一种基于有监督学习的非侵入式负荷识别网络架构制造技术

本发明专利技术提供一种基于有监督学习的非侵入式负荷识别网络架构，该构架包括：监督学习单元、识别单元和云端；本发明专利技术采用监督学习的方法，即在可以识别的样本小区或者用户处增加设备监控设备即随电器，可以跟踪设备的整个运行周期，然后再经过神经网络算法，得到隐含层的权值，用以在新的判断中进行实时设备识别。由于神经网络有很强的判断学习能力，可以识别很多相识设备，应用范围广，识别效果佳。识别效果佳。识别效果佳。

【技术实现步骤摘要】
一种基于有监督学习的非侵入式负荷识别网络架构


[0001]本专利技术涉及智能电网智能电表领域，更具体地，涉及基于有监督学习的非侵入式负荷识别网络架构。

技术介绍

[0002]如今随着科技的进步，侵入式负荷识别成为识别居民用户负荷，有效指导用电的方案之一，但是侵入式负荷识别无法在设备处进行安装，目前的解决方案是随电器，即在电器设备电源前端加上可以识别电压电流的设备，但是这种方案实施困难成本高。另一种方案是在居民电表端并入负荷识别设备。目前这种方案主要依赖设备本身的计算能力，智能识别一部分设备。对于新设备无法识别，需要更新特征库。
[0003]同时，如果多个设备同时启动这种方案的识别成功率也不高，而且多个设备的设备特征组合成千上万一一由识别单元自己识别出来也不现实，所以必须要引入新的识别方法来解决。

技术实现思路

[0004]本专利技术的目的是针对目前用电设备识别中所存在的问题，提出一种基于有监督学习的非侵入式负荷识别网络架构。
[0005]本专利技术的技术方案是：
[0006]本专利技术提供一种基于有监督学习的非侵入式负荷识别网络架构，该构架包括：监督学习单元、识别单元和云端；
[0007]所述的监督学习单元设置在监督学习测试小区，包括随电器、电能表、特征服务器和监督学习服务器，所述的随电器用于获取各用电设备的用电信息，并且通过电能表发送至特征服务器，所述的特征服务器用于提取用电设备的负荷特征并且发送至监督学习服务器，所述的监督学习服务器基于BP神经网络模型进行样本负荷特征的学习，与样本用电设备匹配，优化BP神经网络模型，且将样本用电设备与负荷特征的对应关系存储至识别单元的中继服务器，将BP神经网络模型存储至云端；
[0008]所述的识别单元包括智能电表和中继服务器，所述的智能电表为各家庭配置，包括计量芯片，所述的计量芯片用于采集用电设备的负荷特征；所述的中继服务器配置有识别库，能够进行数据匹配，并且能够与云端进行通信；
[0009]所述的云端具有综合运行服务器，该综合运行服务器配置有BP神经网络模型，能够对中继服务器上传的数据进行识别，获取用电设备组合，并将结果发送至电表的中继服务器，更新识别库。
[0010]进一步地，本构架基于监督学习测试小区，在测试小区或实验中心为所有用电设备配置随电器，获取用电信息和负荷特征，该设备会在云端的综合运行服务器上进行备案存储；存储信息包括：设备名称、厂家、型号、额定功率以及最大功率。
[0011]进一步地，所述的特征服务器用于记录用电设备的负荷特征，包括启动特征和运
行特征；所述的启动特征包括：启动的谐波情况，有功，无功功率，时序关系和相位信息。
[0012]进一步地，所述的监督学习服务器用于分析可监督学习的随电设备，通过学习已知的设备，对带有随电计量设备并未登记在案的设备进行自我学习和分类。
[0013]一种基于有监督学习的非侵入式负荷识别网络架构的识别方法，该方法包括以下步骤：
[0014]S1、监督学习步骤：
[0015]S1
‑
1、采用随电器获取各用电设备的用电信息，并且通过电能表发送至特征服务器；
[0016]S1
‑
2、采用特征服务器提取用电设备的负荷特征并且发送至监督学习服务器；
[0017]S1
‑
3、采用监督学习服务器基于BP神经网络模型进行样本负荷特征的学习，与样本用电设备匹配，优化BP神经网络模型，且将样本用电设备与负荷特征的对应关系存储至识别单元的中继服务器，将优化后的BP神经网络模型更新至云端；
[0018]S2、识别步骤：
[0019]S2
‑
1、采用智能电表的计量芯片采集用电设备的负荷特征，发送至中继服务器；
[0020]S2
‑
2、中继服务器根据识别库中存储的数据，与实时负荷特征进行匹配，如果能够匹配，则得到用电设备；否则，中继服务器将数据发送至云端的综合运行服务器；
[0021]S2
‑
3、云端的综合运行服务器通过BP神经网络模型进行识别，获取用电设备组合结果，并且更新至中继服务器。
[0022]进一步地，监督学习服务器执行如下操作：
[0023]1)对于用电信息，将输入的电压和电流信号相乘得到实时功率信息，该信息中包含有相位和谐波；将其作为BP神经网络模型的输入信号Xj，根据数据的长度，将实时数据截取成帧，每帧大小为W个数据，共n组数据，W*n为采集信号的数据输入长度；
[0024]2)记录测试数据，包括m个设备的信息组合；
[0025]3)设置BP神经网络模型，隐含层神经元个数定义为W个，权值初值全部定义为1，输出单元为Ai个已知可识别的负荷设备；
[0026]4)将样本通过BP神经网络模型，得到Ai个输出，训练测试样本；使其识别结果与已知测试数据的误差在阈值内，得到BP神经网络模型各层配置的权值，结束训练结束，更新将BP神经网络模型至云端的综合运行服务器。
[0027]进一步地，当监督学习测试小区中有新的设备接入时，重新训练BP神经网络模型。
[0028]进一步地，中继服务器中具有识别库，该识别库中存储有BP神经网络模型训练时获取的用电设备组合与负荷特征的匹配数据；
[0029]中继服务器对智能电表获取的用电信息进行匹配，如果在本地有匹配信息，则直接给出匹配结果；反之转发用电信息至云端的综合运行服务器；通过BP神经网络模型进行识别，得到可能的匹配结果。
[0030]本专利技术的有益效果：
[0031]本专利技术采用监督学习的方法，即在可以识别的样本小区或者用户处增加设备监控设备即随电器，可以跟踪设备的整个运行周期，然后再经过神经网络算法，得到隐含层的权值，用以在新的判断中进行实时设备识别。由于神经网络有很强的判断学习能力，可以识别很多相识设备，应用范围广，识别效果佳。
[0032]本专利技术采用神经网络监督学习的方法提取负荷设备运行稳态和暂态特征，将设备运行的终身情况都进行了监控，并实时的通过服务器来识别跟踪其他无监督学习的用电设备；同时，通过中继服务器来缓冲网络数据冲击，将一部分匹配结果放在中继服务器上进行匹配，有效的降低了硬件性能要求，并提高了负荷识别的准确性。
[0033]本专利技术的其它特征和优点将在随后具体实施方式部分予以详细说明。
附图说明
[0034]通过结合附图对本专利技术示例性实施方式进行更详细的描述，本专利技术的上述以及其它目的、特征和优势将变得更加明显，其中，在本专利技术示例性实施方式中，相同的参考标号通常代表相同部件。
[0035]图1示出了本专利技术的系统构架示意图。
[0036]图2示出了本专利技术的系统构架识别流程图。
[0037]图3示出了本专利技术中BP神经网络模型示意图。
[0038]图4示出了本专利技术中监督学习的流程图。
具体实施方式
[0039]下面将参照附图更详本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于有监督学习的非侵入式负荷识别网络架构，其特征在于，该构架包括：监督学习单元、识别单元和云端；所述的监督学习单元设置在监督学习测试小区，包括随电器、电能表、特征服务器和监督学习服务器，所述的随电器用于获取各用电设备的用电信息，并且通过电能表发送至特征服务器，所述的特征服务器用于提取用电设备的负荷特征并且发送至监督学习服务器，所述的监督学习服务器基于BP神经网络模型进行样本负荷特征的学习，与样本用电设备匹配，优化BP神经网络模型，且将样本用电设备与负荷特征的对应关系存储至识别单元的中继服务器，将BP神经网络模型存储至云端；所述的识别单元包括智能电表和中继服务器，所述的智能电表为各家庭配置，包括计量芯片，所述的计量芯片用于采集用电设备的负荷特征；所述的中继服务器配置有识别库，能够进行数据匹配，并且能够与云端进行通信；所述的云端具有综合运行服务器，该综合运行服务器配置有BP神经网络模型，能够对中继服务器上传的数据进行识别，获取用电设备组合，并将结果发送至电表的中继服务器，更新识别库。2.根据权利要求1所述的基于有监督学习的非侵入式负荷识别网络架构，其特征在于，本构架基于监督学习测试小区，在测试小区或实验中心为所有用电设备配置随电器，获取用电信息和负荷特征，该设备会在云端的综合运行服务器上进行备案存储；存储信息包括：设备名称、厂家、型号、额定功率以及最大功率。3.根据权利要求1所述的基于有监督学习的非侵入式负荷识别网络架构，其特征在于，所述的特征服务器用于记录用电设备的负荷特征，包括启动特征和运行特征；所述的启动特征包括：启动的谐波情况，有功，无功功率，时序关系和相位信息。4.根据权利要求1所述的基于有监督学习的非侵入式负荷识别网络架构，其特征在于，所述的监督学习服务器用于分析可监督学习的随电设备，通过学习已知的设备，对带有随电计量设备并未登记在案的设备进行自我学习和分类。5.一种基于权利要求1
‑
5之一所述有监督学习的非侵入式负荷识别网络架构的识别方法，其特征在于，该方法包括以下步骤：S1、监督学习步骤：S1
‑
1、采用随电器获取各用电设备的用电信息，并且通过电能表发送至特征服务器；S1
‑
2、采用特征服务器提取用电设备的负...

【专利技术属性】
技术研发人员：张乐平，周尚礼，何恒靖，张维，彭建忠，李鹏，
申请(专利权)人：江苏林洋能源股份有限公司，
类型：发明
国别省市：