一種非侵入式負荷監測方法及裝置的制造方法
【專利摘要】本發明公開了一種非侵入式負荷監測方法及裝置，該方法包括：獲得待監測用電負荷在設定時長內各采樣點的電流總和和有功功率總和；將所述電流總和與所述有功功率總和作為神經網絡模型的輸入層節點；將用電負荷的工作狀態作為所述神經網絡模型的輸出層節點；按照設定時間段內監測所得的采樣數據對所述神經網絡模型進行訓練；通過訓練完成的神經網絡模型確定下一設定時長內各用電負荷的工作狀態，用于解決現有非侵入式負荷監測方法對設備采樣頻率要求高、難以有效處理多工作模式負載投入使用的負荷監測問題。
【專利說明】
一種非侵入式負荷監測方法及裝置
技術領域
[0001] 本發明涉及電力技術領域，尤其是涉及一種非侵入式負荷監測方法及裝置。
【背景技術】
[0002] 居民用戶是堅強智能電網的重要消耗端，也是微電網的重要組成部分。負荷監測 技術可以幫助用戶了解家中電器使用情況，提高用戶參與需求響應的意識，促進用戶科學 合理用電。此外，在電力需求側管理、盜電監管、實時電價等多個智能電網的應用領域，負荷 監測技術都扮演著關鍵的角色。
[0003] 目前，負荷監測技術主要分為侵入式負荷監測和非侵入式負荷監測兩種。其中，侵 入式負荷監測的方法需要在總負荷內部的每個用電器上都配備傳感器，該方法雖然準確性 高，但可靠性低，實施困難;非侵入式的方法只需在用戶的用電入口處安裝一個傳感器，通 過分析監測得到的總負荷數據，來獲知用戶各用電設備的工作狀態和用電功率，該方法成 本低，安裝方便，是近年來負荷監測技術的研究重點。圖1描述了非侵入式負荷監測(11 〇11-intrusive load monitoring,NILM)技術在需求響應系統中的作用。通過非侵入式負荷監 測技術，能夠確定出用戶家中各電器的能耗及工作狀態。當前NILM技術根據數據來源方式 不同主要可分為兩類:高頻率采樣和低頻率采樣(小于1HZ)。盡管高頻率采樣的分析方法能 夠獲得更加豐富的電器信息，進而提升負荷辨識的準確率。然而，這類方法的實現需要監測 設備具有極高的采樣頻率，而現有的常規電力設備都無法滿足要求，使得這類方法實用性 不強。
【發明內容】
[0004] 本發明提供了一種非侵入式負荷監測方法及裝置，能夠解決現有非侵入式負荷監 測方法對設備采樣頻率要求高、難以有效處理多工作模式負載投入使用的負荷監測問題。
[0005] -種非侵入式負荷監測方法，包括:獲得待監測用電負荷在設定時長內各采樣點 的電流總和和有功功率總和;將所述電流總和與所述有功功率總和作為預先設定的神經網 絡模型的輸入層節點；將用電負荷的工作狀態作為所述神經網絡模型的輸出層節點；按照 設定時間段內監測所得的采樣數據對所述神經網絡模型進行訓練;并通過訓練完成的神經 網絡模型確定下一設定時長內各用電負荷的工作狀態。
[0006] 在將用電負荷的工作狀態作為所述神經網絡模型的輸出層節點之前，還包括:根 據待監測用電負荷在設定時長內的電流總和，確定各用電負荷在所述設定時長內各指定采 樣點對應的工作狀態。
[0007] 確定各用電負荷在所述設定時長內各指定采樣點對應的工作狀態，包括:根據所 述電流總和，確定每個用電負荷在設定時長內的電流密度曲線;在所述電流密度曲線中，確 定有效峰值點;每個峰值點作為所述用電負荷的一種工作狀態。
[0008] 還包括:按照下述方式校正確定出的下一設定時長內各用電負荷的工作狀態的準 確率:準確率=正確識別采樣個數/總采樣個數其中所述正確識別的采樣點包括兩類:用電 負荷關閉，確定出的用電負荷也關閉；用電負荷工作，確定出用電負荷的工作狀態。
[0009]還包括:按照下述公式確定各用電負荷所對應的能耗值：
[0011]其中，Wh-tQt是各用電負荷所對應的每小時的能耗值，I tpeal^t個采樣點估計的電 流值，h為時間參數且h ε[1，2,3···24]，υ是額定電壓，P為用電器的功率因素。
[0012] 一種非侵入式負荷監測裝置，包括：
[0013] 獲得模塊，獲得待監測用電負荷在設定時長內各采樣點的電流總和和有功功率總 和;處理模塊，用于將所述電流總和與所述有功功率總和作為預先設定的神經網絡模型的 輸入層節點；將用電負荷的工作狀態作為所述神經網絡模型的輸出層節點；按照設定時間 段內監測所得的采樣數據對所述神經網絡模型進行訓練;并通過訓練完成的神經網絡模型 確定下一設定時長內各用電負荷的工作狀態。
[0014] 所述處理模塊，還用于根據待監測用電負荷在設定時長內的電流總和，確定各用 電負荷在所述設定時長內各指定采樣點對應的工作狀態。
[0015] 所述處理模塊，具體用于根據所述電流總和，確定每個用電負荷在設定時長內的 電流密度曲線;在所述電流密度曲線中，確定有效峰值點;每個峰值點作為所述用電負荷的 一種工作狀態。
[0016] 所述處理模塊，還用于按照下述方式校正確定出的下一設定時長內各用電負荷的 工作狀態的準確率：
[0017] 準確率=正確識別采樣個數/總采樣個數
[0018] 其中所述正確識別的采樣點包括兩類:用電負荷關閉，確定出的用電負荷也關閉； 用電負荷工作，確定出用電負荷的工作狀態。
[0019] 所述處理模塊，還用于按照下述公式確定各用電負荷所對應的能耗值：
[0021] 其中，Wh-tQt是各用電負荷所對應的每小時的能耗值，I廣個采樣點估計的電 流值，h為時間參數且h ε[1，2,3···24]，υ是額定電壓，P為用電器的功率因素。
[0022] 通過采用上述技術方案，獲得待監測用電負荷在設定時長內各采樣點的電流總和 和有功功率總和，從而確定預先設定的神經網絡模型的輸入層節點和輸出層節點；依據設 定時間段內監測所得的采樣數據對所述神經網絡模型進行訓練，進而利用訓練好的神經網 絡模型確定下一設定時長內各用電負荷的工作狀態，能夠解決現有非侵入式負荷監測方法 對設備采樣頻率要求高、難以有效處理多工作模式負載投入使用的負荷監測問題。
【附圖說明】
[0023] 圖1為通常情況中，NILM技術在需求響應系統中的作用；
[0024] 圖2為本發明實施例中，提出的非侵入式負荷監測方法流程圖；
[0025] 圖3為本發明實施例中，提出的NNPR模型的結構示意圖；
[0026] 圖4為本發明實施例中，洗碗機電流密度曲線示意圖；
[0027] 圖5為本發明實施例中，實驗室搭建的用電數據采集系統示意圖；
[0028] 圖6為本發明實施例中，NILM方法得到的實驗室各用電器能耗(一個月）示意圖；
[0029] 圖7為本發明實施例中，提出的非侵入式負荷監測裝置結構組成示意圖。
【具體實施方式】
[0030] 針對現有非侵入式負荷監測方法對設備采樣頻率要求高、難以有效處理多工作模 式負載投入使用的問題，本發明提出技術方案中，利用市面上通用的智能電表搜集用電數 據，構建基于神經網絡模式識別（neural network pattern recognition，NNPR)的負荷分 解模型，在考慮負荷本身特征（電流，有功功率等)的同時，還充分利用了歷史監測數據中隱 藏的用電信息，用于解決現有非侵入式負荷監測方法對設備采樣頻率要求高、難以有效處 理多工作模式負載投入使用的問題。
[0031] 下面將結合各個附圖對本發明實施例技術方案的主要實現原理、【具體實施方式】及 其對應能夠達到的有益效果進行詳細地闡述。
[0032] 本發明實施例提出一種非侵入式負荷監測方法，針對非侵入式負荷監測問題，如 圖2所示，其具體處理流程如下述：
[0033] 步驟21，獲得待監測用電負荷在設定時長內各采樣點的電流總和和有功功率總 和。
[0034] 步驟22,將電流總和與有功功率總和作為預先設定的神經網絡模型的輸入層節 點。
[0035] NNPR是近年來模式識別領域一個全新的研究方向，具有魯棒性、容錯性、很強的自 學習型等諸多優點。與傳統模式識別不同，神經網絡模式識別更擅長提取模式之間的隱藏 關聯。通常來講，一個完整的神經網絡結構可以被劃分成三部分，分別是輸入層、隱含層和 輸出層。上下層之間的神經元實現全連接，而同一層的神經元之間無連接。
[0036] 在本發明實施例提出的技術方案中，神經網絡模型的輸入層節點包含總負荷的特 征參數信息。一種較佳地實施方式，神經網絡模型的輸入層節點包括監測得到的電流總和 有功功率總和。
[0037] 步驟23,將用電負荷的工作狀態作為神經網絡模型的輸出層節點。
[0038] 在本發明實施例提出的技術方案中，神經網絡模型的輸出層節點是用電負荷的工 作狀態，輸出層節點個數與負荷的工作狀態種類相關，具體如下述表1所示。
[0039] 表 1
[0042]在上述表1中，中Si代表電器的具體工作模式，η個輸出神經元最多可以表示2"種工 作模式。通常家用的用電負荷的工作狀態不會超過8種，也就是說神經網絡輸出節點的個數 一般不會超過3。
[0043]步驟24,按照設定時間段內監測所得的采樣數據對所述神經網絡模型進行訓練； 并通過訓練完成的神經網絡模型確定下一設定時長內各用電負荷的工作狀態。
[0044] 在神經網絡模式中，通過隱藏層，將輸入層和輸入層連接，針對隱藏層節點的個 數，經驗上一般取為輸入神經元個數和輸出神經元個數的總和。
[0045] 在本發明實施例提出的技術方案中，利用MATLAB建立一個兩層前饋神經網絡模式 識別模型，隱藏層神經元(即隱藏層節點)和輸出層神經元（即輸出層節點）都使用連續可微 的Sigmod函數進行激勵，可表示為：
[0047]在上述公式1中，/(wef (/0表示神經網絡第η層的第j個神經元，在第1次訓 練下的S i gmod激勵函數。其中該神經元的值由下式計算得出：
[0049 ] Wij表示節點j到節點i的權值，bj表示節點j的偏置，1為訓練算法迭代次數。
[0050] 舉一例進行詳細闡述：
[0051] 如圖3所示是一個輸入層節點個數為2,隱含層節點個數為3,輸出層節點個數為1 的NNPR模型結構。在本發明實施例提出的技術方案中，對神經網絡模型的訓練算法采用量 化共輒梯度法（scaled conjugate gradient，SCG)，將均方誤差(mean sum of squares, MSE)作為訓練的性能目標，其中MSE計算公式為：
[0053]其中k為第j個神經元實際（期望)輸出，％為網絡輸出，1為訓練算法迭代次數。 [0054] 可選地，在上述步驟23之前，還可以包括：
[0055] 根據待監測用電負荷在設定時長內的電流總和，確定各用電負荷在設定時長內各 指定采樣點對應的工作狀態。
[0056] 根據電流總和，確定每個用電負荷在設定時長內的電流密度曲線，在電流密度曲 線中，確定有效峰值點，每個峰值點作為所述用電負荷的一種工作狀態。
[0057] NNPR模型輸出層神經元個數與符合工作狀態的種類密切相關，因此，如何根據歷 史監測數據確定待識別負荷的工作狀態的種類非常重要。由于電流不會受到供電電壓波動 的影響，因而相比于有功功率，利用監測得到的電流數據更能夠準確的判斷出負荷的工作 狀態。
[0058]舉一例進行詳細闡述：
[0059] 為確定待辨識負荷的工作狀態的種類，依據得到的歷史監測數據，做出各負荷的 電流密度曲線。曲線橫縱坐標：
[0060] 1)橫坐標為在一個較長監測周期內，對負荷監測得到的所有電流值。
[0061 ] 2)縱坐標為各個監測電流值出現的次數。
[0062]如圖4所示，為AMPds數據中洗碗機的電流密度曲線（總采樣點個數為524544)。由 圖4可以快速確定洗碗機有四種工作狀態。也就是說，電流密度曲線中每個有效峰值點對應 著洗碗機的一種工作狀態。
[0063]具體地，一個有效的峰值點需要滿足以下兩個條件：
[0064]第一個條件:峰值點左邊曲線斜率為正，右邊為負。
[0065] 第二個條件:為確保小峰值點（噪聲）不被錯誤的辨識為一種負荷的工作狀態，有 效峰值點所對應的縱坐標（電流幅值出現次數)應大于某一閾值。閾值大小不固定，可正確 辨識出負荷的工作狀態即可。
[0066] 每個有效峰值點所對應的電流值稱為用電器在該工作狀態下的最大可能電流值 (Ipeak)。由于實際監測得到的電流值存在波動，即同一電器在同一狀態下監測得到的電流 值并不會完全相同。因此，在對訓練數據進行標記時，規定了一個20%的真值區間(Ground Truth)。以洗碗機電流數據為例，若監測得到的電流值在0.96與1.44之間（1.2 ± 20 % )，將 洗碗機的工作狀態標記為S2。
[0067]由于低采樣頻率下負荷的開關事件很難被檢測，因而采用非事件觸發(non-event based)的監測方法收集用電數據。在本發明實施例提出的技術方案中，通過兩組數據來驗 證所提出NILM方法的有效性。
[0068]第一組數據是實驗室監測得到的用電數據;第二組數據是公開用于NILM研究的數 據庫（AMPds)數據。第一組數據和第二組數據的共同點有：1)低頻率采樣（采樣頻率1/ 60HZ);2)包含電器電流、有功功率、總能耗等用電信息。下面分別進行詳細闡述：
[0069] 第一組數據:實驗室監測得到的用電數據。
[0070] 為驗證所提出NILM方法的有效性，如圖5所示，在實驗室搭建一個長期有效的用電 數據采集系統。每個用電負荷都通過轉換插頭與一個基于ZigBee協議的智能電表相連，獲 取各用電負荷的用電數據。如下述表2所示，列取了智能電表能夠測量到的所有用電參數。 在采樣頻率為1/60HZ的情況下(每隔lmin返回一次信息），采集了 5種典型家用電器(即用電 負荷）一個月（2015年12月18日至2016年1月18日）的用電數據，包括飲水機，電冰箱，微波 爐，空氣凈化器和電熱水壺。這些電器在實驗室的工作原則與實際家庭中類似。例如，飲水 機和電冰箱一般會連續運行一整天，空氣凈化器在空氣質量不好的情況下工作頻率更高。
[0071] 表2
[0073]此外，在電腦上安裝了兩個相關的軟件，分別是MySQL和用電信息演示系統(Power Management SyStem，PMS)。前者（即MySQL)是一個數據庫管理工具，用于存儲和管理搜集到 的歷史數據。用電信息演示系統是一個用電數據演示系統，能夠實時地顯示各用電器的用 電信息，進而方便確認各個智能電表是否都處于正常的工作狀態。
[0074] 第二組數據:用于NILM研究的數據庫(AMPds)數據。
[0075] 如下述表3所示，不同算法對家庭能源數據的總結。
[0076] 表 3
[0078]選取AMPds數據進行算法驗證的主要原因有：1)監測周期長（1年）、數據量大(每個 電表含524544個讀數）。短期的監測數據會因為人為、天氣等因素的影響，不能夠完全真實 的反映出家庭能源消耗情況，不利于評判NILM方法的有效性;2)監測得到的用電信息豐富。 AMPds中不僅包含了電器的功率信息，還含有電器的電壓、電流、功率因素、總能耗等信息； 3)采樣頻率低（1/60取）。
[0079]按照下述方式校正確定出的下一設定時長內各用電負荷的工作狀態的準確率： [0080]準確率=正確識別采樣個數/總采樣個數
[0081]其中正確識別的采樣點包括兩類:用電負荷關閉，確定出的用電負荷也關閉；用電 負荷工作，確定出用電負荷的工作狀態。
[0082]評估NILM方法有效性的指標有很多，最被廣泛使用的是準確率(accuracy)和F值 (f-measure)。雖然F值能更精確的衡量NILM方法的性能，但它僅僅適用于簡單開關類負荷。 由于驗證數據中包含多工作模式負載，因此本發明實施例提出的技術方案中，采用識別準 確率去測試所提出方法性能。
[0083]在本發明實施例提出的技術方案中，能夠讓用戶知曉家中主要用電器的具體耗電 情況。要想知道各用電器的耗電量。每個采樣時刻電器的電流或功率情況。若第t個采樣時 刻電器工作狀態被判斷為Si，我們用電器在Si狀態下的最大可能電流值表示該時刻電器的 真實電流值。因此，電器每個小時的耗電量(kWh)可表示為(采樣間隔1分鐘）。
[0084]按照下述公式確定各用電負荷所對應的能耗值：
[0086]其中，Wh-tQt是各用電負荷所對應的每小時的能耗值，I廣個采樣點估計的電 流值，h為時間參數且h ε[1，2,3···24]，υ是額定電壓，P為用電器的功率因素。
[0087]在本發明實施例提出的技術方案中，采用表2所示的兩組數據進行算法驗證。訓練 時將總數據的70%作為訓練集，15%的數據作為驗證集，15%的數據作為測試集。訓練算法 根據訓練集中的數據在模型中的均方誤差不斷修正各個節點的權重和偏置。驗證集數據用 于測量模型的泛化性能。測試集數據用于評估訓練中及訓練后神經網模型的性能，對訓練 過程沒有影響。三種情況可以使訓練停止:一是算法的迭代次數達到設定值，二是模型的泛 化性能停止增長，三是訓練模型的均方誤差小于10- 6。所有的算法驗證程序都是基于 MATLAB2013a設計的，在擁有2.2GHz CPU和1GB內存的電腦上運行。神經網絡訓練算法迭代 次數最大值設為1000。
[0088]利用實驗室監測得到的用電數據(每個電表含42866個有效數據），結合上述步驟， 表4得出了參與實驗的5種家用電器的工作狀態詳情。分析表4可知，飲水機、電冰箱、微波 爐、空氣凈化器和電熱水壺的工作狀態種類分別為2、2、4、3和2。
[0089]表5為算法驗證結果，對于參與驗證的5種家用電器，本發明實施例提出的技術方 案的識別準確率在95 %以上。
[0090]表 4
[0095] 對實驗室5種電器一個月的耗電量進行計算，結果如圖6所示。
[0096] 分析圖6可知:若以傳統用電信息演示系統監測（侵入式負荷監測)得到的用電數 據數據為基準，本發明實施例提出的NILM方法對總能耗估算的誤差為e%= | (56.424-58.630) |/56·424Χ100%=3·736%。
[0097] 以AMPds數據為例，構建用于NILM系統的NNPR模型。分析表6可知，除洗衣機外，本 發明實施例提出的技術方案與傳統方法相比，能夠獲得更高的負荷識別準確率。
[0101]本發明實施例上述提出的技術方案中，對監測設備采樣頻率要求低、模型簡單、可 準確分解多工作模式電器的用電負荷。首先，在負荷特征選取時，同時考慮了負載的穩態電 流和有功功率;通過改變NNPR模型輸出層節點個數，有效解決了多工作模式電器的識別問 題。而后利用監測得到的歷史用電數據，提出電流密度曲線的概念，確定了負載工作模式種 類以及每種工作模式下對應的電流值，并依此對訓練數據進行標記(Label)。
[0102] 相應地，本發明實施例還提出一種非侵入式負荷監測裝置，如圖7所示，包括：
[0103] 獲得模塊701，用于獲得待監測用電負荷在設定時長內各采樣點的電流總和和有 功功率總和。
[0104] 處理模塊702,用于將所述電流總和與所述有功功率總和作為預先設定的神經網 絡模型的輸入層節點；將用電負荷的工作狀態作為所述神經網絡模型的輸出層節點；按照 設定時間段內監測所得的采樣數據對所述神經網絡模型進行訓練;并通過訓練完成的神經 網絡模型依據設定時間段內監測所得的采樣數據對所述神經網絡模型進行訓練，進而利用 訓練好的神經網絡模型確定下一設定時長內各用電負荷的工作狀態。
[0105] 可選地，上述處理模塊702,還用于根據待監測用電負荷在設定時長內的電流總 和，確定各用電負荷在所述設定時長內各指定采樣點對應的工作狀態。
[0106] 具體地，上述處理模塊702,具體用于根據所述電流總和，確定每個用電負荷在設 定時長內的電流密度曲線;在所述電流密度曲線中，確定有效峰值點;每個峰值點作為所述 用電負荷的一種工作狀態。
[0107] 可選地，上述處理模塊702,還用于按照下述方式校正確定出的下一設定時長內各 用電負荷的工作狀態的準確率：
[0108]準確率=正確識別采樣個數/總采樣個數
[0109]其中所述正確識別的采樣點包括兩類:用電負荷關閉，確定出的用電負荷也關閉； 用電負荷工作，確定出用電負荷的工作狀態。
[0110] 可選地，上述處理模塊702,還用于按照下述公式確定各用電負荷所對應的能耗 值：
[0112]其中，Wh-tQt是各用電負荷所對應的每小時的能耗值，I廣個采樣點估計的電 流值，h為時間參數且h ε[1，2,3···24]，υ是額定電壓，P為用電器的功率因素。
[0113] 本發明實施例上述提出的技術方案，首先，不僅考慮了負載的自身特性(穩態電流 和有功功率），還充分利用到歷史監測數據中涵蓋的隱藏用電信息。通過構建適用于負荷分 解的NNPR模型，可有效提取歷史監測數據中的隱藏信息。利用實驗室數據和AMPds數據進行 算法驗證，證明了有效性和準確性。
[0114] 其次，待識別負荷工作狀態的類時，充分利用監測所得歷史數據，通過建立起各家 用電器的電流密度曲線，可快速準確的確定負荷的工作狀態種類及各種狀態下對應的電流 幅值，進而對訓練數據進行標記。
[0115] 再次，給出了一種全新的非侵入式負荷能耗估計方法，并與傳統侵入式負荷監測 方法進行比較，證明了方法的可行性和有效性。
[0116] 最后，所需用電數據可直接由市面上通用的智能電表獲得，降低了硬件成本，提高 了用戶參與需求響應的積極性。此外，由于居民電力負荷組成最為復雜，本發明方法也適用 于工業和商業負荷的監測與分解。
[0117] 本領域的技術人員應明白，本發明的實施例可提供為方法、裝置(設備）、或計算機 程序產品。因此，本發明可采用完全硬件實施例、完全軟件實施例、或結合軟件和硬件方面 的實施例的形式。而且，本發明可采用在一個或多個其中包含有計算機可用程序代碼的計 算機可用存儲介質（包括但不限于磁盤存儲器、只讀光盤、光學存儲器等）上實施的計算機 程序產品的形式。
[0118] 本發明是參照根據本發明實施例的方法、裝置(設備)和計算機程序產品的流程圖 和/或方框圖來描述的。應理解可由計算機程序指令實現流程圖和/或方框圖中的每一流程 和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合。可提供這些計算機程序指 令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生 一個機器，使得通過計算機或其他可編程數據處理設備的處理器執行的指令產生用于實現 在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。
[0119] 這些計算機程序指令也可存儲在能引導計算機或其他可編程數據處理設備以特 定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指 令裝置的制造品，該指令裝置實現在流程圖一個流程或多個流程和/或方框圖一個方框或 多個方框中指定的功能。
[0120] 這些計算機程序指令也可裝載到計算機或其他可編程數據處理設備上，使得在計 算機或其他可編程設備上執行一系列操作步驟以產生計算機實現的處理，從而在計算機或 其他可編程設備上執行的指令提供用于實現在流程圖一個流程或多個流程和/或方框圖一 個方框或多個方框中指定的功能的步驟。
[0121]盡管已描述了本發明的優選實施例，但本領域內的技術人員一旦得知了基本創造 性概念，則可對這些實施例作出另外的變更和修改。所以，所附權利要求意欲解釋為包括優 選實施例以及落入本發明范圍的所有變更和修改。
[0122]顯然，本領域的技術人員可以對本發明進行各種改動和變型而不脫離本發明的精 神和范圍。這樣，倘若本發明的這些修改和變型屬于本發明權利要求及其等同技術的范圍 之內，則本發明也意圖包含這些改動和變型在內。
【主權項】
1. 一種非侵入式負荷監測方法，其特征在于，包括： 獲得待監測用電負荷在設定時長內各采樣點的電流總和和有功功率總和； 將所述電流總和與所述有功功率總和作為神經網絡模型的輸入層節點； 將用電負荷的工作狀態作為所述神經網絡模型的輸出層節點； 按照設定時間段內監測所得的采樣數據對所述神經網絡模型進行訓練;并 通過訓練完成的神經網絡模型確定下一設定時長內各用電負荷的工作狀態。2. 如權利要求1所述的方法，其特征在于，在將用電負荷的工作狀態作為所述神經網絡 模型的輸出層節點之前，還包括： 根據待監測用電負荷在設定時長內各采樣點的電流總和，確定各用電負荷在所述設定 時長內各指定采樣點對應的工作狀態。3. 如權利要求2所述的方法，其特征在于，確定各用電負荷在所述設定時長內各指定采 樣點對應的工作狀態，包括： 根據所述電流總和，確定每個用電負荷在設定時長內的電流密度曲線； 在所述電流密度曲線中，確定有效峰值點； 每個峰值點作為所述用電負荷的一種工作狀態。4. 如權利要求1所述的方法，其特征在于，還包括： 按照下述方式校正確定出的下一設定時長內各用電負荷的工作狀態的準確率： 準確率=正確識別采樣個數/總采樣個數 其中所述正確識別的采樣點包括兩類:用電負荷關閉，確定出的用電負荷也關閉；用電 負荷工作，確定出用電負荷的工作狀態。5. 如權利要求1~4任一所述的方法，其特征在于，還包括： 按照下述公式確定各用電負荷所對應的能耗值：其中，Wh-tDt是各用電負荷所對應的每小時的能耗值，ItPBak第t個采樣點估計的電流值，h 為時間參數且11引1，2,3-，24]，1]是額定電壓，0為用電器的功率因素。6. -種非侵入式負荷監測裝置，其特征在于，包括： 獲得模塊，用于獲得待監測用電負荷在設定時長內各采樣點的電流總和和有功功率總 和； 處理模塊，用于將所述電流總和與所述有功功率總和作為預先設定的神經網絡模型的 輸入層節點；將用電負荷的工作狀態作為所述神經網絡模型的輸出層節點；按照設定時間 段內監測所得的采樣數據對所述神經網絡模型進行訓練;并 通過訓練完成的神經網絡模型確定下一設定時長內各用電負荷的工作狀態。7. 如權利要求6所述的裝置，其特征在于，所述處理模塊，還用于根據待監測用電負荷 在設定時長內的電流總和，確定各用電負荷在所述設定時長內各指定采樣點對應的工作狀 態。8. 如權利要求7所述的裝置，其特征在于，所述處理模塊，具體用于根據所述電流總和， 確定每個用電負荷在設定時長內的電流密度曲線；在所述電流密度曲線中，確定有效峰值 點;每個峰值點作為所述用電負荷的一種工作狀態。9. 如權利要求6所述的裝置，其特征在于，所述處理模塊，還用于按照下述方式校正確 定出的下一設定時長內各用電負荷的工作狀態的準確率： 準確率=正確識別采樣個數/總采樣個數 其中所述正確識別的采樣點包括兩類:用電負荷關閉，確定出的用電負荷也關閉；用電 負荷工作，確定出用電負荷的工作狀態。10. 如權利要求6~9任一所述的裝置，其特征在于，所述處理模塊，還用于按照下述公 式確定各用電負荷所對應的能耗值：其中，Wh-tDt是各用電負荷所對應的每小時的能耗值，ItPBak第t個采樣點估計的電流值，h 為時間參數且11引1，2,3-，24]，1]是額定電壓，0為用電器的功率因素。
【文檔編號】G06Q50/06GK106096726SQ201610379138
【公開日】2016年11月9日
【申請日】2016年5月31日
【發明人】周晨軼, 劉松, 劉鵬
【申請人】華北電力大學