【技術實現步驟摘要】
本申請涉及電數字數據處理，具體涉及一種基于深度學習的非侵入式負荷檢測方法以及系統。
技術介紹
1、傳統的非侵入式工業負荷檢測技術通常基于電力特征分析和信號處理方法，將采集到的數據提取有用的特征后，對提取到的特征進行分析和處理，利用機器學習、模式識別或規則匹配等方法，將特征與預定義的負荷模型進行比對，以識別工業負荷的類型和狀態。根據負荷識別的結果以及預先建立的負荷能耗模型，估計工業負荷的能耗情況，但是現有技術中由于三相系統中單相負載和三相負載分解，因此只能分別對單相負載和三相負載進行檢測而導致負荷檢測的準確度降低。
技術實現思路
1、為了解決上述技術問題，提出了本申請。本申請的實施例提供了一種基于深度學習的非侵入式負荷檢測方法以及系統，解決了現有技術中由于三相系統中單相負載和三相負載分解，只能分別對單相負載和三相負載進行檢測而導致負荷檢測的準確度降低的問題。
2、根據本申請的一個方面，提供了一種基于深度學習的非侵入式負荷檢測方法，包括：
3、獲取三相系統的用電數據；
4、根據所述用電數據以及三相系統負荷檢測模型，預測所述三相系統的功耗數據；
5、確定所述三相系統的功耗數據中的電流數據；
6、根據所述電流數據以及基于杜克柵欄的非侵入式負荷檢測模型，確定所述電流數據是否為異常數據。
7、在一實施例中，所述根據所述電流數據以及基于杜克柵欄的非侵入式負荷檢測模型，確定所述電流數據是否為異常數據包括：
8、將所
9、對所述電流塊進行快速傅里葉變換處理，以得到頻率矩陣；其中，所述頻率矩陣由多個頻率值構建；
10、確定所述頻率矩陣中的目標頻率值；
11、計算所述目標頻率值對應的前向標準差；
12、若所述前向標準差不滿足預設條件，則確定所述目標頻率值對應的電流數據發生為異常數據。
13、在一實施例中，所述三相系統負荷檢測模型的建立方法包括：
14、獲取多個電氣設備的多個用電數據；
15、對所述多個用電數據進行預處理，以得到預處理后的功耗數據；
16、根據卷積神經網絡的數學模型以及所述預處理后的功耗數據，獲取所述預處理后的功耗數據的類別概率；
17、根據所述類別概率以及基于2階段序列到序列cnn的神經網絡模型，預測每個電氣設備的預測功耗數據；
18、根據所述多個電氣設備的多個用電數據以及所述多個電氣設備的預測功耗數據，構建所述三相系統負荷檢測模型。
19、在一實施例中，所述根據卷積神經網絡的數學模型以及所述預處理后的功耗數據，獲取所述預處理后的功耗數據的類別概率包括：
20、從所述預處理后的功耗數據中篩選出與三相系統相關的功耗數據，以得到三相功耗數據；
21、根據每個相位的聚合差異，將所述三相功耗數據與聚合波形進行分離，以得到目標單相的功耗數據；
22、將所述目標單相的功耗數據構建成時間序列數據；
23、根據卷積神經網絡的數學模型以及所述時間序列數據，獲取所述預處理后的功耗數據的類別概率。
24、在一實施例中，所述卷積神經網絡的數學模型的第l層的輸出值zl的計算公式為：
25、zl＝fl(wl*al-1+bl)，其中，al-1是前一層的輸出值，l>1，al-1＝zl-1,a0＝x，x是具有t個時間步長和d個維度的時間序列數據，wl是一組可學習的卷積濾波器，wl等于kl×dl-1×dl，其中kl是卷積核大小，dl-1是輸入特征圖的維度數，dl是當前層的濾波器數量，bl是一組可學習的偏置，bl等于為dl，fl是激活函數，所述卷積神經網絡的數學模型由l個l層組成。
26、在一實施例中，所述卷積神經網絡的數學模型的最后一層l的輸出值y的計算公式為。
27、y＝softmax(wf*al-1+bf)，其中，y為類別概率，wf是一組可學習的權重，wf等于dl-1×c，c是類別數，dl-1是輸入特征圖的維度數，softmax是將輸出轉換為類別的概率分布的激活函數，bf是一組可學習的偏置，bf等于c，al-1為最后一層l的前一層的輸出值。
28、在一實施例中，所述基于2階段序列到序列cnn的神經網絡模型包括開關分類器和nilm模型，其中，所述根據所述類別概率以及基于2階段序列到序列cnn的神經網絡模型，預測每個電氣設備的預測功耗數據包括：
29、根據所述開關分類器與所述類別概率，預測含有所述三相系統的電氣設備為開啟狀態時的概率值；
30、根據所述含有所述三相系統的電氣設備為開啟狀態時的概率值以及所述三相功耗數據，預測含有所述三相系統的電氣設備的預測功耗數據。
31、在一實施例中，在所述根據所述類別概率以及基于2階段序列到序列cnn的神經網絡模型，預測每個電氣設備的預測功耗數據之后，還包括：
32、基于損失函數，根據每個電氣設備的預測功耗數據以及預設功耗數據，計算損失值；
33、選取所述多個損失值中與預設損失值的差值小于或者等于預設差值閾值的損失值作為相似損失值；
34、從多個相似損失值中選取一個損失值作為目標損失值；
35、獲取所述目標損失值對應的目標卷積神經網絡的數學模型；
36、獲取所述目標卷積神經網絡的數學模型每層的權重矩陣；
37、計算多個權重矩陣對應的權重平均值；
38、根據所述權重平均值，更新所述目標卷積神經網絡的數學模型。
39、在一實施例中，所述確定所述頻率矩陣中的目標頻率值包括：
40、獲取所述頻率矩陣中每個頻率列的前一列頻率列和后一列的頻率列；
41、根據每個頻率列的前一列頻率列和后一列的頻率列，計算得到功率差值；
42、選取多個功率差值中大于預設功率差值的目標功率差值；
43、選取所述目標功率差值對應的頻率列的一個頻率值為所述目標頻率值。
44、根據本申請的另一個方面，提供了一種基于深度學習的非侵入式負荷檢測系統，包括：
45、獲取模塊，用于獲取三相系統的用電數據；
46、確定模塊，用于根據所述用電數據以及三相系統負荷檢測模型，預測所述三相系統的功耗數據；確定所述三相系統的功耗數據中的電流數據；
47、異常模塊，用于根據所述電流數據以及基于杜克柵欄的非侵入式負荷檢測模型，確定所述電流數據是否為異常數據。
48、本申請提供的基于深度學習的非侵入式負荷檢測方法以及系統，包括：獲取三相系統的用電數據，根據所述用電數據以及三相系統負荷檢測模型，預測所述三相系統的功耗數據，確定所述三相系統的功耗數據中的電流數據，根據所述電流數據以及基于杜克柵欄的非侵入式負荷檢測模型，確定所述電流數據是否為異常數據。在深度學習下的三相系統負荷檢測模型本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的非侵入式負荷檢測方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的非侵入式負荷檢測方法，其特征在于，所述根據所述電流數據以及基于杜克柵欄的非侵入式負荷檢測模型，確定所述電流數據是否為異常數據包括：
3.根據權利要求1所述的基于深度學習的非侵入式負荷檢測方法，其特征在于，所述三相系統負荷檢測模型的建立方法包括：
4.根據權利要求3所述的基于深度學習的非侵入式負荷檢測方法，其特征在于，所述根據卷積神經網絡的數學模型以及所述預處理后的功耗數據，獲取所述預處理后的功耗數據的類別概率包括：
5.根據權利要求4所述的基于深度學習的非侵入式負荷檢測方法，其特征在于，所述卷積神經網絡的數學模型的第l層的輸出值Zl的計算公式為：
6.根據權利要求5所述的基于深度學習的非侵入式負荷檢測方法，其特征在于，所述卷積神經網絡的數學模型的最后一層L的輸出值Y的計算公式為：
7.根據權利要求4所述的基于深度學習的非侵入式負荷檢測方法，其特征在于，所述基于2階段序列到序列CNN的神經網絡模型包括開關分類器
8.根據權利要求3所述的基于深度學習的非侵入式負荷檢測方法，其特征在于，在所述根據所述類別概率以及基于2階段序列到序列CNN的神經網絡模型，預測每個電氣設備的預測功耗數據之后，還包括：
9.根據權利要求2所述的基于深度學習的非侵入式負荷檢測方法，其特征在于，所述確定所述頻率矩陣中的目標頻率值包括：
10.一種基于深度學習的非侵入式負荷檢測系統，其特征在于，包括：
...【技術特征摘要】
1.一種基于深度學習的非侵入式負荷檢測方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的非侵入式負荷檢測方法，其特征在于，所述根據所述電流數據以及基于杜克柵欄的非侵入式負荷檢測模型，確定所述電流數據是否為異常數據包括：
3.根據權利要求1所述的基于深度學習的非侵入式負荷檢測方法，其特征在于，所述三相系統負荷檢測模型的建立方法包括：
4.根據權利要求3所述的基于深度學習的非侵入式負荷檢測方法，其特征在于，所述根據卷積神經網絡的數學模型以及所述預處理后的功耗數據，獲取所述預處理后的功耗數據的類別概率包括：
5.根據權利要求4所述的基于深度學習的非侵入式負荷檢測方法，其特征在于，所述卷積神經網絡的數學模型的第l層的輸出值zl的計算公式為：
6.根據權利要求5所述的基于深度學習的非侵入...
【專利技術屬性】
技術研發人員：楊勇，彭浩，郝一浩，孫笠，陳永輝，劉琳，張偉光，杜皓華，董韜，
申請(專利權)人：國網河北省電力有限公司邯鄲供電分公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。