1.本发明涉及电力大数据技术领域，尤其是涉及一种基于深度学习的非侵入式负荷在线监控方法及其系统。
背景技术：2.智能电网已经成为电力系统未来的发展方向，对电力系统负荷进行高效监测是实现电网智能化的重要组成部分。在实际应用中，负荷监测除了监测住宅建筑的总用电量数据以外，还需要监测更精确的计量数据，如分项计量数据。详细的分项计量数据可以辅助终端用户了解家庭内的电器用电占比情况，从而改善用能习惯、采取有效措施降低电力消费，也可以为能源供应商提供数据支撑，从而更精细地对用户进行划分，更进一步提高供应商对能源需求的预测精度、促进需求侧管理。
3.传统的电力监测手段是在每个负荷上装设独立的监测装置，通过对每个负荷的单独监测实现对其运行状态的判定，耗费了大量的人力、物力、财力。为此，现有技术提出了非侵入式的负荷监测方式，即不需要进入用户用电系统的内部，只需要在电力入口处装设监测设备，通过监测入口处的总电压及总电流等电气量，并将其进行分解就可以得到电力系统内部每个负荷的运行状态。通过这种方式，不仅可以很好地保护用户的用电隐私，也可节省大量的监测设备，减少分析与处理数据的工作，同时又可以实现对系统中每类负荷运行状态的监测。
4.然而，目前针对非侵入式负荷监控方法，主要利用已采集的离线数据进行测试，难以保证监测结果的实时性，若要实现在线监控，由于容易受到外界干扰因素影响，导致监测结果准确性较差。
技术实现要素：5.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的非侵入式负荷在线监控方法及其系统，能够提高监测结果的实时性和准确性。
6.本发明的目的可以通过以下技术方案来实现：一种基于深度学习的非侵入式负荷在线监控方法，包括以下步骤：
7.s1、获取用电负荷历史数据；
8.s2、基于用电负荷历史数据，进行神经网络训练，得到非侵入式负荷监控模型；
9.s3、采集用电负荷实时数据，并对用电负荷实时数据进行预处理；
10.s4、利用非侵入式负荷监控模型对预处理后的用电负荷实时数据进行分解，得到监控结果并进行展示。
11.进一步地，所述步骤s2具体包括以下步骤：
12.s21、对用电负荷历史数据进行预处理，所述预处理包括缺失值填补以及异常值删除处理；
13.s22、构造混合神经网络，所述混合神经网络由一维卷积神经网络和长短时记忆神
经网络结合而成；
14.s23、利用步骤s21得到的用电负荷历史数据，对混合神经网络进行模型训练，得到非侵入式负荷监控模型。
15.进一步地，所述步骤s21具体包括以下步骤：
16.s211、首先，对数据进行重采样，采用前一时刻的数据进行填充，重采样数据细粒度为2s，重采样可以有效弥补数据缺失情况；
17.s212、然后，对重采样数据进行均值滑动滤波，可以有效避免量测误差引起的异常数据带来的影响；
18.s213、最后，再次进行数据重采样，重采样数据细粒度为1min，进一步弥补数据缺失、去除异常数据。
19.进一步地，所述混合神经网络架构包括第一部分seq2seq和第二部分seq2point，所述第一部分seq2seq具体为：第一个序列seq为总有功功率序列，第二个序列seq为经过神经网络得到的电器工作状态序列；
20.所述第二部分seq2point具体为：第一个序列seq为总有功功率与工作状态组合成的工作状态序列，第二个点point为目标电器的有功功率。
21.进一步地，所述第一部分seq2seq包括：
22.1)总输入层：将输入数据设置成维度n
×1×
1的张量(n为输入序列的长度)，时间序列长度为1，输入特征维度为1；
23.2)改进cnn-lstm层，总计352个神经元；
24.3)全连接层：64个神经元；
25.4)激活层：激活函数为softmax；
26.5)第一部分输出层：输出维度为i，其中，i为用电器的状态数，即得到该用电器当前处于的状态。
27.进一步地，所述第二部分seq2point包括：
28.1)第二部分输入：由于输入数据为第一部分的输出结果，所以输入层维度设置为n
×1×
(i+1)；
29.2)改进cnn-lstm模块，总计352个神经元；
30.3)全连接层：64个神经元；
31.4)激活层：激活函数为relu；
32.5)第二部分输出：输出层维度为1维，为用电器的有功功率。
33.一种基于深度学习的非侵入式负荷在线监控系统，包括后端和前端，所述后端通过接入装置与感知装置通信连接，所述感知装置用于测量用电负荷数据，所述接入装置用于实现后端与感知装置之间的数据信息传输，所述后端用于对用电负荷数据进行预处理、分解、能耗统计以及存储监控结果。
34.进一步地，所述感知装置具体为智能计量设备，用于实时测量家电功率、电压和电流数据；
35.所述接入装置具体为esp-8266wifi模块。
36.进一步地，所述后端包括服务器和数据库，所述服务器采用django框架搭建，所述数据库具体为mysql数据库。
37.进一步地，所述前端具体为基于vue-elmentui框架的web网页。
38.与现有技术相比，本发明考虑外界干扰因素，基于用电负荷历史数据，结合深度学习方法，通过神经网络训练，以得到非侵入式负荷监控模型，利用非侵入式负荷监控模型对采集的用电负荷数据进行实时处理，能够有效减少误差，保证负荷在线监控的实时性和准确性。
39.本发明所采用的神经网络模型由一维卷积神经元与长短时记忆神经网络混合而成，并采用seq2seq和seq2point相结合的方法构建非侵入式负荷监控模型，能够保证非侵入式负荷监控模型进行数据处理分析的准确性。
40.本发明采用django框架与vue-elementui框架实现非侵入式在线负荷监控，其中，前端基于vue-elementui框架实现监控结果的展示，后端基于django框架进行数据预处理及数据分解，即利用离线数据为深度学习模型提供学习标签预训练模型；再通过后端django框架实现采集数据处理及在线监控，并利用前端vue-elementui框架对负荷监控结果进行展示，由此提高了非侵入负荷在线监控的效率和实用性，方便用户及时直观地获知监控结果。
附图说明
41.图1为本发明的方法流程示意图；
42.图2为实施例的应用过程示意图；
43.图3为本发明中混合神经网络的架构示意图；
44.图4为实施例的系统框架示意图；
45.图5为实施例中在线监控结果示意图。
具体实施方式
46.下面结合附图和具体实施例对本发明进行详细说明。
47.实施例
48.如图1所示，一种基于深度学习的非侵入式负荷在线监控方法，包括以下步骤：
49.s1、获取用电负荷历史数据；
50.s2、基于用电负荷历史数据，进行神经网络训练，得到非侵入式负荷监控模型；
51.s3、采集用电负荷实时数据，并对用电负荷实时数据进行预处理；
52.s4、利用非侵入式负荷监控模型对预处理后的用电负荷实时数据进行分解，得到监控结果并进行展示。
53.基于上述方法，实现一种非侵入式负荷在线监控系统，包括后端和前端，其中，后端通过接入装置与感知装置通信连接，感知装置用于测量用电负荷数据，接入装置用于实现后端与感知装置之间的数据信息传输，后端用于对用电负荷数据进行预处理、分解、能耗统计以及存储监控结果。
54.本实施例应用上述技术方案的过程如图2所示，针对家庭电器进行负荷在线监控，主要包括以下内容：
55.一、对家庭内电器的功率进行计量，并与数据库实时通信存储数据，本实施例利用智能计量设备实时采集家电功率、电压、电流数据，并通过wifi网络传输至mysql数据库；
56.二、对已采集数据进行预处理，预训练神经网络，其中，神经网络由一维卷积神经网络与长短时记忆神经网络混合搭建而成；
57.三、搭建基于django框架的后台服务器，实现采集数据分析处理，其中，基于django框架的后台服务主要实现对采集数据的预处理，先通过滑动滤波方式减少网络波动导致的数据缺失以及采集设备出现的误差，后利用预训练好的非侵入式负荷监控模型对实测数据进行分解并保存于mysql数据库中，以便前端进行展示；
58.四、搭建基于vue-elmentui框架的前端web网页，用于展示非侵入式负荷监控结果。
59.具体的，在数据存储以及数据预处理方面，本实施例中，mysql数据库结构设计7个标签分别为：“name”数据类型为char，存储插座标签以区分家电；“time”数据类型为datetime，存储数据采集时刻，精确到秒；“power”数据类型为float64，存储有功功率，单位为瓦(w)；“voltage”数据类型为float64，存储电压值，单位为伏(v)；“current”数据类型为float64，存储电流值，单位为安培(a)；“power_factor”数据类型为float64，存储功率因数；“frequency”数据类型为float64，存储频率值，单位为赫兹(hz)。
60.数据采集细粒度为10s，处理方法为：首先，对数据进行重采样，采用前一时刻的数据进行填充，重采样数据细粒度为2s，重采样可以有效弥补数据缺失情况；然后，对重采样数据进行滑动滤波，该方法可以有效避免量测误差引起的异常数据带来的影响；最后，再进行重采样，重采样数据细粒度为1min，能够进一步弥补数据缺失、去除异常数据。
61.在构建非侵入式负荷监控模型方面，本发明采用seq2seq和seq2point相结合的方法，seq2seq可解释为第一个序列seq表示总有功功率序列，第二个序列seq表示经过神经网络得到的电器工作状态序列，seq2point可解释为第一个序列seq表示为总有功功率与工作状态组合成的工作状态序列，第二个点point表示为目标电器的有功功率。
62.本发明所采用的的深度神经网络模型由一维卷积神经元与长短时记忆神经网络混合而成，其中一维卷积神经元，其计算方式如下：
[0063][0064]
上式f(x)
·
g(x)表示两者的卷积，卷积可以对输入数据从空间上提取有效特征。在卷积神经网络中，卷积层的运算可以描述为：
[0065]st
＝f(ux
t
+ws
t-1
+b)
[0066]
上式中s
t
表示神经元状态，s
t-1
表示前一神经元状态，x
t
为当前神经元输入。u、w为权重矩阵，b为偏置向量。
[0067]
本发明中神经网络结构中的长短时记忆神经网络是一种时间循环神经网络，相比传统的rnn网络多了记忆单元用于储存时序特征，由输入门、输出门以及遗忘门三个复合控制门单元组成。
[0068]
1)遗忘门公式：
[0069]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
[0070]
上式中f
t
为遗忘门的输出信号，σ为激活函数sigmoid，wf为权重矩阵，bf为偏置向量。遗忘门中的sigmoid激活函数决定要丢弃哪些信息。
[0071]
2)输入门公式：
[0072]it
＝σ(wi·
[h
t-1
,x
t
]+bi)
[0073]
上式中i
t
为输入门的输出信号，wi为权重矩阵，bi为偏置向量。输入门控制有多少信息可以流入状态中。
[0074]
3)输出门公式：
[0075]ot
＝σ(wo·
[h
t-1
,x
t
]+bo)
[0076]
上式中o
t
为输出门的输出信号，wo为权重矩阵，bo为偏置向量。
[0077]
本实施例选取的加用电器设备如表1所示。
[0078]
表1
[0079]
[0080][0081]
数据处理过程：
[0082]
首先，对数据进行重采样，采用前一时刻的数据进行填充，重采样数据细粒度为2s，重采样可以有效弥补数据缺失情况；然后，对重采样数据进行均值滑动滤波，该方法设置窗口长度为15，即30秒内重采样数据计算均值，可以有效避免量测误差引起的异常数据带来的影响；最后，再进行重采样，重采样数据细粒度为1min，进一步弥补数据缺失、去除异常数据。
[0083]
神经网络结构如图3所示，参数设计如下：
[0084]
第一部分seq2seq：
[0085]
1)总输入层：将输入数据设置成维度n
×1×
1的张量(n为输入序列的长度)，时间序列长度为1，输入特征维度为1。
[0086]
2)改进cnn-lstm层，总计352个神经元；
[0087]
3)全连接层：64个神经元；
[0088]
4)激活层：激活函数为softmax。
[0089]
5)第一部分输出层：输出维度为i(i为用电器的状态数，得到该用电器处于的状态(one-hot编码形式)。
[0090]
第二部分seq2point：
[0091]
1)第二部分输入：由于输入数据为第一部分的输出结果，所以输入层维度设置为n
×1×
(i+1)；
[0092]
2)改进cnn-lstm模块，总计352个神经元；
[0093]
3)全连接层：64个神经元；
[0094]
4)激活层：激活函数为relu；
[0095]
5)第二部分输出：输出层维度为1维，为用电器的有功功率。
[0096]
本实施例在模型训练好之后采用mae评价指标来评价学习效果，评价指标mae的计算公式如下：
[0097][0098]
式中：
[0099]
y(i)——第i个样本的分解功率；
[0100]
——第i个样本的真实功率；
[0101]
k——样本总数。
[0102]
非侵入式负荷在线监控方法实现框架如图4所示，实现方案共分为四个部分，感知层、接入层、服务层和应用层。第一部分为感知层，通过智能计量插座测量家电实时用电信息；第二部分为接入层专业公司定制插座携带esp-8266wifi模块，采集的数据通过wifi网络上传至云端服务器，服务器主动给感知层采集装置请求数据，感知层返回实时数据，此两层之间为实时通信；第三部分为服务层，实现实时采集来的数据的分析处理，并通过第四部分应用层与用户进行交互；第四部分为应用层，主要将服务层传递的结果数据进行包装展示。服务层具体对数据处理分析的主要包含非侵入式负荷监控，并进一步对家电能耗统计分析，利用下式计算出各类家电的用电量：
[0103][0104]
式中：
[0105]
wm——电器m的用电量，单位千瓦时；
[0106]
t——运行时间，本实施例中颗粒度为1min，故
[0107]
pi——i时刻电器m的有功功率；
[0108]
n——记录时段，本实施例选择为7天，n＝10080。
[0109]
本实施例最终得到的监控结果如图5所示。将本发明技术方案应用于实际，可以充分了解电力用户的详细用电行为和家庭中各种家用电器的用电状况。在此基础上，用户可以结合自己的用电情况，采取有针对性的节能措施，以减少电费为目标，优化家庭能源消费策略，同时也促进“双碳”计划的早日实现。
[0110]
还可帮助居民用户优化节能策略，可以依据nilm(非侵入式负荷监测，non-intrusive load monitoring)技术对各种家电的工作时间进行监测，并结合电网公司的分时电价，评估居民用户的用电行为，及时了解一些不正常的用电行为，然后通过告知居民用户改善家电的使用时间来减少电能的消耗。一般来说用户自我改善用电行为的可行性较低，可结合物联网技术结合用户的活动感知以及用电习惯，对家电实行自动控制策略，以实
现居民用户的无感节能。
[0111]
如果电网公司能够结合其他电力用户的用电信息，还可以为用户提供有效的节能建议。此外，能源使用策略的优化并不局限于给居民用户带来好处。由于工业和商业客户的用电量很大，能源使用优化策略可以为工业和商业客户等大型电力用户带来巨大的经济效益。
技术特征：1.一种基于深度学习的非侵入式负荷在线监控方法，其特征在于，包括以下步骤：s1、获取用电负荷历史数据；s2、基于用电负荷历史数据，进行神经网络训练，得到非侵入式负荷监控模型；s3、采集用电负荷实时数据，并对用电负荷实时数据进行预处理；s4、利用非侵入式负荷监控模型对预处理后的用电负荷实时数据进行分解，得到监控结果并进行展示。2.根据权利要求1所述的一种基于深度学习的非侵入式负荷在线监控方法，其特征在于，所述步骤s2具体包括以下步骤：s21、对用电负荷历史数据进行预处理，所述预处理包括缺失值填补以及异常值删除处理；s22、构造混合神经网络，所述混合神经网络由一维卷积神经网络和长短时记忆神经网络结合而成；s23、利用步骤s21得到的用电负荷历史数据，对混合神经网络进行模型训练，得到非侵入式负荷监控模型。3.根据权利要求2所述的一种基于深度学习的非侵入式负荷在线监控方法，其特征在于，所述步骤s21具体包括以下步骤：s211、首先，对数据进行重采样，采用前一时刻的数据进行填充，重采样数据细粒度为2s，重采样可以有效弥补数据缺失情况；s212、然后，对重采样数据进行均值滑动滤波，可以有效避免量测误差引起的异常数据带来的影响；s213、最后，再次进行数据重采样，重采样数据细粒度为1min，进一步弥补数据缺失、去除异常数据。4.根据权利要求2所述的一种基于深度学习的非侵入式负荷在线监控方法，其特征在于，所述混合神经网络架构包括第一部分seq2seq和第二部分seq2point，所述第一部分seq2seq具体为：第一个序列seq为总有功功率序列，第二个序列seq为经过神经网络得到的电器工作状态序列；所述第二部分seq2point具体为：第一个序列seq为总有功功率与工作状态组合成的工作状态序列，第二个点point为目标电器的有功功率。5.根据权利要求4所述的一种基于深度学习的非侵入式负荷在线监控方法，其特征在于，所述第一部分seq2seq包括：1)总输入层：将输入数据设置成维度n
×1×
1的张量(n为输入序列的长度)，时间序列长度为1，输入特征维度为1；2)改进cnn-lstm层，总计352个神经元；3)全连接层：64个神经元；4)激活层：激活函数为softmax；5)第一部分输出层：输出维度为i，其中，i为用电器的状态数，即得到该用电器当前处于的状态。6.根据权利要求5所述的一种基于深度学习的非侵入式负荷在线监控方法，其特征在于，所述第二部分seq2point包括：
1)第二部分输入：由于输入数据为第一部分的输出结果，所以输入层维度设置为n
×1×
(i+1)；2)改进cnn-lstm模块，总计352个神经元；3)全连接层：64个神经元；4)激活层：激活函数为relu；5)第二部分输出：输出层维度为1维，为用电器的有功功率。7.一种基于深度学习的非侵入式负荷在线监控系统，其特征在于，包括后端和前端，所述后端通过接入装置与感知装置通信连接，所述感知装置用于测量用电负荷数据，所述接入装置用于实现后端与感知装置之间的数据信息传输，所述后端用于对用电负荷数据进行预处理、分解、能耗统计以及存储监控结果。8.根据权利要求7所述的一种基于深度学习的非侵入式负荷在线监控系统，其特征在于，所述感知装置具体为智能计量设备，用于实时测量家电功率、电压和电流数据；所述接入装置具体为esp-8266wifi模块。9.根据权利要求7所述的一种基于深度学习的非侵入式负荷在线监控系统，其特征在于，所述后端包括服务器和数据库，所述服务器采用django框架搭建，所述数据库具体为mysql数据库。10.根据权利要求7所述的一种基于深度学习的非侵入式负荷在线监控系统，其特征在于，所述前端具体为基于vue-elmentui框架的web网页。
技术总结本发明涉及一种基于深度学习的非侵入式负荷在线监控方法及其系统，该方法包括以下步骤：获取用电负荷历史数据；基于用电负荷历史数据，进行神经网络训练，得到非侵入式负荷监控模型；采集用电负荷实时数据，并对用电负荷实时数据进行预处理；利用非侵入式负荷监控模型对预处理后的用电负荷实时数据进行分解，得到监控结果并进行展示。与现有技术相比，本发明利用离线数据为深度学习模型提供学习标签预训练模型；通过后端Django框架实现采集数据处理及在线监控，并利用前端Vue-ElementUI框架对负荷监控结果进行展示，能够充分考虑外界干扰因素，有效提高监测结果的实时性和准确性。性。性。
技术研发人员：李安 杨秀 郭然龙 潘瑞媛 傅广努 吴吉海 柴梓轩 徐立成 徐耀杰 胡浩然 李增尧 蒋倩 焦楷丹
受保护的技术使用者：上海电力大学
技术研发日：2022.05.24
技术公布日：2022/11/1
