一种基于家居负荷分解的用电控制系统技术方案

本发明专利技术公开了一种基于家居负荷分解的用电控制系统，包括一台智能电表、若干采集模块以及若干智能插座；通过智能插座与钳形电流采集器获取到的设备状态变换信息能够为负荷分解提供时间点数据，编号分类过的智能插座及钳形电流采集器能够为负荷分解提供部分先验知识，这两大措施能大大提高负荷分解的准确度，有助于识别难以被传统非侵入式负荷分解方法识别出的用电设备，同时也能够降低对传感器采样频率，采样类型等的性能要求。此外，结合智能插座的通断电功能，通过智能电表的控制实现电源的按需投切。

An Electricity Control System Based on Home Load Decomposition

The invention discloses an electric power control system based on household load decomposition, which includes an intelligent ammeter, several acquisition modules and several intelligent sockets; the equipment state conversion information obtained by the intelligent socket and the clamp current collector can provide time point data for load decomposition, and the intelligent socket numbered and classified. The clamp current collector can provide some prior knowledge for load decomposition. These two measures can greatly improve the accuracy of load decomposition, help to identify electrical equipment which is difficult to be identified by traditional non-intrusive load decomposition methods, and also reduce the performance requirements of sensor sampling frequency and sampling type. In addition, combined with the power-on and power-off function of the intelligent socket, the on-demand switching of power supply is realized through the control of the intelligent meter.

【技术实现步骤摘要】
一种基于家居负荷分解的用电控制系统
本专利技术涉及一种基于家居负荷分解的用电监测控制系统，属于电子信息
技术背景用电监测指实现对家居各用电设备具体耗电情况的监测，通过分析用电数据实现合理科学用电，帮助电力部门提供可靠、高质量的电能；用电控制主要包括远程实现部分电源的投切，当系统检测到电能浪费或安全隐患时自动切断电源，通过计划任务实现电源自动投入等。家居负荷分解是实现家居用电监测的常用手段，一般有两种：侵入式和非侵入式。侵入式负荷分解安装过程中需要短暂停电，并为多种用电设备加装传感器，成本高且难以被用户接受；非侵入式负荷分解只需要在入口处加装一个传感器，通过数据分析获取各个用电设备的具体使用情况，但是识别准确率无法满足家用环境要求，而且高采样频率的传感器同样有成本过高的问题。在推行动态电价的大环境下，对用电监测控制系统提出更高要求。而现有的用电监测设备存在功能单一，相互之间不兼容等缺点；传统的负荷分解手段又存在成本过高，识别准确率低，采样频率要求过高等问题，且无法实现对电源的主动控制。因此，研究一种高效低廉，可靠性强，对用户更加友好的用电监测控制系统具有重要意义。
技术实现思路
本专利技术针对现有技术的不足提供一种基于家居负荷分解的用电监测控制系统，目的在于为用户提供更加详细的用电监测信息，并能根据需求自动开启和关断插座电源。传统的家居负荷分解方法被简单划分为侵入式与非侵入式两种，侵入式负荷分解需要用户为每个用电设备加装传感器，安装和后续的维护成本都比较高；非侵入式负荷分解虽然只需要在电力入口处安装传感器，但是对负荷分解而言，依旧缺少足够的信息，常见的解决方法包括提高传感器的采样频率，增加采样器对电力信号的采样类型等等，这些解决方法又不可避免地提高了传感器成本，而且采用非侵入式方法从本质上对一些小功率设备，多状态设备识别准确率不高。此外，传统的用电监测系统只能进行监测，无法根据监测结果和用户要求进行自动控制，监测得到的用电设备具体信息没有得到充分利用。本专利技术为解决上述问题，提出以下技术方案：一种基于家居负荷分解的用电控制系统，包括一台智能电表、若干采集模块以及若干智能插座；所述的采集模块包括钳形电流采集器和嵌于智能插座中的数据采集部分，所述采集模块采集一个或多个用电器的总电流；所述的智能插座对与它连接的所有用电器提供电能并统一控制；所述的控制系统中，存在部分孤立用电器不被采集模块测量电流，或不被智能插座控制仅由普通插座提供电能；所述智能电表中存储有采集模块的布局图和预期孤立用电器类别，布局图记录各个采集模块的编号、各个采集模块对应的预期用电器及预期总电流；智能电表采集该家庭用户的总电流DM，同时获取所有采集模块采集的电流信号DR，将DM和DR输入到预先训练好的神经网络模型，根据神经网络模型的输出生成用电报告，并控制智能插座的通断，进而控制连接的所有用电器的开关。所述神经网络模型通过如下步骤得到：(1-1)样本获取：在布局有上述控制系统的模拟家庭环境下，针对任一台用电器d′，获取其实际实时电流Y′；智能电表实时采集总电流D′M，采集模块r′1,r′2,r′3,...,r′h实时采集电流，分别得到电流序列D′R1,D′R2,D′R3,...,D′Rh，h为采集模块数量；D′R1,D′R2,D′R3,...,D′Rh构成D′R(h×p，p为采样次数)，D′R1,D′R2,D′R3,...,D′Rh按采样时刻分别求和构成D′S(h×1),D′S即各采集模块所测电流数据之和。若用电器d包含在采集模块r′i所采集的若干用电器中，则将D′M和D′Ri合并为X′，否则将D′M和D′S合并为X′；(1-2)设计包含有递归神经网络层，卷积神经网络层、全连接层的深度神经网络；(1-3)训练模型：将X′和Y′划分为训练集和测试集，定义损失函数，利用训练集中的X′和Y′训练模型。特别的，Y′中时间点t的数据基于X′中时间点t-T到t的数据训练得到；(1-4)测试模型：以测试集的X′和Y′测试步骤(3)中模型对用电器d的分解效果；(1-5)调整模型：根据步骤(1-4)调整步骤(1-2)中的各深度神经网络参数。通过所述步骤(1-1)到(1-5)对每种用电器建立神经网络模型，所述神经网络模型分为A、B两类，A类模型对应该用电器电流数据被采集模块采集情形，B类模型对应该用电器电流数据未被任何采集模块采集情形。所述的根据神经网络模型的输出生成用电报告通过如下步骤得到：(2-1)数据获取：在实际家庭环境下，循环获取T时间段内智能电表采集的总电流DM，采集模块r1,r2,r3,...,rh采集的电流DR1,DR2,DR3,...,DRh构成DR(h为采集模块数量)，DR1,DR2,DR3,...,DRh按采样时刻求和构成DS,DS即各采集模块所测电流数据之和。(2-2)模型检测：对DR中的每一行DRi，与DM合并为Xi，输入到各用电器的A类模型中，输出各类用电器的功率Yi，其中，i的取值范围为1～h，Yi为一矩阵，其行数为A类模型中用电器类别数量，每行表示该类用电器的功率变化；将DS与DM合并为XS，输入到各用电器的B类模型中，输出各类用电器的功率YS，YS为一矩阵，其行数为B类模型中用电器类别数量，每行表示该类用电器的功率变化。(2-3)用电器筛选：各类用电器的功率Yi与采集模块ri对应，根据布局图中ri的预期用电器种类选择Yi中的用电器，得出采集模块ri所采集用电器功率曲线及流经实际总电流Ii；根据预期孤立用电器类别筛选功率YS，得到各孤立用电器的功率曲线。(2-4)生成用电报告：根据(2-3)的结果得到各用电器功率曲线及流经采集模块ri的总电流Ii智能电表对智能插座的控制通过如下步骤进行：(3-1)电流数据异常检测：智能电表分析DR中来自于智能插座的电流数据，若超过预期总电流的50％，则判定产生异常，将该智能插座断开；(3-2)模型输出异常检测：分析用电报告中经智能插座控制的用电器功率曲线，若瞬时功率超过用电器额定功率的2倍，则判定产生异常，将对应的智能插座断开；(3-3)用户自定义控制：在步骤(3-1)、(3-2)未检测到异常的情况下，根据用户预设的定时任务开关相应智能插座。进一步地，所述的智能电表包括：第一数据采集模块，用于采集家庭用户的总电流；数据存储模块，用于存储有采集模块的布局图和预期孤立用电器类别，布局图记录各个采集模块的编号、各个采集模块对应的预期用电器及预期总电流；数据处理模块，用于数据分析，生成用电报告和控制指令；通信模块，用于与采集模块、智能插座进行通信；人机交互模块，用于输入用户的自定义设置，例如，定时控制信息；所述的采集模块由钳形电流采集器和智能插座中的数据采集部分组成，其中钳形电流采集器包括：第二数据采集模块，用于采集电流；通信模块，用于与智能电表进行通信；微处理器模块，用于对数据进行压缩存储，在接收到智能电表的请求时向智能电表上传采集的电流数据。所述的智能插座包括：第三数据采集模块，用于采集电流；通信模块，用于与智能电表进行通信；电源投切模块，用于控制插座的通断；微处理器模块，用于对数据进行压缩存储，在接收到智能电表的请求时向智能电表上传采集的电流数据。进一步地，所述第二数据采集模块和第三数据采本文档来自技高网...

【技术保护点】
1.一种基于家居负荷分解的用电控制系统，其特征在于，包括一台智能电表、若干采集模块以及若干智能插座；所述的采集模块包括钳形电流采集器和嵌于智能插座中的数据采集部分，所述采集模块采集一个或多个用电器的总电流；所述的智能插座对与它连接的所有用电器提供电能并统一控制；所述的控制系统中，存在部分孤立用电器不被采集模块测量电流，或不被智能插座控制仅由普通插座提供电能；所述智能电表中存储有采集模块的布局图和预期孤立用电器类别，布局图记录各个采集模块的编号、各个采集模块对应的预期用电器及预期总电流；智能电表采集该家庭用户的总电流DM，同时获取所有采集模块采集的电流信号DR，将DM和DR输入到预先训练好的神经网络模型，根据神经网络模型的输出生成用电报告，并控制智能插座的通断，进而控制连接的所有用电器的开关。所述神经网络模型通过如下步骤得到：(1‑1)样本获取：在布局有上述控制系统的模拟家庭环境下，针对任一台用电器d′，获取其实际实时电流Y′；智能电表实时采集总电流D′M，采集模块r1′,r2′,r3′,...,rh′实时采集电流，分别得到电流序列D′R1,D′R2,D′R3,...,D′Rh，h为采集模块数量；D′R1,D′R2,D′R3,...,D′Rh构成D′R(h×p，p为采样次数)，D′R1,D′R2,D′R3,...,D′Rh按采样时刻分别求和构成D′S(h×1),D′S即各采集模块所测电流数据之和。若用电器d包含在采集模块ri′所采集的若干用电器中，则将D′M和D′Ri合并为X′，否则将D′M和D′S合并为X′；(1‑2)设计包含有递归神经网络层，卷积神经网络层、全连接层的深度神经网络；(1‑3)训练模型：将X′和Y′划分为训练集和测试集，定义损失函数，利用训练集中的X′和Y′训练模型。特别的，Y′中时间点t的数据基于X′中时间点t‑T到t的数据训练得到；(1‑4)测试模型：以测试集的X′和Y′测试步骤(3)中模型对用电器d的分解效果；(1‑5)调整模型：根据步骤(1‑4)调整步骤(1‑2)中的各深度神经网络参数。通过所述步骤(1‑1)到(1‑5)对每种用电器建立神经网络模型，所述神经网络模型分为A、B两类，A类模型对应该用电器电流数据被采集模块采集情形，B类模型对应该用电器电流数据未被任何采集模块采集情形。所述的根据神经网络模型的输出生成用电报告通过如下步骤得到：(2‑1)数据获取：在实际家庭环境下，循环获取T时间段内智能电表采集的总电流DM，采集模块r1,r2,r3,...,rh采集的电流DR1,DR2,DR3,...,DRh构成DR(h为采集模块数量)，DR1,DR2,DR3,...,DRh按采样时刻求和构成DS,DS即各采集模块所测电流数据之和。(2‑2)模型检测：对DR中的每一行DRi，与DM合并为Xi，输入到各用电器的A类模型中，输出各类用电器的功率Yi，其中，i的取值范围为1～h，Yi为一矩阵，其行数为A类模型中用电器类别数量，每行表示该类用电器的功率变化；将DS与DM合并为XS，输入到各用电器的B类模型中，输出各类用电器的功率YS，YS为一矩阵，其行数为B类模型中用电器类别数量，每行表示该类用电器的功率变化。(2‑3)用电器筛选：各类用电器的功率Yi与采集模块ri对应，根据布局图中ri的预期用电器种类选择Yi中的用电器，得出采集模块ri所采集用电器功率曲线及流经实际总电流Ii；根据预期孤立用电器类别筛选功率YS，得到各孤立用电器的功率曲线。(2‑4)生成用电报告：根据(2‑3)的结果得到各用电器功率曲线及流经采集模块ri的总电流Ii智能电表对智能插座的控制通过如下步骤进行：(3‑1)电流数据异常检测：智能电表分析DR中来自于智能插座的电流数据，若超过预期总电流的50％，则判定产生异常，将该智能插座断开；(3‑2)模型输出异常检测：分析用电报告中经智能插座控制的用电器功率曲线，若瞬时功率超过用电器额定功率的2倍，则判定产生异常，将对应的智能插座断开；(3‑3)用户自定义控制：在步骤(3‑1)、(3‑2)未检测到异常的情况下，根据用户预设的定时任务开关相应智能插座。...

【技术特征摘要】
1.一种基于家居负荷分解的用电控制系统，其特征在于，包括一台智能电表、若干采集模块以及若干智能插座；所述的采集模块包括钳形电流采集器和嵌于智能插座中的数据采集部分，所述采集模块采集一个或多个用电器的总电流；所述的智能插座对与它连接的所有用电器提供电能并统一控制；所述的控制系统中，存在部分孤立用电器不被采集模块测量电流，或不被智能插座控制仅由普通插座提供电能；所述智能电表中存储有采集模块的布局图和预期孤立用电器类别，布局图记录各个采集模块的编号、各个采集模块对应的预期用电器及预期总电流；智能电表采集该家庭用户的总电流DM，同时获取所有采集模块采集的电流信号DR，将DM和DR输入到预先训练好的神经网络模型，根据神经网络模型的输出生成用电报告，并控制智能插座的通断，进而控制连接的所有用电器的开关。所述神经网络模型通过如下步骤得到：(1-1)样本获取：在布局有上述控制系统的模拟家庭环境下，针对任一台用电器d′，获取其实际实时电流Y′；智能电表实时采集总电流D′M，采集模块r1′,r2′,r3′,...,rh′实时采集电流，分别得到电流序列D′R1,D′R2,D′R3,...,D′Rh，h为采集模块数量；D′R1,D′R2,D′R3,...,D′Rh构成D′R(h×p，p为采样次数)，D′R1,D′R2,D′R3,...,D′Rh按采样时刻分别求和构成D′S(h×1),D′S即各采集模块所测电流数据之和。若用电器d包含在采集模块ri′所采集的若干用电器中，则将D′M和D′Ri合并为X′，否则将D′M和D′S合并为X′；(1-2)设计包含有递归神经网络层，卷积神经网络层、全连接层的深度神经网络；(1-3)训练模型：将X′和Y′划分为训练集和测试集，定义损失函数，利用训练集中的X′和Y′训练模型。特别的，Y′中时间点t的数据基于X′中时间点t-T到t的数据训练得到；(1-4)测试模型：以测试集的X′和Y′测试步骤(3)中模型对用电器d的分解效果；(1-5)调整模型：根据步骤(1-4)调整步骤(1-2)中的各深度神经网络参数。通过所述步骤(1-1)到(1-5)对每种用电器建立神经网络模型，所述神经网络模型分为A、B两类，A类模型对应该用电器电流数据被采集模块采集情形，B类模型对应该用电器电流数据未被任何采集模块采集情形。所述的根据神经网络模型的输出生成用电报告通过如下步骤得到：(2-1)数据获取：在实际家庭环境下，循环获取T时间段内智能电表采集的总电流DM，采集模块r1,r2,r3,...,rh采集的电流DR1,DR2,DR3,...,DRh构成DR(h为采集模块数量)，DR1,DR2,DR3,...,DRh按采样时刻求和构成DS,DS即各采集模块所测电流数据之和。(2-2)模型检测：对DR中的每一行DRi，与DM合并为Xi，输入到各用电器的A类模型中，输出各类用电器的功率Yi，其中，i的取值范围为1～h，Yi为一矩阵，其行数为A类模型中用电器类别数量，每行表示该类用电器的功率变化；将DS与DM合并为XS，输入到各用电器的B类模型中，输出各类用电器的功率YS，YS为一矩阵，其行数为B类模型中用电器类别数量，每行表示该类...

【专利技术属性】
技术研发人员：郑荣濠，李存龙，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33