[发明专利]负荷识别方法、系统、设备及计算机可读存储介质

说明书

本发明公开了一种负荷识别方法，所述负荷识别方法包括以下步骤：获取有功功率信息、瞬时有功电流信息和瞬时无功电流信息；根据所述有功功率信息，判断是否有负荷事件发生；若有负荷事件发生，则根据所述瞬时有功电流信息、瞬时无功电流信息和预设粗分类模型，获得所述负荷事件的粗分类信息；根据所述有功功率信息和所述粗分类信息对应的预设细分类模型，获得所述负荷事件的识别结果。本发明还公开了一种系统、设备及计算机可读存储介质。本发明提高了负荷识别的准确率。

技术领域

本发明涉及负荷识别领域，尤其涉及一种负荷识别方法、系统、设备及计算机可读存储介质。

背景技术

近年来，随着智能电网的发展和人们生活水平不断提升，居民用户对精准用电的服务需求也在不断增长。目前家电负荷识别算法，采用特征种类比较多。负荷识别算法一般使用单一特征或者融合多个特征采用单一网络进行分类识别，若是使用单一特征(如有功功率、电流有效值等)进行分类识别，但是往往最终的识别效果往往不够理想，但若是为了提高识别效果融合多个特征，则不仅会存在大量冗余，而且会导致最终的神经网络模型复杂度较高，难以实现算法落地的窘境，因此现有负荷识别的准确率偏低。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种负荷识别方法，旨在解决负荷识别的准确率偏低的技术问题。

为实现上述目的，本发明提供一种负荷识别方法，所述负荷识别方法包括以下步骤：

获取有功功率信息、瞬时有功电流信息和瞬时无功电流信息；

根据所述有功功率信息，判断是否有负荷事件发生；

若有负荷事件发生，则根据所述瞬时有功电流信息、瞬时无功电流信息和预设粗分类模型，获得所述负荷事件的粗分类信息；

根据所述有功功率信息和所述粗分类信息对应的预设细分类模型，获得所述负荷事件的识别结果。

优选地，所述预设粗分类模型为卷积神经网络模型，所述根据所述瞬时有功电流信息、瞬时无功电流信息和预设粗分类模型，获得所述负荷事件的粗分类信息的步骤包括：

根据所述瞬时有功电流信息、瞬时无功电流信息，生成所述负荷事件对应的第一预设周期内的有功-无功电流轨迹图；

将所述有功-无功电流轨迹图输入卷积神经网络模型，获得所述负荷事件的粗分类信息。

优选地，所述瞬时有功电流信息包括负荷事件对应的第一预设周期内的瞬时有功电流值，所述瞬时无功电流信息包括负荷事件对应的第一预设周期内的瞬时无功电流值，所述根据所述瞬时有功电流信息、瞬时无功电流信息，生成所述负荷事件发生后第一预设周期内的有功-无功电流轨迹图的步骤包括：

对所述瞬时有功电流值进行线性转换，获得第一转换值；

对所述瞬时无功电流值进行线性转换，获得第二转换值；

根据所述第一转化值和第二转换值，生成所述负荷事件对应的第一预设周期内的有功-无功电流轨迹图。

优选地，所述预设细分类模型为全连接神经网络模型，所述根据所述有功功率信息和所述粗分类信息对应的预设细分类模型，获得所述负荷事件的识别结果的步骤包括：

根据所述有功功率信息，生成所述负荷事件对应的有功功率序列；

将所述有功功率序列输入所述粗分类信息对应的全连接神经网络模型，获得所述负荷事件的识别结果。

优选地，所述根据所述有功功率信息，生成所述负荷事件对应的有功功率序列的步骤包括：

根据所述有功功率信息，选取所述负荷事件对应的第二预设周期内预设个数的有功功率值；