[发明专利]一种基于LSTM的非侵入式用电器识别方法、系统及设备

说明书

本发明属于用电器识别技术领域，公开了一种基于LSTM的非侵入式用电器识别方法、系统及设备，利用电流互感器和电压过零检测电路，同步取样用电器的电流数据，通过电流数据提取特征参数并判断出用电器的投切事件后，再利用长短期记忆(LSTM)神经网络判断出投切的用电器种类，最后结合累积和(CUSUM)智能识别出当前用电器的种类和数量。本发明兼顾低成本，低功耗，高识别精度为一体，易于工业化生产和推广使用；具有学习功能，可自主学习新用电器，并识别用电器不局限于出厂时内置的用电器种类。在嵌入式微控制器芯片上部署了LSTM神经网络，用于识别用电器；微控制器芯片相对微处理器芯片在成本上有显著优势，本发明所提出的多参数的检测方法能够更准确的判断出用电器的投切事件。

技术领域

本发明属于用电器识别技术领域，尤其涉及一种非侵入式用电器识别方法、系统及设备。

背景技术

目前，在如今大量使用电力能源的时代，电力监控是一个重要的话题。在家用电力领域，家用电器识别的要求不断被重视。已有的电器监控设备往往无法兼顾高精度和低成本这两个需求。作为家用识别装置，目前市场上已有的多是成本相对较低的非侵入式电器监控装置，为了在节约成本的同时保证识别的准确性，如今的监控装置多采用一些神经网络或者人工智能的算法，需要电脑参与训练和识别过程，带来了系统功耗的增加以及成本的增加。当然同时也有一些采用简单识别方式的设备，但难以维持较好的识别效果，实际使用效果堪忧。总体来说，在家用电器识别这一领域，高精度和低成本的需求难以两全。

近年来，随着社会经济的飞速发展，工业能源消耗和家庭能源使用量都在急剧上涨。在社会生产力能力持续增强，人民物质生活水平不断提高的同时，能源需求量也同步提升，这给能源供应系统提出了巨大的挑战，尤其是诸如电能等传统能源。来自多方面的，多种类的能源接入量给电力系统提供了大量的资源供应压力。对于如何提高能源使用效率这一课题，物联网技术正处于研究的最前端，它可以灵活地感知电力系统状态，面对变化的负载用电情况及时进行智能通信、控制和调整。而在居民用电领域中，物联网电力控制系统具体落实为家用电器状况监控、用电情况通报和用电器智能调控等。

面对这些家庭电力监控需求，识别电器种类、检测电器使用状态、监测电力使用量等基本要求不断被人们所重视。在用电器识别和家庭负荷监测方面，主要有两种研究方法，即侵入式和非侵入式。非侵入式用电负荷监测技术相比于侵入式负荷监测技术而言，无需繁琐的硬件安装，只需要采集电力供总线处的电压电流，通过特定算法便能得到用电器的类别状态和电能消耗。考虑到侵入式监控的高成本，非侵入式监控应该是家庭电力监控的更优解。非侵入式监控旨在通过处理家庭聚合用电量信息来识别电器的被使用状况。但在非侵入式用电器监测识别方法中，单一的依靠稳态或瞬态参数无法准确的判断用电器种类，而一味的依靠高精度的谐波分析法又会产生数据冗余。

程春雨等提出了一种基于BP神经网络的用电器识别系统设计，系统采集单个用电器工作电流数据并传送给上位机存储留待处理。上位机将接收到的数据进行复合数字滤波，并基于BP神经网络通过叠加原理排列组合出多种情况，生成训练数据集，从而实现用电器识别。

周明等提出了一种基于S_Kohonen非侵入式居民负荷识别方法，分析了典型用电器负荷的电流数据频谱，并以其谐波作为负荷识别的最优特征参量，使用预先采集的负荷特征库训练S_Kohonen神经网络，最终实现对用电器类别的精确识别。

周晓等提出了一种基于ELM的非侵入式电力负荷识别算法，从负荷特性出发，针对各电力负荷的暂态及稳态电气特性，提取并建立负荷特征标签。然后，采用极限学习机(ELM)神经网络模型，将输入特征非线性地映射到输入层，实现快速收敛至全局最优点。采用基于累积和(CUSUM)的双边事件检测方法，实现快速准确地检测出负荷投切事件，实时触发负荷识别。

他们都采用了神经网络或者人工智能的算法，实现了用电器的识别，但是他们都需要复杂的训练以及复杂的计算，并且需要借助电脑来实现神经网络识别，带来了系统功耗的增加以及成本的增加。