【技术实现步骤摘要】
本申请涉及电网监测，特别是涉及一种非侵入式负荷监测方法、装置和计算机设备。
技术介绍
1、电网运营商可以通过从单个用户处采集到的用电数据(例如电流、电压、功率和用电量等)来识别用户的行为模式。通过这些模式，可以实施适当的策略来提高电力效率。其中，识别用户行为模式的关键技术是非侵入式负载监测，在不侵犯用户隐私的条件下，将用户的用电数据分解为每个用电设备的信号，从而对用户的行为模型进行识别。
2、传统的非侵入式负载监测包括基于概率模型的非侵入式负荷监测和基于机器学习的非侵入式负荷监测。然而，传统的监测方法存在计算成本高且识别精度低的问题。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够降低计算成本和提高监测精度的非侵入式负荷监测方法、装置和计算机设备。
2、第一方面，本申请提供了一种非侵入式负荷监测方法，包括：
3、采集预设用电场景下在监控时段内各采样时间点对应的负荷数据；负荷数据包括预设用电场景下各用电设备在采样时间点的总功率；
4、将负荷数据输入预测模型，获取预测模型输出的预测结果；预测模型包括用于捕捉用电设备功率状态分布的状态卷积神经网络和用于获取功率状态对应功耗的功率卷积神经网络；
5、根据预测结果，获取各用电设备在各采样时间点的工作状态。
6、在其中一个实施例中，将负荷数据输入预测模型包括：预训练双重卷积神经网络架构，获取预测模型；将负荷数据输入预测模型；
7、预训练双重卷积神
8、获取训练数据，训练数据包括预设用电场景下的历史负荷数据；
9、根据历史负荷数据提取实际功率状态集合和实际功率状态序列；
10、将训练数据输入包括第一卷积神经网络和第二卷积神经网络的双重卷积神经网络架构，第一卷积神经网络输出预测功率状态分布，第二卷积神经网络输出预测功率状态对应功耗；预测功率状态为实际功率状态集合中的元素；
11、根据预测功率状态分布、预测功率状态对应功耗和实际功率状态序列对双重卷积神经网络架构进行优化，获取预测模型；
12、其中，状态卷积神经网络为优化后的双重卷积神经网络架构中的第一卷积神经网络，功率卷积神经网络为优化后的双重卷积神经网络架构中的第二卷积神经网络。
13、在其中一个实施例中，根据预测功率状态分布、预测功率状态对应功耗和实际功率状态序列对双重卷积神经网络架构进行优化，获取预测模型包括：
14、根据预测功率状态分布、预测功率状态对应功耗和实际功率状态序列，获取双重卷积神经网络架构的成本函数，通过成本函数对双重卷积神经网络架构中的学习参数进行迭代更新，直至满足预设条件；获取预测模型；
15、其中，成本函数包括功耗误差和功率状态分布的误差。
16、在其中一个实施例中，其特征在于：功耗误差根据预测功耗和实际功耗之间的均方误差确定；预测功耗根据预测功率状态分布和预测功率状态对应功耗确定，实际功耗根据实际功率状态序列确定；
17、功率状态分布的误差根据预测功率状态分布和实际功率状态分布确定；实际功率状态分布根据实际功率状态序列确定。
18、在其中一个实施例中，获取预测模型输出的预测结果包括：
19、获取状态卷积神经网络输出的第一输出；
20、获取功率卷积神经网络输出的第二输出；第一输出和第二输出均为矩阵形式；
21、根据第一输出和第二输出的哈达玛积，获取预测结果。
22、在其中一个实施例中，根据预测结果，获取各用电设备在各采样时间点的工作状态包括：
23、基于预测结果，利用最大化概率分布方法获取工作状态；工作状态通过用电设备在各采样时间点的功率状态表征。
24、第二方面，本申请提供了一种非侵入式负荷监测装置，装置包括：
25、采集模块，用于采集预设用电场景下在监控时段内各采样时间点对应的负荷数据；负荷数据包括预设用电场景下各用电设备在采样时间点的总功率；
26、预测模块，用于将负荷数据输入预测模型，获取预测模型输出的预测结果；预测模型包括用于捕捉用电设备功率状态分布的状态卷积神经网络和用于获取功率状态对应功耗的功率卷积神经网络；
27、输出模块，用于根据预测结果，获取各用电设备在各采样时间点的工作状态。
28、第三方面，本申请提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
29、采集预设用电场景下在监控时段内各采样时间点对应的负荷数据；负荷数据包括预设用电场景下各用电设备在采样时间点的总功率；
30、将负荷数据输入预测模型，获取预测模型输出的预测结果；预测模型包括用于捕捉用电设备功率状态分布的状态卷积神经网络和用于获取功率状态对应功耗的功率卷积神经网络；
31、根据预测结果，获取各用电设备在各采样时间点的工作状态。
32、第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
33、采集预设用电场景下在监控时段内各采样时间点对应的负荷数据；负荷数据包括预设用电场景下各用电设备在采样时间点的总功率；
34、将负荷数据输入预测模型，获取预测模型输出的预测结果；预测模型包括用于捕捉用电设备功率状态分布的状态卷积神经网络和用于获取功率状态对应功耗的功率卷积神经网络；
35、根据预测结果，获取各用电设备在各采样时间点的工作状态。
36、第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
37、采集预设用电场景下在监控时段内各采样时间点对应的负荷数据；负荷数据包括预设用电场景下各用电设备在采样时间点的总功率；
38、将负荷数据输入预测模型，获取预测模型输出的预测结果；预测模型包括用于捕捉用电设备功率状态分布的状态卷积神经网络和用于获取功率状态对应功耗的功率卷积神经网络；
39、根据预测结果，获取各用电设备在各采样时间点的工作状态。
40、上述非侵入式负荷监测方法、装置和计算机设备，采集预设用电场景下在监控时段内各采样时间点对应的负荷数据；负荷数据包括预设用电场景下各用电设备在采样时间点的总功率；将负荷数据输入预测模型，获取预测模型输出的预测结果；预测模型包括用于捕捉用电设备功率状态分布的状态卷积神经网络和用于获取功率状态对应功耗的功率卷积神经网络；根据预测结果，获取各用电设备在各采样时间点的工作状态。通过状态卷积神经网络和功率卷积神经网络相互配合，挖掘功率状态和功率状态变化模式之间的耦合关系，从而有效提升用电设备工作状态的识别精度。同时，在新增用电设备时，相较于传统的技术方案也具有更高的工作状态识别精度。此外，相较于传统的基于概率模型的非侵入式负荷监本文档来自技高网...
【技术保护点】
1.一种非侵入式负荷监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述负荷数据输入预测模型包括：预训练双重卷积神经网络架构，获取所述预测模型；将所述负荷数据输入所述预测模型；
3.根据权利要求2所述的方法，其特征在于，所述根据所述预测功率状态分布、所述预测功率状态对应功耗和所述实际功率状态序列对所述双重卷积神经网络架构进行优化，获取所述预测模型包括：
4.根据权利要求3所述的方法，其特征在于：所述功耗误差根据预测功耗和实际功耗之间的均方误差确定；所述预测功耗根据所述预测功率状态分布和所述预测功率状态对应功耗确定，所述实际功耗根据所述实际功率状态序列确定；
5.根据权利要求1所述的方法，其特征在于，所述获取所述预测模型输出的预测结果包括：
6.根据权利要求1所述的方法，其特征在于，所述根据所述预测结果，获取各所述用电设备在各所述采样时间点的工作状态包括：
7.一种非侵入式负荷监测装置，其特征在于，所述装置包括：
8.一种计算机设备，包括存储器和处理器，所述存储
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种非侵入式负荷监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述负荷数据输入预测模型包括：预训练双重卷积神经网络架构，获取所述预测模型；将所述负荷数据输入所述预测模型；
3.根据权利要求2所述的方法，其特征在于，所述根据所述预测功率状态分布、所述预测功率状态对应功耗和所述实际功率状态序列对所述双重卷积神经网络架构进行优化，获取所述预测模型包括：
4.根据权利要求3所述的方法，其特征在于：所述功耗误差根据预测功耗和实际功耗之间的均方误差确定；所述预测功耗根据所述预测功率状态分布和所述预测功率状态对应功耗确定，所述实际功耗根据所述实际功率状态序列确定；
5.根据权利要求1所述的方法，其特征在于，所...
【专利技术属性】
技术研发人员：何耿生，曾金灿，姚尚衡，张舒涵，杨鑫和，李沛，梁梓杨，刘玺，黄宇，
申请(专利权)人：南方电网能源发展研究院有限责任公司，
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。