基于前端增量检测的端云协同实时负荷识别方法及系统与流程

1.本发明涉及智慧消防用电安全监测技术领域，特别是涉及一种基于前端轻量增量检测的端云协同实时同步负荷识别方法及系统。


背景技术：

2.据统计，我国电网覆盖率已经高达99.95％，电力已经成为人民群众生产生活的首选能源。但由于线路老化、电器不正常使用等诸多原因，电气火灾也逐步成为影响消防安全的主要因素。2012年至2021年，全国共发生居住场所火灾132.4万起，其中电气火灾占比高达42.7％。面对严峻的用电安全挑战，迫切需要开展智慧消防用电安全监测。
3.用电监测技术分为侵入式和非侵入式两大类。侵入式方案需在用户的各用电设备上安装传感器采集数据，可操作性差、实施成本高、用户接受程度低。非侵入式方案仅需在用户电力总进线处安装监测装置，通过数据分析等技术手段实现用电监测。该方法无需繁琐的侵入用户的户内施工，可操作性强、用户接受程度较高，适合大规模推广。
4.目前非侵入式负荷监测发展形成了以状态检测、特征提取、负荷识别为主的技术路线，主要实现方式有两种，分别是：前端传感器采集并处理负荷识别以及前端传感器采集数据发送云端负荷识别。
5.前端传感器采集并处理负荷识别方式，需要考虑前端传感器的处理能力制约，通常使用低频采样，取电学参数的有效值作为主要的区分特征，模型简单，可在前端完成特征值计算与判决，但识别精度低，容易产生漏判和误判。
6.前端传感器采集数据发送云端负荷识别方式，在前端传感器使用高频多位量化ad高速采样模块，采集并发送高分辨率数据至云端服务器，在云端基于复杂的人工智能负荷识别算法开展负荷识别。此方式的识别准确率较高，但需要云端大量资源开销。同时，对网络通信要求极高，大量数据一旦在传输环节出现故障，识别任务就会中止，也会产生漏判。此外，用户所有数据上传到云端，也增加了隐私泄露风险，在进行产品推广时容易被用户诟病。


技术实现要素：

7.本发明所要解决的技术问题是提供一种基于前端增量检测的端云协同实时负荷识别方法及系统，能够在保障负荷识别时效性、准确性的同时降低实现复杂度。
8.本发明解决其技术问题所采用的技术方案是：提供一种基于前端轻量增量检测的端云协同实时同步负荷识别方法，包括以下步骤：
9.前端实时采集用户的电流信号和电压信号，并基于所述电流信号和电压信号提取负荷特征信息和电流瞬时值差分值；
10.前端将电流瞬时值差分值与前端轻量级负荷特征库进行匹配检测，若成功匹配，则输出匹配负荷，若未成功匹配，则开展负荷增量轻量级神经网络识别，若成功识别，则输出识别负荷，若未成功识别，则将所述负荷特征信息和电流瞬时值差分值发送至云端；
11.云端根据所述负荷特征信息和电流瞬时值差分值进行匹配识别处理，并下发识别结果特征和识别框架参数至对应前端，以完成端云协同实时同步负荷识别。
12.所述前端实时采集用户的电流信号和电压信号，并基于所述电流信号和电压信号提取负荷特征信息和电流瞬时值差分值，具体包括：
13.以预设的采样频率采集时序电流数据和电压数据，并以设定时间为保存周期；
14.以预设的采样频率实时采集时序电流数据和电压数据，并以设定时间为保存周期；
15.对时序电流数据和电压数据按时隙长度进行切片，并计算每个切片时隙内的电流有效值；
16.计算所述当前时隙电流有效值与前一时隙电流有效值的差值绝对值，并将所述差值绝对值与设定阈值比较；
17.若所述差值绝对值大于或等于设定阈值，则启动电流相位同步得到瞬时电流序列；
18.遍历瞬时电流序列找到前后电流发生突变的点，得到两组时间相邻的电流时隙序列和对应电压时隙序列，将两组时间相邻的电流时隙序列进行差值计算，得到电流瞬时值差分值，并将两组时间相邻的电流时隙序列和两组时间相邻的电流时隙序列对应的电压时隙序列作为负荷特征信息。
19.所述按时隙长度根据时序电流数据计算当前时隙电流有效值时，通过进行计算，其中，in为当前时隙电流有效值，δtn为时隙长度，ik为时序电流数据，k∈[(n-1)*fs*δtn+1,(n)*fs*δtn]，fs为采样频率。
[0020]
所述启动电流相位同步得到瞬时电流序列，具体为：
[0021]
以激发启动电流相位同步时隙为基准，读取该时隙前后最近n个时隙的时序电流数据和时序电压数据，计算时序电压数据在读取时隙内的第一个电压相位零点，并以该第一个电压相位零点为基准，在对应的时序电流数据内向后截取整数个周期，得到瞬时电流序列。
[0022]
所述云端根据所述负荷特征信息和电流瞬时值差分值进行匹配识别处理，完成端云实时同步协同负荷识别，具体包括：
[0023]
使用电流瞬时值差分值，在上传该电流瞬时值差分值前端对应的云端局部负荷特征库进行局部云端负荷特征库匹配检测；
[0024]
若成功匹配，则下发识别结果和对应的负荷特征至所述前端，完成端云协同负荷识别；
[0025]
若未成功匹配，使用电流瞬时值差分值进行云端全局负荷特征库匹配检测；
[0026]
若成功匹配，则下发识别结果和对应的负荷特征至所述前端，完成端云协同负荷识别；若未成功匹配，云端使用电流瞬时值差分值开展增量数据神经网络负荷识别；
[0027]
若成功识别，则下发识别结果和对应的负荷特征至所述前端，完成端云协同负荷识别；若未成功识别，则云端结合云端全局负荷特征库各已知单类型负荷特征，使用两组时间相邻的电流时隙序列和两组时间相邻的电流时隙序列对应的电压序列，开展负荷类型和
对应负荷数量的神经网络负荷分解识别；
[0028]
若成功识别，则下发识别结果和对应的负荷特征至所述前端，完成端云协同负荷识别；若仍未成功识别，云端将所述前端的电流瞬时值差分值、两组时间相邻的电流时隙序列和两组时间相邻的电流时隙序列对应的电压序列存入未知负荷数据库；所述未知负荷数据库按用户编号记录不同时刻、不同用户未成功识别负荷数据。
[0029]
所述的基于前端增量检测的端云协同实时负荷识别方法还包括：
[0030]
当所述未知负荷数据库中的数据积累量超过数据量阈值或达到设定的标签标识周期时，云端按照存储的未知负荷类型f统计未知负荷类型标签，对于出现次数在所有未知负荷类型中排序在前p位的未知负荷，提醒云端管理员进行负荷标签标识操作，待确定好标签后，下发识别结果和对应的负荷特征至具有该负荷特征的所有用户前端，完成端云协同全局负荷识别。
[0031]
所述的基于前端增量检测的端云协同实时负荷识别方法还包括：
[0032]
若所述差值绝对值小于设定阈值，生成前端锚点校准标志信息，并启动电流相位同步得到瞬时电流序列；
[0033]
根据所述预设的采样频率和时隙，在所述瞬时电流序列中按时间先后顺序分割得到两组时间相邻的电流时隙序列，将两组时间相邻的电流时隙序列进行差值计算，得到电流瞬时值差分值，并将前端锚点校准标志信息、两组时间相邻的电流时隙序列和两组时间相邻的电流时隙序列对应的电压时隙序列作为负荷特征信息。
[0034]
所述云端根据所述负荷特征信息和电流瞬时值差分值进行匹配识别处理，完成端云协同实时同步负荷识别，具体包括：
[0035]
基于电流瞬时值差分值和前端锚点校准标志信息在云端负荷特征库进行无负荷增量特征匹配检测；
[0036]
若成功匹配，则下发空校准信息至对应的数据上传前端，完成端云协同实时同步锚点校准；
[0037]
若未成功匹配，使用电流瞬时值差分值，在上传该电流瞬时值差分值前端对应的云端局部负荷特征库进行局部云端负荷特征库匹配检测；
[0038]
若成功匹配，则下发识别结果和对应的负荷特征至所述前端，完成端云协同实时同步锚点校准；
[0039]
若未成功匹配，使用电流瞬时值差分值进行云端全局负荷特征库匹配检测；
[0040]
若成功匹配，则下发识别结果和对应的负荷特征至所述前端，完成端云协同实时同步锚点校准；
[0041]
若未成功匹配，云端使用电流瞬时值差分值开展神经网络负荷分解识别，并在识别成功后下发包含识别结果和对应的负荷特征的校准信息至前端，更新前端轻量负荷特征库；
[0042]
若未成功识别，云端使用两组时间相邻的电流时隙序列和两组时间相邻的电流时隙序列对应的电压时隙序列开展神经网络负荷分解识别，并在识别成功后下发包含识别结果和对应的负荷特征识别框架参数的校准信息至前端，更新前端轻量负荷特征库。
[0043]
本发明解决其技术问题所采用的技术方案是：提供一种基于前端轻量增量检测的端云协同实时同步负荷识别系统，包括前端轻量增量匹配负荷识别装置和云端神经网络负
荷分解识别装置；
[0044]
所述前端轻量增量匹配负荷识别装置包括：采集模块，用于实时采集用户的电流信号和电压信号；处理模块，用于基于所述电流信号和电压信号提取负荷特征信息和电流瞬时值差分值，并将电流瞬时值差分值与前端轻量级负荷特征库进行匹配检测，若成功匹配，则输出匹配负荷，若未成功匹配，则开展负荷增量轻量级神经网络识别，若成功识别，则输出识别负荷，若未成功识别，则将所述负荷特征信息和电流瞬时值差分值发送至云端；通信模块用于与云端进行通信；
[0045]
所述云端神经网络负荷分解识别装置包括：接收模块，用于接收所述前端轻量增量匹配负荷识别装置发送的所述负荷特征信息和电流瞬时值差分值；识别模块，用于根据所述负荷特征信息和电流瞬时值差分值进行匹配识别处理，并下发识别结果特征和识别框架参数至对应前端，以完成端云协同实时同步负荷识别。
[0046]
所述处理模块，包括：电流电压存储单元，用于按照设定的存储周期存储时序电流数据和电压数据；相位同步单元，用于通过参考电压信号的零点实现电流信号同步截断与相邻时隙电流信号提取；有效值差分计算单元，用于计算相邻时隙电流信号有效值的差值绝对值；差分比较单元，用于实现有效值的差值绝对值与设定阈值比较；特征匹配单元，用于基于瞬时值差分计算模块输出的电流瞬时值差分值，与前端轻量级负荷特征库开展特征匹配，实现负荷识别；增量轻量级神经网络识别单元，用于基于增量电流瞬时值差分值，开展负荷增量轻量级神经网络识别；所述前端轻量级负荷库，用于存储已知负荷特征；所述瞬时值差分计算单元，用于基于所述相位同步单元输出的相邻的电流时隙序列的差分计算得到电流瞬时值差分值；发送缓存单元，用于缓存待发送至云端的电流瞬时值差分值、两组时间相邻的电流时隙序列和两组时间相邻的电流时隙序列对应的电压时隙序列，以及对应的前端锚点校准标志信息；
[0047]
所述识别模块包括：云端负荷特征库，用于存储云端已知负荷特征，包含按照各用户前端分类存储的局部负荷特征和按照负荷分类存储的全局负荷特征；未知负荷数据库，用于存储未成功识别的前端上传的未知分类负荷对应的电流瞬时值差分值、两组时间相邻的电流时隙序列和两组时间相邻的电流时隙序列对应的电压时隙序列；标签标识单元，用于接收云端管理员标识的未知负荷标签信息；神经网络负荷识别单元，用于实现基于神经网络的各前端上传的未知负荷分解训练和识别；增量特征匹配单元，用于实现基于瞬时值差分值与云端负荷特征库的特征匹配运算，实现对应负荷识别。
[0048]
有益效果
[0049]
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明通过在前端构建本地化轻量级增量判断模型，实现已经训练完成的已知负荷的实时同步识别，在云端协同开展未知负荷训练与识别，构建基于神经网络的云端人工智能模型，同时，支持端云协同的实时同步云端锚点功能，满足前端校准需求，并给出对应装置的实现方式。本发明通过端云协同，能够在保障负荷识别时效性、准确性的同时降低实现复杂度，有力支撑智慧消防用电安全监测系统构建对用户用电特征智能化感知与精细化管理等场景应用。
附图说明
[0050]
图1是本发明第一实施方式的方法方框图；
[0051]
图2是本发明第一实施方式中前端轻量级增量检测流程图；
[0052]
图3是本发明第一实施方式中云端神经网络负荷识别流程图；
[0053]
图4是本发明第一实施方式中端云协同锚点校准流程图；
[0054]
图5是本发明第二实施方式中前端轻量级增量检测负荷识别装置的结构方框图；
[0055]
图6是本发明第二实施方式中云端神经网络负荷分解识别装置的结构方框图。
具体实施方式
[0056]
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
[0057]
本发明的第一实施方式涉及一种基于前端轻量增量检测的端云协同实时同步负荷识别方法，如图1所示，包括以下步骤：前端实时采集用户的电流信号和电压信号，并基于所述电流信号和电压信号提取负荷特征信息和电流瞬时值差分值；前端将电流瞬时值差分值与前端轻量级负荷特征库进行匹配检测，若成功匹配，则输出匹配负荷，若未成功识别，前端开展负荷增量轻量级神经网络识别，若成功识别，则输出识别负荷，若未成功识别，则将所述负荷特征信息和电流瞬时值差分值发送至云端；云端根据所述负荷特征信息和电流瞬时值差分值进行匹配识别处理及神经网络负荷分解识别，完成端云协同实时同步负荷识别与锚点校准。具体地说，该方法包括两部分，第一部分为前端轻量级增量检测负荷识别部分，第二部分为端云协同实时同步负荷识别。
[0058]
如图2所示，前端轻量级增量检测负荷识别部分包括：
[0059]
(1)以采样频率fs采集用户的电流信号i和电压信号u，并以时间t为保存周期，其中采样频率fs≥1khz，t≥1s，电流信号i＝[i1,i2,...,im]，电压信号u＝[u1,u2,...,um]，m＝t
×fs
，本实施方式中，fs＝1000khz，t＝1s，m＝1000；
[0060]
(2)对时序电流数据和电压数据按时隙长度δtn进行切片，并计算每个切片时隙内的电流有效值按时隙长度δtn，其中，时隙长度δtn≥20ms，k∈[(n-1)*fs*δtn+1,(n)*fs*δtn]，本实施方式中，δtn＝20ms，n∈[1,50]，
[0061]
(3)计算当前时隙的电流有效值与前一时隙的电流有效值的差值绝对值δin并与设定阈值δi
th
比较，如果差值绝对值δin大于或等于设定阈值δi
th
则启动电流相位同步，其中，δi
th
≥0.05a，δin＝|i
n-i
n-1
|，本实施方式中，δi
th
＝0.05a；
[0062]
(4)以激发启动电流相位同步时隙为基准，读取该时隙前后最近n个时隙的时序电流数据和时序电压数据，计算时序电压数据在读取时隙内的第一个电压相位零点uk，并以此为基准，在对应时序电流数据内向后截取整数个周期，得到瞬时电流序列i
syn
。电压相位
零点uk＝0，且u
k-j
＜0,u
k+j
＞0，其中，j一般取0.005fs并向上取整，n∈[2,5]，本实施方式中，j＝5，n＝5；
[0063]
(5)遍历瞬时电流序列i
syn
找到前后电流发生突变的点，从而得到两组时间相邻的电流序列当前时隙序列in(k)和上一时隙序列i
n-1
(k)并进行差值计算，得到电流瞬时值差分值δin(k)，其中，k∈[1,20]；将in(k)、i
n-1
(k)以及和in(k)、i
n-1
(k)对应的电压时隙序列un(k)、u
n-1
(k)作为负荷特征信息；
[0064]
(6)将电流瞬时值差分值δin(k)与前端轻量级负荷特征库进行匹配检测，若成功匹配，则输出对应增量匹配负荷，同时，结合增量符号正负值，分别给出对应负荷的打开与关闭行为；
[0065]
(7)若未成功识别，前端开展负荷增量轻量级神经网络识别，若成功识别，则输出识别负荷，同时，结合增量符号正负值，分别给出对应负荷的打开与关闭行为，若未成功检测，则将对应的in(k)、i
n-1
(k)、δin(k)、un(k)、u
n-1
(k)发送至云端。
[0066]
如图3所示，端云协同负荷识别部分包括：
[0067]
(1)基于前端上传的in(k)、i
n-1
(k)、δin(k)、un(k)、u
n-1
(k)，在云端使用增量数据δin(k)进行云端局部负荷特征库匹配检测，若成功匹配，则下发识别结果和对应的负荷特征至所述前端，完成端云协同实时同步负荷识别；
[0068]
若未成功匹配，在云端使用增量数据δin(k)进行云端全局负荷特征库匹配检测，若成功匹配，则下发识别结果和对应的负荷特征至对应的数据上传前端，完成端云协同实时同步负荷识别；若未成功识别，云端使用δin(k)开展增量数据神经网络负荷识别；
[0069]
(3)若成功识别，则下发识别结果和对应的负荷特征至对应的数据上传前端，完成端云协同实时同步负荷识别；若未成功识别，云端结合云端全局负荷特征库各已知单类型负荷特征，使用in(k)、i
n-1
(k)、un(k)、u
n-1
(k)开展负荷类型和对应负荷数量的神经网络负荷分解识别；
[0070]
(4)若成功识别，则下发识别结果和对应的负荷特征至对应的数据上传前端，完成端云协同实时同步负荷识别；若未成功识别，云端将对应前端的in(k)、i
n-1
(k)、δin(k)、un(k)、u
n-1
(k)存入未知负荷数据库；并设定该未知负荷类型标签编号，同时下发识别失败消息至对应数据上传前端。
[0071]
(5)未知负荷数据库按用户编号记录不同时刻、不同用户未成功识别负荷数据；
[0072]
(6)随着未知负荷数据库数据量积累超过数据量阈值时或达到设定的标签标识周期时，云端服务器按照存储的未知负荷类型f统计未知负荷类型标签，对于出现次数在所有未知负荷类型中排序在前p位的未知负荷，提醒云端管理员进行负荷标签标识操作，待确定好标签后，下发识别结果和对应的负荷特征至具有该负荷特征的所有用户前端，完成端云协同全局负荷识别；本实施方式中p＝1。
[0073]
本实施方式针对增量匹配检测过程中可能产生的有效电流始终低于判决门限导致的负荷识别误差积累情况，此时可以通过云端锚点进行端云协同误差消除，具体如下：
[0074]
如图4所示，若在前端轻量级增量检测负荷识别部分的步骤(3)中，差值绝对值δin小于设定阈值δi
th
，且设定了端云协同锚点校准，则生成前端锚点校准标志信息cf，并启动电流相位同步；在步骤(4)中进行电流相位同步，在步骤(5)中，则根据采样频率fs和时隙δtn，在瞬时电流序列i
syn
中按时间先后顺序分割得到两组时间相邻的电流序列，即当前时
隙序列in(k)和上一时隙序列i
n-1
(k)，并进行差值计算，得到δin(k)；在步骤(6)中，则将in(k)、i
n-1
(k)、δin(k)、un(k)、u
n-1
(k)以及对应的前端锚点校准标志信息cf发送至云端；在端云协同实时同步负荷识别与锚点校准部分时，云端基于δin(k)和cf，在云端负荷特征库进行无负荷增量特征匹配检测，若成功匹配，则下发空校准信息至对应的数据上传前端，完成端云协同实时同步锚点校准，若未成功匹配，使用电流瞬时值差分值，在上传该电流瞬时值差分值前端对应的云端局部负荷特征库进行局部云端负荷特征库匹配检测；若成功匹配，则下发识别结果和对应的负荷特征至所述前端，完成端云协同实时同步锚点校准，若未成功匹配，使用电流瞬时值差分值进行云端全局负荷特征库匹配检测；若成功匹配，则下发识别结果和对应的负荷特征至所述前端，完成端云协同实时同步锚点校准，若未成功匹配，云端使用δin(k)开展神经网络负荷分解识别，若成功识别，下发包含识别结果和对应的负荷特征识别框架参数的校准信息至对应的数据上传前端，更新前端轻量负荷特征库，完成端云协同实时同步锚点校准，若未成功识别，云端使用in(k)、i
n-1
(k)、un(k)、u
n-1
(k)开展神经网络负荷分解识别，若成功识别，下发包含识别结果和对应的负荷特征识别框架参数的校准信息至对应的数据上传前端，更新前端轻量负荷特征库，完成端云协同实时同步锚点校准，若未成功识别，则下发校准失败信息至对应的数据上传前端；前端根据接收的校准信息，读取对应上传的in(k)、i
n-1
(k)、δin(k)、un(k)、u
n-1
(k)，计算当前时隙与前一时隙电流有效值差值绝对值δin并更新预设阈值，令预设阈值δi
th
＝δin，完成端云协同实时同步锚点校准。
[0075]
不难发现，本发明通过在前端构建本地化轻量级增量判断模型，实现已经训练完成的已知负荷的实时识别，在云端协同开展未知负荷训练与识别，构建基于神经网络的云端人工智能模型，同时，支持端云协同的云端锚点功能，满足前端校准需求，并给出对应装置的实现方式。本发明通过端云协同，能够在保障负荷识别时效性、准确性的同时降低实现复杂度，有力支撑智慧消防用电安全监测系统构建对用户用电特征智能化感知与精细化管理等场景应用。
[0076]
本发明的第二实施方式涉及一种基于前端轻量增量检测的端云协同实时同步负荷识别系统，包括前端轻量增量匹配负荷识别装置和云端神经网络负荷分解识别装置。
[0077]
如图5所示，前端轻量级增量检测负荷识别装置包括采集模块、处理模块、通信模块和供电模块。采集模块包括电流信号采集单元、电压信号采集单元和采样控制单元，其中，电流信号采集单元用于采集用户电流信号，电压信号采集单元用于采集用户电压信号，采样控制单元模块用于设定和存储采样频率fs，实现用户电流信号和电压信号按照设定的采样频率fs进行实时采集；处理模块包括电流电压存储单元、相位同步单元、有效值差分计算单元、差分比较单元、锚点校准控制单元、判决门限存储单元、特征匹配单元、前端轻量级负荷库、瞬时值差分计算单元、增量轻量级神经网络识别单元、发送缓存单元、接收缓存单元。其中，电流电压存储单元按照设定的存储周期t分别存储时序电流数据i＝[i1,i2,...,im]和电压数据u＝[u1,u2,...,um]；相位同步单元，通过参考电压信号的零点实现电流信号同步截断与相邻时隙电流信号提取；有效值差分计算单元，计算相邻时隙电流信号有效值差值绝对值δin；差分比较单元，用于实现有效值差值绝对值δin与判决门限存储单元中的阈值δi
th
比较；锚点校准控制单元，用于控制是否执行端云协同锚点校准；判决门限存储单元，用于存储有效值比较阈值δi
th
；特征匹配单元，用于基于瞬时值差分计算单元输出相邻
时隙的电流瞬时值差分值δin(k)，与前端轻量级负荷特征库开展特征匹配，实现负荷识别；增量轻量级神经网络识别单元，用于基于增量电流瞬时值差分值，开展负荷增量轻量级神经网络识别；前端轻量级负荷库，用于存储已知负荷特征；瞬时值差分计算单元，用于基于相位同步单元输出相邻时隙瞬时电流值进行差分计算得到δin(k)；发送缓存单元，用于缓存待发送至云端的in(k)、i
n-1
(k)、δin(k)、un(k)、u
n-1
(k)和对应的前端锚点校准标志信息cf；接收缓存单元，用于缓存云端下发的包含识别结果和对应的负荷特征信息或包含识别结果和对应负荷特征的校准信息；通信模块可选5g/4g/wifi，完成与云端的通信；供电模块为前端轻量级增量检测负荷识别装置的各模块供电。
[0078]
如图6所示，云端神经网络负荷分解识别装置包括接收模块，用于接收所述前端轻量增量匹配负荷识别装置发送的所述负荷特征信息和电流瞬时值差分值；识别模块，用于根据所述负荷特征信息和电流瞬时值差分值进行匹配识别处理，完成端云协同负荷识别与锚点校准。识别模块，包括云端负荷特征库、未知负荷数据库、标签标识单元、神经网络负荷分解识别单元、增量特征匹配单元、接收数据缓存单元、下发数据缓存单元和5g/4g/wifi通信单元。其中，云端负荷特征库，用于存储云端已知负荷特征，包含按照各用户前端分类存储的局部负荷特征和按照负荷分类存储的全局负荷特征；未知负荷数据库，用于存储未成功识别的各用户前端上传的未知分类负荷对应的in(k)、i
n-1
(k)、δin(k)、un(k)、u
n-1
(k)；标签标识单元，用于接收云端管理员标识的未知负荷标签信息；神经网络负荷识别单元，用于实现基于神经网络的各用户前端上传的未知负荷分解训练和识别与锚点校准；增量特征匹配单元，用于实现基于瞬时值差分值δin(k)与云端负荷特征库的特征匹配运算，实现对应负荷识别；标签标识单元，用于接收云端管理员标识的未知负荷标签信息；接收数据缓存单元，用于缓存用户前端上传的未知分类负荷对应的in(k)、i
n-1
(k)、δin(k)、un(k)、u
n-1
(k)；下发数据缓存模块用于缓存待下发至用户前端的包含识别结果和对应的负荷特征信息或包含识别结果和对应负荷特征的校准信息；5g/4g/wifi通信单元完成云端与前端的通信。

技术特征：
1.一种基于前端轻量增量检测的端云协同实时同步负荷识别方法，其特征在于，包括以下步骤：前端实时采集用户的电流信号和电压信号，并基于所述电流信号和电压信号提取负荷特征信息和电流瞬时值差分值；前端将电流瞬时值差分值与前端轻量级负荷特征库进行匹配检测，若成功匹配，则输出匹配负荷，若未成功匹配，则开展负荷增量轻量级神经网络识别，若成功识别，则输出识别负荷，若未成功识别，则将所述负荷特征信息和电流瞬时值差分值发送至云端；云端根据所述负荷特征信息和电流瞬时值差分值进行匹配识别处理，并下发识别结果特征和识别框架参数至对应前端，以完成端云协同实时同步负荷识别。2.根据权利要求1所述的基于前端轻量增量检测的端云协同实时同步负荷识别方法，其特征在于，所述前端实时采集用户的电流信号和电压信号，并基于所述电流信号和电压信号提取负荷特征信息和电流瞬时值差分值，具体包括：以预设的采样频率实时采集时序电流数据和电压数据，并以设定时间为保存周期；对时序电流数据和电压数据按时隙长度进行切片，并计算每个切片时隙内的电流有效值；计算所述当前时隙电流有效值与前一时隙电流有效值的差值绝对值，并将所述差值绝对值与设定阈值比较；若所述差值绝对值大于或等于设定阈值，则启动电流相位同步得到瞬时电流序列；遍历瞬时电流序列找到前后电流发生突变的点，得到两组时间相邻的电流时隙序列和对应电压时隙序列，将两组时间相邻的电流时隙序列进行差值计算，得到电流瞬时值差分值，并将两组时间相邻的电流时隙序列和两组时间相邻的电流时隙序列对应的电压时隙序列作为负荷特征信息。3.根据权利要求2所述的基于前端轻量增量检测的端云协同实时同步负荷识别方法，其特征在于，所述按时隙长度根据时序电流数据计算当前时隙电流有效值时，通过进行计算，其中，i
n
为当前时隙电流有效值，δt
n
为时隙长度，i
k
为时序电流数据，k∈[(n-1)*f
s
*δt
n
+1,(n)*f
s
*δt
n
]，f
s
为采样频率。4.根据权利要求2所述的基于前端轻量增量检测的端云协同实时同步负荷识别方法，其特征在于，所述启动电流相位同步得到瞬时电流序列，具体为：以激发启动电流相位同步时隙为基准，读取该时隙前后最近n个时隙的时序电流数据和时序电压数据，计算时序电压数据在读取时隙内的第一个电压相位零点，并以该第一个电压相位零点为基准，在对应的时序电流数据内向后截取整数个周期，得到瞬时电流序列。5.根据权利要求1所述的基于前端轻量增量检测的端云协同实时同步负荷识别方法，其特征在于，所述云端根据所述负荷特征信息和电流瞬时值差分值进行匹配识别处理，完成端云实时同步协同负荷识别，具体包括：使用电流瞬时值差分值，在上传该电流瞬时值差分值前端对应的云端局部负荷特征库进行局部云端负荷特征库匹配检测；
若成功匹配，则下发识别结果和对应的负荷特征至所述前端，完成端云协同负荷识别；若未成功匹配，使用电流瞬时值差分值进行云端全局负荷特征库匹配检测；若成功匹配，则下发识别结果和对应的负荷特征至所述前端，完成端云协同负荷识别；若未成功匹配，云端使用电流瞬时值差分值开展增量数据神经网络负荷识别；若成功识别，则下发识别结果和对应的负荷特征至所述前端，完成端云协同负荷识别；若未成功识别，则云端结合云端全局负荷特征库各已知单类型负荷特征，使用两组时间相邻的电流时隙序列和两组时间相邻的电流时隙序列对应的电压序列，开展负荷类型和对应负荷数量的神经网络负荷分解识别；若成功识别，则下发识别结果和对应的负荷特征至所述前端，完成端云协同负荷识别；若仍未成功识别，云端将所述前端的电流瞬时值差分值、两组时间相邻的电流时隙序列和两组时间相邻的电流时隙序列对应的电压序列存入未知负荷数据库；所述未知负荷数据库按用户编号记录不同时刻、不同用户未成功识别负荷数据。6.根据权利要求5所述的基于前端轻量增量检测的端云协同实时同步负荷识别方法，其特征在于，还包括：当所述未知负荷数据库中的数据积累量超过数据量阈值或达到设定的标签标识周期时，云端按照存储的未知负荷类型f统计未知负荷类型标签，对于出现次数在所有未知负荷类型中排序在前p位的未知负荷，提醒云端管理员进行负荷标签标识操作，待确定好标签后，下发识别结果和对应的负荷特征至具有该负荷特征的所有用户前端，完成端云协同全局负荷识别。7.根据权利要求2所述的基于前端轻量增量检测的端云协同实时同步负荷识别方法，其特征在于，还包括：若所述差值绝对值小于设定阈值，生成前端锚点校准标志信息，并启动电流相位同步得到瞬时电流序列；根据所述预设的采样频率和时隙，在所述瞬时电流序列中按时间先后顺序分割得到两组时间相邻的电流时隙序列，将两组时间相邻的电流时隙序列进行差值计算，得到电流瞬时值差分值，并将前端锚点校准标志信息、两组时间相邻的电流时隙序列和两组时间相邻的电流时隙序列对应的电压时隙序列作为负荷特征信息。8.根据权利要求7所述的基于前端轻量增量检测的端云协同实时同步负荷识别方法，其特征在于，所述云端根据所述负荷特征信息和电流瞬时值差分值进行匹配识别处理，完成端云协同实时同步负荷识别，具体包括：基于电流瞬时值差分值和前端锚点校准标志信息在云端负荷特征库进行无负荷增量特征匹配检测；若成功匹配，则下发空校准信息至对应的数据上传前端，完成端云协同实时同步锚点校准；若未成功匹配，使用电流瞬时值差分值，在上传该电流瞬时值差分值前端对应的云端局部负荷特征库进行局部云端负荷特征库匹配检测；若成功匹配，则下发识别结果和对应的负荷特征至所述前端，完成端云协同实时同步锚点校准；若未成功匹配，使用电流瞬时值差分值进行云端全局负荷特征库匹配检测；
若成功匹配，则下发识别结果和对应的负荷特征至所述前端，完成端云协同实时同步锚点校准；若未成功匹配，云端使用电流瞬时值差分值开展神经网络负荷分解识别，并在识别成功后下发包含识别结果和对应的负荷特征的校准信息至前端，更新前端轻量负荷特征库；若未成功识别，云端使用两组时间相邻的电流时隙序列和两组时间相邻的电流时隙序列对应的电压时隙序列开展神经网络负荷分解识别，并在识别成功后下发包含识别结果和对应的负荷特征识别框架参数的校准信息至前端，更新前端轻量负荷特征库。9.一种基于前端轻量增量检测的端云协同实时同步负荷识别系统，其特征在于，包括前端轻量增量匹配负荷识别装置和云端神经网络负荷分解识别装置；所述前端轻量增量匹配负荷识别装置包括：采集模块，用于实时采集用户的电流信号和电压信号；处理模块，用于基于所述电流信号和电压信号提取负荷特征信息和电流瞬时值差分值，并将电流瞬时值差分值与前端轻量级负荷特征库进行匹配检测，若成功匹配，则输出匹配负荷，若未成功匹配，则开展负荷增量轻量级神经网络识别，若成功识别，则输出识别负荷，若未成功识别，则将所述负荷特征信息和电流瞬时值差分值发送至云端；通信模块用于与云端进行通信；所述云端神经网络负荷分解识别装置包括：接收模块，用于接收所述前端轻量增量匹配负荷识别装置发送的所述负荷特征信息和电流瞬时值差分值；识别模块，用于根据所述负荷特征信息和电流瞬时值差分值进行匹配识别处理，并下发识别结果特征和识别框架参数至对应前端，以完成端云协同实时同步负荷识别。10.根据权利要求9所述的基于前端轻量增量检测的端云协同实时同步负荷识别系统，其特征在于，所述处理模块，包括：电流电压存储单元，用于按照设定的存储周期存储时序电流数据和电压数据；相位同步单元，用于通过参考电压信号的零点实现电流信号同步截断与相邻时隙电流信号提取；有效值差分计算单元，用于计算相邻时隙电流信号有效值的差值绝对值；差分比较单元，用于实现有效值的差值绝对值与设定阈值比较；特征匹配单元，用于基于瞬时值差分计算模块输出的电流瞬时值差分值，与前端轻量级负荷特征库开展特征匹配，实现负荷识别；增量轻量级神经网络识别单元，用于基于增量电流瞬时值差分值，开展负荷增量轻量级神经网络识别；所述前端轻量级负荷库，用于存储已知负荷特征；所述瞬时值差分计算单元，用于基于所述相位同步单元输出的相邻的电流时隙序列的差分计算得到电流瞬时值差分值；发送缓存单元，用于缓存待发送至云端的电流瞬时值差分值、两组时间相邻的电流时隙序列和两组时间相邻的电流时隙序列对应的电压时隙序列，以及对应的前端锚点校准标志信息；所述识别模块包括：云端负荷特征库，用于存储云端已知负荷特征，包含按照各用户前端分类存储的局部负荷特征和按照负荷分类存储的全局负荷特征；未知负荷数据库，用于存储未成功识别的前端上传的未知分类负荷对应的电流瞬时值差分值、两组时间相邻的电流时隙序列和两组时间相邻的电流时隙序列对应的电压时隙序列；标签标识单元，用于接收云端管理员标识的未知负荷标签信息；神经网络负荷识别单元，用于实现基于神经网络的各前端上传的未知负荷分解训练和识别；增量特征匹配单元，用于实现基于瞬时值差分值与云端负荷特征库的特征匹配运算，实现对应负荷识别。

技术总结
本发明涉及一种基于前端增量检测的端云协同实时负荷识别方法和系统，方法包括：前端采集用户的电流信号和电压信号，并基于所述电流信号和电压信号提取负荷特征信息和电流瞬时值差分值；前端将电流瞬时值差分值与前端轻量级负荷特征库进行匹配检测或开展前端轻量增量神经网络识别，若成功识别，则输出识别负荷，若未成功识别，则将所述负荷特征信息和电流瞬时值差分值发送至云端；云端根据所述负荷特征信息和电流瞬时值差分值进行匹配识别处理，以完成端云协同实时同步负荷识别。本发明能够在保障负荷识别时效性、准确性的同时降低实现复杂度。实现复杂度。实现复杂度。


技术研发人员：朱磊基 刘平平 吴亮 熊勇 姚炜
受保护的技术使用者：上海市消防救援总队
技术研发日：2023.03.28
技术公布日：2023/7/12