一种基于深度学习的非侵入式负荷检测方法以及系统与流程

本技术涉及电数字数据处理，具体涉及一种基于深度学习的非侵入式负荷检测方法以及系统。

背景技术：

1、传统的非侵入式工业负荷检测技术通常基于电力特征分析和信号处理方法，将采集到的数据提取有用的特征后，对提取到的特征进行分析和处理，利用机器学习、模式识别或规则匹配等方法，将特征与预定义的负荷模型进行比对，以识别工业负荷的类型和状态。根据负荷识别的结果以及预先建立的负荷能耗模型，估计工业负荷的能耗情况，但是现有技术中由于三相系统中单相负载和三相负载分解，因此只能分别对单相负载和三相负载进行检测而导致负荷检测的准确度降低。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于深度学习的非侵入式负荷检测方法以及系统，解决了现有技术中由于三相系统中单相负载和三相负载分解，只能分别对单相负载和三相负载进行检测而导致负荷检测的准确度降低的问题。

2、根据本技术的一个方面，提供了一种基于深度学习的非侵入式负荷检测方法，包括：

3、获取三相系统的用电数据；

4、根据所述用电数据以及三相系统负荷检测模型，预测所述三相系统的功耗数据；

5、确定所述三相系统的功耗数据中的电流数据；

6、根据所述电流数据以及基于杜克栅栏的非侵入式负荷检测模型，确定所述电流数据是否为异常数据。

7、在一实施例中，所述根据所述电流数据以及基于杜克栅栏的非侵入式负荷检测模型，确定所述电流数据是否为异常数据包括：

8、将所述电流数据进行滑动窗口处理，以得到电流块；

9、对所述电流块进行快速傅里叶变换处理，以得到频率矩阵；其中，所述频率矩阵由多个频率值构建；

10、确定所述频率矩阵中的目标频率值；

11、计算所述目标频率值对应的前向标准差；

12、若所述前向标准差不满足预设条件，则确定所述目标频率值对应的电流数据发生为异常数据。

13、在一实施例中，所述三相系统负荷检测模型的建立方法包括：

14、获取多个电气设备的多个用电数据；

15、对所述多个用电数据进行预处理，以得到预处理后的功耗数据；

16、根据卷积神经网络的数学模型以及所述预处理后的功耗数据，获取所述预处理后的功耗数据的类别概率；

17、根据所述类别概率以及基于2阶段序列到序列cnn的神经网络模型，预测每个电气设备的预测功耗数据；

18、根据所述多个电气设备的多个用电数据以及所述多个电气设备的预测功耗数据，构建所述三相系统负荷检测模型。

19、在一实施例中，所述根据卷积神经网络的数学模型以及所述预处理后的功耗数据，获取所述预处理后的功耗数据的类别概率包括：

20、从所述预处理后的功耗数据中筛选出与三相系统相关的功耗数据，以得到三相功耗数据；

21、根据每个相位的聚合差异，将所述三相功耗数据与聚合波形进行分离，以得到目标单相的功耗数据；

22、将所述目标单相的功耗数据构建成时间序列数据；

23、根据卷积神经网络的数学模型以及所述时间序列数据，获取所述预处理后的功耗数据的类别概率。

24、在一实施例中，所述卷积神经网络的数学模型的第l层的输出值zl的计算公式为：

25、zl＝fl(wl*al-1+bl)，其中，al-1是前一层的输出值，l>1，al-1＝zl-1,a0＝x，x是具有t个时间步长和d个维度的时间序列数据，wl是一组可学习的卷积滤波器，wl等于kl×dl-1×dl，其中kl是卷积核大小，dl-1是输入特征图的维度数，dl是当前层的滤波器数量，bl是一组可学习的偏置，bl等于为dl，fl是激活函数，所述卷积神经网络的数学模型由l个l层组成。

26、在一实施例中，所述卷积神经网络的数学模型的最后一层l的输出值y的计算公式为。

27、y＝softmax(wf*al-1+bf)，其中，y为类别概率，wf是一组可学习的权重，wf等于dl-1×c，c是类别数，dl-1是输入特征图的维度数，softmax是将输出转换为类别的概率分布的激活函数，bf是一组可学习的偏置，bf等于c，al-1为最后一层l的前一层的输出值。

28、在一实施例中，所述基于2阶段序列到序列cnn的神经网络模型包括开关分类器和nilm模型，其中，所述根据所述类别概率以及基于2阶段序列到序列cnn的神经网络模型，预测每个电气设备的预测功耗数据包括：

29、根据所述开关分类器与所述类别概率，预测含有所述三相系统的电气设备为开启状态时的概率值；

30、根据所述含有所述三相系统的电气设备为开启状态时的概率值以及所述三相功耗数据，预测含有所述三相系统的电气设备的预测功耗数据。

31、在一实施例中，在所述根据所述类别概率以及基于2阶段序列到序列cnn的神经网络模型，预测每个电气设备的预测功耗数据之后，还包括：

32、基于损失函数，根据每个电气设备的预测功耗数据以及预设功耗数据，计算损失值；

33、选取所述多个损失值中与预设损失值的差值小于或者等于预设差值阈值的损失值作为相似损失值；

34、从多个相似损失值中选取一个损失值作为目标损失值；

35、获取所述目标损失值对应的目标卷积神经网络的数学模型；

36、获取所述目标卷积神经网络的数学模型每层的权重矩阵；

37、计算多个权重矩阵对应的权重平均值；

38、根据所述权重平均值，更新所述目标卷积神经网络的数学模型。

39、在一实施例中，所述确定所述频率矩阵中的目标频率值包括：

40、获取所述频率矩阵中每个频率列的前一列频率列和后一列的频率列；

41、根据每个频率列的前一列频率列和后一列的频率列，计算得到功率差值；

42、选取多个功率差值中大于预设功率差值的目标功率差值；

43、选取所述目标功率差值对应的频率列的一个频率值为所述目标频率值。

44、根据本技术的另一个方面，提供了一种基于深度学习的非侵入式负荷检测系统，包括：

45、获取模块，用于获取三相系统的用电数据；

46、确定模块，用于根据所述用电数据以及三相系统负荷检测模型，预测所述三相系统的功耗数据；确定所述三相系统的功耗数据中的电流数据；

47、异常模块，用于根据所述电流数据以及基于杜克栅栏的非侵入式负荷检测模型，确定所述电流数据是否为异常数据。

48、本技术提供的基于深度学习的非侵入式负荷检测方法以及系统，包括：获取三相系统的用电数据，根据所述用电数据以及三相系统负荷检测模型，预测所述三相系统的功耗数据，确定所述三相系统的功耗数据中的电流数据，根据所述电流数据以及基于杜克栅栏的非侵入式负荷检测模型，确定所述电流数据是否为异常数据。在深度学习下的三相系统负荷检测模型中，引入了一种集成学习技术，不需要训练多个神经网络模型，从而减少了计算需求，使其在经济上更具可行性。三相系统负荷检测模型通过深度学习方法学习和提取三相电流和电压数据中的特征。三相系统负荷检测模型采用深层神经网络模型进行特征提取以捕捉电流和电压数据中的时序模式和频域特征。与传统的方法不同，所用模型采用了一种集成学习技术，这意味着不需要训练多个独立的神经网络模型。相反，通过在深层神经网络模型的不同层和不同参数设置下进行训练，以生成多个不同的模型实例，这些实例的预测结果将被结合起来，形成最终的负荷检测结果。基于杜克栅栏的非侵入式负荷检测模型使用快速傅里叶变换将电流数据从时域转换为频域，从而可以将信号表示为频谱分量，其中每个分量对应于不同频率的成分。然后在负荷检测中，杜克栅栏规则被应用于频谱分量，以检测与正常负荷行为不符的异常变化。tfed具有非常准确地确定事件起始时间的优越能力，这在模拟实验中得到了验证。通过使用tfed算法，可以准确地确定负荷事件的开始时间。本技术基于滑动窗口的离线和在线负荷检测具有多功能性，支持离线和在线用电负荷检测。通过将负荷数据分为固定长度的滑动窗口。每个滑动窗口内的数据被视为一个样本，并从中提取特征。这些特征可以包括平均负荷、最大负荷、负荷波动性等。通过滑动窗口的方式，可以捕捉到负荷数据的时序模式和变化趋势。然后利用经典的机器学习技术(如xgboost和随机森林)训练模型。这些模型可以学习滑动窗口特征与用电负荷之间的关系。在离线负荷检测中，使用标记过的数据集进行训练。而在在线负荷检测中，实时地将新的滑动窗口数据输入到模型中，进行实时判断和检测。

技术特征：

1.一种基于深度学习的非侵入式负荷检测方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的非侵入式负荷检测方法，其特征在于，所述根据所述电流数据以及基于杜克栅栏的非侵入式负荷检测模型，确定所述电流数据是否为异常数据包括：

3.根据权利要求1所述的基于深度学习的非侵入式负荷检测方法，其特征在于，所述三相系统负荷检测模型的建立方法包括：

4.根据权利要求3所述的基于深度学习的非侵入式负荷检测方法，其特征在于，所述根据卷积神经网络的数学模型以及所述预处理后的功耗数据，获取所述预处理后的功耗数据的类别概率包括：

5.根据权利要求4所述的基于深度学习的非侵入式负荷检测方法，其特征在于，所述卷积神经网络的数学模型的第l层的输出值zl的计算公式为：

6.根据权利要求5所述的基于深度学习的非侵入式负荷检测方法，其特征在于，所述卷积神经网络的数学模型的最后一层l的输出值y的计算公式为：

7.根据权利要求4所述的基于深度学习的非侵入式负荷检测方法，其特征在于，所述基于2阶段序列到序列cnn的神经网络模型包括开关分类器和nilm模型，其中，所述根据所述类别概率以及基于2阶段序列到序列cnn的神经网络模型，预测每个电气设备的预测功耗数据包括：

8.根据权利要求3所述的基于深度学习的非侵入式负荷检测方法，其特征在于，在所述根据所述类别概率以及基于2阶段序列到序列cnn的神经网络模型，预测每个电气设备的预测功耗数据之后，还包括：

9.根据权利要求2所述的基于深度学习的非侵入式负荷检测方法，其特征在于，所述确定所述频率矩阵中的目标频率值包括：

10.一种基于深度学习的非侵入式负荷检测系统，其特征在于，包括：

技术总结
本申请提供的基于深度学习的非侵入式负荷检测方法以及系统，包括：获取三相系统的用电数据，根据所述用电数据以及三相系统负荷检测模型，预测所述三相系统的功耗数据，确定所述三相系统的功耗数据中的电流数据，根据所述电流数据以及基于杜克栅栏的非侵入式负荷检测模型，确定所述电流数据是否为异常数据。通过使用深度学习等方法解决三相系统中单相和三相负载分解的问题，从而扩展负荷检测的维度和范围，然后采用杜克栅栏法检测聚合电流变化，从而可完成单个用户或部门的用电负荷检测，并更快速地检测聚合电流变化，并提高负荷检测的准确性和可靠性。

技术研发人员：杨勇,彭浩,郝一浩,孙笠,陈永辉,刘琳,张伟光,杜皓华,董韬
受保护的技术使用者：国网河北省电力有限公司邯郸供电分公司
技术研发日：
技术公布日：2024/9/23