[发明专利]非侵入式负荷识别方法、终端设备及存储介质

说明书

本发明公开了一种非侵入式负荷识别方法、终端设备及存储介质，该方法包括步骤：获取预设时间范围内的电表功率数据；根据目标电器对应的预设窗口长度在电表功率数据中选取多个时间段为预设窗口长度的预设功率数据；将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据；根据多个时间段对应的估计功率数据得到预设时间范围内的目标电器功率数据。本发明可根据窗口长度对电表功率数据进行筛选，将筛选的数据传输已经训练好的神经网络中，最终得到目标电器功率数据，通过神经网络可提高识别准确性，而且适用于多种电器。

技术领域

本发明涉及数据识别技术领域，尤其涉及非侵入式负荷识别方法、终端设备及存储介质。

背景技术

电力负荷识别最常见两种方法为侵入式和非侵入式识别方法，侵入式识别方法需要安装传感器至各个负荷处，这种方法虽然可以直接获得负荷的测量数据，但是成本较高、维护也相对困难；而非侵入式方法只需要在电力供给的总入口安装监测设备就可以对电力系统内的各个负荷分解、监测和识别。采用现有的非侵入式识别方法对于工作状态较为稳定的用电设备，例如电视机、电脑等，负荷识别难度相对较低，但是对于工作状态较多，例如洗衣机，因为工作用电情况变化较多，负荷识别的难度也非常大，使识别准确性较低。

发明内容

本发明的主要目的在于提供一种非侵入式负荷识别方法、终端设备及存储介质，旨在解决现有的非入侵式用电负荷识别方法识别准确性较低的技术问题。

为实现上述目的，本发明提供一种非侵入式负荷识别方法，包括步骤：

获取预设时间范围内的电表功率数据；

根据所述目标电器对应的预设窗口长度在所述电表功率数据中选取多个时间段为预设窗口长度的预设功率数据，相邻预设功率数据对应的起始时间差为预设滑动步长；

将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据；

根据多个时间段对应的估计功率数据得到预设时间范围内的目标电器功率数据。

优选地，所述将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据的步骤之前，还包括：

获取原始数据，并对所述原始数据进行预处理获得样本数据，所述原始数据包括至少两个电器对应的电器功率数据，所述样本数据包括目标电器处于运行状态的运行功率样本和目标电器处于待机状态的待机功率样本；

将所述样本数据输入待训练的神经网络模型中，生成与所述样本数据对应的所述估计功率数据，并基于预设评价指标对待训练的神经网络模型进行迭代训练，直至所述待训练的神经网络模型对应的损失函数的损失值满足预设收敛条件，将所述待训练的神经网络模型设置为已训练完成的神经网络模型。

优选地，所述获取原始数据，并对所述原始数据进行预处理获得样本数据的步骤包括：

获取原始数据，并根据所述原始数据确定目标电器对应处于运行状态的每次运行时长；

根据每次运行时长和预设统计规则生成目标电器对应的估计使用时长，并将所述估计使用时长设置为预设窗口长度；

根据滑动步长和目标电器在各运行时长对应的运行功率，生成运行功率样本和待机功率样本，并设置运行功率样本为正样本，设置待机功率样本为负样本。

优选地，所述获取原始数据，并根据所述原始数据确定目标电器对应处于运行状态的每次运行时长的步骤包括：

获取原始数据，根据原始数据确定目标电器对应的预设启停参数确定目标电器对应处于运行状态的每次运行时长，其中，所述预设启停参数包括启动功率阈值、最小运行时间、最小停止时间以及停止功率阈值。