用于非侵入式负荷辨识用电信息的方法、装置及处理器

技术领域

本申请涉及智能电网技术领域，具体地涉及一种非侵入式负荷辨识用电信息的方法、装置、集成融合终端、存储介质及处理器。

背景技术

目前，对用户用电行为的研究主要是对采集到的大量用电数据进行挖掘，从中分析出用户的用电特征。通过对居民日常负荷曲线进行聚类，分析其整体的能耗类型和用电特性，对用户的用电行为进行分析，可以具体给出用户内部各电器的用电情况和详细用电行为。

现有负荷辨识方案多为侵入式，侵入式负荷辨识方案使用的侵入式装置需要针对每个用电设备进行改造升级，且在入户加装测量装置才能获得各个用电设备的运行情况。而少数的一些非侵入式负荷辨识方案仍需要在用户电力入口处安装负荷监测装置，并通过额外电路布线采集总负荷的各种特征，来分析每个用电设备的状态。然而，现有技术并不能够针对实时采集的用电信息完成实时且精准的负荷辨识。

发明内容

本申请实施例的目的是提供一种用于非侵入式负荷辨识用电信息的方法、装置、集成融合终端、存储介质及处理器。

为了实现上述目的，本申请第一方面提供一种用于非侵入式负荷辨识用电信息的方法，包括：

获取多个用电设备对应的总用电端口在预设时间段内各个时间点的用电信息，用电信息包括总用电端口在预设时间段内各个时间点的电流和电压；

处理用电信息，以确定用电信息的负荷特征，负荷特征包括电流有效值；

根据负荷特征在预设时间段内各个时间点的特征值生成第一负荷曲线；

基于预设的聚类算法对第一负荷曲线进行聚类与分类，以得到合并后的第二负荷曲线；

分析第二负荷曲线，以确定多个用电设备在预设时间段内发生启停事件的辨识结果，辨识结果包括多个用电设备在预设时间段内发生启停事件的总次数以及每次发生启停事件的时间；

将辨识结果与负荷特征库进行匹配，以确定每次启停事件的用户设备的设备种类，以及每个设备种类在预设时间段内发生启停事件的次数和时间。

在本申请实施例中，负荷特征还包括电流、电压、功率和谐波，根据负荷特征在预设时间段内各个时间点的特征值生成第一负荷曲线包括：将预设时间段内各个时间点的电流、电压、功率和谐波进行归一化处理，将处理后的每个负荷特征预设时间段内各个时间点对应的特征值进行特征比较，以确定出负荷特征中的最优特征，根据最优特征在预设时间段内各个时间点的特征值生成第一负荷曲线。

在本申请实施例中，方法还包括：在获取多个用电设备对应的总用电端口在预设时间段内各个时间点的用电信息之后，根据用电信息确定总用电端口在预设时间段的用电参数，用电参数包括电流有效值、事件发生时间、事件结束时间，以及电流有效值变化量中的至少一者，其中，事件发生时间是指在预设时间段内电流首次达到预设电流阈值的时间，事件结束时间是指在预设时间段内电流首次小于预设电流阈值的时间，生成数据记录表，以记录用电参数。

在本申请实施例中，基于预设的聚类算法对第一负荷曲线进行聚类与分类，以得到合并后的第二负荷曲线包括：基于DTW的K-Medoids聚类算法对第一负荷曲线的负荷时间序列进行处理，任意选取时间序列的n个时间序列片段，将n个时间序列片段作为中心点Medoids，并将n个时间序列片段的每个片段视为初始的一个簇，初始化簇的簇数，使得簇数L＝n，并对簇的每个簇进行处理，确定第一负荷曲线其他时间序列片段到中心点的DTW距离，以得到初始距离矩阵，将初始距离矩阵中的距离值及对应元素索引存入数组dist中，并将数组dis的值按距离值进行升序排序，将数组dis中的第一个值对应的两个子序列合并至一个簇中，将剩余的子序列分配到中心点代表的类中，从数组dis中的第二个值开始，计算L个簇中每个簇的准则函数，选取准则函数最小时对应的点，并将最小时对应的点作为新的中心点Medoid，每执行完一个簇，将簇L的个数减1直至处理完数组dis中的所有元素，重复执行对第一负荷曲线的负荷时间序列进行处理的步骤，直至选取的中心点不再变化或者达到设定的最大迭代次数，根据不再变化或者达到设定的最大迭代次数选取的中心点作为合并后的主要特征点以生成第二负荷曲线。

在本申请实施例中，确定负荷曲线其他时间序列片段到中心点的DTW距离包括，根据公式(1)计算DTW距离：

dp(i,j)＝min(dp(i-1,j-1),dp(i-1,j),dp(i,j-1))+d(i,j)(1)

其中，P和Q是指在n个时间序列片段中任意选取的两个时间序列片段，dp(i,j)是指二维矩阵中第(i,j)位置的最小距离，即为DTW距离，min()代表Pi点与Qi点的最小累加距离，d(i,j)代表Pi点与Qi点的欧式距离。

在本申请实施例中，选取准则函数最小时对应的点包括，根据公式(2)选取：

其中，n是指n个时间序列片段，k是指在n中任意选取的点，P和Q是指在n个时间序列片段中任意选取的两个时间序列片段，E为准则函数。

在申请第二方面提供一种处理器，被配置成执行上述的用于非侵入式负荷辨识用电信息的方法。

本申请第三方面提供一种集成融合终端，包括被配置成执行上述的用于非侵入式负荷辨识用电信息的方法的处理器。

本申请第四方面提供一种用于非侵入式负荷辨识用电信息的装置，包括：

数据采集模块，用于获取多个用电设备对应的总用电端口在预设时间段内各个时间点的用电信息，用电信息包括总用电端口在预设时间段内各个时间点的电流和电压；

数据处理模块，用于处理用电信息，以确定用电信息的负荷特征，负荷特征包括电流有效值，根据负荷特征在预设时间段内各个时间点的特征值生成第一负荷曲线，基于预设的聚类算法对第一负荷曲线进行聚类与分类，以得到合并后的第二负荷曲线；

负荷辨识模块，用于分析第二负荷曲线，以确定多个用电设备在预设时间段内发生启停事件的辨识结果，所述辨识结果包括多个用电设备在预设时间段内发生启停事件的总次数以及每次发生启停事件的时间；

分类模块，用于将辨识结果与负荷特征库进行匹配，以确定每次启停事件的用户设备的设备种类，以及每个设备种类在预设时间段内发生启停事件的次数和时间。

本申请第五方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的用于非侵入式负荷辨识用电信息的方法。

上述技术方案通过在用电设备总端口进行用电信息采集，并基于预设算法实现负荷辨识，以得到各个用电设备运行状态和情况。相较于现有技术，并不需要针对每个用电设备进行改造升级，也不需要额外电路布线，采用将装置安装在用电设备总端口的技术方案，不仅能实时精准完成负荷辨识，还能够快速发现并掌握用电设备供电异常问题的详细信息，以及时对异常情况进行相应处理。

本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：

图1示意性示出了根据本申请实施例的用于非侵入式负荷辨识用电信息的方法的应用场景图；

图2示意性示出了根据本申请实施例的用于非侵入式负荷辨识用电信息的方法的流程示意图；

图3示意性示出了根据本申请实施例的第一负荷曲线与第二负荷曲线的对比示意图；

图4示意性示出了根据本申请实施例的基于DTW的K-Medoids聚类算法示意图；

图5示意性示出了根据本申请实施例的用于非侵入式负荷辨识用电信息装置的结构框图；

图6示意性示出了根据本申请实施例的计算机设备的内部结构图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

在一个实施例中，本申请提供的用于非侵入式负荷辨识用电信息的方法，可以应用于如图1所示的应用环境中。其中，电表103与用电设备总端口(图中未示出)连接，用于非侵入式负荷辨识用电信息的装置102也可以与用电设备总端口进行连接，所以可以将装置102与电表103连接。进一步地，装置102通过电路与用电设备101进行通信。用电设备是以电作为能源的设备的统称，用电设备101可以但不限于是图1所示的空调、洗衣机、电脑以及电视机等。装置102可以用于实时精准采集用电设备的用电信息，并对用电设备的用电信息进行分析处理，实现对用电设备的非侵入式负荷辨识，以得到各个用电设备的运行情况和状态。

图2示意性示出了根据本申请实施例的用于非侵入式负荷辨识用电信息的方法的流程示意图。如图2所示，在本申请一实施例中，提供了一种用于非侵入式负荷辨识用电信息的方法，具体包括：

步骤201，获取多个用电设备对应的总用电端口在预设时间段内各个时间点的用电信息，用电信息包括总用电端口在预设时间段内各个时间点的电流和电压。

步骤202，处理用电信息，以确定用电信息的负荷特征，负荷特征包括电流有效值。

步骤203，根据负荷特征在预设时间段内各个时间点的特征值生成第一负荷曲线。

步骤204，基于预设的聚类算法对第一负荷曲线进行聚类与分类，以得到合并后的第二负荷曲线。

步骤205，分析第二负荷曲线，以确定多个用电设备在预设时间段内发生启停事件的辨识结果，辨识结果包括多个用电设备在预设时间段内发生启停事件的总次数以及每次发生启停事件的时间。

步骤206，将辨识结果与负荷特征库进行匹配，以确定每次启停事件的用户设备的设备种类，以及每个设备种类在预设时间段内发生启停事件的次数和时间。

预设时间段和预设时间段内各个时间点，技术人员可以根据具体的业务需求进行自定义设置。例如，预设时间段可以是上午9点至下午3点。那么，预设时间段内各个时间点则可以是上午9点至下午3点内的时间点，例如，假设时间点设置为整点，则预设时间段内各个时间点指的是上午9:00、上午10:00、上午11:00、中午12:00、下午1:00、下午2:00、下午3:00。

处理器可以获取到多个用电设备对应的总用电端口在预设时间段内各个时间点的用电信息。其中，用电信息可以包括总用电端口在预设时间段内各个时间点的电流和电压。处理器可以对获取到的用电信息进行处理，以确定出用电信息的负荷特征。其中，负荷特征表示了用电设备在预设时间段内的用电特点或变化情况。具体地，负荷特征包括电流有效值。其中，电流有效值是指，当将一直流电与一交流电分别通过相同阻值的电阻时，如果在相同时间内两电流通过电阻产生的热量相同，则称这一直流电的电流值为这一交流电的有效值。此外，电流有效值并不等同于电流的平均值，交变电流的有效值是根据电流的热效应定义的，交变电流的平均值是指在某段时间内平均电流的大小，交变电流的有效值与交变电流的平均值是两个不同的物理量。在得到用电信息的负荷特征后，处理器可以根据负荷特征在预设时间段内各个时间点的特征值生成第一负荷曲线。其中，负荷曲线是指在电力系统中各类电力负荷随时间变化的曲线。电力系统的负荷变化带有随机性，电力系统的负荷涉及广大地区的各类用户，每个用户的用电情况很不相同，且事先无法确知在什么时间、什么地点、增加哪一类负荷。因此，可以将负荷特征，如电流有效值在各个时间点对应的特征值来生成第一负荷曲线，以更加直观地看出多个用电设备在选取的预设时间段内的电流变化情况。即，负荷曲线可以直观地反映出用户用电的特点和规律。因此，负荷曲线可以作为调度电力系统的电力和进行电力系统规划的依据。具体地，在负荷曲线图形中，纵坐标表示负荷，横坐标表示负荷的对应时间。在本技术方案中，负荷曲线可以是指电流有效值随时间而变化的曲线。

在得到第一负荷曲线后，处理器可以基于预设的聚类算法对第一负荷曲线进行聚类与分类，以得到合并后的第二负荷曲线。其中，预设聚类算法可以是指基于DTW的K-Medoids聚类算法，DTW(Dynamic Time Warping，动态时间规整)距离用于衡量两个序列之间的相似性，适用于不同长度、不同节奏的时间序列。当两个时间序列等长时，我们可以使用欧氏距离来度量两者的相似性，但是当两个时间序列不等长时，欧氏距离就难以度量两者的相似性。因此，可以使用DTW距离度量取代传统欧氏距离来描述两个时间序列的相似性。DTW作为一新的相似性度量方法，通过调节时间点之间的对应关系，能够寻找两个任意长时间序列中数据之间的最佳匹配路径，可以更有效地度量时间序列的相似性。K-Medoids聚类算法，其中Medoids表示为中心点，也就是每一个簇的唯一中心点，所以K-Medoids聚类算法即K-中心聚类算法，K-Medoids聚类算法是基于K-Means即K-均值聚类算法的改进。K-Means算法执行过程中，首先需要随机选择初始中心，只有第一次随机选择的初始中心才是实际待聚类点集中的点，而后续将非中心点指派到对应的中心点后，重新计算得到的中心并非是待聚类点集中的点，而且如果某些非中心点是离群点的话，导致重新计算得到的中心可能偏离整个簇，为了解决这个问题，提出了改进的K-Medoids聚类算法。K-Medoids聚类算法与K-Means聚类算法最大的区别就是：K-Means聚类算法是寻找簇中的平均值作为中心，而K-Mediods聚类算法在寻找到平均值之后，会选一个离这个均值最近的实际点作为中心，也就是说K-Mediods聚类算法会以数据集中真正存在的最优点来作为它的中心。K-Mediods聚类算法具有速度快，且收敛次数固定的优点。

进一步地，处理器可以对第二负荷曲线进行分析，以确定多个用电设备在预设时间段内发生启停事件的辨识结果。其中，辨识结果包括多个用电设备在预设时间段内发生启停事件的总次数以及每次发生启停事件的时间。启停事件可以是指用电设备启动或关闭的操作事件。分析第二负荷曲线可以得出全部的用电设备在预先选择的预设时间段内发生启动或关闭的次数，以及每次发生启动或关闭的时间。此时，还无法得到每一个用电设备的具体启停数据。例如，假设预设时间段是指上午9点至下午3点这一时间段，多个用电设备包括电脑、洗衣机和空调。那么此处的辨识结果是指电脑、洗衣机和空调在上午9点至下午3点这个时间段内共同发生启停事件的总次数以及每次发生启停事件的时间。此时，无法确定出每一个用电设备具体是在哪个时间点启动或关闭。

因此，可以进一步将辨识结果与负荷特征库进行匹配，以确定每次发生启停事件的用户设备的设备种类，以及每个设备种类在预设时间段内发生启停事件的次数和时间。在匹配以后，则可以确定出每一个设备种类的具体启停情况。例如，在将辨识结果与负荷特征库进行匹配后，可以确定出在上午9点至下午3点这个时间段内，每个用电设备的启停情况。如电脑的启停情况为：10:00开启，10:30关闭，10:50开启，13:00关闭。洗衣机的启停情况为：10:10开启，10:40关闭。空调的启停情况为：10:20开启，14:00关闭。

上述技术方案通过对用电设备的总端口进行用电信息实时采集，并基于预设聚类算法对负荷曲线进行聚类与分类，能够精准得到每一个用电设备在用电时间段内的启停次数，以及每次发生启停事件的具体时间点。本技术方案能够针对实时采集的用电信息完成实时且精准的负荷辨识。

在一个实施例中，负荷特征还包括电流、电压、功率和谐波，根据负荷特征在预设时间段内各个时间点的特征值生成第一负荷曲线包括：将预设时间段内各个时间点的电流、电压、功率和谐波进行归一化处理，将处理后的每个负荷特征预设时间段内各个时间点对应的特征值进行特征比较，以确定出负荷特征中的最优特征，根据最优特征在预设时间段内各个时间点的特征值生成第一负荷曲线。

处理器可以对获取到的用电信息进行处理，以确定出用电信息的负荷特征。其中，用电信息的负荷特征除了包括电流有效值之外，还包括电流、电压、功率和谐波。其中，谐波是指电流中所含有的频率为基波的整数倍的电量，一般是指对周期性的非正弦电量进行傅里叶级数分解，其余大于基波频率的电流产生的电量。在得到预设时间段内各个时间点的电流、电压、功率和谐波之后，对电流、电压、功率和谐波进行归一化处理。其中，归一化是指要把需要处理的数据经过处理后(通过某种算法)限制在需要的一定范围内，其具体作用是归纳统一样本的统计分布性。数据的标准化是将数据按比例缩放，使之落入一个小的特定区间。处理器将处理后的功率、谐波以及电流有效值数据进行比较，以确定出其中的最优特征，并根据最优特征在预设时间段内各个时间点的特征值生成第一负荷曲线。其中，最优特征是指最能表现出用电设备在预设时间段内的用电特点或变化情况的负荷特征。

在一个实施例中，如图3所示，示意性示出了根据本申请实施例的第一负荷曲线与第二负荷曲线的对比示意图。如图3所示，在本申请一实施例中，提供了第一负荷曲线随时间变化的曲线图，具体包括：

处理器对电流、电压、功率和谐波进行归一化处理之后，将得到的电流、电压、功率和谐波数据以及电流有效值数据进行比较，确定出最优特征为电流有效值。在最优特征为电流有效值的情况下，处理器则根据电流有效值在预设时间段内各个时间点的数据生成如图3中的A相电流有效值曲线。

在一个实施例中，方法还包括：在获取多个用电设备对应的总用电端口在预设时间段内各个时间点的用电信息之后，根据用电信息确定总用电端口在预设时间段的用电参数，用电参数包括电流有效值、事件发生时间、事件结束时间，以及电流有效值变化量中的至少一者，其中，事件发生时间是指在预设时间段内电流首次达到预设电流阈值的时间，事件结束时间是指在预设时间段内电流首次小于预设电流阈值的时间，生成数据记录表，以记录用电参数。

处理器可以获取到多个用电设备对应的总用电端口在预设时间段内各个时间点的用电信息。其中，用电信息除了可以包括总用电端口在预设时间段内各个时间点的电流和电压之外，还可以包括电流有效值、事件发生时间、事件结束时间，以及电流有效值变化量。技术人员可以根据具体的业务需求在电流有效值、事件发生时间、事件结束时间，以及电流有效值变化量这些与电流有关的用电信息中，选取需求用电信息作为用电参数，并可以根据选取的用电参数生成数据记录表用来记录数据。其中，事件发生时间是指在预设时间段内电流首次达到预设电流阈值的时间，事件结束时间是指在预设时间段内电流首次小于预设电流阈值的时间。其中，事件发生可以是指用电设备刚起动，事件结束可以是指用电设备平稳运行工作。电流阈值可以是指额定电流，额定电流是电流最理想电流工作状态。当用电设备起动的时候，会产生起动电流，起动电流也称之为冲击电流，起动电流是电机或感性负载通电的瞬间到运行平稳的短暂的时间内的电流的变化量，这个电流一般是额定电流的4～7倍。而当用电设备平稳运行时电流为工作电流，通常状况下，实际工作电流由于各种外界因素及设备自身因素是无法达到额定电流运行状态的，因此通常实际电流要比额定电流小。

在一实施例中，根据用户编号、数据记录时间、事件开始时间、事件结束事件、相序、电流有效值变化量以及电流基波幅值变化量生成用户负荷变化信息表来记录用电参数，如表(1)所示：

表(1)

在一个实施例中，如图4所示，示意性示出了根据本申请的基于DTW的K-Medoids聚类算法示意图。如图4所示，在本申请一实施例中，提供了一种基于DTW的K-Medoids聚类算法，具体包括：

S401，分段负荷时间序列及分段数n。

S402，初始化簇数L＝n。

S403，计算DTW距离。

S404，对数组Dis升序排列。

S405，对簇进行处理。

S406，判断簇数L是否大于1，若是，则执行S401；若否，则执行S407。

S407，选取中心点。

S408，生成第二负荷曲线。

处理器基于DTW的K-Medoids聚类算法对第一负荷曲线的负荷时间序列进行处理，任意选取时间序列的n个时间序列片段，将n个时间序列片段作为中心点Medoids，并将n个时间序列片段的每个片段视为初始的一个簇。初始化簇的簇数，使得簇数L＝n。并对簇的每个簇进行处理，确定第一负荷曲线其他时间序列片段到中心点的DTW距离，以得到初始距离矩阵。将初始距离矩阵中的距离值及对应元素索引存入数组dist中，并将数组dis的值按距离值进行升序排序。将数组dis中的第一个值对应的两个子序列合并至一个簇中，将剩余的子序列分配到中心点代表的类中。从数组dis中的第二个值开始，计算L个簇中每个簇的准则函数，选取准则函数最小时对应的点，并将最小时对应的点作为新的中心点Medoid。每执行完一个簇，将簇L的个数减1直至处理完数组dis中的所有元素。重复执行对第一负荷曲线的负荷时间序列进行处理的步骤，直至选取的中心点不再变化或者达到设定的最大迭代次数，根据不再变化或者达到设定的最大迭代次数选取的中心点作为合并后的主要特征点以生成第二负荷曲线。

基于DTW距离度量的K-Medoids聚类算法对负荷曲线进行聚类和分类，能够提高相似性度量的算法精度，降低了算法的时间复杂度。

在一个实施例中，如图3所示，示意性示出了根据本申请实施例的第一负荷曲线与第二负荷曲线的对比示意图。如图3所示，在本申请一实施例中，提供了第一负荷曲线与第二负荷曲线随时间变化的曲线图，具体包括：

处理器对电流、电压、功率和谐波进行归一化处理之后，将得到的电流、电压、功率和谐波数据以及电流有效值数据进行比较，确定出最优特征为电流有效值，并根据电流有效值在预设时间段内各个时间点的数据生成如图3中所示的A相电流有效值曲线。处理器再对A相电流有效值曲线采用基于DTW距离度量的K-Medoids聚类算法进行聚类与分类处理，以得到如图3中所示的合并后的电流有效值曲线。

在一个实施例中，确定负荷曲线其他时间序列片段到中心点的DTW距离包括，根据公式(1)计算DTW距离：

dp(i,j)＝min(dp(i-1,j-1),dp(i-1,j),dp(i,j-1))+d(i,j)(1)

其中，P和Q是指在n个时间序列片段中任意选取的两个时间序列片段，dp(i,j)是指二维矩阵中第(i,j)位置的最小距离，即为DTW距离，min()代表Pi点与Qi点的最小累加距离，d(i,j)代表Pi点与Qi点的欧式距离。

在一个实施例中，选取准则函数最小时对应的点包括，根据公式(2)选取：

其中，n是指n个时间序列片段，k是指在n中任意选取的点，P和Q是指在n个时间序列片段中任意选取的两个时间序列片段，E为准则函数。

在一个实施例中，如图5所示，提供了一种用于非侵入式负荷辨识用电信息的装置500，包括数据采集模块502、数据处理模块504、负荷辨识模块506以及分类模块508，其中：

数据采集模块502，用于获取多个用电设备对应的总用电端口在预设时间段内各个时间点的用电信息，用电信息包括总用电端口在预设时间段内各个时间点的电流和电压；

数据处理模块504，用于处理用电信息，以确定用电信息的负荷特征，负荷特征包括电流有效值，根据负荷特征在预设时间段内各个时间点的特征值生成第一负荷曲线，基于预设的聚类算法对第一负荷曲线进行聚类与分类，以得到合并后的第二负荷曲线；

负荷辨识模块506，用于分析第二负荷曲线，以确定多个用电设备在预设时间段内发生启停事件的辨识结果，辨识结果包括多个用电设备在预设时间段内发生启停事件的总次数以及每次发生启停事件的时间；

分类模块508，用于将辨识结果与负荷特征库进行匹配，以确定每次启停事件的用户设备的设备种类，以及每个设备种类在预设时间段内发生启停事件的次数和时间。

所述用于非侵入式负荷辨识用电信息的装置包括处理器和存储器，上述数据采集模块和负荷辨识模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序模块中实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现用于非侵入式负荷辨识用电信息的方法。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本申请实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述用于非侵入式负荷辨识用电信息的方法。

本申请实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述用于非侵入式负荷辨识用电信息的方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、显示屏A04、输入装置A05和存储器(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A06。该非易失性存储介质A06存储有操作系统B01和计算机程序B02。该内存储器A03为非易失性存储介质A06中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序被处理器A01执行时以实现一种用于非侵入式负荷辨识用电信息的方法。该计算机设备的显示屏A04可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置A05可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有用于非侵入式负荷辨识用电信息的方法步骤的程序。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。