生，其中，电动车起火主要是电池失温和充电器短路，住宅区私自充电存在着巨大的隐患。

2、然而，相关的技术问题在于，虽然电动车充电监控系统可实时检测到非法充电行为，但在传统侵入式负荷监测技术中，若要获得各个设备的具体耗能情况，则需要在各个设备处安装负荷监测装置，存在成本高、难以检修、不便推广的问题。

技术实现思路

1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种基于强化学习的非侵入式电动车充电识别方法，能够在不影响用电系统正常运行的情况下，实时监测电动车充电事件，且非侵入式监测使用硬件数量少，安装维护方便，有利于节约监测成本，且降低监测复杂度。

2、本发明的第二个目的在于提出一种计算机可读存储介质。

3、本发明的第三个目的在于提出一种基于强化学习的非侵入式电动车充电识别装置。

4、本发明的第四个目的在于提出一种智能电表。

5、为达到上述目的，本发明第一方面实施例提出的基于强化学习的非侵入式电动车充电识别方法，包括：获取当前用电环境下的负荷数据，并将所述负荷数据输入至预先训练好的强化学习模型，其中，所述强化学习模型根据表征电动车充电负荷数据的正样本数据集和表征家用电器负荷数据的负样本数据集训练得到；获取所述强化学习模型输出的模型预测值；根据所述模型预测值对所述当前用电环境进行识别，以判断是否存在电动车充电事件。

6、根据本发明实施例提出的基于强化学习的非侵入式电动车充电识别方法，获取当前用电环境下的负荷数据，并将负荷数据输入至预先训练好的强化学习模型，其中，强化学习模型根据表征电动车充电负荷数据的正样本数据集和表征家用电器负荷数据的负样本数据集训练得到，进而，获取强化学习模型输出的模型预测值，并根据模型预测值对当前用电环境进行识别，以判断是否存在电动车充电事件。由此，在不影响用电系统正常运行的情况下，实时监测电动车充电事件，且非侵入式监测使用硬件数量少，安装维护方便，有利于节约监测成本，且降低监测复杂度。

7、另外，根据本发明上述实施例的基于强化学习的非侵入式电动车充电识别方法，还可以具有如下的附加技术特征：

8、根据本发明的一个实施例，所述当前用电环境下的负荷数据包括：电压数据、电流数据和功率数据中的至少一种。

9、根据本发明的一个实施例，所述强化学习模型根据以下步骤进行训练：将所述正样本数据集和所述负样本数据集输入至所述强化学习模型，以获取所述强化学习模型输出的预期价值；获取实际用电环境和所述预期价值对应的预测用电环境，并根据所述预测用电环境和实际用电环境获取模型奖励值；根据所述模型奖励值对所述强化学习模型进行优化，直至所述强化学习模型的预期价值达到最大化。

10、根据本发明的一个实施例，所述根据所述预测用电环境和实际用电环境获取模型奖励值，包括：若所述预测用电环境存在所述电动车充电事件，且所述实际用电环境存在所述电动车充电事件，则所述模型奖励值取正值。

11、根据本发明的一个实施例，所述根据所述预测用电环境和实际用电环境获取模型奖励值，还包括：若所述预测用电环境未存在所述电动车充电事件，且所述实际用电环境未存在所述电动车充电事件，则所述模型奖励值取正值。

12、根据本发明的一个实施例，所述根据所述预测用电环境和实际用电环境获取模型奖励值，还包括：若所述预测用电环境存在所述电动车充电事件，且所述实际用电环境未存在所述电动车充电事件，则所述模型奖励值取负值。

13、根据本发明的一个实施例，所述根据所述预测用电环境和实际用电环境获取模型奖励值，还包括：若所述预测用电环境未存在所述电动车充电事件，且所述实际用电环境存在所述电动车充电事件，则所述模型奖励值取负值。

14、根据本发明的一个实施例，通过以下公式获取所述预期价值：q(s,a)＝rt+γrt-1+γ2rt-2+…γnrt-n；其中，rt-n为第t-n次执行预测的模型奖励值，γ为折扣因子，q(s,a)为所述当前用电环境下的负荷数据相对应的预期价值。

15、为达到上述目的，本发明第二方面实施例提出的计算机可读存储介质，其上存储有基于强化学习的非侵入式电动车充电识别程序，该基于强化学习的非侵入式电动车充电识别程序被处理器执行时实现如第一方面实施例所述的基于强化学习的非侵入式电动车充电识别方法。

16、根据本发明实施例的计算机可读存储介质，通过处理器执行基于强化学习的非侵入式电动车充电识别程序时，能够在不影响用电系统正常运行的情况下，实时监测电动车充电事件，且非侵入式监测使用硬件数量少，安装维护方便，有利于节约监测成本，且降低监测复杂度。

17、为达到上述目的，本发明第三方面实施例提出的基于强化学习的非侵入式电动车充电识别装置，包括：获取模块，用于获取当前用电环境下的负荷数据；预测模块，用于将所述负荷数据输入至预先训练好的强化学习模型，获取所述强化学习模型输出的模型预测值，其中，所述强化学习模型根据表征电动车充电负荷数据的正样本数据集和表征家用电器负荷数据的负样本数据集训练得到；识别模块，用于根据所述模型预测值对所述当前用电环境进行识别，以判断是否存在电动车充电事件。

18、根据本发明实施例的基于强化学习的非侵入式电动车充电识别装置，通过获取模块获取当前用电环境下的负荷数据，并通过预测模块将负荷数据输入至预先训练好的强化学习模型，获取强化学习模型输出的模型预测值，其中，强化学习模型根据表征电动车充电负荷数据的正样本数据集和表征家用电器负荷数据的负样本数据集训练得到，以及通过识别模块根据模型预测值对当前用电环境进行识别，以判断是否存在电动车充电事件。由此，在不影响用电系统正常运行的情况下，实时监测电动车充电事件，且非侵入式监测使用硬件数量少，安装维护方便，有利于节约监测成本，且降低监测复杂度。

19、为达到上述目的，本发明第四方面实施例提出的智能电表，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如第一方面实施例所述的基于强化学习的非侵入式电动车充电识别方法。

20、根据本发明实施例的智能电表，通过处理器执行存储在存储器上的计算机程序时，能够在不影响用电系统正常运行的情况下，实时监测电动车充电事件，且非侵入式监测使用硬件数量少，安装维护方便，有利于节约监测成本，且降低监测复杂度。

21、本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.一种基于强化学习的非侵入式电动车充电识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于强化学习的非侵入式电动车充电识别方法，其特征在于，所述当前用电环境下的负荷数据包括：电压数据、电流数据和功率数据中的至少一种。

3.根据权利要求1或2所述的基于强化学习的非侵入式电动车充电识别方法，其特征在于，所述强化学习模型根据以下步骤进行训练：

4.根据权利要求3所述的基于强化学习的非侵入式电动车充电识别方法，其特征在于，所述根据所述预测用电环境和实际用电环境获取模型奖励值，包括：

5.根据权利要求4所述的基于强化学习的非侵入式电动车充电识别方法，其特征在于，所述根据所述预测用电环境和实际用电环境获取模型奖励值，还包括：

6.根据权利要求5所述的基于强化学习的非侵入式电动车充电识别方法，其特征在于，所述根据所述预测用电环境和实际用电环境获取模型奖励值，还包括：

7.根据权利要求6所述的基于强化学习的非侵入式电动车充电识别方法，其特征在于，所述根据所述预测用电环境和实际用电环境获取模型奖励值，还包括：

8.根据权利要求3所述的基于强化学习的非侵入式电动车充电识别方法，其特征在于，通过以下公式获取所述预期价值：

9.一种计算机可读存储介质，其上存储有基于强化学习的非侵入式电动车充电识别程序，该基于强化学习的非侵入式电动车充电识别程序被处理器执行时实现如权利要求1-8中任一项所述的基于强化学习的非侵入式电动车充电识别方法。

10.一种基于强化学习的非侵入式电动车充电识别装置，其特征在于，所述装置包括：

11.一种智能电表，其特征在于，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如权利要求1-8中任一项所述的基于强化学习的非侵入式电动车充电识别方法。

技术总结
本发明公开了一种非侵入式电动车充电识别方法、装置、介质和智能电表，其中，方法包括：获取当前用电环境下的负荷数据，并将负荷数据输入至预先训练好的强化学习模型，其中，强化学习模型根据表征电动车充电负荷数据的正样本数据集和表征家用电器负荷数据的负样本数据集训练得到；获取强化学习模型输出的模型预测值；根据模型预测值对当前用电环境进行识别，以判断是否存在电动车充电事件。由此，在不影响用电系统正常运行的情况下，实时监测电动车充电事件，且非侵入式监测使用硬件数量少，安装维护方便，有利于节约监测成本，且降低监测复杂度。

技术研发人员：魏晓龙,耿晓琪,孙铭阳,张永波,田亮,刘立宇,熊艳伟,蔡雨露,郭始亿,臧其威,崔文朋,郑哲,刘瑞
受保护的技术使用者：北京智芯微电子科技有限公司
技术研发日：
技术公布日：2024/1/13