【技术实现步骤摘要】
本专利技术涉及电力负荷监测，具体为一种云边协同的非侵入式负荷监测方法及系统。
技术介绍
1、电力物联网建设和电网透明化发展背景下，智能电表将成为电力部门对各类用户电能计量的主流产品。获取蕴含各个用电设备运行状态信息的小粒度运行数据是实现电力物联的重点和难点，通过内嵌负荷监测功能的智能电表，从实时采集的用电数据中分析获取各个用电设备的具体运行状态信息，对于实现电力物联有着极大的研究意义。
2、负荷监测一般分为2类常用的实现方法：侵入式负荷监测ilm(intrusive loadmonitoring)和非侵入式负荷监测nilm(non-intrusive load monitoring)，前者需要在各个用电设备上加装传感器，对设备单独进行监测，后者只需要利用总的用电数据，通过智能算法就可以分析出各个用电设备的负荷状态，相较于侵入式负荷监测，非侵入式负荷监测具有明显的成本优势和实施可行性。
3、目前的负荷监测大多在本地侧进行部署与实施，但本地侧负荷监测的部分算法效率较低，实时性功能难以保证，而且由于电器种类较多，电器运行情况复杂，仅依靠本地侧负荷监测难以达到实际使用需求，因此需要考虑引入云端协同的负荷监测来解决本地侧负荷监测的局限性。
技术实现思路
1、本专利技术的目的是提供一种云边协同的非侵入式负荷监测方法及系统，能够在边缘端监测用电设备负荷，同时能够实现边缘端与云端通信，保证边缘端负荷监测的可扩展性以及精细化。
2、本专利技术提供的一种云边协同的非
3、步骤一，边缘端用电信息采集：采集所有用电设备总负荷的电气参数序列。
4、步骤二，边缘端负荷辨识：对采集的电气参数序列进行特征提取，将提取的电气特征与边缘端负荷辨识特征库进行匹配并确定相应的设备种类；如果有电气特征未能匹配，则将未能匹配的电气特征上送至云端执行步骤三，否则执行步骤四。
5、步骤三，云端负荷辨识：将接收的电气特征与云端负荷辨识特征库进行匹配并确定相应的设备种类，然后在云端找到该设备种类相对应的负荷分解模型，再将该负荷分解模型下发到边缘端负荷分解模块。
6、步骤四，边缘端负荷分解：将总负荷的电气参数序列输入到边缘端负荷分解模块中的通用负荷分解模型库中进行分解，若个性化负荷分解模型库中有云端下发的负荷分解模型，则也将总负荷的电气参数序列输入到个性化负荷分解模型库中进行分解。最后经由通用负荷分解模型库和个性化负荷分解模型库得到各个用电设备的有功功率序列。
7、上述云边协同的非侵入式负荷监测方法，所述步骤一中电气参数包括有功功率、无功功率、电流、电压、电流谐波、设备启停时间，可使用其中的一种，或一种以上的组合。
8、上述云边协同的非侵入式负荷监测方法，所述步骤二中的特征提取包括：有功功率差值，无功功率差值，电流谐波总畸变率，单位时间内连续启停次数，具体计算方法如下所示：
9、(1)δpt+1＝pt+1-pt，其中pt为t时刻的有功功率，pt+1为t+1时刻的有功功率，δpt+1为t+1时刻的有功功率差值。
10、(2)δqt+1＝qt+1-qt，其中qt为t时刻的无功功率，qt+1为t+1时刻的无功功率，δqt+1为t+1时刻的无功功率差值。
11、(3)其中thdi为电流谐波总畸变率，i1为基波电流有效值，i2为第2次谐波电流有效值，i3为第3次谐波电流有效值，in为第n次谐波电流有效值。
12、(4)单位时间为t，电器a在单位时间t内连续开关了k次，则电器a在单位时间内连续启停次数为k次。
13、上述云边协同的非侵入式负荷监测方法，所述步骤四中的边缘端负荷分解模块包括通用负荷分解模型库和个性化负荷分解模型库，其中通用负荷分解模型库包含常用用电设备的负荷分解模型，个性化负荷分解模型库包含云端下发的负荷分解模型，通过通用负荷分解模型库和个性化负荷分解模型库选择负荷分解模型。
14、上述云边协同的非侵入式负荷监测方法，所述负荷分解模型的输入为所有用电设备总负荷的电气参数序列，输出为模型对应的用电设备的有功功率序列。
15、本专利技术提供的一种云边协同的非侵入式负荷监测系统包括：
16、边缘端用电信息采集模块，采集所有用电设备总负荷的电气参数序列。
17、边缘端负荷辨识模块，对采集得到的电气参数序列进行特征提取和特征匹配；如果有电气特征未能匹配，则将未能匹配的电气特征上送至云端进行辨识。
18、云端负荷辨识模块，对接收的电气特征进行匹配，确定相应的设备种类，然后在云端找到该设备种类相对应的负荷分解模型，再将该负荷分解模型下发到边缘端负荷分解模块。
19、边缘端负荷分解模块，对输入的总负荷的电气参数序列进行分解，得到各个用电设备的有功功率序列。
20、上述云边协同的非侵入式负荷监测系统，所述边缘端用电信息采集模块包括电流互感器，电压互感器，低通滤波器，adc信号处理芯片。其中电流互感器可选霍尔电流互感器，基于磁平衡式霍尔原理，通过测量霍尔电势的大小间接测量载流导体电流的大小，电压互感器可选霍尔电压互感器，也是基于磁平衡式霍尔原理，间接测量出电压的大小。
21、上述云边协同的非侵入式负荷监测系统，所述边缘端负荷辨识模块包括边缘端负荷辨识特征库，边缘端通讯单元。其中边缘端负荷辨识特征库包含常用用电设备的负荷特征数据。
22、上述云边协同的非侵入式负荷监测系统，所述云端负荷辨识模块包括云端负荷辨识特征库，云端负荷分解模型库，云端通讯单元。其中云端负荷辨识特征库包含海量用电设备的负荷特征数据，云端负荷分解模型库包含海量用电设备的负荷分解模型。
23、上述云边协同的非侵入式负荷监测系统，所述边缘端负荷分解模块包括通用负荷分解模型库和个性化负荷分解模型库，其中通用负荷分解模型库包含常用用电设备的负荷分解模型，个性化负荷分解模型库包含云端下发的负荷分解模型。
24、上述边缘端负荷辨识模块中的边缘端通讯单元以及云端负荷辨识模块中的云端通讯单元通过mqtt协议进行数据的上送与下发。
25、上述云端负荷分解模型库和通用负荷分解模型库中的负荷分解模型可通过数学方法、机器学习方法或深度学习方法训练得到。
26、上述边缘端个性化负荷分解模型库中的负荷分解模型均通过云端负荷分解模型库下发得到。
本文档来自技高网...【技术保护点】
1.一种云边协同的非侵入式负荷监测方法，其特征在于，包括以下几个步骤：
2.根据权利要求1所述的云边协同的非侵入式负荷监测方法，其特征在于，所述步骤一中的电气参数包括有功功率、无功功率、电流、电压、电流谐波、设备启停时间。
3.根据权利要求2所述的云边协同的非侵入式负荷监测方法，其特征在于，所述步骤二中的特征提取包括：有功功率差值，无功功率差值，电流谐波总畸变率，单位时间内连续启停次数。
4.根据权利要求3所述的云边协同的非侵入式负荷监测方法，其特征在于所述步骤四中边缘端负荷分解模块包括通用负荷分解模型库和个性化负荷分解模型库，其中通用负荷分解模型库包含常用用电设备的负荷分解模型，个性化负荷分解模型库包含云端下发的负荷分解模型。
5.根据权利要求4所述的云边协同的非侵入式负荷监测方法，其特征在于所述负荷分解模型的输入为所有用电设备总负荷的电气参数序列，输出为模型对应的用电设备的有功功率序列。
6.一种云边协同的非侵入式负荷监测系统，其特征在于，包括：
7.根据权利要求6所述的云边协同的非侵入式负荷监测系统，其
8.根据权利要求7所述的云边协同的非侵入式负荷监测系统，其特征在于所述云端负荷辨识模块包括云端负荷辨识特征库，云端负荷分解模型库，云端通讯单元。其中云端负荷辨识特征库包含海量用电设备的负荷特征数据，云端负荷分解模型库包含海量用电设备的负荷分解模型。
9.根据权利要求8所述的云边协同的非侵入式负荷监测系统，其特征在于所述边缘端负荷分解模块包括通用负荷分解模型库和个性化负荷分解模型库，其中通用负荷分解模型库包含常用用电设备的负荷分解模型，个性化负荷分解模型库包含云端下发的负荷分解模型。
...【技术特征摘要】
1.一种云边协同的非侵入式负荷监测方法，其特征在于，包括以下几个步骤：
2.根据权利要求1所述的云边协同的非侵入式负荷监测方法，其特征在于，所述步骤一中的电气参数包括有功功率、无功功率、电流、电压、电流谐波、设备启停时间。
3.根据权利要求2所述的云边协同的非侵入式负荷监测方法，其特征在于，所述步骤二中的特征提取包括：有功功率差值，无功功率差值，电流谐波总畸变率，单位时间内连续启停次数。
4.根据权利要求3所述的云边协同的非侵入式负荷监测方法，其特征在于所述步骤四中边缘端负荷分解模块包括通用负荷分解模型库和个性化负荷分解模型库，其中通用负荷分解模型库包含常用用电设备的负荷分解模型，个性化负荷分解模型库包含云端下发的负荷分解模型。
5.根据权利要求4所述的云边协同的非侵入式负荷监测方法，其特征在于所述负荷分解模型的输入为所有用电设备总负荷的电气参数序列，输出为模...
【专利技术属性】
技术研发人员：谭貌，别岳超，张政，肖俊，潘瑞，苏永新，廖骋臣，李子彬，
申请(专利权)人：湘潭大学，
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。