[发明专利]非侵入式负荷监测智能电表和电量分解方法

说明书

本发明提供一种非侵入式负荷监测智能电表，包括智能电表主体、数据中心模块，以及与所述数据中心模块通信相连的电量分解模块和显示模块；所述电量分解模块用于使用预先训练的电量分解模型对总线路用电量基于设备进行分解，将分解结果发送至数据中心模块；所述电量分解模型是使用样本用电总量对应的序列数据和各个设备的样本用电量进行训练得到；所述数据中心模块，用于获取所述电量分解模块生成的分解结果，将所述分解结果发送至所述显示模块显示。本发明能够快速计算各个设备的用电量，运算量小，可由智能电表本地完成，提高了智能电表的普及性和适用性；运算速度快，适于用户实时了解家中设备耗电情况，合理用电。

技术领域

本发明涉及用电负荷监测领域，具体而言涉及一种非侵入式负荷监测智能电表和电量分解方法。

背景技术

伴随着科学技术的不断进步发展，智能电表正在不断普及。现有的智能电表是一种数字电度表，可以精确的标示出用电量，并通过网络回报信息，它可以成为智能电网的一部分，智能电表现在主要创建在AMI电网架构之上，数据可以上传回电力公司，用来协助进行电源管理，电费管理和故障管理等。负荷监测技术又称负荷识别技术，最早由MIT的Hart教授于19世纪80年代提出。负荷监测的目的是监测家庭中电器的实时状态和能耗，可以有效帮助用户了解家中用电情况，调整用电策略节约开支，帮助电力公司制定生产和调度计划，提高企业效益，减少能源浪费。负荷监测又分为侵入式负荷监测技术和非侵入式负荷监测技术，侵入式负荷监测技术需要在主线路和各个设备的线路上加装传感器监测设备功耗和状态而非侵入式负荷监测技术只需在主线路上安装传感器，显然非侵入式负荷监测方式系统安装更方便，成本更低廉，因此也广受学者们的关注。

专利号为CN109840691A中提出了一种基于深度神经网络的非侵入式分项电量估计方法，通过获取总量用电数据序列与目标电器用电数据序列，构建与训练电量估计神经网络，将现场采集到的总量用电数据按需分段，输入训练所得的深度神经网络，在线估计目标电器用电量。该方法针对单一目标电器的用电量具有较高的监测效果，但当目标电器较多时，仍需要逐一进行分析。专利号为CN110376457A提出了一种基于半监督学习算法的非侵入式负荷监测方法及装置，包括：S1，采集智能电表总用电量和各设备运行状态信息的时序信息，S2，预处理数据，S3，通过滑动一个时间长度来获得训练窗口，以总用电量序列作为输入窗口数据，以序列中点时间设备的开关状态作为输出标签，重复多次得到训练样本数据集，S4，使用训练样本训练神经网络模型，步骤S5，将待识别的总电量序列输入训练好的神经网络模型，可以获得正确的各设备运行状态。通过采用该发明可以精细化用户内部设备使用状态。采用前述方法，需要采集大量设备的时序信息和开关状态对模型进行训练，在模型训练完成后，导入总电量序列后，也需要经过大量运算才能获取到各设备的运行状态，运算过程复杂，很多时候需要借助远程服务器完成整个运算过程，难以由智能电表独立完成，普及难度大。另外，在实际应用过程中，由于大部分用电设备运行稳定，用户有时并不需要知晓每个设备的详细运行状态，只希望快速知晓每个设备的用电量，以判断是否需要调整用电设备。对于这部分用户来说，需要提出一种运算量更少可以由智能电表独立完成，且模型更易搭建的电量分解方法。

发明内容

本发明目的在于提供一种非侵入式负荷监测智能电表和电量分解方法，采用加入了注意力机制的序列到点模型，通过为各个不同尺寸的滑动窗口以及有功功率、无功功率、电压等各种物理量加权值，快速构建电量分解模型；所述电量分解模型只需知道总线路用电量，即可快速计算各个设备的用电量，运算量小，能够由智能电表本地完成，提高了智能电表的普及性和适用性；从负荷监测和电量分解的目的性出发，从大量物理量中筛选出电压、有功功率和无功功率三种最能直接反映负荷特性的物理量，同时考虑到用能设备的使用特性，选择一系列长度的滑动窗口，引入注意力机制，通过模型自己学习得到的权值对前述筛选出的各种特征进行加权处理，提高了电量分解的精确度；引入transformer编码解码框架，提高了运算速度，使用户能够实时掌握各个设备的用电量。