[发明专利]基于智能电表数据的家用电器运行状态非侵入式检测方法

说明书

本发明公开了一种基于智能电表数据的家用电器运行状态非侵入式检测方法，包括以下步骤：采集用户家庭的用电总功率数据和预测电器的消耗功率数据；对电器运行状态进行标注，并对采集的功率数据进行归一化处理；搭建深度学习网络模型；对搭建的LSTM深度学习网络进行训练，得到训练好的LSTM网络模型；对训练好的LSTM网络模型进行测试，检验网络预测准确性；采集任意家庭入户智能电表功率数据，作为LSTM网络模型的输入，检测识别多个家用电器的运行状态。本发明对负荷的运行状态识别具有良好的效果，与普通的单个预测网络相比，网络的训练时间大大减少，对于不同的地区使用迁移学习也能达到良好的预测效果，在生产生活中具有很高的价值。

技术领域

本发明涉及家庭用电领域，特别涉及一种基于智能电表数据的家用电器运 行状态非侵入式检测方法。

背景技术

能源问题是近几十年来人类面临的最大的挑战之一，在科技发展、人们生 活水平提高的同时，我们也过度地开发了地球资源。电力的使用是能源消耗急 剧增加的很大因素，根据美国能源消耗数据手册显示，百分之四十的一次能源 消耗和70％的电力资源消耗来自室内，所以节约室内用电消耗潜力巨大。

经过数十年的研发投入及建设，国家电网在网侧已基本达到了泛在物联网 的要求，但在电网的用户终端，近四亿台智能电表产生的数据，没有得到充分 有效的利用，如何利用这些数据为电力能源管理价值服务，是发展泛在电力物 联网建设的关键。利用智能电表采集的家庭用电功率数据，采用电力负荷分解 技术，可得到家庭主要用电器的运行状态及详细的功率消耗情况，能够为电力 系统进行需求侧管理和分析提供依据，如可以提供详细的电费清单，帮助用户 节约用电和检测故障电器，监测居民行为来照看容易发生危险的人群，以及帮 助电网公司提高电力负荷分配的决策准确性等，为实现更有效的电力能源管理 及价值服务提供保障。

电力负荷分解技术分为两大类：侵入式电力负荷分解(Intrusive loaddecomposition，ILM)和非侵入式电力负荷分解(Non-intrusive load decomposition，NILM)。ILM指在在用电负荷上安装传感器，检测电器的功率消 耗。该方法虽然电器识别准确率较高，但是它造价昂贵、容易影响居民日常生 活，不易维护。NILM是指在用户主电路上安装智能电表获取总功率和总电流等 数据，根据这些信息识别用户各类用电设备的工作状态。它的优点是安全经济， 易于推广，缺点是识别准确率不高。近年来，NILM成为电力负荷分解方向的主 流研究方向。

NILM最早由麻省理工学院的Hart等人提出，随后贝叶斯算法、隐马尔科夫 模型(HMM)、支持向量机(SVM)、神经网络模型(ANN)等算法被用于NILM领域。 随着深度学习的崛起，卷积神经网络(CNN)和循环神经网络(RNN)均被用于电力 负荷分解领域，长短期记忆网络(LSTM)作为一种改进后的循环神经网络，他可 以解决RNN无法处理长距离的依赖的问题，对时序输入的数据具有良好的识别 效果。NILM的输入数据为家庭用电的总功率时序数据，利用LSTM网络的强大记 忆功能进行建模，用于非侵入式电力负荷分解NILM具有良好的效果。

发明内容

为了解决上述技术问题，本发明提供一种算法简单、检测精度高的基于智 能电表数据的家用电器运行状态非侵入式检测方法。

本发明解决上述问题的技术方案是：一种基于智能电表数据的家用电器运 行状态非侵入式检测方法，包括以下步骤：

步骤一、采集数据：采集多个用户家庭在一段时间内的用电总功率数据和 预测电器的消耗功率数据，将采集的数据集分为得到训练集和测试集；

步骤二、数据标注和预处理：根据电器的消耗功率对电器运行状态进行标 注，并对采集的功率数据进行归一化处理；

步骤三、搭建深度学习网络模型：采用TensorFlow架构搭建LSTM深度学 习网络，调整网络的输入参数、网络层数得到最优的LSTM网络模型；