[发明专利]一种基于深度学习的非侵入式能耗监测系统及方法

说明书

本发明实施例提供一种基于深度学习的非侵入式能耗监测系统及方法，该系统包括：非侵入式传感器、边缘计算设备、云端管理平台；所述非侵入式传感器用于实时采集负载电器的电参数，所述电参数包括电压数据、电流数据，并将所述电参数传输至所述边缘计算设备；所述边缘计算设备用于通过预设分析模型根据对所述电参数整体分析得到所述负载电器的能耗分析结果，将所述能耗分析结果发送至云端管理平台；所述云端管理平台用于对边缘计算设备上传数据进行集成，实现能耗统计、能源审计，并支持对所述边缘计算设备进行管理、升级，本方案能够有效地对能耗进行监测的同时，方便部署，并且能够进行深入分析。

技术领域

本发明实施例涉及电网技术领域，具体涉及一种基于深度学习的非侵入式能耗监测系统及方法。

背景技术

当前，能耗监测系统可用于对企业、工厂、学校、公共建筑等的电力使用情况进行实时监测，并通过能耗统计、能源审计、能效公示等手段促使其单位或个人提高节能运行管理水平。电力能耗监测通常有两种方法：侵入式与非侵入式。侵入式方法通过在电力网络中安装智能电表等设备，直接读取耗能数据。对于非侵入式方法，现有技术方案包括：1.读表设备：通过在非智能设备(传统电表)上安装附加设备，使用相机读取电表读数，回传服务器进行分析监测。2.传感器模式匹配：通过线路上安装非侵入式传感器，读取数据后回传服务器，通过模式匹配等方法进行分析。方法支持对耗能负荷进行分解，识别能耗细节。

然而，现有的技术方案各有其缺点，1.侵入式：方法适用于新建的项目，而在已建成的建筑项目中存在改造难度大、成本高、影响正常运行等问题，难以适用。2.读表设备：通过相机等设备读取传统设备信息，一方面只能获取粗粒度的整体能耗情况，无法深入分析；另一方面难以进行持续性监测、告警。3.模式匹配方法：一方面，传统的传感器需要有线连接，部署复杂；另一方面，此方法需要预先采集大量设备电气特征数据作为支撑，识别准确率受限，且实现成本较高。

因此，如何提供一种能耗监测，能够有效地对能耗进行监测的同时，方便部署，并且能够进行深入分析，是本领域技术人员亟待解决的技术问题。

发明内容

为此，本发明实施例提供一种基于深度学习的非侵入式能耗监测系统及方法，能够有效地对能耗进行监测的同时，方便部署，并且能够进行深入分析。

为了实现上述目的，本发明实施例提供如下技术方案：

一方面，本发明实施例提供一种基于深度学习的非侵入式能耗监测系统，包括：非侵入式传感器、边缘计算设备、云端管理平台；

所述非侵入式传感器用于实时采集负载电器的电参数，所述电参数包括电压数据、电流数据，并将所述电参数传输至所述边缘计算设备；

所述边缘计算设备用于通过预设分析模型根据对所述电参数整体分析得到所述负载电器的能耗分析结果，将所述能耗分析结果发送至云端管理平台；

所述云端管理平台用于对边缘计算设备上传数据进行集成，实现能耗统计、能源审计，并支持对所述边缘计算设备进行管理、升级。

优选地，当存在所述边缘计算设备不能分析的电参数时，将所述电参数发送到所述云端管理平台；

所述云端管理平台还用于：对所述电参数进行监督式特征标注；并且基于标注结果进行神经网络训练，得到训练模型，将所述训练模型更新到所述边缘计算设备进行远程升级。

优选地，所述云端管理平台包括：数据接口模块、数据中心模块、业务模块、训练模块；

所述数据接口模块用于与所述边缘计算设备进行通信连接并接收所述边缘计算设备发送的数据；

所述数据中心用于存储所述边缘计算设备发送的数据；

所述训练模块用于对所述边缘计算设备不能识别的电参数进行标注和训练，以便得到新模型对所述边缘计算设备中的预设分析模型进行更新。