一种基于联邦学习的非侵入式负荷辨识方法及系统

本发明涉及非侵入式负荷辨识领域，尤其涉及一种基于联邦学习的非侵入式负荷辨识方法及系统。

背景技术：

1、电能是我国最为核心的能源之一，随着人民生活水平的提高，电能需求不断增加，在电能产量有限的前提下，节约用电和智慧用电是目前提高电能利用率的关键。负荷监测是用电管理的关键技术，有助于精细化监测负荷的能耗水平，引导用户节约用电和智慧用电。负荷监测包括侵入式负荷监测和非侵入式负荷监测，侵入式负荷监测需要对每个用电负荷安装传感器，这种方式安装成本高、维护复杂且实用性差，严重阻碍了其在用户侧环境中的广泛部署；非侵入式负荷监测只需要在电力用户的电力用户入户端安装非侵入式负荷监测模块，即可实现负荷监测功能，在非侵入式负荷监测系统中，非侵入式负荷辨识可以有效的分析出投切电器的类别。

2、然而在用户侧环境中，用户量庞大、用电负荷种类繁多、每个用户的负荷类别各不相同，若想得到适用于用户侧的非侵入式负荷辨识神经网络模型需要采集所有用户的用电数据，将每个用户的用电数据传输至服务器，服务器再训练神经网络。在此过程中，存在通信量巨大和无法保护用户用电数据的隐私。此外，阻性负荷的vi轨迹、谐波等特征十分相近，以至于当vi轨迹、谐波等特征作为神经网络的输入时，神经网络无法有效辨识阻性负荷。

技术实现思路

1、鉴于目前非侵入式负荷辨识系统存在的上述不足，本发明提供一种基于联邦学习的非侵入式负荷辨识方法及系统，能够提高负荷辨识的精度，提高负荷辨识模型的广泛性和环境适应性，有效保护用户用电的隐私数据。

2、为达到上述目的，本发明采用如下技术方案：

3、一种基于联邦学习的非侵入式负荷辨识方法，包括以下步骤：

4、s1：负荷监测客户端对电力用户入户端的电压信号和电流信号进行高频采样；

5、s2：对s1中所采集到的高频电压信号和高频电流信号进行处理，并构建样本数据集；

6、s3：负荷监测客户端构建客户端负荷辨识模型，并使用样本数据集对客户端负荷辨识模型进行训练，训练完成后，将客户端负荷辨识模型的模型参数上传至联邦学习服务器；

7、s4：联邦学习服务器根据s3中上传的客户端负荷辨识模型的模型参数，计算得到全局负荷辨识模型，并将全局负荷辨识模型的模型参数下发至负荷监测客户端；

8、s5：负荷监测客户端根据s4中回传的全局负荷辨识模型的模型参数更新客户端负荷辨识模型，并使用更新之后的客户端负荷辨识模型进行用电负荷辨识。

9、依照本发明的一个方面，所述构建样本数据集具体包括：

10、对采集到的高频电流信号和高频电压信号分别进行滤波处理，得到处理后的电流信号和电压信号；

11、对处理后的电流信号和电压信号进行事件变化检测，提取事件变化之后的电流信号和电压信号；

12、对事件变化之后的电流信号和电压信号进行特征提取，提取的特征包括：电压-无功电流轨迹特征、无功电流的幅频特征和无功电流的时频特征；

13、根据所述电压-无功电流轨迹特征、所述无功电流的幅频特征和所述无功电流的时频特征构建起样本数据集。

14、依照本发明的一方面，所述构建客户端负荷辨识模型具体包括：

15、构建特征提取网络：根据样本数据集中的不同特征的类型，构建多个lenet-5网络组成特征提取网络；

16、构建负荷辨识网络：包括特征融合层和多个全连接层，组成负荷辨识网络。

17、依照本发明的一个方面，所述使用样本数据将对客户端负荷辨识模型进行训练具体包括：

18、训练特征提取网络：读取s2中构建的样本数据集，将样本数据集中各单一特征分别输入至相对应的lenet-5网络，训练各lenet-5网络；

19、训练负荷辨识网络：所述特征提取网络训练好之后，截取所述特征提取网络中lenet-5网络的隐藏层输出序列，将所述隐藏层输出序列作为负荷辨识网络的输入，训练负荷辨识网络。

20、依照本发明的一个方面，所述计算得到全局负荷辨识模型具体为：

21、所述联邦学习服务器汇总由负荷监测客户端上传的客户端负荷辨识模型的模型参数，并采用联邦平均算法计算出全局负荷辨识模型的模型参数。

22、一种基于联邦学习的非侵入式负荷辨识系统，包括联邦学习服务器和多个负荷监测客户端，所述负荷监测客户端包括负荷数据采集模块、数据处理模块、负荷辨识模块和通信模块，所述负荷数据采集模块用于采集电力用户入户端的高频电压信号和高频电流信号，所述数据处理模块用于处理采集到的数据和构建样本数据集，所述负荷辨识模块用于构建和训练客户端负荷辨识模型、更新客户端负荷辨识模型和搭载客户端负荷辨识模型进行在线用电负荷辨识，所述通信模块与所述负荷辨识模块连接，所述负荷辨识模块通过通信模块与联邦学习服务器进行通信。

23、依照本发明的一个方面，所述通信模块与所述联邦学习服务器采用mqtt网络通信协议进行通信。

24、依照本发明的一个方面，所述负荷数据采集模块包括电压互感器、电流互感器、数模转换电路单元。

25、本发明实施的优点：本发明使用联邦学习框架，各用户采用其本地数据，分布式训练神经网络模型，可以减少通讯的数据传送频率并在保护负荷监测客户端用电数据的前提下，训练出一个包括所有负荷监测客户端样本数据集的负荷辨识模型，同时本发明使用的多信息融合的非侵入式负荷辨识深度学习神经网络模型可以精确的对各类负荷进行辨识，能够提高负荷辨识的精度，提高负荷辨识模型的广泛适用性、环境适应性和辨识精确度。

技术特征：

1.一种基于联邦学习的非侵入式负荷辨识方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于联邦学习的非侵入式负荷辨识方法，其特征在于，所述构建样本数据集具体包括：

3.根据权利要求1所述的一种基于联邦学习的非侵入式负荷辨识方法，其特征在于，所述构建客户端负荷辨识模型具体包括：

4.根据权利要求3所述的一种基于联邦学习的非侵入式负荷辨识方法，其特征在于，所述使用样本数据将对客户端负荷辨识模型进行训练具体包括：

5.根据权利要求1所述的一种基于联邦学习的非侵入式负荷辨识方法，其特征在于，所述计算得到全局负荷辨识模型具体为：

6.一种基于联邦学习的非侵入式负荷辨识系统，其特征在于，包括联邦学习服务器和多个负荷监测客户端，所述负荷监测客户端包括负荷数据采集模块、数据处理模块、负荷辨识模块和通信模块，所述负荷数据采集模块用于采集电力用户入户端的高频电压信号和高频电流信号，所述数据处理模块用于处理采集到的数据和构建样本数据集，所述负荷辨识模块用于构建和训练客户端负荷辨识模型、更新客户端负荷辨识模型和搭载客户端负荷辨识模型进行在线用电负荷辨识，所述通信模块与所述负荷辨识模块连接，所述通信模块与联邦学习服务器进行通信。

7.根据权利要求6所述的一种基于联邦学习的非侵入式负荷辨识系统，其特征在于，所述通信模块与所述联邦学习服务器采用mqtt网络通信协议进行通信。

8.根据权利要求6所述的一种基于联邦学习的非侵入式负荷辨识系统，其特征在于，所述负荷数据采集模块包括电压互感器、电流互感器、数模转换电路单元。

技术总结
本发明公开了一种基于联邦学习的非侵入式负荷辨识方法及系统，包括联邦学习服务器和负荷监测客户端，所述负荷监测客户端采集用电数据并构建样本数据集、构建并训练客户端负荷辨识模型，并将客户端负荷辨识模型的模型参数上传至联邦学习服务器；所述联邦学习服务器通过计算得到全局负荷辨识模型的模型参数，并将模型参数下发至负荷监测客户端；所述负荷监测客户端根据回传模型参数更新客户端负荷辨识模型，并使用更新之后的模型进行用电负荷辨识。本发明可以在保护负荷监测客户端用电数据的前提下，训练出一个包括所有负荷监测客户端样本数据集的负荷辨识模型，提高模型的广泛应用性、环境适应性和辨识精确度，更适用于非侵入负荷辨识应用场景。

技术研发人员：肖俊,谭貌,廖骋臣,李子彬,潘瑞,苏永新
受保护的技术使用者：湘潭大学
技术研发日：
技术公布日：2024/3/24