[发明专利]一种基于有监督学习的非侵入式负荷识别网络架构

权利要求书

1.一种基于有监督学习的非侵入式负荷识别网络架构的系统，其特征在于，该架构包括：监督学习单元、识别单元和云端；

所述的监督学习单元设置在监督学习测试小区，包括随电器、电能表、特征服务器和监督学习服务器，所述的随电器用于获取各用电设备的用电信息，并且通过电能表发送至特征服务器，所述的特征服务器用于提取用电设备的负荷特征并且发送至监督学习服务器，所述的监督学习服务器基于BP神经网络模型进行样本负荷特征的学习，与样本用电设备匹配，优化BP神经网络模型，且将样本用电设备与负荷特征的对应关系存储至识别单元的中继服务器，将BP神经网络模型存储至云端；

所述的识别单元包括智能电表和中继服务器，所述的智能电表为各家庭配置，包括计量芯片，所述的计量芯片用于采集用电设备的负荷特征；所述的中继服务器配置有识别库，能够进行数据匹配，并且能够与云端进行通信；

所述的云端具有综合运行服务器，该综合运行服务器配置有BP神经网络模型，能够对中继服务器上传的数据进行识别，获取用电设备组合，并将结果发送至电表的中继服务器，更新识别库；

所述的特征服务器用于记录用电设备的负荷特征，包括启动特征和运行特征；所述的启动特征包括：启动的谐波情况，有功，无功功率，时序关系和相位信息；

所述的监督学习服务器用于分析可监督学习的随电设备，通过学习已知的设备，对带有随电计量设备并未登记在案的设备进行自我学习和分类；

该网络架构执行以下识别：

S1、监督学习步骤：

S1-1、采用随电器获取各用电设备的用电信息，并且通过电能表发送至特征服务器；

S1-2、采用特征服务器提取用电设备的负荷特征并且发送至监督学习服务器；

S1-3、采用监督学习服务器基于BP神经网络模型进行样本负荷特征的学习，与样本用电设备匹配，优化BP神经网络模型，且将样本用电设备与负荷特征的对应关系存储至识别单元的中继服务器，将优化后的BP神经网络模型更新至云端；

S2、识别步骤：

S2-1、采用智能电表的计量芯片采集用电设备的负荷特征，发送至中继服务器；

S2-2、中继服务器根据识别库中存储的数据，与实时负荷特征进行匹配，如果能够匹配，则得到用电设备；否则，中继服务器将数据发送至云端的综合运行服务器；

S2-3、云端的综合运行服务器通过BP神经网络模型进行识别，获取用电设备组合结果，并且更新至中继服务器；

其中，监督学习服务器执行如下操作：

1）对于用电信息，将输入的电压和电流信号相乘得到实时功率信息，该信息中包含有相位和谐波；将其作为BP神经网络模型的输入信号Xj，根据数据的长度，将实时数据截取成帧，每帧大小为W个数据，共n组数据，W*n为采集信号的数据输入长度；

2）记录测试数据，包括m个设备的信息组合；

3）设置BP神经网络模型，隐含层神经元个数定义为W个，权值初值全部定义为1，输出单元为Ai个已知可识别的负荷设备；

4）将样本通过BP神经网络模型，得到Ai个输出，训练测试样本；使其识别结果与已知测试数据的误差在阈值内，得到BP神经网络模型各层配置的权值，结束训练结束，更新将BP神经网络模型至云端的综合运行服务器。

2.根据权利要求1所述的基于有监督学习的非侵入式负荷识别网络架构的系统，其特征在于，本架构基于监督学习测试小区，在测试小区或实验中心为所有用电设备配置随电器，获取用电信息和负荷特征，该设备会在云端的综合运行服务器上进行备案存储；存储信息包括：设备名称、厂家、型号、额定功率以及最大功率。

3.一种基于有监督学习的非侵入式负荷识别网络架构的识别方法，其特征在于，该方法执行权利要求1-2之一所述系统的识别步骤。