[發明專利]一種支持多電器類型高精度的NILM實現方法

有效

• 申請號: 201710989410.7
• 申請日: 2017-10-23
• 公開（公告）號: CN107730003B
• 公開（公告）日: 2020-09-08
• 發明（設計）人: 戴彬;李蔥;徐方琳
• 申請（專利權）人: 華中科技大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G06K9/62
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 張建偉;曹葆青

本發明公開了一種支持多電器類型高精度的非入侵式負荷監控(NILM)的實現方法，能夠用于NILM系統中對于多種負荷電器的識別，以擴展系統的兼容廣度和提高精度的目的。本發明方法包括：數據的獲取；系統根據選定的負荷電器來準備訓練數據；系統使用基于深度神經網絡的特定架構來完成對負荷電器類型的訓練建模；系統通過訓練好的架構對負荷電器的識別過程。本發明在訓練數據的選擇了較完整數據集，在對電器建模上會有較好的表現；考慮了大多數電器識別的兼容性，提升了對雙狀態電器的識別性能。本發明可推廣到不需要高端硬件采集數據的系統中使用。

技術領域

本發明屬于信息與通信技術領域，尤其涉及一種有效的NILM的實現方法。

背景技術

面對日益嚴重的能源緊缺的問題以及用電量逐年增長的現狀，對用電的節能改造以及發展智能電網技術一直是研究熱點，因而采用非侵入式負荷監控((Non-intrusiveLoad Monitoring，NILM)技術，對廣大客戶的用電情況實現監控、管理的概念模型被提出來。

NILM系統能夠檢測需要維護的設備并且向消費者提供設備特定的反饋，以方便用戶合理安排相關用電設備的運行狀態。然而現今NILM方法在識別性能上和對電器類型的覆蓋率還有待完善，沒有一種方法在保證識別性能的基礎上還能兼容所有電器類型，同時能允許低端硬件的低采樣。而深度神經網絡技術的快速發展，推動了研究工作者嘗試將深度神經網絡技術應用到NILM中，而且相較于傳統方法如組合優化CO和階乘隱馬爾科夫模型FHMM等，基于深度神經網絡的NILM方法在一些性能指標上取得了更好結果，即能在精度和電器類庫兼容性上達到更高性能的平衡，而且并不要求高采樣率。

發明內容

本發明提供了一種支持多電器類型高精度的NILM實現方法，該方法具有較優的識別性能和支持較多電器類型的識別，而且不需要高端硬件的數據采集，克服現有技術存在的無法兼容高精度和廣兼容電器類型庫的問題。

一種支持多電器類型高精度的NILM的實現方法，其特征在于，包括如下步驟：

(1)從數據源獲取用電特征；

所述用電特征指電氣量數據，包括功率值和電壓值；

所述數據源，包括公共數據集，指數據庫軟件生成的各種包含元器件信息的表格文件，或者是采集的電氣量數據；從數據源中獲取的用電特征包括單狀態和多狀態的電器類型的用電特征；

(2)獲取用電特征后，根據選擇的電器類型，進行訓練數據的準備工作，包括提取負載激活，創建聚合數據；

所述電器類型，分為單狀態，如水壺、烤面包機和多狀態型，如洗衣機、空調；所述電器類型選取用電特征需具有代表性，每個電器都至少存在于數據集UK-DALE；所述UK-DALE是公共數據集的一種，是持續更新的公用數據集，記錄了5個房子的電力需求的三個房子中，用以實現對于每個用電設備，至少可以在兩個房子上訓練我們提出的優化網絡架構，并在不同的房子上進行測試的電器，如空調，洗衣機等，作為該類電器的訓練對象；訓練對象包括單狀態即簡單的開/關運行模式多狀態即根據使用功能要求有不同的運行模式；

所述負載激活是指單個電器設備在該設備工作時間內獲得的功率；

所述創建聚合數據，是根據提取到的負載激活，創建一個合成數據序列；通過隨機組合實際負載激活，有效地產生無限數量的合成聚合數據；按照合成聚合數據與真實聚合數據以1:1的比例進行合成，然后將合成數據和真實數據混合用來訓練，除了增大訓練數據量，還可以提高神經網絡識別電器的性能以及推廣到不可見房子的能力，不可見房子即不知道房子中有何設備，但是可以獲取該房子的電氣量數據，包括電壓、電流、功率等。