阅读说明：本技术 一种基于深度学习的非侵入式能耗监测系统及方法 (Non-invasive energy consumption monitoring system and method based on deep learning ) 是由 白易元 李远翼 周林路 刘长乐 于 2020-06-05 设计创作，主要内容包括：本发明实施例提供一种基于深度学习的非侵入式能耗监测系统及方法,该系统包括：非侵入式传感器、边缘计算设备、云端管理平台；所述非侵入式传感器用于实时采集负载电器的电参数,所述电参数包括电压数据、电流数据,并将所述电参数传输至所述边缘计算设备；所述边缘计算设备用于通过预设分析模型根据对所述电参数整体分析得到所述负载电器的能耗分析结果,将所述能耗分析结果发送至云端管理平台；所述云端管理平台用于对边缘计算设备上传数据进行集成,实现能耗统计、能源审计,并支持对所述边缘计算设备进行管理、升级,本方案能够有效地对能耗进行监测的同时,方便部署,并且能够进行深入分析。(The embodiment of the invention provides a non-invasive energy consumption monitoring system and a non-invasive energy consumption monitoring method based on deep learning, wherein the system comprises the following steps: the system comprises a non-invasive sensor, edge computing equipment and a cloud management platform; the non-invasive sensor is used for collecting the electrical parameters of the load electrical appliance in real time, wherein the electrical parameters comprise voltage data and current data, and transmitting the electrical parameters to the edge computing equipment; the edge computing equipment is used for obtaining an energy consumption analysis result of the load electric appliance according to the integral analysis of the electric parameters through a preset analysis model and sending the energy consumption analysis result to a cloud management platform; the cloud management platform is used for integrating data uploaded by the edge computing equipment, realizing energy consumption statistics and energy audit, and supporting management and upgrading of the edge computing equipment.)

一种基于深度学习的非侵入式能耗监测系统及方法

技术领域

本发明实施例涉及电网技术领域，具体涉及一种基于深度学习的非侵入式能耗监测系统及方法。

背景技术

当前，能耗监测系统可用于对企业、工厂、学校、公共建筑等的电力使用情况进行实时监测，并通过能耗统计、能源审计、能效公示等手段促使其单位或个人提高节能运行管理水平。电力能耗监测通常有两种方法：侵入式与非侵入式。侵入式方法通过在电力网络中安装智能电表等设备，直接读取耗能数据。对于非侵入式方法，现有技术方案包括：1.读表设备：通过在非智能设备(传统电表)上安装附加设备，使用相机读取电表读数，回传服务器进行分析监测。2.传感器模式匹配：通过线路上安装非侵入式传感器，读取数据后回传服务器，通过模式匹配等方法进行分析。方法支持对耗能负荷进行分解，识别能耗细节。

然而，现有的技术方案各有其缺点，1.侵入式：方法适用于新建的项目，而在已建成的建筑项目中存在改造难度大、成本高、影响正常运行等问题，难以适用。2.读表设备：通过相机等设备读取传统设备信息，一方面只能获取粗粒度的整体能耗情况，无法深入分析；另一方面难以进行持续性监测、告警。3.模式匹配方法：一方面，传统的传感器需要有线连接，部署复杂；另一方面，此方法需要预先采集大量设备电气特征数据作为支撑，识别准确率受限，且实现成本较高。

因此，如何提供一种能耗监测，能够有效地对能耗进行监测的同时，方便部署，并且能够进行深入分析，是本领域技术人员亟待解决的技术问题。

发明内容

为此，本发明实施例提供一种基于深度学习的非侵入式能耗监测系统及方法，能够有效地对能耗进行监测的同时，方便部署，并且能够进行深入分析。

为了实现上述目的，本发明实施例提供如下技术方案：

一方面，本发明实施例提供一种基于深度学***台；

所述非侵入式传感器用于实时采集负载电器的电参数，所述电参数包括电压数据、电流数据，并将所述电参数传输至所述边缘计算设备；

所述边缘计算设备用于通过预设分析模型根据对所述电参数整体分析得到所述负载电器的能耗分析结果，将所述能耗分析结果发送至云端管理平台；

所述云端管理平台用于对边缘计算设备上传数据进行集成，实现能耗统计、能源审计，并支持对所述边缘计算设备进行管理、升级。

优选地，当存在所述边缘计算设备不能分析的电参数时，将所述电参数发送到所述云端管理平台；

所述云端管理平台还用于：对所述电参数进行监督式特征标注；并且基于标注结果进行神经网络训练，得到训练模型，将所述训练模型更新到所述边缘计算设备进行远程升级。

优选地，所述云端管理平台包括：数据接口模块、数据中心模块、业务模块、训练模块；

所述数据接口模块用于与所述边缘计算设备进行通信连接并接收所述边缘计算设备发送的数据；

所述数据中心用于存储所述边缘计算设备发送的数据；

所述训练模块用于对所述边缘计算设备不能识别的电参数进行标注和训练，以便得到新模型对所述边缘计算设备中的预设分析模型进行更新。

优选地，所述业务模块包括用户管理单元、数据统计单元、审计管理单元、告警管理单元；

所述用于管理单元，用于对用户进行增减更新的用户管理操作；

所述数据统计单元，用于对实时能耗总体统计与负载个体统计；

所述审计管理单元，对审计规则进行管理，对审计结果进行查看；

所述告警管理单元，对能耗告警设置与查看。

优选地，所述非侵入式传感器上设有第一WiFi模块；

所述边缘计算设备上设有第二WiFi模块；

所述第一WiFi模块与所述第二WiFi模块通信连接。

优选地，所述边缘计算设备上设有第一移动通信模块；

所述云端管理平台上设有第二移动通信模块；

所述第一移动通信模块与所述第二移动通信模块通信连接。

另一方面，本发明实施例提供一种基于深度学习的非侵入式能耗监测方法，应用于上述的基于深度学习的非侵入式能耗监测系统，包括：

实时采集负载电器的电参数，所述电参数包括电压数据、电流数据，并将所述电参数传输至所述边缘计算设备；

通过预设分析模型根据对所述电参数整体分析得到所述负载电器的能耗分析结果，将所述能耗分析结果发送至云端管理平台；

对边缘计算设备上传数据进行集成，实现能耗统计、能源审计，并支持对所述边缘计算设备进行管理、升级。

本发明实施例提供一种基于深度学***台；所述非侵入式传感器用于实时采集负载电器的电参数，所述电参数包括电压数据、电流数据，并将所述电参数传输至所述边缘计算设备；所述边缘计算设备用于通过预设分析模型根据对所述电参数整体分析得到所述负载电器的能耗分析结果，将所述能耗分析结果发送至云端管理平台；所述云端管理平台用于对边缘计算设备上传数据进行集成，实现能耗统计、能源审计，并支持对所述边缘计算设备进行管理、升级。本方案具有高精度、细粒度能耗监测的特点，基于深度学习，可高精度识别个体负载能耗情况。便利性、适应性提高。非侵入式传感器无需对原有电力系统进行改造，安装便利，适用于各种场景。整体性价比提高。无需设备换装，无需线路铺设，能够有效地对能耗进行监测的同时，方便部署，并且能够进行深入分析。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1为本发明实施例提供的一种基于深度学习的非侵入式能耗监测系统的组成结构示意图；

图2为本发明实施例提供的一种基于深度学***台结构示意图；

图3为为本发明实施例提供的一种基于深度学习的非侵入式能耗监测方法的流程图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1、图2，图1为本发明实施例提供的一种基于深度学***台结构示意图。

在本发明一种具体实施方式中，本发明实施例提供一种基于深度学***台；所述非侵入式传感器用于实时采集负载电器的电参数，所述电参数包括电压数据、电流数据，并将所述电参数传输至所述边缘计算设备；所述边缘计算设备用于通过预设分析模型根据对所述电参数整体分析得到所述负载电器的能耗分析结果，将所述能耗分析结果发送至云端管理平台；所述云端管理平台用于对边缘计算设备上传数据进行集成，实现能耗统计、能源审计，并支持对所述边缘计算设备进行管理、升级。

进一步地，在实践中，可能存在边缘计算设备不能识别的电参数，这时是检测到了新类型的负荷电器，当存在所述边缘计算设备不能分析的电参数时，将所述电参数发送到所述云端管理平台；所述云端管理平台还用于：对所述电参数进行监督式特征标注；并且基于标注结果进行神经网络训练，得到训练模型，将所述训练模型更新到所述边缘计算设备进行远程升级。也就是说，边缘计算设备在不能识别时，将不能识别的电参数数据上传到云端管理平台，云端管理平台进行监督式的特征标注，并且进行训练，从而得到新的负荷设备的识别模型，从而可以对边缘计算设备中的预设分析模型进行更新。

更进一步地云端管理平台包括：数据接口模块、数据中心模块、业务模块、训练模块；所述数据接口模块用于与所述边缘计算设备进行通信连接并接收所述边缘计算设备发送的数据；所述数据中心用于存储所述边缘计算设备发送的数据；所述训练模块用于对所述边缘计算设备不能识别的电参数进行标注和训练，以便得到新模型对所述边缘计算设备中的预设分析模型进行更新。

具体地，业务模块包括用户管理单元、数据统计单元、审计管理单元、告警管理单元；所述用于管理单元，用于对用户进行增减更新的用户管理操作；所述数据统计单元，用于对实时能耗总体统计与负载个体统计；所述审计管理单元，对审计规则进行管理，对审计结果进行查看；所述告警管理单元，对能耗告警设置与查看。

需要指出的是，非侵入式传感器上设有第一WiFi模块；所述边缘计算设备上设有第二WiFi模块；所述第一WiFi模块与所述第二WiFi模块通信连接。也就是说，非侵入式传感器与边缘计算设备通过WiFi信号进行信息的传递，当然在实践中也可以采用其他的无线通信模块，例如蓝牙模块等。

而边缘计算设备与云端管理平台由于距离较远，因此可以使用移动通信模块进行通信，具体地，在边缘计算设备上设有第一移动通信模块；所述云端管理平台上设有第二移动通信模块；所述第一移动通信模块与所述第二移动通信模块通信连接。具体地，可以使用2G\3G\4G\5G等移动通信模块，当然也可以使用其他的有线或无线通信方式进行信息的传递。

本发明实施例提供一种基于深度学习的非侵入式能耗监测系统及方法，该系统具有高精度、细粒度能耗监测的特点，基于深度学习，可高精度识别个体负载能耗情况，便利性、适应性提高。非侵入式传感器无需对原有电力系统进行改造，安装便利，适用于各种场景，整体性价比提高，无需设备换装，无需线路铺设，能够有效地对能耗进行监测的同时，方便部署，并且能够进行深入分析。

请参考图3，图3为本发明实施例提供的一种基于深度学习的非侵入式能耗监测方法的流程图。

本发明实施例提供一种基于深度学习的非侵入式能耗监测方法，应用于上述的基于深度学习的非侵入式能耗监测系统，包括：

步骤S31：实时采集负载电器的电参数，所述电参数包括电压数据、电流数据，并将所述电参数传输至所述边缘计算设备；

步骤S32：通过预设分析模型根据对所述电参数整体分析得到所述负载电器的能耗分析结果，将所述能耗分析结果发送至云端管理平台；

步骤S33：对边缘计算设备上传数据进行集成，实现能耗统计、能源审计，并支持对所述边缘计算设备进行管理、升级。

本发明实施例中的方法，在上述关于一种基于深度学习的非侵入式能耗监测系统中已经进行了阐述，在此不再赘述。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。