[发明专利]一种基于轨迹图像识别的非侵入式负荷识别系统及方法

说明书

本发明属于用电负荷识别技术领域，公开了一种基于轨迹图像识别的非侵入式负荷识别系统及方法，基于轨迹图像识别的非侵入式负荷识别系统包括：电器数据采集模块、主控模块、AI识别模块、无线通信模块、云端；所述基于V‑I轨迹图像识别的非侵入式负荷识别方法包括：负荷数据采集、提取投切电器的电流和电压数据、V‑I轨迹图合成、V‑I轨迹图识别、识别结果上传。本发明采用电磁式传感器，避免了对原用电系统产生干扰；安装简单，不用改变原用电系统电路；通过将电器的电气特征转化为V‑I轨迹图，利用成熟的图像识别技术，更准确地识别电器种类；同时V‑I轨迹图库与现有的电器特征库相比，建立与维护工作更加简单。

技术领域

本发明属于用电负荷识别技术领域，尤其涉及一种基于轨迹图像识别的非侵入式负荷识别系统及方法。

背景技术

目前，非侵入式用电负荷识别技术的应用范围比较广，可以应用于智能公寓、智慧家居，通过数据分析可以了解居民用电的组成情况，做到需求侧响应等，同时用户可以了解自己的用电习惯，提高自己的节能意识。但是，现有技术多采用低频的负荷采集方式，会导致识别精度低，实时性差，不能及时反映负荷变化；高频的采集方式又会导致数据传输量大，网络依赖性强；同时传统的负荷特征库建立比较繁琐，需要人工提取负荷特征，如果前期特征提取不全，会导致后序特征库的维护工作量加大。因此，亟需一种新的非侵入式负荷识别系统。

通过上述分析，现有技术存在的问题及缺陷为：现有技术多采用低频的负荷采集方式，会导致识别精度低，实时性差，不能及时反映负荷变化；高频的采集方式又会导致数据传输量大，网络依赖性强；同时传统的负荷特征库建立比较繁琐，需要人工提取负荷特征，如果前期特征提取不全，会导致后序特征库的维护工作量加大。

解决以上问题及缺陷的难度和意义为：通过结合AIOT技术，将负荷数据采集和负荷识别都放在数据采集的边缘处，避免了大量数据的上传；将传统的特征库转化为V-I轨迹图像，一张V-I轨迹图可以包含更多的负荷特征信息，从而降低了负荷特征库的维护工作；同时结合云服务，可以让用户不断完善负荷V-I轨迹图像库，使得识别电器种类更多。

发明内容

针对现有技术存在的问题，本发明提供了一种基于V-I轨迹图像识别的非侵入式负荷识别系统及方法，具体涉及一种基于V-I轨迹图像识别的非侵入式负荷识别系统及方法。

本发明是这样实现的，一种基于轨迹图像识别的非侵入式负荷识别系统，包括：电器数据采集模块、主控模块、AI识别模块、无线通信模块、云端。

电器数据采集模块，由电流互感器、电压互感器、电能计量芯片组成，传感器安装在家庭用电的入口，用于采集家庭用电的电流、电压值，电能计量芯片将电流、电压传感器输出的模拟量转换为数字量，并统计有功功率和无功功率，将实时电流、电压值、功率值传递给主控模块；

主控模块，采用低功耗的MCU作为数据采集系统的核心，对电器数据采集模块产生的数据进行处理，根据功率变化情况判断是否有电器投切事件发生，如果存在电器投切，则根据电流、电压数据生成投切电器的V-I轨迹图像，并将生成的V-I轨迹图传输给AI识别模块；

AI识别模块，通过I²C与主控模块连接，采用专有的AI处理器，可以在超低功耗下进行高速卷积神经网络计算，能够迅速对V-I轨迹图进行识别得到结果；

无线通信模块，用于将AI识别模块输出的识别结果通过网络的方式传输到云端数据库；

云端，主要有数据库、AI学习功能，数据库对边缘端上传的用电数据进行存储，用于应用端数据访问，AI学习功能用于对电器V-I轨迹图进行训练，生成神经网络模型，通过无线通信模块下载到AI识别模块中。

进一步，所述基于V-I轨迹图像识别的非侵入式负荷识别系统整体架构分为三层：端/边缘层、云端、应用层；

端/边缘层：传感器、电能计量芯片、MCU、AI模块以及通信模块；