轻量级非接触式电力分解感知方法及系统技术方案

本发明专利技术公开了一种轻量级非接触式电力分解感知方法，包括：步骤1，过滤处理：持续监测电流互感器测得的各用电设备消耗电流之和的总测量值，当总测量值的变化超过给定阈值时，对持续测得的总测量值进行过滤去除相近的测量值序列，通过压缩感知将过滤后的测量值压缩为低冗余数据；步骤2，推断处理：利用预先训练好的基于注意力机制的多标签分类神经网络模型直接对压缩后的低冗余数据进行推断，得出所有正在工作设备的状态。该方法用更低冗余的数据和更精简的神经网络模型达到和传统高采样率、复杂模型相媲美的精度。复杂模型相媲美的精度。复杂模型相媲美的精度。

【技术实现步骤摘要】
Proceedings of the 32nd AAAI Conference on Artificial Intelligence,2018.
[0010]文献[6]Y.Liu,X.Wang,andW.You,“Non
‑
intrusive load monitoring by voltage
–
current trajectory enabled transfer learning,”IEEE Transactions on Smart Grid,vol.10,no.5,pp.5609
–
5619,2018.

技术实现思路

[0011]本专利技术的目的是提供了一种轻量级非接触式电力分解感知方法及系统，能在不切断、不改装用电线路的前提下，提升电力分解感知的识别精度，进而解决现有技术中存在的上述技术问题。
[0012]本专利技术的目的是通过以下技术方案实现的：
[0013]一种轻量级非接触式电力分解感知方法，包括：
[0014]步骤1，过滤处理：持续监测电流互感器测得的各用电设备消耗电流之和的总测量值，当总测量值的变化超过给定阈值时，对持续测得的总测量值进行过滤去除相近的测量值序列，通过压缩感知将过滤后的测量值压缩为低冗余数据；
[0015]步骤2，推断处理：利用预先训练好的基于注意力机制的多标签分类神经网络模型直接对压缩后的低冗余数据进行推断，得出所有正在工作设备的状态。
[0016]一种轻量级非接触式电力分解感知系统，包括：
[0017]电流互感器、过滤模块和基于注意力机制的多标签分类神经网络模型的推断模块；其中，
[0018]所述电流互感器，设置于主干路输电线上能测量得到各用电设备消耗电流之和的总测量值；
[0019]所述过滤模块，与所述电流互感器电性连接，能持续监测电流互感器测得的各用电设备消耗电流之和的总测量值，当总测量值的变化超过给定阈值时，对持续测得的总测量值进行过滤去除相近的测量值序列，通过压缩感知将过滤后的测量值压缩为低冗余数据；
[0020]所述基于注意力机制的多标签分类神经网络模型的推断模块，能在预先训练好后直接对压缩后的低冗余数据进行推断，得出所有正在工作设备的状态。
[0021]与现有技术相比，本专利技术所提供的轻量级非接触式电力分解感知方法及系统，其有益效果包括：
[0022]由于通过非接触获得电流的测量值进行后续的电力分解感知，能在不切断、不改装用电线路的前提下，充分挖掘感应电流测量数据的结构特点，滤除数据中的冗余性，同时压缩神经网络规模，以更精简的模型结构达到同样的分解精度。很好的达到了用户透明安装、低数据冗余和低计算代价三个服务质量指标的电力分解感知要求。
附图说明
[0023]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
[0024]图1为本专利技术实施例提供的轻量级非接触式电力分解感知方法的流程图。
[0025]图2为本专利技术实施例提供的轻量级非接触式电力分解感知方法的对应模块框图。
[0026]图3为本专利技术实施例提供的轻量级非接触式电力分解感知方法的目标场景示意图。
[0027]图4为本专利技术实施例提供的方法的电力数据在时间上的稳定性的示意图。
[0028]图5为本专利技术实施例提供的方法的电力数据在频域上的稀疏性示意图。
[0029]图6为本专利技术实施例提供的方法的删除滤波器的百分比对精度的影响示意图。
[0030]图7为本专利技术实施例提供的轻量级非接触式电力分解感知系统的构成框图。
[0031]图8为本专利技术实施例提供的系统的目标场景应用示意图。
具体实施方式
[0032]下面结合本专利技术的具体内容，对本专利技术实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例，这并不构成对本专利技术的限制。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术的保护范围。
[0033]首先对本文中可能使用的术语进行如下说明：
[0034]术语“和/或”是表示两者任一或两者同时均可实现，例如，X和/或Y表示既包括“X”或“Y”的情况也包括“X和Y”的三种情况。
[0035]术语“包括”、“包含”、“含有”、“具有”或其它类似语义的描述，应被解释为非排它性的包括。例如：包括某技术特征要素(如原料、组分、成分、载体、剂型、材料、尺寸、零件、部件、机构、装置、步骤、工序、方法、反应条件、加工条件、参数、算法、信号、数据、产品或制品等)，应被解释为不仅包括明确列出的某技术特征要素，还可以包括未明确列出的本领域公知的其它技术特征要素。
[0036]术语“由
……
组成”表示排除任何未明确列出的技术特征要素。若将该术语用于权利要求中，则该术语将使权利要求成为封闭式，使其不包含除明确列出的技术特征要素以外的技术特征要素，但与其相关的常规杂质除外。如果该术语只是出现在权利要求的某子句中，那么其仅限定在该子句中明确列出的要素，其他子句中所记载的要素并不被排除在整体权利要求之外。
[0037]除另有明确的规定或限定外，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如：可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本文中的具体含义。
[0038]当浓度、温度、压力、尺寸或者其它参数以数值范围形式表示时，该数值范围应被理解为具体公开了该数值范围内任何上限值、下限值、优选值的配对所形成的所有范围，而不论该范围是否被明确记载；例如，如果记载了数值范围“2～8”时，那么该数值范围应被解释为包括“2～7”、“2～6”、“5～7”、“3～4和6～7”、“3～5和7”、“2和5～7”等范围。除另有说明外，本文中记载的数值范围既包括其端值也包括在该数值范围内的所有整数和分数。
[0039]术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、
“
左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述和简化描述，而不是明示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本文的限制。
[0040]下面对本专利技术所提供的轻量级非接触式电力分解感知方法及系统进行详细描述。本专利技术实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。本专利技术实施例中未本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量级非接触式电力分解感知方法，其特征在于，包括：步骤1，过滤处理：持续监测电流互感器测得的各用电设备消耗电流之和的总测量值，当总测量值的变化超过给定阈值时，对持续测得的总测量值进行过滤去除相近的测量值序列，通过压缩感知将过滤后的测量值压缩为低冗余数据；步骤2，推断处理：利用预先训练好的基于注意力机制的多标签分类神经网络模型直接对压缩后的低冗余数据进行推断，得出所有正在工作设备的工作状态。2.根据权利要求1所述的轻量级非接触式电力分解感知方法，其特征在于，所述步骤1中，按以下公式通过压缩感知将过滤后的测量值压缩为低冗余数据，公式为：y＝Φx+e；其中，y∈R
m
为压缩后的低冗余数据；Φ∈R
n
×
n
为测量矩阵，且m<n，测量矩阵的每一个元素都是独立同分布的从高斯分布中取得的测量值；x∈R
n
为压缩前的原始测量值数据；e∈R
m
为测量噪声。3.根据权利要求1或2所述的轻量级非接触式电力分解感知方法，其特征在于，所述步骤1中，给定阈值为：家庭场景取值为0.1安培，工业场景取值由用户手动按需设定。4.根据权利要求1或2所述的轻量级非接触式电力分解感知方法，其特征在于，所述基于注意力机制的多标签分类神经网络模型由多层卷积神经网络堆叠而成，多层卷积神经网络中的每两层卷积网络中间插设有卷积区块注意力网络；所述多层卷积神经网络的输出端连接一个全连接神经网络；所述多层卷积神经网络前端输入为压缩后的低冗余数据，后端输出的运算结果被所述全连接神经网络转化为一个向量输出，所述向量长度等于系统中设备的总数，向量的每一位对应一个设备，向量的每一位取值为1代表该设备正在工作，取值为0代表该设备已关闭。5.根据权利要求4所述的轻量级非接触式电力分解感知方法，其特征在于，所述步骤2中，按以下方式预先训练基于注意力机制的多标签分类神经网络，包括：将作为注意力机制的卷积区块注意力模组分解为：通道层面的卷积运算与空间层面的卷积运算分别进行训练，其中，所述通道层面的卷积运算为：所述空间层面的卷积运算为：其中，F是上一步运算输出的中间结果；M
c
∈R
C
×1×1是通道注意力权重的映射，表示F中的哪个通道更重要；M
s
∈R1×
H
×
W
是空间注意力权重映射，表示经过通道赋予权重后的F
′
中的哪个元素更重要；通过训练如下模型进行多目标学习：将输入数据x映射为二进制向量y，其中，0代表对应标签未检测到，1代表对应标签物体被检测到；通过以下方式对训练后的模型进行压缩处理：权重剪枝：基于数量级的权重剪枝处理去除训练后模型的全连接层中数值低于设定阈值的连接运算；滤波器剪枝：首先计算并排序卷积层的每个滤波器的卷积核权重的绝对值，然后将排序从小到大的前K个滤波器与它们的特征图以及与修剪后的特征图对应的下一个卷积层中的核一起修剪去除；
将压缩后的基于注意力机制的多标签分类神经网络模型通过重新训练微调以恢复原始的精度，即得到训练好的基于注意力机制的多标签分类神经网络模型。6.根据权利要求4所述的轻量级非接触式电力分解感知方法，其特征在于，所述基于注意力机制的多标签分类神经网络模型的多交叉熵损失函数为：意力机制的多标签分类神经网络模型的多交叉熵损失函数为：其中，各参数的含义为：表示在j＝1时第i个设备启动的预估概率或在j＝0时第i个设备关闭的预估概率；表示在j＝1时模型输出的第i个设备启动的中间结果或在j＝0时模型输出的第i个设备关闭的中间结果；Exp()表示指数函数，用于将中间结果转化为概率值；y
i
取值为0或1，0代表设备关闭，1代表设备启动。7.一种轻量级...

【专利技术属性】
技术研发人员：周颢，王晓宇，李向阳，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：