[发明专利]非侵入式负荷识别方法、终端设备及存储介质

权利要求书

1.一种非侵入式负荷识别方法，其特征在于，包括步骤：

获取预设时间范围内的电表功率数据；

根据目标电器对应的预设窗口长度在所述电表功率数据中选取多个时间段为预设窗口长度的预设功率数据，相邻预设功率数据对应的起始时间差为预设滑动步长；

将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据；

根据多个时间段对应的估计功率数据得到预设时间范围内的目标电器功率数据；

其中，所述已训练完成的神经网络模型包括卷积编码器、双向长短时记忆层和卷积解码器；所述将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据的步骤包括：

将各预设功率数据以预设时间步长划分为预设个数的短功率数据，将短功率数据输入卷积编码器中，获得压缩的局部特征；

将压缩的局部特征输入双向长短时记忆层，获得每个时间步长对应的记忆特征；

将所述记忆特征输入卷积解码器，获得与多个时间段对应的估计功率数据；

其中，所述根据多个时间段对应的估计功率数据得到预设时间范围内的目标电器功率数据的步骤包括：

确定各时间段中相同时刻对应的估计功率数据；

对各估计功率数据取中值或平均值得到各时刻对应的目标电器功率数据；

根据各时刻对应的目标电器功率数据生成预设时间范围内的目标电器功率数据。

2.如权利要求1所述的非侵入式负荷识别方法，其特征在于，所述将多个预设功率数据分别输入已训练完成的神经网络模型中，生成多个时间段对应的估计功率数据的步骤之前，还包括：

获取原始数据，并对所述原始数据进行预处理获得样本数据，所述原始数据包括至少两个电器对应的电器功率数据，所述样本数据包括目标电器处于运行状态的运行功率样本和目标电器处于待机状态的待机功率样本；

将所述样本数据输入待训练的神经网络模型中，生成与所述样本数据对应的所述估计功率数据，并基于预设评价指标对待训练的神经网络模型进行迭代训练，直至所述待训练的神经网络模型对应的损失函数的损失值满足预设收敛条件，将所述待训练的神经网络模型设置为已训练完成的神经网络模型。

3.如权利要求2所述的非侵入式负荷识别方法，其特征在于，所述获取原始数据，并对所述原始数据进行预处理获得样本数据的步骤包括：

获取原始数据，并根据所述原始数据确定目标电器对应处于运行状态的每次运行时长；

根据每次运行时长和预设统计规则生成目标电器对应的估计使用时长，并将所述估计使用时长设置为预设窗口长度；

根据滑动步长和目标电器在各运行时长对应的运行功率，生成运行功率样本和待机功率样本，并设置运行功率样本为正样本，设置待机功率样本为负样本。

4.如权利要求3所述的非侵入式负荷识别方法，其特征在于，所述获取原始数据，并根据所述原始数据确定目标电器对应处于运行状态的每次运行时长的步骤包括：

获取原始数据，根据原始数据确定目标电器对应的预设启停参数确定目标电器对应处于运行状态的每次运行时长，其中，所述预设启停参数包括启动功率阈值、最小运行时间、最小停止时间以及停止功率阈值。

5.如权利要求3所述的非侵入式负荷识别方法，其特征在于，所述将所述待训练的神经网络模型设置为已训练完成的神经网络模型的步骤之后，还包括：

通过预设电器启停状态估计的准确度以及预设电器运行时电能消耗估计的准确度对已训练完成的神经网络模型进行评估。