本申请公开了一种非侵入式负荷识别方法、装置、终端设备及存储介质，其非侵入式负荷识别方法包括：获取总负荷电流数据；基于预设的分解模型对总负荷电流数据进行分解处理，得到至少一个单负荷电流数据；根据至少一个单负荷电流数据得到各自对应的时序图像；基于预设的分类模型对时序图像进行分类处理，得到负荷识别结果。基于本申请方案，基于时序图像进行分类可以有效提高非侵入式负荷识别的准确率。类可以有效提高非侵入式负荷识别的准确率。类可以有效提高非侵入式负荷识别的准确率。
【技术实现步骤摘要】
非侵入式负荷识别方法、装置、终端设备及存储介质
[0001]本申请涉及电力需求侧管理
，尤其涉及一种非侵入式负荷识别方法、装置、终端设备及存储介质。
技术介绍
[0002]如今，非侵入式负荷识别技术在用户需求侧管理的应用越来越广泛，通过采集并对总负荷数据进行分析，可以获取各用电负荷的相关信息，也即获取各用电设备的运行情况。
[0003]典型的非侵入式负荷识别流程包括数据采集、数据预处理、负荷分类及分解等步骤。但是，由于实际用电场景的高度复杂性，传统的非侵入式负荷识别方法准确率不高。
技术实现思路
[0004]本申请的主要目的在于提供一种非侵入式负荷识别方法、装置、终端设备及存储介质，旨在解决传统的非侵入式负荷识别方法准确率不高的问题。
[0005]为实现上述目的，本申请提供一种非侵入式负荷识别方法，所述非侵入式负荷识别方法包括：获取总负荷电流数据；基于预设的分解模型对所述总负荷电流数据进行分解处理，得到至少一个单负荷电流数据；根据所述至少一个单负荷电流数据得到各自对应的时序图像；基于预设的分类模型对所述时序图像进行分类处理，得到负荷识别结果。
[0006]可选地，所述获取总负荷电流数据的步骤之前，还包括：基于预设的高频采样规则，获取若干种用电设备各自对应的单负荷电流数据样本，其中，每一个单负荷电流数据样本包括若干个周期的电流数据；选取所述若干个周期的电流数据之中的一个周期的电流数据作为单周期电流数据；基于所述若干种用电设备各自对应的单周期电流数据进行模型训练，得到识别模型，其中，所述识别模型的类型包括所述分类模型和所述分解模型。
[0007]可选地，所述基于所述若干种用电设备各自对应的单周期电流数据进行模型训练，得到识别模型的步骤包括：根据所述若干种用电设备各自对应的单周期电流数据，绘制得到对应的时序图像样本；基于预设的卷积神经网络算法和所述若干种用电设备各自对应的时序图像样本进行模型训练，得到所述分类模型。
[0008]可选地，所述基于所述若干种用电设备各自对应的单周期电流数据进行模型训练，得到识别模型的步骤包括：
将所述若干种用电设备各自对应的单周期电流数据进行随机合并，得到混合电流数据样本；基于预设的循环神经网络算法和所述混合电流数据样本进行模型训练，得到所述分解模型。
[0009]可选地，所述分类模型还包括动态负荷分类算法，所述基于预设的分类模型对所述时序图像进行分类处理，得到负荷识别结果的步骤包括：基于所述动态负荷分类算法对所述时序图像进行分类处理，得到负荷动态变化的用电设备对应的负荷识别结果。
[0010]可选地，所述非侵入式负荷识别方法应用于边缘计算设备，所述边缘计算设备与至少一个智能断路器建立通信连接，所述基于预设的分类模型对所述时序图像进行分类处理，得到负荷识别结果的步骤之后，还包括：判断所述负荷识别结果是否存在负荷异常；若是，则控制所述负荷异常对应的智能断路器执行断电任务。
[0011]可选地，所述边缘计算设备与智能用电管理平台建立通信连接，所述判断所述负荷识别结果是否存在负荷异常的步骤之后，还包括：若否，则将所述负荷识别结果上传至所述智能用电管理平台，以供所述智能用电管理平台对所述边缘计算设备连接的用电设备进行用电监测。
[0012]本申请实施例还提出一种非侵入式负荷识别装置，所述非侵入式负荷识别装置包括：获取模块，用于获取总负荷电流数据；分解模块，用于基于预设的分解模型对所述总负荷电流数据进行分解处理，得到至少一个单负荷电流数据；绘图模块，用于根据所述至少一个单负荷电流数据得到各自对应的时序图像；分类模块，用于基于预设的分类模型对所述时序图像进行分类处理，得到负荷识别结果。
[0013]本申请实施例还提出一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的非侵入式负荷识别程序，所述非侵入式负荷识别程序被所述处理器执行时实现如上所述的非侵入式负荷识别方法的步骤。
[0014]本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有非侵入式负荷识别程序，所述非侵入式负荷识别程序被处理器执行时实现如上所述的非侵入式负荷识别方法的步骤。
[0015]本申请实施例提出的非侵入式负荷识别方法、装置、终端设备及存储介质，通过获取总负荷电流数据；基于预设的分解模型对所述总负荷电流数据进行分解处理，得到至少一个单负荷电流数据；根据所述至少一个单负荷电流数据得到各自对应的时序图像；基于预设的分类模型对所述时序图像进行分类处理，得到负荷识别结果。基于本申请方案，首先获取总负荷电流数据，并基于分解模型从中分解出至少一个单负荷电流数据，进一步根据单负荷电流数据绘制出对应的时序图像，将时序图像作为分类模型的输入，即可得到负荷识别结果。如此，基于时序图像进行分类可以有效提高非侵入式负荷识别的准确率。
附图说明
[0016]图1为本申请非侵入式负荷识别装置所属终端设备的功能模块示意图；图2为本申请非侵入式负荷识别方法第一示例性实施例流程示意图；图3为本申请非侵入式负荷识别方法第二示例性实施例流程示意图；图4为本申请非侵入式负荷识别方法第三示例性实施例流程示意图；图5为本申请非侵入式负荷识别方法第四示例性实施例流程示意图；图6为本申请非侵入式负荷识别方法第五示例性实施例流程示意图；图7为本申请非侵入式负荷识别方法第六示例性实施例流程示意图；图8为本申请非侵入式负荷识别方法第七示例性实施例流程示意图。
[0017]本申请目的的实现、功能特点及优点将结合实施例，参照附图作进一步说明。
具体实施方式
[0018]应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0019]本申请实施例的主要解决方案是：获取总负荷电流数据；基于预设的分解模型对所述总负荷电流数据进行分解处理，得到至少一个单负荷电流数据；根据所述至少一个单负荷电流数据得到各自对应的时序图像；基于预设的分类模型对所述时序图像进行分类处理，得到负荷识别结果。基于本申请方案，首先获取总负荷电流数据，并基于分解模型从中分解出至少一个单负荷电流数据，进一步根据单负荷电流数据绘制出对应的时序图像，将时序图像作为分类模型的输入，即可得到负荷识别结果。如此，基于时序图像进行分类可以有效提高非侵入式负荷识别的准确率。
[0020]具体地，参照图1，图1为本申请非侵入式负荷识别装置所属终端设备的功能模块示意图。该非侵入式负荷识别装置可以为独立于终端设备的、能够进行非侵入式负荷识别的装置，其可以通过硬件或软件的形式承载于终端设备上。该终端设备可以为手机、平板电脑等具有数据处理功能的智能移动终端，还可以为具有数据处理功能的固定终端设备或服务器等。
[0021]在本实施例中，该非侵入式负荷识别装置所属终端设备至少包括输出模块110、处理器120、存储器130以及通信模块140。
[0022]存储器130中存储有操作系统以及非侵入式负荷识别程序，非侵入式负荷识本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种非侵入式负荷识别方法，其特征在于，所述非侵入式负荷识别方法包括：获取总负荷电流数据；基于预设的分解模型对所述总负荷电流数据进行分解处理，得到至少一个单负荷电流数据；根据所述至少一个单负荷电流数据得到各自对应的时序图像；基于预设的分类模型对所述时序图像进行分类处理，得到负荷识别结果。2.如权利要求1所述的非侵入式负荷识别方法，其特征在于，所述获取总负荷电流数据的步骤之前，还包括：基于预设的高频采样规则，获取若干种用电设备各自对应的单负荷电流数据样本，其中，每一个单负荷电流数据样本包括若干个周期的电流数据；选取所述若干个周期的电流数据之中的一个周期的电流数据作为单周期电流数据；基于所述若干种用电设备各自对应的单周期电流数据进行模型训练，得到识别模型，其中，所述识别模型的类型包括所述分类模型和所述分解模型。3.如权利要求2所述的非侵入式负荷识别方法，其特征在于，所述基于所述若干种用电设备各自对应的单周期电流数据进行模型训练，得到识别模型的步骤包括：根据所述若干种用电设备各自对应的单周期电流数据，绘制得到对应的时序图像样本；基于预设的卷积神经网络算法和所述若干种用电设备各自对应的时序图像样本进行模型训练，得到所述分类模型。4.如权利要求2所述的非侵入式负荷识别方法，其特征在于，所述基于所述若干种用电设备各自对应的单周期电流数据进行模型训练，得到识别模型的步骤包括：将所述若干种用电设备各自对应的单周期电流数据进行随机合并，得到混合电流数据样本；基于预设的循环神经网络算法和所述混合电流数据样本进行模型训练，得到所述分解模型。5.如权利要求1所述的非侵入式负荷识别方法，其特征在于，所述分类模型还包括动态负荷分类算法，所述基于预设的分类模型对所述时序图像进行分类处理，得到负荷识别结果的步骤包括：基于所述动态负荷分类算法对所...
【专利技术属性】
技术研发人员：魏首勋，白新平，刘魁，
申请(专利权)人：深圳曼顿科技有限公司，
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。