[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

说明书

本发明提供一种基于有监督学习的非侵入式负荷识别网络架构，该构架包括：监督学习单元、识别单元和云端；本发明采用监督学习的方法，即在可以识别的样本小区或者用户处增加设备监控设备即随电器，可以跟踪设备的整个运行周期，然后再经过神经网络算法，得到隐含层的权值，用以在新的判断中进行实时设备识别。由于神经网络有很强的判断学习能力，可以识别很多相识设备，应用范围广，识别效果佳。

技术领域

本发明涉及智能电网智能电表领域，更具体地，涉及基于有监督学习的非侵入式负荷识别网络架构。

背景技术

如今随着科技的进步，侵入式负荷识别成为识别居民用户负荷，有效指导用电的方案之一，但是侵入式负荷识别无法在设备处进行安装，目前的解决方案是随电器，即在电器设备电源前端加上可以识别电压电流的设备，但是这种方案实施困难成本高。另一种方案是在居民电表端并入负荷识别设备。目前这种方案主要依赖设备本身的计算能力，智能识别一部分设备。对于新设备无法识别，需要更新特征库。

同时，如果多个设备同时启动这种方案的识别成功率也不高，而且多个设备的设备特征组合成千上万一一由识别单元自己识别出来也不现实，所以必须要引入新的识别方法来解决。

发明内容

本发明的目的是针对目前用电设备识别中所存在的问题，提出一种基于有监督学习的非侵入式负荷识别网络架构。

本发明的技术方案是：

本发明提供一种基于有监督学习的非侵入式负荷识别网络架构，该构架包括：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。

进一步地，本构架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。

进一步地，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。

进一步地，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。

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，该方法包括以下步骤：

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；