本实用新型提供了一种基于非侵入式负荷监测与识别装置,具体涉及负荷监测技术领域。一种基于非侵入式负荷监测与识别装置,包括MCU模块、三相电能计量模块、交流输入模块、电源模块、显示模块、存储模块、云端负荷识别网络,MCU模块的输入端与电源模块电连接。本实用新型的有益效果在于:可以同时对三相进行负荷监测和负荷识别,传统的负荷监测与识别通常是对某一相电,并且本设计的负荷识别准确率高。通过本申请提供的基于非侵入式负荷监测与识别装置来监测用电,可以对负荷进行精准识别,负荷识别指的是通过对一连串原始电器采样数据的分析,得出该原始采样数据是何种用电器,或者说是哪几类用电器组合在一起的。
1.一种基于非侵入式负荷监测与识别装置,其特征在于,包括MCU模块(1)、三相电能计量模块(2)、交流输入模块(3)、电源模块(4)、显示模块(5)、通信模块(6)、存储模块(7)、云端负荷识别网络(8);所述MCU模块(1)的输入端与电源模块(4)电连接,所述MCU模块(1)与三相电能计量模块(2)、显示模块(5)、通信模块(6)和存储模块(7)电连接,所述交流输入模块(3)和电源模块(4)接入三相交流电路。 2.根据权利要求1所述的一种基于非侵入式负荷监测与识别装置,其特征在于,所述MCU模块(1)采用STM32F103RCT6芯片。 3.根据权利要求1所述的一种基于非侵入式负荷监测与识别装置,其特征在于,所述三相电能计量模块(2)采用RN7302三相电能计量芯片。 4.根据权利要求1所述的一种基于非侵入式负荷监测与识别装置,其特征在于,所述交流输入模块(3)包括电压互感器、电流互感器、采样滤波电路,所述电压互感器及其采样滤波电路负责将传输过来的模拟差分信号转换成电压小信号输入到三相电能计量模块(2)的内部ADC引脚。 5.根据权利要求1所述的一种基于非侵入式负荷监测与识别装置,其特征在于,所述存储模块(7)使用的芯片型号为W25Q128。 6.根据权利要求1所述的一种基于非侵入式负荷监测与识别装置,其特征在于,云端负荷识别网络(8)可以通过4G或WIFI或有线方式接收和发送数据。
技术领域 [0001]本实用新型主要涉及负荷监测技术领域,具体是一种基于非侵入式负荷监测与识别装置。 背景技术 [0002]电能作为一种商品已经进入千家万户,随着我国经济的迅速发展,对电能的需求也越来越大,这使得传统电网面临着严峻的挑战,一旦出现大规模断电等事故将会造成巨大损失,因此对电网的升级改造迫在眉睫。 [0003]在智能电网的建设过程中,其建设的重点是在配电和用电的环节,其技术基础是通信技术和计算机技术飞速发展。如果能够通过一定的技术手段获取用户端的用电数据,可以提高整个电网的供电可靠性和能源的利用效率。在获取用户端用电数据的方式上可以分为侵入式监测技术和非侵入式监测技术,侵入式监测技术提出的较早,其是通过在待监测设备上安装传感器的方式来获取用电器的相关参数,这种方式成本高而且不便于大面积推广。相反,非侵入式监测技术只需要在入户端安装传感器就可以监测区域内各个负荷的工作状态,这种方式成本低,可大面积推广,而且用户的接受度高。因此非侵入式监测技术逐渐成为了研究热点。 [0004]目前由国家电网大力推进的智能电表项目,已经在每户居民家的电力入户端安装了非侵入式智能电表,可以实时监测居民的用电情况,同时结合了电能计量、电能质量监测、缴费充值等功能。然而,在非侵入式负荷监测领域仍存在一些挑战和难点,第一是负荷识别准确率的问题,需要提高硬件采集装置和算法的准确性和稳定性。传统算法的识别性能也存在瓶颈,需要引入新的技术和方法来提升负荷监测的效果。此外,实时性是非侵入式负荷监测的另一个挑战,需要在数据采集和处理过程中保持高速和低延迟。第二,目前由国家电网在每户电能入户端安装的智能监测电表还无法为用户提供具体时间段的电器使用情况,可以说,用户对电器的动态实时运行信息的掌握还相当匮乏。本实用新型所要解决的技术问题是针对技术背景的不足提出了一种非侵入式负荷监测与识别装置。 发明内容 [0005]为解决现有技术的不足,本实用新型提供了一种基于非侵入式负荷监测与识别装置,以解决负荷识别准确率偏低、用户无法获取用电信息的问题。 [0006]本实用新型为实现上述目的,通过以下技术方案实现: [0007]一种基于非侵入式负荷监测与识别装置,包括MCU模块、三相电能计量模块、交流输入模块、电源模块、显示模块、存储模块、云端负荷识别网络。 [0008]所述MCU模块的输入端与电源模块电连接,所述MCU模块与三相电能计量模块、显示模块、存储模块和通信模块电连接,所述交流输入模块和电源模块接入三相交流电路。 [0009]所述MCU模块采用STM32F103RCT6芯片。 [0010]所述三相电能计量模块采用RN7302三相电能计量芯片。 [0011]所述交流输入模块包括电压互感器、电流互感器、采样滤波电路,所述电压互感器及其采样滤波电路负责将传输过来的模拟差分信号转换成电压小信号输入到三相电能计量模块的内部ADC引脚。 [0012]所述存储模块使用的芯片型号为W25Q128。 [0013]所述云端负荷识别网络可以通过4G或WIFI或有线方式接收和发送数据。 [0014]对比现有技术,本实用新型的有益效果是: [0015]可以同时对三相进行负荷监测和负荷识别,传统的负荷监测与识别通常是对某一相电,并且本设计的负荷识别准确率高。 [0016]通过本申请提供的基于非侵入式负荷监测与识别装置来监测用电,可以对负荷进行精准识别,负荷识别指的是通过对一连串原始电器采样数据的分析,得出该原始采样数据是何种用电器,或者说是哪几类用电器组合在一起的。 [0017]采用自建数据集进行负荷识别神经网络的训练,摆脱了对国外数据集的依赖,这样可以更加有针对性的适应国内电器的特征。 [0018]由于负荷识别神经网络是部署在云端的,这样可以极大的方便后期算法升级迭代,并且可以创建为用户显示的界面,用户可以随时查看自家的用电情况,查看高耗电区间以及高耗电电器的种类等。 附图说明 [0019]图1为本实用新型的结构框图; [0020]图2为本实用新型的三相电能计量模块电路结构图; [0021]图3为本实用新型的电压采样滤波电路原理图; [0022]图4为本实用新型的电流采样滤波电路原理图; [0023]图5为本实用新型的电源模块组成原理图; [0024]图6为本实用新型的云端负荷识别网络结构图。 [0025]附图中所示标号:1、MCU模块;2、三相电能计量模块;3、交流输入模块;4、电源模块;5、显示模块;6、通信模块;7、存储模块;8、云端负荷识别网络。 具体实施方式 [0026]结合附图和具体实施例,对本实用新型作出进一步说明。应理解,这些实施例仅用于说明本实用新型而不用于限制本实用新型的范围。此外应理解,在阅读了本实用新型讲授的内容后,本领域技术人员可以对本实用新型作各种改动或修改,这些等价形式同样落于本申请所限定的范围。 [0027]本实用新型中使用到的标准零件均可以从市场上购买,异形件根据说明书的和附图的记载可以进行订制,各个零件的具体连接方式均采用现有技术中成熟的螺栓、铆钉、焊接、粘贴等常规手段,同时,为了清楚地表达各构件之间的连接关系和工作原理,说明书附图采用机构运动的简图的方式进行了整理绘制,在此不再详述。 [0028]如图1所示,一种基于非侵入式负荷监测与识别装置,包括MCU模块1、三相电能计量模块2、交流输入模块3、电源模块4、显示模块5、通信模块6、存储模块7、云端负荷识别网络8。 [0029]MCU模块1的输入端与电源模块4电连接,MCU模块1与三相电能计量模块2、显示模块5、通信模块6和存储模块7电连接,交流输入模块3和电源模块4接入三相交流电路,MCU模块1负责读取三相电能计量模块2所测量的电能参数信息,控制显示模块5显示对应的电参数和负荷信息,控制存储模块7存储电能参数和异常用电信息,控制通信模块6发送来自三相电能计量模块2的原始采样数据到云端负荷识别网络8,MCU模块1是装置控制的核心,负责整体的程序运行和各模块的控制,显示模块5的功能是负责将每一项测量的电参数显示出来,电参数包括每一相的电压有效值、电流有效值、有功功率、有功电能、功率等参数,还包括云端负荷识别网络8下发的负荷识别结果,通信模块将三相电能计量模块2测量到的每一相原始电能数据上传至云端,并将预处理后的数据送入预先训练好的神经网络进行负荷识别,负荷识别指的是通过对一连串原始电器采样数据的分析,得出该原始采样数据是何种用电器,或者说是哪几类用电器组合在一起的。 [0030]进一步的,MCU模块1采用STM32F103RCT6芯片,MCU模块1的组成部分为STM32F103RCT6芯片以及支持其运行的最小外围电路。 [0031]进一步的,三相电能计量模块2采用RN7302三相电能计量芯片,该芯片可以同时监测电网三相的电能参数并可通过SPI通信协议传输相应的电参数测量信息。 [0032]进一步的,交流输入模块3包括电压互感器、电流互感器、电压采样滤波电路和电流采样滤波电路,电压互感器及其采样滤波电路负责将传输过来的模拟差分信号转换成电压小信号输入到三相电能计量模块2的内部ADC引脚,进行模数转换,电流采样滤波电路的功能是对电流互感器传输来的模拟差分信号进行滤波,并根据采样电路的阻值来确定采样电压输入到三相电能计量模块的内部ADC中。 [0033]进一步的,存储模块7使用的芯片型号为W25Q128,主要功能是存储测量到的电参数,比如电能消耗以及其他异常用电行为。 [0034]进一步的,云端负荷识别网络8可以通过4G或WIFI或有线方式接收和发送数据,云端负荷识别网络8的作用是负责对下位机传输来的原始采样数据进行预处理,并将预处理后的数据送入预先训练好的神经网络进行负荷识别,核心组成是负荷识别神经网络,由5层卷积层加1层全连接层组成。