[发明专利]电能表负荷监测方法、系统、装置及计算机可读存储介质

说明书

本申请公开了一种电能表负荷监测方法、系统、装置及计算机可读存储介质，应用于电力物联网领域；该电能表负荷监测方法包括获取电能表处的用电数据，用电数据包括电压数据和电流数据；基于用电数据得到特征数据，特征数据包括基于电压数据和电流数据得到的电压‑电流轨迹图像，特征数据还包括基于电流数据得到的谐波特征矩阵；以电压‑电流轨迹图像和谐波特征矩阵作为预训练神经网络模型的输入，通过神经网络模型的在线推理，分析出用电负荷的类别及监测结果。本申请能够提高用电负荷的识别准确率，不需要额外设置大量相似度判别阈值，占用资源少，便于神经网络模型在资源有限的边缘侧场景部署。

技术领域

本申请涉及电力物联网领域，特别涉及一种电能表负荷监测方法、系统、装置及计算机可读存储介质。

背景技术

随着智能电网、大数据分析技术不断发展，基于电能表的负荷监测方法受到越来越多关注。目前，常用的电能表负荷监测技术使用非侵入式监测的方式，该方式不借助额外的传感器，直接通过表计来实现对用电负荷的识别与监测，具有投资少，安装方便，使用简单等特点。该类方式主要通过计算电路中的电流、有功功率、无功功率等信息实现监测，当以上信息突变时，监测一段时间的变化规律，通过聚类和相似度判断的方法进行简单的用电负荷辨识，采用这种方案不仅需要确认大量的相似度判别阈值，而且所需判别模型比较多，在复杂的用电场景下往往负荷监测识别率不高。

神经网络模型具有强大的特征学习和分类能力，近年来在模式分类与识别领域取得了惊艳的效果，如果能将其部署在电能表端，在非侵入式方式的基础上，把神经网络模型引入负荷监测领域，将会大大提升负荷监测效果。

因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。

发明内容

本申请的目的是提供一种电能表负荷监测方法、系统、装置及计算机可读存储介质，能够提高用电负荷的识别准确率，不需要额外设置大量相似度判别阈值，占用资源少，便于神经网络模型在资源有限的边缘侧场景部署。

为解决上述技术问题，本申请提供了一种电能表负荷监测方法，包括：

获取电能表处的用电数据，所述用电数据包括电压数据和电流数据；

基于所述用电数据得到特征数据，所述特征数据包括基于所述电压数据和所述电流数据得到的电压-电流轨迹图像，所述特征数据还包括基于所述电流数据得到的谐波特征矩阵；

以所述电压-电流轨迹图像和所述谐波特征矩阵作为预训练神经网络模型的输入，获取用电负荷的类别。

可选的，该电能表负荷监测方法还包括：

预先获取各个用电负荷的电流数据和电压数据；

根据各个所述用电负荷的运行原理为各个所述用电负荷添加标签数据，所述标签数据用于区分所述用电负荷的类别；

基于各个所述用电负荷的所述电流数据和所述电压数据得到所述特征数据；

将所有所述特征数据和所有所述标签数据输入卷积神经网络中进行迭代训练，得到所述预训练神经网络模型。

可选的，所述根据各个所述用电负荷的运行原理为各个所述用电负荷添加标签数据的过程包括：

根据各个所述用电负荷的运行原理，利用one-hot机制为各个所述用电负荷添加标签数据。

可选的，所述卷积神经网络包括第一输入层，第二输入层，与所述第一输入层连接的第一骨干网络卷积层，所述第二输入层连接的第二骨干网络卷积层，分别与所述第一骨干网络卷积层和所述第二骨干网络卷积层连接的Concatenate层，与所述Concatenate层连接的Flatten层，与所述Flatten层连接的全连接层，与所述全连接层连接的输出层。

可选的，所述获取用电负荷的类别之后，该电能表负荷监测方法还包括：

获取各个用电负荷的投切状态。