本发明专利技术公开了一种基于机器学习的边缘侧电力指纹识别方法及装置，其中方法包括：根据预设采样频率实时采集多种用电设备的电压、电流数据并计算得到有功功率值；利用改进的累积和算法根据有功功率值对负荷投切事件进行检测并过滤，得到发生负荷投切事件的时间点；截取与时间点前后相距预设数量周波的稳态波形，根据稳态波形得到发生负荷投切事件的用电设备的单体波形数据；根据单体波形数据得到负荷投切事件的事件波形，对事件波形提取时域特征和频域特征生成电力指纹数据；将电力指纹数据输入至训练好的电力指纹识别模型中，得到对应的用电设备种类识别结果。本发明专利技术能在本地高效准确地识别电力指纹数据，并提高了在真实复杂用电环境中的鲁棒性。用电环境中的鲁棒性。用电环境中的鲁棒性。
【技术实现步骤摘要】
一种基于机器学习的边缘侧电力指纹识别方法及装置
[0001]本专利技术涉及电力数据处理
，尤其是涉及一种基于机器学习的边缘侧电力指纹识别方法及装置。
技术介绍
[0002]随着新型电力系统的推进，要求低压用户能够参与需求响应，实现源网互动。电力指纹技术应运而生，通过对负荷的精确识别、精准控制，使低压用户能够主动参与需求响应，使得用电更为智慧。
[0003]电力指纹识别技术由电力负荷识别技术发展而来，是电力指纹技术的重要组成部分。电力指纹识别技术通过采集用电设备的电气数据，利用人工智能技术和大数据技术挖掘出能够表征设备特性的“电力指纹”特征。
[0004]但现有技术中，针对边缘智能终端的电力指纹识别方案较少，难以在本地高效地挖掘出电力指纹特征；同时，现有电力指纹识别方案通常忽略真实复杂用电环境下的干扰，导致识别结果准确度不高。
技术实现思路
[0005]本专利技术的目的是提供一种基于机器学习的边缘侧电力指纹识别方法及装置，以解决现有技术难以在算力有限的边缘智能终端上高效准确地识别电力指纹数据的技术问题。
[0006]本专利技术的目的，可以通过如下技术方案实现：一种基于机器学习的边缘侧电力指纹识别方法，包括：根据预设采样频率实时采集多种用电设备的电压、电流数据并计算得到有功功率值；利用改进的累积和算法根据所述有功功率值对负荷投切事件进行检测并过滤，得到发生所述负荷投切事件的时间点；截取与所述时间点前后相距预设数量周波的稳态波形，根据所述稳态波形得到发生所述负荷投切事件的用电设备的单体波形数据；根据所述单体波形数据得到所述负荷投切事件的事件波形，从所述事件波形中提取时域特征和频域特征生成电力指纹数据；将所述电力指纹数据输入至训练好的电力指纹识别模型中，得到对应的用电设备种类识别结果，所述训练好的电力指纹识别模型是基于LightGBM算法利用电力指纹数据及对应的负荷标签进行训练得到的。
[0007]可选地，所述改进的累积和算法包含功率值筛选和双时间窗过滤，利用改进的累积和算法根据所述有功功率值对负荷投切事件进行检测并过滤包括：利用改进的累积和算法通过功率值筛选对所述有功功率值进行筛选得到有功功率平均值，根据有功功率平均值和预设阈值得到负荷投切事件检测结果；通过双时间窗过滤对所述负荷投切事件检测结果中的所述负荷投切事件进行过
滤，得到最终的负荷投切事件检测结果。
[0008]可选地，利用改进的累积和算法通过功率值筛选对所述有功功率值进行筛选得到有功功率平均值包括：所述改进的累积和算法采用宽度分别为第一宽度、第二宽度的两个相邻有功功率滑动窗，分别对各所述有功功率滑动窗中的有功功率值进行排序，筛选出大小位于第一预设区间至第二预设区间内的有功功率值，然后计算平均值得到有功功率平均值。
[0009]可选地，根据有功功率平均值和预设阈值得到负荷投切事件检测结果包括：根据有功功率平均值和预设阈值利用得到负荷投切事件检测结果，若大于等于，则发生负荷投切事件，否则未发生负荷投切事件；式中，、分别指宽度为第一宽度、第二宽度的有功功率滑动窗内的有功功率平均值，为宽度为第一宽度的有功功率滑动窗的方差，为预设阈值。
[0010]可选地，通过双时间窗过滤对所述负荷投切事件检测结果中的所述负荷投切事件进行过滤，得到最终的负荷投切事件检测结果包括：设置宽度分别为第一数量、第二数量个周波的两个时间窗，当检测到负荷投切事件发生后开始等待并计数第三数量个周波，若在第一数量个周波内再次检测出负荷投切事件，则认为仍属于同一个负荷投切事件；若在第一数量至第三数量个周波内再次检测出负荷投切事件，则删除所有未识别的负荷投切事件，得到最终的负荷投切事件检测结果；第三数量为第一数量与第二数量之和。
[0011]可选地，根据所述稳态波形得到发生所述负荷投切事件的用电设备的单体波形数据包括：将所述稳态波形利用电压正零点对齐后，通过差分计算得到发生所述负荷投切事件的用电设备的单体波形数据。
[0012]可选地，根据所述单体波形数据得到所述负荷投切事件的事件波形包括：对所述单体波形数据进行均值滤波，再以电压正零点划分各周波，取各周波的均值作为所述负荷投切事件的事件波形。
[0013]可选地，所述时域特征包括：电流有效值、电流峰峰值、电流峰均比、有功功率、无功功率、视在功率、功率因数。
[0014]可选地，所述频域特征除20~30次电流谐波幅值及其相位外，还加入电流总谐波因数、电流奇偶谐波比、电流谐波谱质心三种组合式特征。
[0015]本专利技术还提供了一种基于机器学习的边缘侧电力指纹识别装置，包括：电气数据获取模块，用于根据预设采样频率实时采集多种用电设备的电压、电流数据并计算得到有功功率值；事件时间点确定模块，用于利用改进的累积和算法根据所述有功功率值对负荷投切事件进行检测并过滤，得到发生所述负荷投切事件的时间点；
波形数据获取模块，用于截取与所述时间点前后相距预设数量周波的稳态波形，根据所述稳态波形得到发生所述负荷投切事件的用电设备的单体波形数据；电力指纹数据生成模块，用于根据所述单体波形数据得到所述负荷投切事件的事件波形，从所述事件波形中提取时域特征和频域特征生成电力指纹数据；用电设备种类识别模块，用于将所述电力指纹数据输入至训练好的电力指纹识别模型中，得到对应的用电设备种类识别结果，所述训练好的电力指纹识别模型是基于LightGBM算法利用电力指纹数据及对应的负荷标签进行训练得到的。
[0016]本专利技术提供了一种基于机器学习的边缘侧电力指纹识别方法及装置，其中方法包括：根据预设采样频率实时采集多种用电设备的电压、电流数据并计算得到有功功率值；利用改进的累积和算法根据所述有功功率值对负荷投切事件进行检测并过滤，得到发生所述负荷投切事件的时间点；截取与所述时间点前后相距预设数量周波的稳态波形，根据所述稳态波形得到发生所述负荷投切事件的用电设备的单体波形数据；根据所述单体波形数据得到所述负荷投切事件的事件波形，从所述事件波形中提取时域特征和频域特征生成电力指纹数据；将所述电力指纹数据输入至训练好的电力指纹识别模型中，得到对应的用电设备种类识别结果，所述训练好的电力指纹识别模型是基于LightGBM算法利用电力指纹数据及对应的负荷标签进行训练得到的。
[0017]有鉴如此，本专利技术带来的有益效果是：本专利技术实时采集与处理高频电气量，利用改进的鲁棒累积和算法对负荷投切事件进行检测，改进事件波形提取，并分别从时域、频域提取多维区分性特征，生成了高维度的电力指纹数据，能充分表征电力负荷的细粒度特性，基于适配边缘侧高实时性、低算力、易部署要求的LightGBM实现了高效准确的电力指纹数据识别。本专利技术能兼顾电力指纹的丰富性、识别的准确性与边缘部署的易用性，在本地高效地完成事件检测、事件波形提取、电力指纹数据生成与识别的全流程，可以避免家庭用电数据传输的网络拥堵与隐私泄露问题。同时，本专利技术考虑了多种电器运行状态的干扰，提高了算法在真实复杂用电环境中的鲁棒性和准确性。
附图说明
[00本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的边缘侧电力指纹识别方法，其特征在于，包括：根据预设采样频率实时采集多种用电设备的电压、电流数据并计算得到有功功率值；利用改进的累积和算法根据所述有功功率值对负荷投切事件进行检测并过滤，得到发生所述负荷投切事件的时间点；截取与所述时间点前后相距预设数量周波的稳态波形，根据所述稳态波形得到发生所述负荷投切事件的用电设备的单体波形数据；根据所述单体波形数据得到所述负荷投切事件的事件波形，从所述事件波形中提取时域特征和频域特征生成电力指纹数据；将所述电力指纹数据输入至训练好的电力指纹识别模型中，得到对应的用电设备种类识别结果，所述训练好的电力指纹识别模型是基于LightGBM算法利用电力指纹数据及对应的负荷标签进行训练得到的。2.根据权利要求1所述的基于机器学习的边缘侧电力指纹识别方法，其特征在于，所述改进的累积和算法包含功率值筛选和双时间窗过滤，利用改进的累积和算法根据所述有功功率值对负荷投切事件进行检测并过滤包括：利用改进的累积和算法通过功率值筛选对所述有功功率值进行筛选得到有功功率平均值，根据有功功率平均值和预设阈值得到负荷投切事件检测结果；通过双时间窗过滤对所述负荷投切事件检测结果中的所述负荷投切事件进行过滤，得到最终的负荷投切事件检测结果。3.根据权利要求2所述的基于机器学习的边缘侧电力指纹识别方法，其特征在于，利用改进的累积和算法通过功率值筛选对所述有功功率值进行筛选得到有功功率平均值包括：所述改进的累积和算法采用宽度分别为第一宽度、第二宽度的两个相邻有功功率滑动窗，分别对各所述有功功率滑动窗中的有功功率值进行排序，筛选出大小位于第一预设区间至第二预设区间内的有功功率值，然后计算平均值得到有功功率平均值。4.根据权利要求2所述的基于机器学习的边缘侧电力指纹识别方法，其特征在于，根据有功功率平均值和预设阈值得到负荷投切事件检测结果包括：根据有功功率平均值和预设阈值利用得到负荷投切事件检测结果，若大于等于，则发生负荷投切事件，否则未发生负荷投切事件；式中，、分别指宽度为第一宽度、第二宽度的有功功率滑动窗内的有功功率平均值，为宽度为第一宽度的有功功率滑动窗的方差，为预设阈值。5.根据权利要求2所述的基于机器学习的边缘侧电力指纹识别方法，其特征在于，通过双时间窗过滤对所述负荷投切事件检测结果中的所述负荷投切事件进行过滤，得到最终的负荷投...
【专利技术属性】
技术研发人员：孙立明，余涛，
申请(专利权)人：广州水沐青华科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。