一种三级箱体协同的非侵入式负荷分解方法及系统与流程

本发明涉及电力负荷监测，具体为一种三级箱体协同的非侵入式负荷分解方法及系统。

背景技术：

1、非侵入式负荷监测（nilm）技术通过仅在电力入口处采集总电压、电流波形，利用各电器设备独特的电气特征（稳态功率幅值、暂态启动电流冲击、谐波畸变含量、v-i轨迹形态等）实现对各设备运行状态和功耗的分解，无需在每个设备处安装传感器，具有硬件成本低、安装便利、用户接受度高的优势。近年来随着深度学习技术的发展，以seq2point cnn为代表的端到端nilm模型显著提升了设备识别精度。现有nilm技术包括以下三种：

2、第一种方案是基于深度学习的单户nilm方案。该方案在用户总进线处安装高频采样装置（1khz及以上），采集电压电流波形数据，采用cnn-lstm混合深度学习模型对用户内部各用电设备进行负荷分解，识别各设备的用电量和运行时段。该方案的优点是无需入户安装传感器；缺点是nilm模型仅基于单户数据训练，一个计量箱覆盖6户即需6套独立采样硬件和6个独立模型，未利用同箱内多用户的负荷特征关联性，也未利用上级箱体提供的负荷构成先验来辅助分解。

3、第二种是面向台区配电网的多层级负荷识别方案。该方案在台区变压器、分支箱和用户电表三级分别部署不同采样频率的负荷监测终端：台区级低频采样（15分钟）进行负荷分类，分支箱级中频采样（1分钟）检测设备启停，用户级高频采样（1khz）进行精细识别。三级识别结果上传云端进行数据融合。该方案的优点是实现了多层级部署；缺点是三级之间仅为数据汇总关系，缺乏先验知识的跨级传递机制——分支箱粗分类结果未作为贝叶斯先验约束配电箱的设备匹配，配电箱检测到的设备启停标签未作为计量箱cnn推理的增强信号。

4、第三种是基于联邦学习的多用户nilm协同训练方案。该方案利用联邦学习中的fedavg算法，多个用户端各自训练本地nilm模型，将模型参数加密后上传至中央服务器进行参数平均聚合。该方案的优点是保护了用户隐私（原始用电数据不出户）；缺点是采用扁平化联邦架构，所有客户端平等参与参数平均，未考虑配电网中天然的三级层级关系——同一配电箱下用户用电特征相似度高于不同配电箱的用户。此外，各级模型结构异构（分支箱用分类模型、配电箱用变化点检测、计量箱用cnn），参数维度不一致，无法直接使用fedavg。

技术实现思路

1、本发明提供了一种三级箱体协同的非侵入式负荷分解方法及系统，利用配电网的分支箱、配电箱、计量箱三级拓扑结构建立渐进式分解精度提升路径，显著提升了非侵入式负荷的分解精度。

2、本发明提供如下技术方案：

3、第一方面，本发明提供了一种三级箱体协同的非侵入式负荷分解方法，包括以下步骤：

4、步骤1、在分支箱总进线处采集三相电压和电流波形数据，计算三相总有功功率序列，提取功率序列的时域特征，基于所述时域特征采用加权分类规则对各下属配电箱的负荷类型进行判定，将分类结果封装为狄利克雷先验分布参数下发至对应配电箱网关；

5、步骤2、配电箱在总进线处采集总有功功率序列，接收分支箱下发的狄利克雷先验分布参数，采用贝叶斯在线变化点检测算法检测总功率序列中的突变点，根据突变点前后的功率变化量判定设备启动事件，结合所述狄利克雷先验分布参数和设备功率指纹库对启动事件进行设备类型匹配，生成设备启停标签下发至下属计量箱网关；

6、步骤3、计量箱在总进线处采集电压和电流波形数据，计算总有功功率序列，以滑动窗口提取功率序列输入seq2point cnn模型，输出各设备运行状态概率，接收配电箱下发的设备启停标签作为置信度增强信号对cnn输出进行增强，根据增强后的置信度判定设备运行状态并估计设备功率。

7、第二方面，本发明提供了一种三级箱体协同的非侵入式负荷分解系统，包括：

8、感知硬件层，部署于三级箱体的电力总入口处，包括分支箱高频采样模块、配电箱中频采样模块和计量箱高频采样模块，用于采集各级箱体总进线的电压和电流波形数据；

9、边缘计算层，部署于三级箱体处的边缘计算网关，包括分支箱边缘计算网关、配电箱边缘计算网关和计量箱边缘计算网关；所述分支箱边缘计算网关包含三相特征提取模块、粗粒度负荷分类模块和先验知识封装模块，用于执行所述步骤1的操作；所述配电箱边缘计算网关包含先验知识接收模块、bocpd变化点检测模块和设备匹配模块，用于执行所述步骤2的操作；所述计量箱边缘计算网关包含标签接收模块、seq2point cnn推理模块和设备指纹匹配模块，用于执行所述步骤3的操作；

10、云端协同层，与边缘计算层通信连接，用于生成负荷分解报告。

11、本发明具备以下有益效果：

12、1、本发明建立了“分支箱粗分类→配电箱中检测→计量箱细分解”的三级渐进式nilm架构。所有感知均在各级箱体总进线处完成，无需在下属单元或设备上安装传感器。该架构的核心在于每级的分解结果不作为终点，而是作为下级的贝叶斯先验注入——分支箱的负荷类型分类结果封装为狄利克雷先验，约束配电箱设备匹配的候选空间；配电箱的启停标签在计量箱cnn推理时作为置信度增强信号，使该时刻空调识别的置信度得到提升。同时下级v-i轨迹匹配识别的新设备类型回传更新上级指纹库，形成“先验注入→精细分解→指纹回传→先验更新”的闭环。

13、2、本发明建立了涵盖四个维度的电器电气特征指纹体系：稳态特征、暂态特征、谐波特征、v-i轨迹特征，计量箱级仅通过总进线v/i波形提取上述特征，无需在设备端安装传感器，实现完全非侵入式的多设备同时识别。

14、3、本发明针对三级箱体nilm模型结构异构的特点，设计了基于温度缩放软标签的联邦蒸馏方法。以10维软标签向量替代cnn模型数万参数或原始高频采样数据在网络中传输，解决了传统fedavg参数平均不适用于异构模型的难题。“计量箱本地训练→配电箱局部聚合→云端全局蒸馏”组成的三级蒸馏架构充分利用了“同一配电箱下用户设备使用习惯相似”的自然层级优势。

1.一种三级箱体协同的非侵入式负荷分解方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的三级箱体协同的非侵入式负荷分解方法，其特征在于，还包括：

3.根据权利要求1所述的三级箱体协同的非侵入式负荷分解方法，其特征在于，所述步骤1中提取功率序列的时域特征包括：日间功率比、峰谷比、变异系数和傍晚功率比；加权分类规则表示为：

4.根据权利要求1所述的三级箱体协同的非侵入式负荷分解方法，其特征在于，所述步骤2中，贝叶斯在线变化点检测算法的运行长度的联合后验概率递推公式为：

5.根据权利要求1所述的三级箱体协同的非侵入式负荷分解方法，其特征在于，所述步骤2中，设备类型匹配的综合得分由两项组成：

6.根据权利要求1所述的三级箱体协同的非侵入式负荷分解方法及系统，其特征在于，所述步骤3中，配电箱下发的设备启停标签对cnn输出的置信度增强方式为：

7.根据权利要求1所述的三级箱体协同的非侵入式负荷分解方法，其特征在于，所述步骤3中，

8.根据权利要求2所述的三级箱体协同的非侵入式负荷分解方法，其特征在于，所述步骤4中，

9.根据权利要求8所述的三级箱体协同的非侵入式负荷分解方法，其特征在于，所述步骤4中，各级本地模型的训练损失函数为：

10.一种三级箱体协同的非侵入式负荷分解系统，该系统适用于权利要求1-9中任一项所述的方法，其特征在于，包括：