CN110516743A - 用电设备的识别方法、装置、存储介质和处理器 - Google Patents

Abstract

本发明公开了一种用电设备的识别方法、装置、存储介质和处理器。该方法包括：采集电力网络的公共端的电能参数，电能参数至少包括电压和电流；采用神经网络识别模型进行分析，确定电能参数对应的处于工作状态的用电设备的类型，其中，神经网络识别模型为使用多组训练数据通过机器学习训练得到的，多组训练数据中的每组训练数据均包括：训练电能参数和训练用电设备的类型，训练用电设备的类型与训练电能参数一一对应。本发明解决了难以识别接入同一网络的不同设备的类型的技术问题。

Description

用电设备的识别方法、装置、存储介质和处理器

技术领域

本发明涉及电力网络技术领域，具体而言，涉及一种用电设备的识别方法、装置、存储介质和处理器。

背景技术

当一个电力系统中接入许多用电设备，区分同一电力系统中，不同用电设备的类型成为难题。不同用电设备介入同一网络，不同用电设备相互作用，相互影响，识别不同用电设备工作状态困难大。

针对上述相关技术中难以识别接入同一网络的不同设备的类型的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种用电设备的识别方法、装置、存储介质和处理器，以至少解决难以识别接入同一网络的不同设备的类型的技术问题。

根据本发明实施例的一个方面，提供了一种用电设备的识别方法，包括：采集电力网络的公共端的电能参数，所述电能参数至少包括电压和电流；采用神经网络识别模型进行分析，确定所述电能参数对应的处于工作状态的用电设备的类型，其中，所述神经网络识别模型为使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每组训练数据均包括：训练电能参数和训练用电设备的类型，所述训练用电设备的类型与所述训练电能参数一一对应。

可选地，采用所述神经网络识别模型进行分析，确定所述电能参数对应的处于工作状态的用电设备的类型，包括：对所述电能参数进行预处理，得到特征参数，所述特征参数为变化速率大于阈值的所述电能参数所在的频段；基于所述特征参数与所述神经网络识别模型确定处于工作状态的所述用电设备的类型。

可选地，所述神经网络识别模型的获取过程包括：对所述训练电能参数进行预处理，得到训练特征参数，所述特征参数为变化速率大于阈值的所述训练电能参数所在的频段；根据所述训练特征参数以及所述训练用电设备的类型，建立所述特征参数与所述用电设备的类型的对应关系。

可选地，所述预处理为傅里叶变换。

可选地，所述电能参数还包括以下至少之一：功率、有功功率、无功功率和功率因数。

根据本发明实施例的另一个方面，还提供了一种用电设备的识别装置，包括：采集单元，用于采集电力网络的公共端的电能参数，所述电能参数至少包括电压和电流；识别单元，用于采用神经网络识别模型进行分析，确定所述电能参数对应的处于工作状态的用电设备的类型，其中，所述神经网络识别模型为使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每组训练数据均包括：训练电能参数和训练用电设备的类型，所述训练用电设备的类型与所述训练电能参数一一对应。

可选地，所述识别单元包括：第一处理模块，用于对所述电能参数进行预处理，得到特征参数，所述特征参数为预定频段的电能参数；第一确定模块，用于基于所述特征参数与所述神经网络识别模型确定处于工作状态的所述用电设备的类型。

可选地，所述识别装置还包括训练单元，所述训练单元包括：第二处理模块，用于对所述训练电能参数进行预处理，得到训练特征参数，所述特征参数为变化速率大于阈值的所述训练电能参数所在的频段；第二确定模块，用于根据所述训练特征参数以及所述训练用电设备的类型，建立所述特征参数与所述用电设备的类型的对应关系。

根据本发明实施例的另一个方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述中任意一项所述的用电设备的识别方法。

根据本发明实施例的另一个方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的用电设备的识别方法。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的用电设备的识别方法的流程图；以及

图2是根据本发明实施例的用电设备的识别装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

正如背景技术所介绍的，现有技术中难以识别接入同一网络的不同设备的类型，为了解决如上问题，本申请提出了一种用电设备的识别方法。

图1是根据本发明实施例的用电设备的识别方法的流程图，如图1所示，该用电设备的识别方法包括如下步骤：

步骤S101，采集电力网络的公共端的电能参数，上述电能参数至少包括电压和电流；

步骤S102，采用神经网络识别模型进行分析，确定上述电能参数对应的处于工作状态的用电设备的类型，其中，上述神经网络识别模型为使用多组训练数据通过机器学习训练得到的，上述多组训练数据中的每组训练数据均包括：训练电能参数和训练用电设备的类型，上述训练用电设备的类型与上述训练电能参数一一对应。

在上述用电设备的识别方法中，首先采集电力网络的公共端的电能参数，即采集一段时间内的电能参数，然后通过采用神经网络识别模型进行分析，确定电能参数对应的处于工作状态的用电设备的类型，其中，神经网络识别模型为使用多组训练数据通过机器学习训练得到的，多组训练数据中的每组训练数据均包括：训练电能参数和训练用电设备的类型，训练用电设备的类型与上述训练电能参数一一对应。由于不同的用电设备接入电力网络时，由于暂态响应会产生不同的电能参数，该电能参数不同于处于稳定工作状态的电能参数，所以根据采集得到的电能参数和神经网络识别模型就可以分析出接入的用电设备的类型，实现了智能识别接入同一网络的不同设备的类型的技术效果，进而解决了现有技术中难以识别接入同一网络的不同设备的类型的技术问题。

为了筛选出不同的用电设备由暂态响应产生的电能参数对应的频段，从而根据该频段更准确地确定接入电力网络的用电设备的类型，本申请的一种实施例中，采用上述神经网络识别模型进行分析，确定上述电能参数对应的处于工作状态的用电设备的类型，包括：对上述电能参数进行预处理，得到特征参数，上述特征参数为变化速率大于阈值的电能参数所在的频段；基于上述特征参数与上述神经网络识别模型确定处于工作状态的上述用电设备的类型。

需要说明的是，用电设备处于正常工作状态时，采集的电能参数的变化速率较小甚至保持不变，而用电设备刚接入电力网络时，会出现暂态响应，即采集到的电能参数的会发生骤变，且电能参数的变化速率大于阈值，通过预处理可以分析得到特征参数，该特征参数就是变化速率大于阈值的电能参数对应的频段，该特征参数与用电设备的类型一一对应，将特征参数作为神经网络识别模型的输入，神经网络识别模型即可确定处于工作状态的用电设备的类型。

还需要说明的是，上述阈值为训练神经网络识别模型时得到的一个数值，该阈值的大小可以根据实际情况来确定，具体可以根据可能接入电力网络的用电设备来确定，只要能够保证根据该阈值确定得到的频段可以准确判断用电设备的类型即可。

本申请的一种实施例中，采用神经网络识别模型进行分析，确定上述电能参数对应的处于工作状态的用电设备的类型之前，上述方法还包括：获取历史时间段内的历史数据，上述历史数据包括多组训练数据，其中，上述训练数据包括：训练电能参数和训练用电设备的类型；根据上述多组训练数据进行机器学习训练，得到上述神经网络识别模型。

为了使得采用上述方式得到的神经网络识别模型的效果更好，即可以进一步准确识别接入同一电力网络的不同用电设备的类型，历史数据中的一部分为多组训练数据，历史数据中的另一部分作为验证数据，其中，验证数据用于对神经网络识别模型进行验证。

由于特征参数与用电设备的类型一一对应，将特征参数作为神经网络识别模型的输入，对神经网络识别模型进行训练，从而进一步提升神经网络识别模型的智能识别的效果，本申请的一种实施例中，上述神经网络识别模型的获取过程包括：对上述训练电能参数进行预处理，得到训练特征参数，上述特征参数为变化速率大于阈值的上述训练电能参数所在的频段；根据上述训练特征参数以及上述训练用电设备的类型，建立上述特征参数与上述用电设备的类型的对应关系。具体地，上述特征参数与上述用电设备的类型的对应关系作为神经网络识别模型的库函数。

需要说明的是，不同的用电设备出现暂态响应时，采集的电能参数不同，对应的特征参数也不同，在训练神经网络识别模型时，将多组训练电能参数进行预处理，得到训练特征参数，即得到变化速率大于阈值的训练电能参数对应的频段，从而建立该频段与该用电设备的类型的对应关系，也就是说，建立特征参数与用电设备的类型的对应关系。

本申请的一种实施例中，上述预处理为傅里叶变换。当然，上述的预处理还可以为任何可行的处理方式，只要可以获取变化速率大于阈值的电能参数所在的频段即可。具体地，预处理为对电能参数进行傅里叶变换，得到电能参数对应的频谱图，在频谱图中找到电能参数的变化速率大于阈值的频段，即得到特征参数，将特征参数作为神经网络识别模型的输入，根据特征参数与用电设备的类型的对应关系，神经网络识别模型即可确定处于工作状态的用电设备的类型。

为了进一步提高神经网络识别模型的智能识别的准确度，上述电能参数还包括以下至少之一：功率、有功功率、无功功率和功率因数。具体地，功率、有功功率、无功功率和功率因数可以通过电压和电流计算得到，电压可以采用电压采集芯片进行测量，电流可以采用电压采集芯片和测量电阻进行测量，更为具体地，电压采集芯片的型号可以为INA226，采样电阻可以为5个串联的100Ω的电阻，当然，本领域技术人员可以根据实际情况选择合适的电能参数以及对应的采集设备。

根据本发明实施例还提供了一种用电设备的识别装置，需要说明的是，本发明实施例的用电设备的识别装置可以用于执行本发明实施例所提供的用电设备的识别方法。以下对本发明实施例提供的用电设备的识别装置进行介绍。

图2是根据本发明实施例的用电设备的识别装置的示意图，如图2所示，该用电设备的识别装置包括：

采集单元10，用于采集电力网络的公共端的电能参数，上述电能参数至少包括电压和电流；

识别单元20，用于采用神经网络识别模型进行分析，确定上述电能参数对应的处于工作状态的用电设备的类型，其中，神经网络识别模型为使用多组训练数据通过机器学习训练得到的，多组训练数据中的每组训练数据均包括：训练电能参数和训练用电设备的类型，训练用电设备的类型与上述训练电能参数一一对应。

在上述用电设备的识别装置中，首先采集电力网络的公共端的电能参数，即采集一段时间内的电能参数，然后通过采用神经网络识别模型进行分析，确定电能参数对应的处于工作状态的用电设备的类型。由于不同的用电设备接入电力网络时，由于暂态响应会产生不同的电能参数，该电能参数不同于处于稳定工作状态的电能参数，所以根据采集得到的电能参数和神经网络识别模型就可以分析出接入的用电设备的类型，实现了智能识别接入同一网络的不同设备的类型的技术效果，进而解决了现有技术中难以识别接入同一网络的不同设备的类型的技术问题。

为了筛选出不同的用电设备由暂态响应产生的电能参数对应的频段，从而根据该频段更准确地确定接入电力网络的用电设备的类型，本申请的一种实施例中，上述识别单元包括第一处理模块和第一确定模块，其中，第一处理模块用于对上述电能参数进行预处理，得到特征参数，上述特征参数为预定频段的电能参数；第一确定模块用于基于上述特征参数与上述神经网络识别模型确定处于工作状态的上述用电设备的类型。

需要说明的是，用电设备处于正常工作状态时，采集的电能参数的变化速率较小甚至保持不变，而用电设备刚接入电力网络时，会出现暂态响应，即采集到的电能参数的会发生骤变，且电能参数的变化速率大于阈值，通过预处理可以分析得到特征参数，该特征参数就是变化速率大于阈值的电能参数对应的频段，该特征参数与用电设备的类型一一对应，将特征参数作为神经网络识别模型的输入，神经网络识别模型即可确定处于工作状态的用电设备的类型。

还需要说明的是，上述阈值为训练神经网络识别模型时得到的一个数值，该阈值的大小可以根据实际情况来确定，具体可以根据可能接入电力网络的用电设备来确定，只要能够保证根据该阈值确定得到的频段可以准确判断用电设备的类型即可。

本申请的一种实施例中，用电设备的识别装置还包括训练单元，上述训练单元包括获取模块和第三处理模块，其中，在采用神经网络识别模型进行分析，确定上述电能参数对应的处于工作状态的用电设备的类型之前，获取模块用于获取历史时间段内的历史数据，上述历史数据包括多组训练数据，其中，上述训练数据包括：训练电能参数和训练用电设备的类型；第三处理模块用于根据上述多组训练数据进行机器学习训练，得到上述神经网络识别模型。

为了使得采用上述方式得到的神经网络识别模型的效果更好，即可以进一步准确识别接入同一电力网络的不同用电设备的类型，历史数据中的一部分为多组训练数据，历史数据中的另一部分作为验证数据，其中，验证数据用于对神经网络识别模型进行验证。

由于特征参数与用电设备的类型一一对应，将特征参数作为神经网络识别模型的输入，对神经网络识别模型进行训练，从而进一步提升神经网络识别模型的智能识别的效果，本申请的一种实施例中，上述训练单元还包括第二处理模块和第二确定模块，其中，第二处理模块用于对上述训练电能参数进行预处理，得到训练特征参数，上述特征参数为变化速率大于阈值的上述训练电能参数所在的频段；第二确定模块用于根据上述训练特征参数以及上述训练用电设备的类型，建立上述特征参数与上述用电设备的类型的对应关系。具体地，上述特征参数与上述用电设备的类型的对应关系作为神经网络识别模型的库函数。

需要说明的是，不同的用电设备出现暂态响应时，采集的电能参数不同，对应的特征参数也不同，在训练神经网络识别模型时，将多组训练电能参数进行预处理，得到训练特征参数，即得到变化速率大于阈值的训练电能参数对应的频段，找到重复的频段以及多组训练电能参数采集时均处于工作的状态的用电设备，从而建立该频段与该用电设备的类型的对应关系，也就是说，建立特征参数与用电设备的类型的对应关系。

本申请的一种实施例中，上述预处理为傅里叶变换。当然，上述的预处理可以为任何可行的处理方式，只要可以获取变化速率大于阈值的电能参数所在的频段即可。具体地，预处理为对电能参数进行傅里叶变换，得到电能参数对应的频谱图，在频谱图中找到电能参数的变化速率大于阈值的频段，即得到特征参数，将特征参数作为神经网络识别模型的输入，根据特征参数与用电设备的类型的对应关系，神经网络识别模型即可确定处于工作状态的用电设备的类型。

为了进一步提高神经网络识别模型的智能识别的准确度，上述电能参数还包括以下至少之一：功率、有功功率、无功功率和功率因数。具体地，功率、有功功率、无功功率和功率因数可以通过电压和电流计算得到，电压可以采用电压采集芯片进行测量，电流可以采用电压采集芯片和测量电阻进行测量，更为具体地，电压采集芯片的型号可以为INA226，采样电阻可以为5个串联的100Ω的电阻，当然，本领域技术人员可以根据实际情况选择合适的电能参数以及对应的采集设备。

根据本发明实施例的另外一个方面，还提供了一种存储介质，上述存储介质包括存储的程序，其中，上述程序执行上述中任意一项的用电设备的识别方法。

根据本发明实施例的另外一个方面，还提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述中任意一项的用电设备的识别方法。

在本发明实施例中还提供了一种设备，该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：采集电力网络的公共端的电能参数，上述电能参数至少包括电压和电流；采用神经网络识别模型进行分析，确定上述电能参数对应的处于工作状态的用电设备的类型，其中，上述神经网络识别模型为使用多组训练数据通过机器学习训练得到的，上述多组训练数据中的每组训练数据均包括：训练电能参数和训练用电设备的类型，上述训练用电设备的类型与上述训练电能参数一一对应。

在本发明实施例中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，适于执行初始化有如下方法步骤的程序：采集电力网络的公共端的电能参数，上述电能参数至少包括电压和电流；采用神经网络识别模型进行分析，确定上述电能参数对应的处于工作状态的用电设备的类型，其中，上述神经网络识别模型为使用多组训练数据通过机器学习训练得到的，上述多组训练数据中的每组训练数据均包括：训练电能参数和训练用电设备的类型，上述训练用电设备的类型与上述训练电能参数一一对应。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

1)、本申请的用电设备的识别方法中，首先采集电力网络的公共端的电能参数，即采集一段时间内的电能参数，然后通过采用神经网络识别模型进行分析，确定电能参数对应的处于工作状态的用电设备的类型。由于不同的用电设备接入电力网络时，由于暂态响应会产生不同的电能参数，该电能参数不同于处于稳定工作状态的电能参数，所以根据采集得到的电能参数和神经网络识别模型就可以分析出接入的用电设备的类型，实现了智能识别接入同一网络的不同设备的类型的技术效果，进而解决了现有技术中难以识别接入同一网络的不同设备的类型的技术问题。

2)、本申请的用电设备的识别装置中，首先采集电力网络的公共端的电能参数，即采集一段时间内的电能参数，然后通过采用神经网络识别模型进行分析，确定电能参数对应的处于工作状态的用电设备的类型。由于不同的用电设备接入电力网络时，由于暂态响应会产生不同的电能参数，该电能参数不同于处于稳定工作状态的电能参数，所以根据采集得到的电能参数和神经网络识别模型就可以分析出接入的用电设备的类型，实现了智能识别接入同一网络的不同设备的类型的技术效果，进而解决了现有技术中难以识别接入同一网络的不同设备的类型的技术问题。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种用电设备的识别方法，其特征在于，包括：

采集电力网络的公共端的电能参数，所述电能参数至少包括电压和电流；

采用神经网络识别模型进行分析，确定所述电能参数对应的处于工作状态的用电设备的类型，其中，所述神经网络识别模型为使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每组训练数据均包括：训练电能参数和训练用电设备的类型，所述训练用电设备的类型与所述训练电能参数一一对应。

2.根据权利要求1所述的方法，其特征在于，采用所述神经网络识别模型进行分析，确定所述电能参数对应的处于工作状态的用电设备的类型，包括：

对所述电能参数进行预处理，得到特征参数，所述特征参数为变化速率大于阈值的所述电能参数所在的频段；

基于所述特征参数与所述神经网络识别模型确定处于工作状态的所述用电设备的类型。

3.根据权利要求1所述的方法，其特征在于，所述神经网络识别模型的获取过程包括：

对所述训练电能参数进行预处理，得到训练特征参数，所述特征参数为变化速率大于阈值的所述训练电能参数所在的频段；

根据所述训练特征参数以及所述训练用电设备的类型，建立所述特征参数与所述用电设备的类型的对应关系。

4.根据权利要求2或3中任一项所述的方法，其特征在于，所述预处理为傅里叶变换。

5.根据权利要求1所述的方法，其特征在于，所述电能参数还包括以下至少之一：功率、有功功率、无功功率和功率因数。

6.一种用电设备的识别装置，其特征在于，包括：

采集单元，用于采集电力网络的公共端的电能参数，所述电能参数至少包括电压和电流；

识别单元，用于采用神经网络识别模型进行分析，确定所述电能参数对应的处于工作状态的用电设备的类型，其中，所述神经网络识别模型为使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每组训练数据均包括：训练电能参数和训练用电设备的类型，所述训练用电设备的类型与所述训练电能参数一一对应。

7.根据权利要求6所述的装置，其特征在于，所述识别单元包括：

第一处理模块，用于对所述电能参数进行预处理，得到特征参数，所述特征参数为预定频段的电能参数；

第一确定模块，用于基于所述特征参数与所述神经网络识别模型确定处于工作状态的所述用电设备的类型。

8.根据权利要求6所述的装置，其特征在于，所述识别装置还包括训练单元，所述训练单元包括：

第二处理模块，用于对所述训练电能参数进行预处理，得到训练特征参数，所述特征参数为变化速率大于阈值的所述训练电能参数所在的频段；

第二确定模块，用于根据所述训练特征参数以及所述训练用电设备的类型，建立所述特征参数与所述用电设备的类型的对应关系。

9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至5中任意一项所述的用电设备的识别方法。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至5中任意一项所述的用电设备的识别方法。