一种非侵入式负荷检测与分解方法、装置及存储介质与流程

本发明涉及分项计量，尤其是指一种非侵入式负荷检测与分解方法、装置、设备及计算机存储介质。

背景技术：

1、分项计量技术目前主要分为两种：一种是侵入式电力负荷检测(ilm)，一种是非侵入式电力负荷检测与分解(nilmd)。nilmd通过在用户电力输入端口测量、采集用户的用电数据，比如：电流、电压、有功功率、无功功率等，通过采集到的用电数据分析得到用电设备及其状态。

2、由于目前大多是针对特定用电环境下特定负荷种类而制定的用电负荷特征提取策略，因此在进行用电负荷的特征提取时存在不同程度的特征信息丢失情况导致nilmd的分解精度较低，不适应其它用电环境或叠加态中有相似用电特征的用电设备。

3、其次，当前的nilmd主要通过对用电设备数据的暂态、稳态数据切割，进而提取出用电设备的稳态特征进行分析。一方面，对于暂态数据的采集往往被噪音影响，切换点的识别容易被异常值干扰，导致切换点识别错误；另一方面部分用电设备在稳态运行时常常有相似的稳态特征，仅用稳态数据进行特征学习，特别是在叠加态的情况下，往往无法灵敏区分具有相似稳态特征的用电设备及其状态。

4、另外，对于暂态数据的特征学习，需要在100毫秒左右的电力负荷开启/关闭/切换的瞬间捕获用电设备的特征变化，而对于暂态数据的采集往往被噪音影响，这增加了暂态特征学习的难度。

5、现有技术的缺点：

6、(1)当前的nilmd主要通过对用电设备数据的暂态、稳态数据切割，进而提取出用电设备的稳态特征进行分析。对于暂态数据的采集往往被噪音影响，切换点的识别容易被异常值干扰，导致切换点识别错误。

7、(2)部分用电设备在稳态运行时常常有相似的稳态特征，仅用稳态数据进行特征学习，特别是在叠加态的情况下，往往无法灵敏区分具有相似稳态特征的用电设备及其状态。

8、(3)对于暂态数据的特征学习，需要在100毫秒左右的电力负荷开启/关闭/切换的瞬间捕获用电设备的特征变化，而对于暂态数据的采集往往被噪音影响，这增加了暂态特征学习的难度。

技术实现思路

1、为此，本发明所要解决的技术问题在于克服现有技术中非侵入式负荷检测与分解准确性较低的问题。

2、为解决上述技术问题，本发明提供了一种非侵入式负荷检测与分解方法，包括：

3、获取用电数据和用户反馈数据；

4、根据所述用电数据，基于小波分析有效分数向量的变点检测算法识别突变点，并将所述用电数据切割为稳态数据集与暂态数据集；

5、基于前馈神经网络根据所述稳态数据集提取稳态特征，基于深度残差收缩网络根据所述暂态数据集提取暂态特征，并对所述稳态特征和所述暂态特征进行采样及拼接，得到融合特征，根据所述融合特征计算相似度生成第一用电设备及其状态识别结果集；

6、基于递归神经网络根据所述用电数据和所述用户反馈数据捕获时序特征，并根据所述时序特征计算相似度生成第二用电设备及其状态识别结果集；

7、将所述第一用电设备及其状态识别结果集和所述第二用电设备及其状态识别结果集中相同设备状态类别的相似度进行加权求和，并取加权求和结果的最大值对应的设备状态类别为目标设备状态。

8、优选地，所述用电数据包括电流数据、有功功率数据、无功功率数据、功率因数数据、电流周波数据和电压周波数据。

9、优选地，所述根据所述用电数据，基于小波分析有效分数向量的变点检测算法识别突变点包括：

10、根据时间序列鲁棒建模算法对所述用电数据将进行建模，得到服从高斯分布的拟合残差；

11、根据小波尺度对所述拟合残差进行小波分解；

12、计算任意两个小波尺度下的小波分解系数的模，并计算其差值，得到多个模差值；

13、当所述拟合残差进行小波分解后未出现模极大值点且所述多个模差值中未出现突变，则当前没有异常点也没有突变点；

14、当所述拟合残差进行小波分解后出现模极大值点且所述多个模差值中未出现突变，则说明所述模极大值点为异常点；

15、当所述拟合残差进行小波分解后出现模极大值点且所述多个模差值中出现突变，则说明所述模极大值点为突变点。

16、优选地，所述根据时间序列鲁棒建模算法对所述用电数据将进行建模，得到服从高斯分布的拟合残差包括：

17、根据时间序列鲁棒建模算法对所述用电数据将进行建模：

18、xt＝g(xt-o...xt-1)+et，t＝1，2...n

19、其中，下标中的o表示模型阶次，et表示拟合残差，服从高斯分布n(u，σ2)，xt表示第t时刻的用电变量值，g(·)表示时间序列鲁棒模型函数。

20、优选地，所述将所述用电数据切割为稳态数据集与暂态数据集包括：

21、根据所述用电数据的平均值得到稳态数据集；

22、根据所述突变点得到突变增量，根据所述突变增量得到暂态数据集。

23、优选地，所述深度残差收缩网络引入了软阈值化，以便消除冗余信息，其中，所述阈值采用senet的子网络结构自动设置。

24、优选地，所述计算相似度的计算公式为：

25、所述计算相似度的计算公式为：

26、

27、其中，h表示实际检测的用电设备特征值，表示标准特征值，vδ(·)为变量的相关熵，其中相关熵的核函数kσ(·)为高斯核函数，e(·)表示变量间的均方根误差，r(·)表示变量间的相关系数，vδ(·)为变量的相关熵，其中相关熵的核函数kσ(·)为高斯核函数，a、b、c为常数。

28、本发明还提供了一种非侵入式负荷检测与分解装置，包括：

29、非侵入式负荷监测采集模块，用于获取用电数据；

30、反馈模块，用于获取用户反馈数据；

31、数据切割模块，用于根据所述用电数据，基于小波分析有效分数向量的变点检测算法识别突变点，并将所述用电数据切割为稳态数据集与暂态数据集；

32、设备状态识别模块，用于基于前馈神经网络根据所述稳态数据集提取稳态特征，基于深度残差收缩网络根据所述暂态数据集提取暂态特征，并对所述稳态特征和所述暂态特征进行采样及拼接，得到融合特征，根据所述融合特征计算相似度生成第一用电设备及其状态识别结果集，

33、还用于基于递归神经网络根据所述用电数据和所述用户反馈数据捕获时序特征，并根据所述时序特征计算相似度生成第二用电设备及其状态识别结果集；

34、设备及其状态生成模块，用于将所述第一用电设备及其状态识别结果集和所述第二用电设备及其状态识别结果集中相同设备状态类别的相似度进行加权求和，并取加权求和结果的最大值对应的设备状态类别为目标设备状态；

35、展示模块，用于所述目标设备状态的展示。

36、本发明还提供了一种非侵入式负荷检测与分解设备，包括：

37、存储器，用于存储计算机程序；

38、处理器，用于执行所述计算机程序时实现上述一种非侵入式负荷检测与分解方法步骤。

39、本发明还提供了一种计算机可读存储介质，所述计算机可读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上述一种非侵入式负荷检测与分解方法的步骤。

40、本发明的上述技术方案相比现有技术具有以下优点：

41、本发明所述的非侵入式负荷检测与分解方法，在进行数据切割时利用小波分析有效分数向量的变电检测算法识别突变点，能够有效区分突变点和异常点，降低异常点对数据切割的影响；在进行用电设备及其状态的特征学习时，同时考虑暂态数据与稳态数据，并结合时序特征，避免了部分用电设备由于相似的稳态特征无法区分的情况；基于适应含噪数据的深度残差收缩网络和前馈神经网络分别提取暂态、稳态特征，同时基于递归神经网络捕获时序特征，能够全面的提取用电设备及其状态特征，在叠加态中也能准确的匹配用电设备及其状态；本发明将采集数据切割暂态与稳态，不仅可以捕获局部特征，还避免了由于暂态特征相似引起的识别混淆，对时序特征的识别可以适应电器因老化引起的特征变化，提高了非侵入式负荷检测与分解的准确性。