[发明专利]一种支持多电器类型高精度的NILM实现方法

摘要

本发明公开了一种支持多电器类型高精度的非入侵式负荷监控(NILM)的实现方法，能够用于NILM系统中对于多种负荷电器的识别，以扩展系统的兼容广度和提高精度的目的。本发明方法包括：数据的获取；系统根据选定的负荷电器来准备训练数据；系统使用基于深度神经网络的特定架构来完成对负荷电器类型的训练建模；系统通过训练好的架构对负荷电器的识别过程。本发明在训练数据的选择了较完整数据集，在对电器建模上会有较好的表现；考虑了大多数电器识别的兼容性，提升了对双状态电器的识别性能。本发明可推广到不需要高端硬件采集数据的系统中使用。

主权项

一种支持多电器类型高精度的NILM的实现方法，其特征在于，包括如下步骤：(1)从数据源获取用电特征；所述用电特征指电气量数据，包括功率值和电压值；所述数据源，包括公共数据集，指数据库软件生成的各种包含元器件信息的表格文件，或者是采集的电气量数据；(2)获取用电特征后，根据选择的电器类型，进行训练数据的准备工作，包括提取负载激活，创建聚合数据；所述电器类型，分为单状态和多状态型；所述电器类型选取用电特征需具有代表性，每个电器都至少存在于数据集UK‑DALE的三个房子中，用以实现对于每个用电设备，至少可以在两个房子上训练我们提出的优化网络架构，并在不同的房子上进行测试的电器作为该类电器的训练对象；训练对象包括单状态和多状态或者多状态；所述负载激活是指单个电器设备在该设备工作时间内获得的功率；所述创建聚合数据，是根据提取到的负载激活，创建一个合成数据序列；对于选定数据源包括的电器类型，随机选择任一设备激活，且该设备激活包含在序列中；所述目标设备是我们选择用来作为训练识别目标的，该聚合数据中的任何一个用电设备类型都可以作为目标设备进行训练(3)使用基于深度神经网络的方法，采用步骤(1)确定的数据源，和步骤(2)创建的聚合数据，对所选电器进行负荷电器用电特征的建模训练，实现对该深度神经网络的优化；(4)利用步骤(3)优化后的深度神经网络，对总负荷输入进行负荷电器的识别操作，生成负载神经网络模型，用于对输入的总负荷功耗数据进行负荷识别分解。