[發明專利]非嵌入式公寓電器負荷識別分析方法、系統及應用

在審

• 申請號: 202011260647.X
• 申請日: 2020-11-12
• 公開（公告）號: CN112396098A
• 公開（公告）日: 2021-02-23
• 發明（設計）人: 申剛;孫冠男;葉怡鈞;趙學臣;王虎彪
• 申請（專利權）人: 天津天大求實電力新技術股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/02;G06Q50/06
• 代理公司: 天津盈佳知識產權代理事務所(特殊普通合伙) 12224
• 代理人: 孫寶蕓

1.一種非嵌入式公寓電器負荷識別分析方法，其特征在于，所述非嵌入式公寓電器負荷識別分析方法包括：

對采集各個電器的電壓、電流、有功功率、功率因數歷史數據，使用神經網絡模型進行訓練；

計算出一段時間內電器的電流離散程度，取穩態數據的數據數列，計算所述數據數列標準差，作為離散度；

利用訓練好的神經網絡模型以及電流離散度對實時數據進行判斷，識別出某類電器負荷運行情況。

2.根據權利要求1所述的非嵌入式公寓電器負荷識別分析方法，其特征在于，所述對采集各個電器的電壓、電流、有功功率、功率因數歷史數據進行存儲、清洗，去除電器非穩態環境的數據；

所述使用神經網絡模型進行訓練包括：

1)對采集各個電器的歷史數據分緯度，所述電壓、電流、有功功率、功率因數按列排列；

2)所述電壓、電流、有功功率、功率因數數據的每一行都對應某一類電器，對各個電器的標簽數字化；

3)對歷史數據的每一行進行打散后，逐行輸入神經網絡模型進行模型訓練，訓練多次后，得到穩定的電器識別準確率，并進行保存。

3.根據權利要求1所述的非嵌入式公寓電器負荷識別分析方法，其特征在于，所述離散度的計算方法包括：

取一段時間組成電流數據數組，計算此數據數組的標準差

Xi表示數組中的每個電流，表示n(30)個數據的平均值，n代表數組中數據的個數；

所述利用訓練好的神經網絡模型以及電流離散度對實時電流進行判斷中，對某一類電器進行多次檢驗，評估出某一類電器最多的次數，識別出是某一類電器；

所述判斷步驟包括：調用已經訓練好的違規電器神經網絡模型對實時數據進行實時檢驗，得出實時數據對應的電器標簽，進而轉化成對應的電器實現識別各種電器。

4.根據權利要求1所述的非嵌入式公寓電器負荷識別分析方法，所述神經網絡模型MLPClassifier包括的參數：

activation＝’relu’:激活函數，用于非線性識別；

Solver＝’adam’:隨機梯度下降法，用于優化學習模型的參數權重，逐漸增大模型的準確度，最終選定一組最優的參數；

Max_iter＝10000:對給定的數據進行多次迭代；

Alpha＝0.0001:正則化參數，作為懲罰項，使得影響不明顯的參數忽略，防止過擬合。

5.根據權利要求1所述的非嵌入式公寓電器負荷識別分析方法，其特征在于，所述識別出某類電器負荷運行情況包括：

對待識別的電器預設黑白名單，若電器在黑名單中，則認為電器是不被允許使用的，若電器在白名單內，則認為電器是被允許使用；

若某一電器的功率超過閾值，則大功率電器預警。

6.根據權利要求5所述的非嵌入式公寓電器負荷識別分析方法，其特征在于，所述大功率電器預警包括：

預設功能只有大功率預警：則超大功率報警，不超不報警；

預設功能只有違規電器預警：若待識別電器在黑名單中則報警，不在黑名單，則不報警。

7.根據權利要求6所述的非嵌入式公寓電器負荷識別分析方法，其特征在于，所述預設功能只有大功率預警和只有違規電器預警進一步包括：

若待識別電器在黑名單內，并且超大功率：則大功率預警；

若待識別電器在白名單內，超大功率：不預警；

若待識別電器不在黑白名單內，超大公率：大功率預警；

若待識別電器在黑名單內，不超大功率：違規電器預警；

若待識別電器在白名單內，不超大功率：不預警。