基于深度神经网络算法的能效云评估方法及边缘能效网关技术

本发明专利技术公开基于深度神经网络算法的能效云评估方法及边缘能效网关系统，其方法是通过部署的边缘能效网关系统和基于深度神经网络算法系统实现普通家庭、智能楼宇和工商业用户的用电设备类型和运行状态的准确辨识，实现客户内部设备级的用能数据详细收集，从而掌握客户用能特征。能效云服务端通过能效分析模型结合现场用户实时、海量信息，为用户提供能效评估建议参考，并可通过增加的远程控制终端(智能插座等)实现自动化控制，从而引导家庭及企业用户做出能效改进的行为，为用户提供更优质的节能评估服务。

Energy Efficiency Cloud Assessment Method and Edge Energy Efficiency Gateway Based on Deep Neural Network

【技术实现步骤摘要】
基于深度神经网络算法的能效云评估方法及边缘能效网关
本专利技术公开一种基于深度神经网络算法的能效云评估方法及边缘能效网关。
技术介绍
能源的高效利用对于节能减排有重要意义，其中建筑物被确定为全球主要能源消费者，占总能源生产的25%-39%。资料表明，建筑用电量占美国2015总用电量的40%,占中国2016电力消耗量的25%。除了作为主要的能源消费主体之外，建筑物也显示出占能源浪费的很大一部分。2014年，我国的建筑能源消耗的总量在全球排名第二，仅次于美国，但是我国的人均建筑用能却处于较低水平，分别是美国人均建筑能耗的1/5，德国的1/3，日本的1/2，甚至低于世界平均水平。这反映出，在我国建筑能耗随着时代的发展持续上升的背景下，个人用能水平较低，建筑节能挑战巨大。据估计通过合理地节电运行和节电管理可以有效地降低能源浪费，其中可以节电5%-10%之多，如果能进一步促进建筑节能改造和节能运行后还能产生10%-20%的节能效果。节电运行和节电改造需要对负荷电器的耗电情况进行分析，而分析的前提就是进行能耗监测和分析。加强电力能耗的监控工作，即实现对用电负荷能耗的监控，对于推动电网朝着节能和智能化方向发展有重要现实意义，其中对于用电负荷能耗进行监控最常见的方法是侵入式负荷监控和非侵入式负荷监控，但是是属于负荷监测中的一类。目前能效分析应用存在以下问题：一是客户用能数据量存在较大差距，用户内部设备级的用能数据严重不足，亟待充实完善；二是用户对自身用能状况缺乏了解，对用户内部用能行为深入分析，难以掌握用户用能特征；三是内部用能设备的能效分析模型，难以结合用户实时、海量信息，提供更优质的节能服务。因此,有必要改革创新。
技术实现思路
本专利技术的目的在于，针对上述缺点，提供基于深度神经网络的能效云评估方法及边缘能效网关，本专利技术的目的采用以下方案实现：所述的基于深度神经网络算法的能效云评估方法及边缘能效网关包括基于深度神经网络算法的能效采集评估云平台、边缘能效网关系统和用电负荷；所述的用电负荷通过RS485、M_BUS、ZigBee、电力线载波通信方式与边缘能效网关进行交互通信，所述的边缘能效网关通过GPRS/WIFI/4G/RJ45/光纤方式与所述的基于深度神经网络算法的能效计算评估平台进行双向通信；所述的能效计算评估平台通过深度神经网络算法实现客户用电负荷类型及特征进行识别计算和在线统计分析，最后给出用能建议;所述的边缘能效网关将采集到的负荷功率值上传到能效计算评估平台，所述的能效计算评估平台通过深度神经网络算法实现客户用电负荷类型及特征进行识别计算和在线统计分析，并通过系统实现电器负荷控制。所述的边缘计算能效网关以一定的频率采集聚合负荷电气量，以便提取特征形成负荷模型，在本例中利用“等精度”的方法测量高频脉冲频率，通过CPLD搭建的等精度测频数字逻辑电路，可以输出频率、电流、电压有效值和有功功率值等信号值。所述的能效采集评估云平台,从应用架构,分为基础设施和应用服务:基础设施特征包括前置通信、数据存储、深度神经网络引擎、识别结果、负荷模型库和电器负荷信息库和训练源数据库等模块;应用服务包括能源监控、非侵入式识别和能效服务模块；其中非侵入式识别模块是核心模块；其工作流程是通过接收边缘能效网关发送过来的输出频率、电流、电压有效值和有功功率值；负荷特征提取模块则是首先从测量值进行信号去噪处理，然后检测设备状态转换（如开到关）的事件作为相应于电器的特征;用电负荷识别模块即是通过负荷识别算法进一步分析上述提取的设备特性，以便从聚合测量中识别设备特定状态特征提取模块则是从测量值中检测诸如设备状态转换（如开到关）的事件作为相应于电器的特征。用电负荷识别模块即是通过负荷识别算法进一步分析上述提取的设备特性，以便从聚合测量中识别设备特定状态;能效采集评估云平台通过边缘能效网关能够获取负荷随时间变化的功率值，在已知“功率一时间”波形图的基础上，可以对波形图进行特征提取和降维，得到一组可以鉴别负荷种类的特征向量。并作为负荷模型库和电器负荷信息库的输入信息;该方法核心思想是采集n类负荷在1分钟内的功率数据作为训练样本，提取功率值序列的平均数、中位数、众数、方差、极差、峰度、偏度、四分位差、正斜率均值和负斜率均值等共10种基本统量，得到n类负荷的样本数据矩阵工X其中，正、负斜率均值分别指将离散功率值序列作差分运算后的正数集的平均数和负数集的平均数。考虑到特征量维数较多且相互之间具有一定的相关性，采用主成分分析，通过正交变换将基本统计量降维成相互独立的综合指标。基于深度神经网络算法能效云评估方法是：步骤1：首先，通过式(1)将n类负荷的样本数据矩阵准化，其中Xy为第i类负荷的第j个基本统计量,为Xn*10的列均值，Sj为Xn*10的列标准差，X为标准化后的数据矩阵。通过标准化，Xj中每个统计量之列的平均值为0，标准差为1，可以消除不同特征间的量纲差异和数量级差异；步骤2：其次，计算Xy的相关系数矩阵R；再对R求取非负特征值λi和对应的特征向量Vi。将特征值λi按降序排序，通过式(2)计算各特征值的贡献率Ci和前i个特征值的累积贡献率CAi，累积贡献率代表前i个主成分所能包含的原指标信息。步骤3：为了让选择的主成分能更多地包含原来10个基本统计量的信息，这里取CAi≥90％，获得前i个主成分。利用式(3)，将前i个主成分所对应的特征向量与基本统计量作线性变换可以得到相互独立的综合统计量。其中P10×i为上述10种基本统计量，Vi×10为前i个特征值对应的特征向量，Zi×1为线性组合之后的综合统计量。Zi×1=Vi×10•P10×i(3)步骤4：通过对kNN算法实现接入的负荷分类。k最近邻(k—NearestNeighbor，kNN)分类算法的核心思想是“投票机制”，将一个测试样本投放到众多已分类好的训练样本中，分别计算该测试样本与各训练样本的欧式距离来作为相似性指标。本专利技术其方法是通过部署客户现场的边缘能效网关系统和基于深度神经网络算法的能效云采集评估系统平台实现普通家庭、智能楼宇和工商业用户的用电设备类型和运行状态的准确辨识，实现客户内部设备级的用能数据详细收集，从而掌握客户用能特征，实现能效评估应用，并通过系统实现电器负荷控制。附图说明图1是的基于深度神经网络算法的能效云评估方法及边缘能效网关的系统架构图;图2是本专利技术提出的深度神经网络引擎架构图;图3是本专利技术提出的边缘能效网关程序流程图;图4是本专利技术基于深度神经网络算法的能效云评估方法及边缘能效网关的能效采集云平台应用流程图。具体实施方式下面结合体附图以及实施方式对本专利技术进行进一步的描述：如图1所示，基于深度神经网络的能效云评估方法及边缘能效网关，包括基于深度神经网络算法的能效采集评估云平台、边缘能效网关系统和用电负荷；所述的用电负荷可通过RS485、M_BUS、ZigBee、电力线载波通信方式与边缘能效网关进行交互通信；所述的边缘能效网关通过GPRS/WIFI/4G/RJ45/光纤方式与所述的基于深度神经网络算法的能效计算评估平台进行双向通信；边缘能效网关将用电负荷终端的采集的输出频率、电流、电压有效值和有功功率值等信息上传到能效采集评估云平台，云平台系统对用电负荷进行设备识别和分析本文档来自技高网...

【技术保护点】
1.基于深度神经网络算法的能效云评估方法及边缘能效网关，其特征在于,所述的基于深度神经网络算法的能效云评估方法及边缘能效网关包括基于深度神经网络算法的能效采集评估云平台、边缘能效网关系统和用电负荷；所述的用电负荷通过RS485、M_BUS、ZigBee、电力线载波通信方式与边缘能效网关进行交互通信，所述的边缘能效网关通过GPRS/WIFI/4G/RJ45/光纤方式与基于深度神经网络算法的能效计算评估平台进行双向通信；所述的能效计算评估平台通过深度神经网络算法实现客户用电负荷类型及特征进行识别计算和在线统计分析，最后给出用能建议;所述的边缘能效网关将采集到的负荷功率值上传到能效计算评估平台; 所述的边缘计算能效网关以一定的频率采集聚合负荷电气量，以便提取特征形成负荷模型;所述的能效采集评估云平台,分为基础设施和应用服务:基础设施特征包括前置通信、数据存储、深度神经网络引擎、识别结果、负荷模型库和电器负荷信息库和训练源数据库模块;应用服务包括能源监控、非侵入式识别和能效服务模块；其中非侵入式识别模块是核心模块；其工作流程是通过接收边缘能效网关发送过来的输出频率、电流、电压有效值和有功功率值；负荷特征提取模块则是首先从测量值进行信号去噪处理，然后检测设备状态转换的事件作为相应于电器的特征;用电负荷识别模块通过负荷识别算法进一步分析上述提取的设备特性，以便从聚合测量中识别设备特定状态特征提取模块则是从测量值中检测诸如设备状态转换的事件作为相应于电器的特征;用电负荷识别模块即是通过负荷识别算法进一步分析上述提取的设备特性，以便从聚合测量中识别设备特定状态;能效采集评估云平台通过边缘能效网关获取负荷随时间变化的功率值，在已知“功率一时间”波形图的基础上，对波形图进行特征提取和降维，得到一组鉴别负荷种类的特征向量;并作为负荷模型库和电器负荷信息库的输入信息;该方法是采集n类负荷在1分钟内的功率数据作为训练样本，提取功率值序列的平均数、中位数、众数、方差、极差、峰度、偏度、四分位差、正斜率均值和负斜率均值等共10种基本统量，得到n类负荷的样本数据矩阵工X其中，正、负斜率均值分别指将离散功率值序列作差分运算后的正数集的平均数和负数集的平均数;考虑到特征量维数较多且相互之间具有一定的相关性，采用主成分分析，通过正交变换将基本统计量降维成相互独立的综合指标;基于深度神经网络算法能效云评估方法是：步骤1：通过式(1)将n类负荷的样本数据矩阵准化，其中Xy为第i类负荷的第j个基本统计量,为Xn*10的列均值，Sj为Xn*10的列标准差，X为标准化后的数据矩阵。通过标准化，Xj中每个统计量之列的平均值为0，标准差为1，可以消除不同特征间的量纲差异和数量级差异；步骤2：计算Xy的相关系数矩阵R；再对R求取非负特征值λi和对应的特征向量Vi。将特征值λi按降序排序，通过式(2)计算各特征值的贡献率Ci和前i个特征值的累积贡献率CAi，累积贡献率代表前i个主成分所能包含的原指标信息;...

【技术特征摘要】
1.基于深度神经网络算法的能效云评估方法及边缘能效网关，其特征在于,所述的基于深度神经网络算法的能效云评估方法及边缘能效网关包括基于深度神经网络算法的能效采集评估云平台、边缘能效网关系统和用电负荷；所述的用电负荷通过RS485、M_BUS、ZigBee、电力线载波通信方式与边缘能效网关进行交互通信，所述的边缘能效网关通过GPRS/WIFI/4G/RJ45/光纤方式与基于深度神经网络算法的能效计算评估平台进行双向通信；所述的能效计算评估平台通过深度神经网络算法实现客户用电负荷类型及特征进行识别计算和在线统计分析，最后给出用能建议;所述的边缘能效网关将采集到的负荷功率值上传到能效计算评估平台;所述的边缘计算能效网关以一定的频率采集聚合负荷电气量，以便提取特征形成负荷模型;所述的能效采集评估云平台,分为基础设施和应用服务:基础设施特征包括前置通信、数据存储、深度神经网络引擎、识别结果、负荷模型库和电器负荷信息库和训练源数据库模块;应用服务包括能源监控、非侵入式识别和能效服务模块；其中非侵入式识别模块是核心模块；其工作流程是通过接收边缘能效网关发送过来的输出频率、电流、电压有效值和有功功率值；负荷特征提取模块则是首先从测量值进行信号去噪处理，然后检测设备状态转换的事件作为相应于电器的特征;用电负荷识别模块通过负荷识别算法进一步分析上述提取的设备特性，以便从聚合测量中识别设备特定状态特征提取模块则是从测量值中检测诸如设备状态转换的事件作为相应于电器的特征;用电负荷识别模块即是通过负荷识别算法进一步分析上述提取的设备特性，以便从聚合测量中识别设备特定状态;能效采集评估云平台通过边缘能效网关获取负荷随时间变化的功率值，在已知“功率一时间”波形图的基础上，对波形图进行特征提取和降维，得到一组鉴别负荷种类的特征向量;并作为负荷模...

【专利技术属性】
技术研发人员：俞煌，胡建新，罗义钊，梁海涛，陈清雷，郑海翔，谭阿峰，李榕桂，
申请(专利权)人：福建网能科技开发有限责任公司，国家电网有限公司，国网信息通信产业集团有限公司，国网信通亿力科技有限责任公司，
类型：发明
国别省市：福建,35