[发明专利]一种非侵入式负荷识别方法及系统

说明书

本发明涉及一种非侵入式负荷识别方法及系统，非侵入式终端获取实验家庭家电的实际样本数据集，将实际样本数据集和实验样本数据集合并，合并后的样本数据集对一次训练好的分类器进行训练，非侵入式终端利用二次训练好的分类器再去识别实验家庭家电的实际设备类别，并将实验样本数据集在合并后的样本数据集中向前滑动预设样本数量，剔除了一部分原来实验室标记的数据集，而添加了新采集的实际数据，使得训练样本更贴近实验家庭，使用更新后的实验样本数据集不断地对分类器进行优化、迭代，直到分类器性能达到最优。本发明利用采集到的真实的家庭数据来不断更新样本，减少了对大量标记数据集的依赖，有效地识别了多种家电负荷的类别。

技术领域

本发明涉及智能用电领域，特别是涉及一种非侵入式负荷识别方法及系统。

背景技术

负荷监测有2种常用的实现方法，侵入式负荷监测(ILM，intrusive residentialloadmonitoring)主要是通过在各个用电设备上安装传感器，从而对设备进行监测；非侵入式负荷监测(NILM，non-intrusive residential load monitoring)本质是在电力用户入口处安装传感器以获取负荷信息，并通过算法识别用户用电信息，首先在用户的入口处安装一个数据采集传感装置，分析用户的电流和电压数据来获取用户内部电器的工作运行状态，从而知晓居民家中电器的运行情况和用电规律。非侵入式负荷监测技术能够更加简单的实现对居民用电负荷数据的监测，还可以深入了解各个电器的运行模式以及功耗，能源供应商可以根据家用电器运行的综合信息制定节能政策，消费者可以根据供应商的反馈做出更合理的成本节约选择，可以实现电网和用户的灵活双向互动，对智能电网的发展具有重大意义，对于家庭用户来说，对自身用电信息也有清晰的认识，从而可以更合理用电。

近年来，随着深层网络有效训练算法的提出，深度学习以其强大的表示学习能力在多个领域取得成功，并获得广泛应用，与传统的机器学习方法相比，其识别准确率更高，泛化性能更好。NILM是一个由多种设备同时运行的多标签分类问题，但是深度学习往往需要利用大量的标记数据集，搜集并注释大量的数据比较耗时耗力。

发明内容

本发明的目的是提供一种非侵入式负荷识别方法及系统，利用采集到的真实的家庭数据来不断更新样本，以减少对大量标记数据集的依赖，有效识别多种负荷的类别。

为实现上述目的，本发明提供了如下方案：

一种非侵入式负荷识别方法，所述非侵入式负荷识别方法应用于非侵入式负荷监测系统，所述方法包括：

通过非侵入式云端获取实验家庭家电的实验样本数据集；所述实验样本数据集包括家电用电的实验特征数据集和家电的实验设备类别集；

利用所述实验样本数据集对分类器进行训练，获得一次训练好的分类器，并将所述一次训练好的分类器下载至非侵入式终端；

利用所述非侵入式终端获取实验家庭家电用电的实际特征数据集，将所述实际特征数据集输入所述一次训练好的分类器，获得实验家庭家电的实际设备类别集；

将所述实际特征数据集和所述实际设备类别集构成实验家庭家电的实际样本数据集，并将所述实际样本数据集传输至所述非侵入式云端；

在所述非侵入式云端合并所述实验样本数据集和所述实际样本数据集，并利用合并后的样本数据集对所述一次训练好的分类器进行训练，获得二次训练好的分类器；

将所述二次训练好的分类器作为新的一次训练好的分类器下载至非侵入式终端；

将实验样本数据集在合并后的样本数据集中向前滑动预设样本数量，获得新的实验样本数据集，返回步骤“利用所述非侵入式终端获取实验家庭家电用电的实际特征数据集，将所述实际特征数据集输入所述一次训练好的分类器，获得实验家庭家电的实际设备类别集”，直至分类器对家电的辨识性能达到最优，获得优化后的分类器；