本发明涉及低压电网用电领域，具体涉及一种非侵入式负荷识别方法、系统、设备及介质。
背景技术：
1、电力负荷监测作为一种节能降耗的关键技术，能够实时呈现家庭内部细粒度用电数据，可以让用户及时了解家庭能耗使用情况，同时这种实时反馈能够促进用户改进家庭内部能源浪费情况有效促进节能减排。另一方面，细粒度的用电数据，有助于电网公司了解用户消费习惯，通过调整电价策略，实现需求响应，进一步提高能源利用率。
2、目前，电力负荷监测可以分为侵入式和非侵入式两大类。侵入式负荷监测需要在负荷前安装传感器，安装成本高，用户接受度低。非侵入式负荷监测只需在用电入口处安装一个装置，通过负荷识别算法即可实现负荷监测。非侵入式负荷监测作为一种低成本实现负荷监测的有效手段，受到业界的广泛关注。但是，目前的非侵入式识别方法仅能实现较少种类负荷的识别，随着负荷种类增多，负荷识别准确率大大降低，难以满足市场上识别多种类型负荷的需求。因此，亟需研究探索一种非侵入式负荷识别方法、系统、设备及介质。
技术实现思路
1、本发明的目的在于提供一种非侵入式负荷识别方法、系统、设备及介质，以解决居民负荷种类多样而负荷识别率较低的问题。
2、为实现上述目的，采用如下技术方案。
3、一种非侵入式负荷识别方法，包括以下步骤：
4、设定至少包含一个电流信号周期的数据窗长度l；
5、采集电流信号，获取长度为l的数据窗d0；
6、对数据窗d0进行频谱分析，得到基波幅值a0；连续采集下一时刻相同长度的数据形成数据窗d1，并进行频谱分析，得到基波幅值a1；计算a0和a1的幅值差值，若差值的绝对值小于预设阈值ε，则判断无负荷投切发生，并将d1数据覆盖d0数据，重复此步骤；若差值的绝对值大于或等于ε，则判断负荷投切发生，进入下一步；
7、若判断负荷投切发生，则提取数据窗d1的电流信号的时域特征；
8、对数据窗d1的电流信号进行频域分析，获取频域特征；
9、利用时频域分析技术提取数据窗d1的电流信号的时频域特征；
10、构建包含时域特征、频域特征和时频域特征的特征集；
11、将构建的特征集，输入到预先训练好的卷积神经网络模型中进行负荷分类识别，得到识别结果。
12、可选的，采用傅里叶变换公式对数据窗d0和数据窗d1进行频谱分析。
13、可选的，所述若判断负荷投切发生，则提取数据窗d1的电流信号的时域特征的步骤，具体包括：
14、基于得到的基波幅值a1，确定数据窗d1中电流信号的投切点；
15、根据确定的投切点，对数据窗d1中的电流信号进行电流信号特征、电压-电流综合信号特征的计算，其中电流信号特征包括有量纲特征、无量纲特征，得到计算结果；
16、根据得到的计算结果构建综合特征集，作为时域特征。
17、可选的，所述对数据窗d1的电流信号进行频域分析，获取频域特征的步骤，具体包括：
18、将数据窗d1中的电流信号，执行傅里叶变换，得到傅里叶变换后的信号；
19、将傅里叶变换后的信号表示为一系列谐波之和，获取各次谐波成分的幅频谱；
20、从获取的幅频谱中提取电流信号的前m次谐波的幅值，作为频域特征，其中m是预先设定正整数。
21、可选的，所述利用时频域分析技术提取数据窗d1的电流信号的时频域特征的步骤，具体包括：
22、对数据窗d1中的电流信号，执行小波包变换，分解为不同频带的小波包系数；
23、采用能量贡献因子对小波包分解后各频带的小波包系数进行能量映射，得到计算结果，将计算结果作为时频域特征。
24、可选的，所述采用能量贡献因子对小波包分解后各频带的小波包系数进行能量映射，得到计算结果，将计算结果作为时频域特征的步骤，具体包括：
25、对每个小波包系数进行能量计算，得到每个系数的能量值；
26、对得到的能量值进行归一化处理，得到每个小波包系数的能量概率密度；
27、根据得到的能量概率密度，进行尺度变换，计算电流信号的小波包能量贡献因子
28、利用计算出的小波包能量贡献因子，对不同频带的小波包系数进行能量映射计算，将计算结果作为时频域特征。
29、可选的，
30、所述预先训练好的卷积神经网络模型为一维卷积神经网络模型，包括输入层、卷积层、池化层、全连接层和输出层，预先训练好的卷积神经网络模型的训练步骤，具体包括，
31、收集并标记多种用电负荷的电流信号数据；
32、对收集的电流信号数据进行时域、频域和时频域特征提取，得到特征向量，并进行标准化处理，得到特征向量数据集；
33、将特征向量数据集划分为训练数据集和验证数据集；
34、设计一维卷积神经网络模型的架构，包括确定输入层的维度用于匹配特征向量的维度，设置多个卷积层和池化层用于提取特征，以及确定全连接层和输出层的神经元数量；
35、设置一维卷积神经网络模型的训练超参数；
36、使用准备好的训练数据集，依据设置的训练超参数，对一维卷积神经网络模型进行训练，通过前向传播计算预测结果，使用损失函数计算预测结果与实际标签之间的差异，得到损失值；利用损失值，并通过反向传播调整训练超参数，循环此步骤，直至一维卷积神经网络网络在训练数据集上的性能满足预定要求，得到训练完成的一维卷积神经网络模型；
37、使用验证数据集对训练完成的一维卷积神经网络模型进行性能评估，获取模型评价指标；
38、根据模型评价指标，对一维卷积神经网络模型进行调整，包括调整网络结构、超参数或训练策略，得到训练好的一维卷积神经网络模型。
39、一种非侵入式负荷识别系统，包括，
40、数据采集单元，用于设定至少包含一个电流信号周期的数据窗长度l，并采集电流信号以获取长度为l的数据窗d0；
41、频谱分析单元，用于对数据窗d0进行频谱分析，得到基波幅值a0，并对连续采集的下一时刻相同长度的数据形成数据窗d1进行频谱分析，得到基波幅值a1；
42、负荷状态判断单元，用于计算a0和a1的幅值差值，若差值的绝对值小于预设阈值ε，则判断无负荷投切发生，并将d1数据覆盖d0数据，若差值的绝对值大于或等于ε，则判断负荷投切发生；
43、时域特征提取单元，用于在判断负荷投切发生时，提取数据窗d1的电流信号的时域特征；
44、频域特征提取单元，用于对数据窗d1的电流信号进行频域分析，获取频域特征；
45、时频域特征提取单元，用于利用时频域分析技术提取数据窗d1的电流信号的时频域特征；
46、特征集构建单元，用于构建包含时域特征、频域特征和时频域特征的特征集；
47、负荷识别单元，用于将构建的特征集输入到预先训练好的卷积神经网络模型中进行负荷分类识别，得到识别结果。
48、一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现所述的一种非侵入式负荷识别方法。
49、一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现所述的一种非侵入式负荷识别方法。
50、与现有技术相比，本发明具有以下有益效果：
51、1、本发明提供了一种多参量时频特征构建方法，针对负荷种类多而准确率低的问题，从多维度对负荷特征进行分析，构建多参量特征集，能够有效区分多种常见家用负荷。
52、2、本发明采用专家启发式事件检测算法，通过滑窗比较用电负荷电流基波幅值，可以有效检测到负荷的投切。
53、3、本发明提出一种新的负荷时频特征提取方法，通过小波包变换，计算负荷小波包能量贡献因子，可以有效区分多种用电负荷。
54、4、本发明采用一维卷积神经网络模型，更好地适应多参量特征集输入的特征，具备更高的计算效率，实现多种典型用电负荷的识别，具有一定的工程应用价值。
1.一种非侵入式负荷识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，对数据窗d0进行频谱分析以及对数据窗d1进行频谱分析的步骤中，具体采用傅里叶变换公式对数据窗d0和数据窗d1进行频谱分析。
3.根据权利要求1所述的方法，其特征在于，所述若判断负荷投切发生，则提取数据窗d1的电流信号的时域特征的步骤，具体包括：
4.根据权利要求1所述的方法，其特征在于，所述对数据窗d1的电流信号进行频域分析，获取频域特征的步骤，具体包括：
5.根据权利要求1所述的方法，其特征在于，所述提取数据窗d1的电流信号的时频域特征的步骤，具体包括：
6.根据权利要求5所述的方法，其特征在于，所述采用能量贡献因子对小波包分解后各频带的小波包系数进行能量映射，得到计算结果，将计算结果作为时频域特征的步骤，具体包括：
7.根据权利要求1所述的方法，其特征在于，所述预先训练好的卷积神经网络模型为一维卷积神经网络模型，包括输入层、卷积层、池化层、全连接层和输出层，预先训练好的卷积神经网络模型的训练步骤，具体包括，
8.一种非侵入式负荷识别系统，其特征在于，包括，
9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7中任意一项所述的一种非侵入式负荷识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至7中任意一项所述的一种非侵入式负荷识别方法。
