CN113627289B - 一种基于深度学习的电力设备识别方法及其装置 - Google Patents

一种基于深度学习的电力设备识别方法及其装置 Download PDF

Info

Publication number
CN113627289B
CN113627289B CN202110850623.8A CN202110850623A CN113627289B CN 113627289 B CN113627289 B CN 113627289B CN 202110850623 A CN202110850623 A CN 202110850623A CN 113627289 B CN113627289 B CN 113627289B
Authority
CN
China
Prior art keywords
voltage
data
current
loss value
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110850623.8A
Other languages
English (en)
Other versions
CN113627289A (zh
Inventor
廖邓彬
潘俊冰
孟椿智
李沁蔓
陈柏龄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Power Grid Co Ltd
Original Assignee
Guangxi Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangxi Power Grid Co Ltd filed Critical Guangxi Power Grid Co Ltd
Priority to CN202110850623.8A priority Critical patent/CN113627289B/zh
Publication of CN113627289A publication Critical patent/CN113627289A/zh
Priority to PCT/CN2022/108259 priority patent/WO2023005976A1/zh
Application granted granted Critical
Publication of CN113627289B publication Critical patent/CN113627289B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种基于深度学习的电力设备识别方法及其装置，其中方法包括：采集用电设备的电压数据和电流数据；将所述电压数据和所述电流数据进行滤波处理获取目标电压数据和目标电流数据；利用二值化映射算法将所述目标电压数据和所述目标电流数据处理获取二值化电压‑电流轨迹图像；将所述二值化电压‑电流轨迹图像输入预设神经网络获取所述用电设备的用电信息。由于获取二值化电压‑电流轨迹图像相较于提取电流谐波、电流波形和负荷有功无功功率平面信息特征难度小，且特征较明显，所以通过将二值化电压‑电流轨迹图像输入预设神经网络获取到的用电设备用电信息误差较小。

Description

一种基于深度学习的电力设备识别方法及其装置
技术领域
本申请实施例涉及电气识别领域，特别涉及一种基于深度学习的电力设备识别方法及其装置。
背景技术
随着时代的发展，提高家庭住宅用电的利用率是实现节能减排和可持续发展的关键步骤之一，而实现该目标的现有技术手段是通过对住宅家电进行实时监测和相应的算法来获取用电信息，这不仅有助于电网通过该用电信息来进行更好的调度分配，也可以提前预防由于用户用电不规范而造成的火灾，而且用户也可以通过用电信息去改善自身的用电情况。
但在现有技术中，由于负荷监测算法中的电气负荷识别方法中是通过提取负荷在运行过程中所产生的电流谐波、电流波形和负荷有功无功功率平面的电力信息特征，将该电力信息特征输入传统机器算法中实现电气负荷识别，而电流谐波、电流波形和负荷有功无功功率平面的电力信息特征提取难度较大，且该特征不明显，使得电气负荷识别存在较大误差。
发明内容
本申请实施例提供了一种基于深度学习的电力设备识别方法及其装置，由于获取二值化电压-电流轨迹图像相较于提取电流谐波、电流波形和负荷有功无功功率平面信息特征难度小，且特征较明显，所以通过将二值化电压-电流轨迹图像输入预设神经网络获取到的用电设备用电信息误差较小。
本申请实施例第一方面提供了一种基于深度学习的电力设备识别方法，包括：
采集用电设备的电压数据和电流数据；
将所述电压数据和所述电流数据进行滤波处理获取目标电压数据和目标电流数据；
利用二值化映射算法将所述目标电压数据和所述目标电流数据处理获取二值化电压-电流轨迹图像；
将所述二值化电压-电流轨迹图像输入预设神经网络获取所述用电设备的用电信息。
可选的，所述将所述二值化电压-电流轨迹图像输入预设神经网络获取所述用电设备的用电信息之前，所述方法还包括：
获取二值化电压-电流轨迹图像样本集；
将第一二值化电压-电流轨迹图像样本输入初始神经网络中获取第一预测用电信息；
根据所述第一预测用电信息计算第一网络损失值，并判断所述第一网络损失值是否大于预设网络损失值；
若是，则根据所述第一网络损失值更新所述初始神经网络获取更新后的神经网络，并将所述第一二值化电压-电流轨迹图像样本输入所述神经网络重新获取第一预测用电信息，返回步骤“根据所述第一预测用电信息计算第一网络损失值，并判断所述第一网络损失值是否大于预设网络损失值”；
若否，将第二二值化电压-电流轨迹图像样本输入所述神经网络获取第二预测用电信息，且根据所述第二预测用电信息计算第二网络损失值，并判断所述第二网络损失值是否大于预设网络损失值；
若否，则确定所述神经网络为预设神经网络。
可选的，所述判断所述第二网络损失值是否大于预设网络损失值之后，所述方法还包括：
若是，则根据所述第二网络损失值更新所述神经网络获取更新后的神经网络，并将所述第二二值化电压-电流轨迹图像样本输入所述神经网络重新获取第二预测用电信息，并返回步骤“根据所述第二预测用电信息计算第二网络损失值，并判断所述第二网络损失值是否大于预设网络损失值”。
可选的，其特征在于，所述利用二值化映射算法将所述目标电压数据和所述目标电流数据处理获取二值化电压-电流轨迹图像，包括：
根据所述目标电压数据和所述目标电流数据构建电压-电流轨迹图像；
通过数据归一化算法和所述电压-电流轨迹图像获取二值化电压-电流轨迹图像。
本申请实施例第二方面提供了一种基于深度学习的电力设备识别装置，包括：
采集单元，用于采集用电设备的电压数据和电流数据；
第一获取单元，用于将所述电压数据和所述电流数据进行滤波处理获取目标电压数据和目标电流数据；
第二获取单元，用于利用二值化映射算法将所述目标电压数据和所述目标电流数据处理获取二值化电压-电流轨迹图像；
第三获取单元，用于将所述二值化电压-电流轨迹图像输入预设神经网络获取所述用电设备的用电信息。
可选的，所述装置还包括：
第四获取单元，用于获取二值化电压-电流轨迹图像样本集；
第五获取单元，用于将第一二值化电压-电流轨迹图像样本输入初始神经网络中获取第一预测用电信息；
计算/判断单元，用于根据所述第一预测用电信息计算第一网络损失值，并判断所述第一网络损失值是否大于预设网络损失值；
更新单元，用于当所述计算/判断单元确定所述第一网络损失值大于预设网络损失值时，根据所述第一网络损失值更新所述初始神经网络获取更新后的神经网络；
所述第五获取单元，还用于将所述第一二值化电压-电流轨迹图像样本输入所述神经网络重新获取第一预测用电信息；
第六获取单元，用于当所述计算/判断单元确定所述第一网络损失值不大于预设网络损失值时，将第二二值化电压-电流轨迹图像样本输入所述神经网络获取第二预测用电信息；
所述计算/判断单元，还用于根据所述第二预测用电信息计算第二网络损失值，并判断所述第二网络损失值是否大于预设网络损失值；
确定单元，用于当所述计算/判断单元确定所述第二网络损失值不大于预设网络损失值时，确定所述神经网络为预设神经网络。
所述更新单元，用于当所述计算/判断单元确定所述第二网络损失值大于预设网络损失值时，根据所述第二网络损失值更新所述神经网络获取更新后的神经网络；
所述第五获取单元，还用于所述第二二值化电压-电流轨迹图像样本输入所述神经网络重新获取第二预测用电信息。
可选的，所述第二获取单元，包括：
构建模块，用于根据所述目标电压数据和所述目标电流数据构建电压-电流轨迹图像；
获取模块，用于通过数据归一化算法和所述电压-电流轨迹图像获取二值化电压-电流轨迹图像。
本申请实施例第三方面提供了一种基于深度学习的电力设备识别装置，包括：
处理器、存储器、输入输出设备以及总线；所述处理器与所述存储器、输入输出设备以及总线相连。
所述处理器执行如下操作：
采集用电设备的电压数据和电流数据；
将所述电压数据和所述电流数据进行滤波处理获取目标电压数据和目标电流数据；
利用二值化映射算法将所述目标电压数据和所述目标电流数据处理获取二值化电压-电流轨迹图像；
将所述二值化电压-电流轨迹图像输入预设神经网络获取所述用电设备的用电信息。
本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上保存有程序，所述程序在计算机上执行是执行前述电力设备识别方法。
从以上技术中：采集用电设备的电压数据和电流数据；将所述电压数据和所述电流数据进行滤波处理获取目标电压数据和目标电流数据；利用二值化映射算法将所述目标电压数据和所述目标电流数据处理获取二值化电压-电流轨迹图像；将所述二值化电压-电流轨迹图像输入预设神经网络获取所述用电设备的用电信息。由于获取二值化电压-电流轨迹图像相较于提取电流谐波、电流波形和负荷有功无功功率平面信息特征难度小，且特征较明显，所以通过将二值化电压-电流轨迹图像输入预设神经网络获取到的用电设备用电信息误差较小。
附图说明
图1为本申请实施例中基于深度学习的电力设备识别方法一个实施例流程示意图；
图2-1和图2-2为本申请实施例中基于深度学习的电力设备识别方法另一实施例流程示意图；
图3为本申请实施例中基于深度学习的电力设备识别装置一个实施例结构示意图；
图4为本申请实施例中基于深度学习的电力设备识别装置另一实施例结构示意图；
图5为本申请实施例中的电压-电流轨迹图像及其二值网格化映射图像；
图6为本申请实施例中的训练预设神经网络的曲线变化图像。
具体实施方式
本申请实施例提供了一种基于深度学习的电力设备识别方法及其装置，由于获取二值化电压-电流轨迹图像相较于提取电流谐波、电流波形和负荷有功无功功率平面信息特征难度小，且特征较明显，所以通过将二值化电压-电流轨迹图像输入预设神经网络获取到的用电设备用电信息误差较小。
请参阅图1，本申请实施例中基于深度学习的电力设备识别方法一个实施例包括：
101、采集用电设备的电压数据和电流数据；
当需要预测用电设备的用电信息之前，需要采集用电设备在稳态时的电流数据和电压数据。采集电压数据和电流数据的持续时间为1s，频率是25至30KHz之间。具体可以先测量获取用电设备的电流数据，继而根据用电设备的电流数据计算获取用电设备的电压数据。一般的常见的用电设备有空调、日光灯、风扇、电冰箱、电吹风、热得快、台灯等。
在本实施例中，用电设备还可以为笔记本电脑、微波驴、吸尘器及洗衣机等，还可以为任一用电的设备，具体此处不做具体限定。
在本实施例中，采集用电设备的电压数据和电流数据方式还可以为，先采集用电设备的电压数据，继而根据用电设备的电压数据计算电流数据，具体此处不做具体限定。
102、将电压数据和电流数据进行滤波处理获取目标电压数据和目标电流数据；
获取到用电设备的电压数据和电流数据之后，需要对该电压数据和电流数据进行滤波处理。具体的，先将该电压数据和该电流数据进行中值滤波发进行滤波处理，再使用均值滤波法对经过中值滤波法处理的电压数据和电流数据进行滤波处理获取目标电压数据和目标电流数据。
103、利用二值化映射算法将目标电压数据和目标电流数据处理获取二值化电压-电流轨迹图像；
本实施例中获取二值化电压-电流轨迹图像是基于网格化的思想，将进行滤波处理后的目标电压数据和目标电流数据映射到预设的网格中进行二值化映射。具体的，遍历所有的目标电压数据和目标电流数据，每个目标电压数据和对应的电流数据为一组数据。将每一组数据中的目标电压数据作为直角坐标系的X轴，目标电流数据作为直角坐标系的Y轴，当遍历完所述的目电压数据和目标电流数据后就构建出电压-电流轨迹图像，进一步的将该电压-电流轨迹图像通过二值化映射算法处理获取二值化电压-电流轨迹图像。
104、将二值化电压-电流轨迹图像输入预设神经网络获取用电设备的用电信息。
当获取到二值化电压-电流轨迹图像后，就将该二值化电压-电流轨迹图像输入至预设神经网络中；该预设神经网络包括输入层、两个卷积层、两个最大池化层、一个平铺层、一个全连接层以及输出层。将该二值化电压-电流轨迹图像从输入层输入预设神经网络中，输入层将该二值化电压-电流轨迹图像传送至卷积层，通过该卷积层提取二值化电压-电流轨迹图像的类型特征数据；再将该类型特征数据输入池化层，通过池化层的计算获取负荷识别结果数据、负荷电能量信息数据和负荷功耗信息数据；进而使用平铺曾将该负荷识别结果数据、负荷电能量信息数据和负荷功耗信息数据结合获取用电设备的用电信息，并将该用电设备的用电信息通过全连接层输出至输出层，输出层输出用电设备的用电信息。
采集用电设备的电压数据和电流数据；将所述电压数据和所述电流数据进行滤波处理获取目标电压数据和目标电流数据；利用二值化映射算法将所述目标电压数据和所述目标电流数据处理获取二值化电压-电流轨迹图像；将所述二值化电压-电流轨迹图像输入预设神经网络获取所述用电设备的用电信息。由于获取二值化电压-电流轨迹图像相较于提取电流谐波、电流波形和负荷有功无功功率平面信息特征难度小，且特征较明显，所以通过将二值化电压-电流轨迹图像输入预设神经网络获取到的用电设备用电信息误差较小。
请参阅图2-1和图2-2，本申请实施例中基于深度学习的电力设备识别方法另一实施例包括：
201、获取二值化电压-电流轨迹图像样本集；
在本实施例中，先对用电设备进行电压数据和电流数据进行采集，作为电压数据样本和电流数据样本，进而将该电压数据样本和电流数据样本经过中值滤波法和均值滤波法进行滤波处理获取滤波处理后的电压数据样本和电流数据样本；将已经被滤波处理过的电压数据样本和电流数据样本经过二值化映射算法获取二值化电压-电流轨迹图像样本集。
202、将第一二值化电压-电流轨迹图像样本输入初始神经网络中获取第一预测用电信息；
在本实施例中，初始神经网络包括输入层、两个卷积层、两个最大池化层、一个平铺层、一个全连接层以及输出层。
获取到二值化电压-电流轨迹图像样本集后，将第一二值化电压-电流轨迹图像样本从输入层输入初始神经网络中，输入层将该第一二值化电压-电流轨迹图像样本传送至卷积层，通过该卷积层提取第一二值化电压-电流轨迹图像样本的类型特征数据；再将该类型特征数据输入池化层，通过池化层的计算获取负荷识别结果数据、负荷电能量信息数据和负荷功耗信息数据；进而使用平铺曾将该负荷识别结果数据、负荷电能量信息数据和负荷功耗信息数据结合获取第一预测用电信息，并将该第一预测用电信息通过全连接层输出至输出层，输出层输出第一预测用电信息。
203、根据第一预测用电信息计算第一网络损失值，并判断第一网络损失值是否大于预设网络损失值；若是，执行步骤204；若否，执行步骤205；
通过神经网络的损失函数第一预测用电信息的第一网络损失值，其中损失函数L2具体公式为：
Figure BDA0003182343540000091
其中N表示训练集的样本总数(在本实施方式中，其为751)，K表示训练集中类别的数量(在本实施方式中，其为11)，ti,k表示第k类第i个训练样本输入卷积神经网络后的预测结果，yi,k表示第k类第i个训练样本对应的真实结果，k∈[1，K]，λ表示对权重值的惩罚程度，其取值为0.01，Wi,k表示第k类第i个训练样本输入卷积神经网络时的权重参数，其随着卷积神经网络在训练的过程中进行优化。
计算出第一网络损失值之后，判断第一网络损失值是否大于预设网络损失值，若第一网络损失值大于预设网络损失值时，则表示该神经网络未趋于稳定；若第一网络损失值不大于预设网络损失值时，则表示该神经网络已然趋于稳定。
204、根据第一网络损失值更新初始神经网络获取更新后的神经网络，并将第一二值化电压-电流轨迹图像样本输入神经网络重新获取第一预测用电信息；执行步骤203；
当确定初始神经网络没有趋于稳定之后，就需要根据第一网络损失值通过迭代方式更新初始神经网络获取更新后的神经网络；更新初神经网络需要时通过更新神经网络的参数进行更新的，其中神经网络的参数包括权重参数和偏置参数，权重参数的初始值设置我标准差为0.1的截断式正态分布输出的随机值；更新神经网络后，将第一二值化电压-电流轨迹图像样本输入更新后的神经网络中重新获取第一预测用电信息，并重新判断神经网络是否趋于稳定。
在本实施例中，偏置参数的初始值可以设为0，也可以设置为无穷小，具体此处不做具体限定。
205、，将第二二值化电压-电流轨迹图像样本输入神经网络获取第二预测用电信息；
为了进一步确定神经网络是不是已经趋于稳定，所以当神经网络刚刚趋于稳定的时候，需要进一步的将第二二值化电压-电流轨迹图像样本输入神经网络中并与步骤202类似获取第二预测用电信息。
在本实施例中，第二二值化电压-电流轨迹图像样本可以是二值化电压-电流轨迹图像样本集里除第一二值化电压-电流图像样本外的任一个二值化电压-电流图像样本；也可以是二值化电压-电流轨迹图像样本除第一二值化电压-电流图像样本外的若干个二值化电压-电流图样样本，具体此处不做具体限定。
206、根据第二预测用电信息计算第二网络损失值，并判断第二网络损失值是否大于预设网络损失值；若是，执行步骤207；所否，执行步骤208；
通过神经网络的损失函数第二预测用电信息的第二网络损失值，其中损失函数L2具体公式为：
Figure BDA0003182343540000111
计算出第二网络损失值之后，判断第二网络损失值是否大于预设网络损失值，若第二网络损失值大于预设网络损失值时，则表示该神经网络未趋于稳定；若第二网络损失值不大于预设网络损失值时，则表示该神经网络已然趋于稳定。
207、根据第二网络损失值更新神经网络获取更新后的神经网络；并将第二二值化电压-电流轨迹图像样本输入神经网络重新获取第二预测用电信息；执行步骤206；
当确定神经网络没有趋于稳定之后，就需要根据第二网络损失值通过迭代方式更新初始神经网络获取更新后的神经网络；更新初神经网络需要时通过更新神经网络的参数进行更新的，其中神经网络的参数包括权重参数和偏置参数；更新神经网络后，将第二二值化电压-电流轨迹图像样本输入更新后的神经网络中重新获取第二预测用电信息，并重新判断神经网络是否趋于稳定。
在本实施例中，第二二值化电压-电流轨迹图像样本包括二值化电压-电流轨迹图像样本中除第一二值化电压-电流图像样本外的所有二值化电压-电流图样样本。
208、确定神经网络为预设神经网络；
当确定神经网络趋于稳定之后，则说明神经网络可以用于较精确的生成用电设备的预测用电信息，因此，保存神经网络的权重参数和偏置参数，并将该神经网络确定为预设神经网络。
例如，在本实施例中，损失函数L2和分类精度曲线如图6所示，按照其变化曲线观察，可确定大概在样本集得到94.5％的准确率的时候的神经网络模型为预设神经网络模型。
209、采集用电设备的电压数据和电流数据；
210、将电压数据和电流数据进行滤波处理获取目标电压数据和目标电流数据；
本实施例中的步骤209至210与前述实施例中步骤101至102类似，此处不再赘述。
211、根据目标电压数据和目标电流数据构建电压-电流轨迹图像；
将目标电压数据进行叠加求和后计算其目标电压均值，同时也将目标电流数据进行叠加求和后计算其目标电流均值；将该目标电压均值和其对应的目标电流均值作为一个数据点；计算该目标电压均值和该目标电流均值组成的数据点数量，并记录所有形成的数据点。并将该数据点记录在直角坐标系中，形成电压-电流轨迹图像。
212、通过数据归一化算法和电压-电流轨迹图像获取二值化电压-电流轨迹图像；
将上述的数据点通过归一化算法将目标电压数据和目标电流数据归一化集中于区间[-1，1]，具体的归一化公式为：
Figure BDA0003182343540000121
其中，x可以指代电流数据或电压数据。
进一步的设置垂直方向和水平方向的网格数N，则进行映射图像的网格图的大小为N*N，其中每个网格的大小相同范围为[-1,1]，即将区间[-1,1]平均划分为N块，每个M块所占据区间大小为2/N，同时设置每个网格的取值范围为二进制值，初始值为0。
对于任意数据点(x,y)而言，判断其所属的网格，当网格中存在数据时，该网格的数值设置为1；当网格数N为偶数时：
Figure BDA0003182343540000131
当网格数N为奇数时，设置一个超参数k，,该参数用于判断x位于网格中线所在的网格内还是网格之外，然后确定x在网格中的落点。
当x>0时，
Figure BDA0003182343540000132
当x<0，
Figure BDA0003182343540000133
Figure BDA0003182343540000134
然后遍历整个归一化处理后的数据点，以目标电压数据作为直角坐标系的X轴，目标电流数据作为直角坐标系的Y轴，构建二值化电压-电流轨迹图像。
如图5所示，图5分别展示了网格化为35*35和34*34的电压电流轨迹以及其二值网格化映射结果；由此对比可以看出二值化网格化电压-电流轨迹图像能够更好的彰显出不同用电器的特征，使得负荷特征的差异性更大，提高该方法的鲁棒性。
213、将二值化电压-电流轨迹图像输入预设神经网络获取用电设备的用电信息。
本实施例中的步骤213与前述实施例中步骤104类似，此处不再赘述。
请参阅图3，本申请实施例中基于深度学习的电力设备识别装置一个实施例包括：
采集单元301，用于采集用电设备的电压数据和电流数据；
第一获取单元302，用于将电压数据和电流数据进行滤波处理获取目标电压数据和目标电流数据；
第二获取单元303，用于利用二值化映射算法将目标电压数据和目标电流数据处理获取二值化电压-电流轨迹图像；
第三获取单元304，用于将二值化电压-电流轨迹图像输入预设神经网络获取用电设备的用电信息。
本实施例中，该装置还可以包括：
第四获取单元305，用于获取二值化电压-电流轨迹图像样本集；
第五获取单元306，用于将第一二值化电压-电流轨迹图像样本输入初始神经网络中获取第一预测用电信息；
计算/判断单元307，用于根据第一预测用电信息计算第一网络损失值，并判断第一网络损失值是否大于预设网络损失值；
更新单元308，用于当计算/判断单元确定第一网络损失值大于预设网络损失值时，根据第一网络损失值更新初始神经网络获取更新后的神经网络；
第五获取单元306，还用于将第一二值化电压-电流轨迹图像样本输入神经网络重新获取第一预测用电信息；
第六获取单元309，用于当计算/判断单元确定第一网络损失值不大于预设网络损失值时，将第二二值化电压-电流轨迹图像样本输入神经网络获取第二预测用电信息；
计算/判断单元307，还用于根据第二预测用电信息计算第二网络损失值，并判断第二网络损失值是否大于预设网络损失值；
确定单元310，用于当计算/判断单元确定第二网络损失值不大于预设网络损失值时，确定神经网络为预设神经网络。
更新单元308，还用于当所述计算/判断单元确定所述第二网络损失值大于预设网络损失值时，根据第二网络损失值更新神经网络获取更新后的神经网络；
第五获取单元306，还用于第二二值化电压-电流轨迹图像样本输入神经网络重新获取第二预测用电信息。
本实施例中，第二获取单元303可以包括：构建模块3031和获取模块3032。
构建模块3031，用于根据目标电压数据和目标电流数据构建电压-电流轨迹图像；
获取模块3032，用于通过数据归一化算法和电压-电流轨迹图像获取二值化电压-电流轨迹图像。
在本实施例中，第四获取单元305获取二值化电压-电流轨迹图像样本集；并将该二值化电压-电流轨迹图像样本集发送至第五获取单元306，第五获取单元306将第一二值化电压-电流轨迹图像样本输入初始神经网络中获取第一预测用电信息；且将第一预测用电信息发送至计算/判断单元307根据第一预测用电信息计算第一网络损失值，并判断第一网络损失值是否大于预设网络损失值；当计算/判断单元307确定第一网络损失值大于预设网络损失值时，更新单元308根据第一网络损失值更新初始神经网络获取更新后的神经网络；更新神经网络后，使用第五获取单元306将第一二值化电压-电流轨迹图像样本输入所述神经网络重新获取第一预测用电信息；当计算/判断单元307确定第一网络损失值不大于预设网络损失值时，第六获取单元309将第二二值化电压-电流轨迹图像样本输入神经网络获取第二预测用电信息；计算得出第二预测用电信息后，继而再使用计算/判断单元307根据第二预测用电信息计算第二网络损失值，并判断第二网络损失值是否大于预设网络损失值；当计算/判断单元307确定第二网络损失值大于预设网络损失值时，更新单元308根据第二网络损失值更新神经网络获取更新后的神经网络；当计算/判断单元307确定第二网络损失值不大于预设网络损失值时，确定单元310确定所述神经网络为预设神经网络。
在确定预设神经网络之后，采集单元301采集用电设备的电压数据和电流数据；并将该电压数据和电流数据发送至第一获取单元302，第一获取单元302将电压数据和电流数据进行滤波处理获取目标电压数据和目标电流数据；目标电压数据和目标电流数据传输到构建模块3031，构建模块3031根据目标电压数据和目标电流数据构建电压-电流轨迹图像，并将该电压-电流轨迹图像发送至获取模块3032，获取模块3032通过数据归一化算法和电压-电流轨迹图像获取二值化电压-电流轨迹图像；系统将该二值化电压-电流轨迹图像发送至第三获取单元304，第三获取单元304将二值化电压-电流轨迹图像输入预设神经网络获取用电设备的用电信息。
下面对本申请实施例中的基于深度学习的电力设备识别装置进行详细描述，请参阅图4，本申请实施例中基于深度学习的电力设备识别装置另一实施例包括：
处理器401、存储器402、输入输出单元403、总线404；
处理器401与存储器402、输入输出单元403以及总线404相连；
处理器401执行如下操作：
采集用电设备的电压数据和电流数据；
将电压数据和电流数据进行滤波处理获取目标电压数据和目标电流数据；
利用二值化映射算法将目标电压数据和目标电流数据处理获取二值化电压-电流轨迹图像；
将二值化电压-电流轨迹图像输入预设神经网络获取用电设备的用电信息。
本实施例中，处理器401的功能与前述图1至图2所示实施例中的步骤，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所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网络单元上。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，在本申请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。
所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，本申请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(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (6)

1.一种基于深度学习的电力设备识别方法，其特征在于，包括：
采集用电设备的电压数据和电流数据；
将所述电压数据和所述电流数据进行滤波处理获取目标电压数据和目标电流数据；
所述目标电压数据和所述目标电流数据构建电压-电流轨迹图像，通过数据归一化算法和所述电压-电流轨迹图像获取二值化电压-电流轨迹图像；
将数据点通过归一化算法将目标电压数据和目标电流数据归一化集中于区间[-1，1]，具体的归一化公式为：
Figure QLYQS_1
其中，x可以指代电流数据或电压数据；
设置垂直方向和水平方向的网格数N，则进行映射图像的网格图的大小为N*N，其中每个网格的大小相同范围为[-1,1]，即将区间[-1,1]平均划分为N块，每个N块所占据区间大小为1/N，同时设置每个网格的取值范围为二进制值，初始值为0；
对于任意数据点(x,y)而言，判断其所属的网格，当网格中存在数据时，该网格的数值设置为1；当网格数N为偶数时：
Figure QLYQS_2
当网格数N为奇数时，设置一个超参数k,该参数用于判断x位于网格中线所在的网格内还是网格之外，确定x在网格中的落点；
当x > 0时，
Figure QLYQS_3
当x < 0，
Figure QLYQS_4
Figure QLYQS_5
遍历整个归一化处理后的数据点，以目标电压数据作为直角坐标系的X轴，目标电流数据作为直角坐标系的Y轴，构建二值化电压-电流轨迹图像；
将所述二值化电压-电流轨迹图像输入预设神经网络获取所述用电设备的用电信息。
2.根据权利要求1所述的电力设备识别方法，其特征在于，所述将所述二值化电压-电流轨迹图像输入预设神经网络获取所述用电设备的用电信息之前，所述方法还包括：
获取二值化电压-电流轨迹图像样本集；
将第一二值化电压-电流轨迹图像样本输入初始神经网络中获取第一预测用电信息；
根据所述第一预测用电信息计算第一网络损失值，并判断所述第一网络损失值是否大于预设网络损失值；
若是，则根据所述第一网络损失值更新所述初始神经网络获取更新后的神经网络，并将所述第一二值化电压-电流轨迹图像样本输入所述神经网络重新获取第一预测用电信息，返回步骤“根据所述第一预测用电信息计算第一网络损失值，并判断所述第一网络损失值是否大于预设网络损失值”；
若否，将第二二值化电压-电流轨迹图像样本输入所述神经网络获取第二预测用电信息，且根据所述第二预测用电信息计算第二网络损失值，并判断所述第二网络损失值是否大于预设网络损失值；
若否，则确定所述神经网络为预设神经网络。
3.根据权利要求2所述的电力设备识别方法，其特征在于，所述判断所述第二网络损失值是否大于预设网络损失值之后，所述方法还包括：
若是，则根据所述第二网络损失值更新所述神经网络获取更新后的神经网络，并将所述第二二值化电压-电流轨迹图像样本输入所述神经网络重新获取第二预测用电信息，并返回步骤“根据所述第二预测用电信息计算第二网络损失值，并判断所述第二网络损失值是否大于预设网络损失值”。
4.一种基于深度学习的电力设备识别装置，其特征在于，包括：
采集单元，用于采集用电设备的电压数据和电流数据；
第一获取单元，用于将所述电压数据和所述电流数据进行滤波处理获取目标电压数据和目标电流数据；
第二获取单元，用于所述目标电压数据和所述目标电流数据构建电压-电流轨迹图像，通过数据归一化算法和所述电压-电流轨迹图像获取二值化电压-电流轨迹图像；
将数据点通过归一化算法将目标电压数据和目标电流数据归一化集中于区间[-1，1]，具体的归一化公式为：
Figure QLYQS_6
其中，x可以指代电流数据或电压数据；
设置垂直方向和水平方向的网格数N，则进行映射图像的网格图的大小为N*N，其中每个网格的大小相同范围为[-1,1]，即将区间[-1,1]平均划分为N块，每个N块所占据区间大小为1/N，同时设置每个网格的取值范围为二进制值，初始值为0；
对于任意数据点(x,y)而言，判断其所属的网格，当网格中存在数据时，该网格的数值设置为1；当网格数N为偶数时：
Figure QLYQS_7
当网格数N为奇数时，设置一个超参数k,该参数用于判断x位于网格中线所在的网格内还是网格之外，确定x在网格中的落点；
当x > 0时，
Figure QLYQS_8
当x < 0，
Figure QLYQS_9
Figure QLYQS_10
遍历整个归一化处理后的数据点，以目标电压数据作为直角坐标系的X轴，目标电流数据作为直角坐标系的Y轴，构建二值化电压-电流轨迹图像；
第三获取单元，用于将所述二值化电压-电流轨迹图像输入预设神经网络获取所述用电设备的用电信息。
5.根据权利要求4所述的电力设备识别装置，其特征在于，所述装置还包括：
第四获取单元，用于获取二值化电压-电流轨迹图像样本集；
第五获取单元，用于将第一二值化电压-电流轨迹图像样本输入初始神经网络中获取第一预测用电信息；
计算/判断单元，用于根据所述第一预测用电信息计算第一网络损失值，并判断所述第一网络损失值是否大于预设网络损失值；
更新单元，用于当所述计算/判断单元确定所述第一网络损失值大于预设网络损失值时，根据所述第一网络损失值更新所述初始神经网络获取更新后的神经网络；
第五获取单元，还用于将所述第一二值化电压-电流轨迹图像样本输入所述神经网络重新获取第一预测用电信息；
第六获取单元，用于当所述计算/判断单元确定所述第一网络损失值不大于预设网络损失值时，将第二二值化电压-电流轨迹图像样本输入所述神经网络获取第二预测用电信息；
所述计算/判断单元，还用于根据所述第二预测用电信息计算第二网络损失值，并判断所述第二网络损失值是否大于预设网络损失值；
确定单元，用于当所述计算/判断单元确定所述第二网络损失值不大于预设网络损失值时，确定所述神经网络为预设神经网络。
6.根据权利要求4至5中任一项所述的电力设备识别装置，其特征在于，所述第二获取单元，包括：
构建模块，用于根据所述目标电压数据和所述目标电流数据构建电压-电流轨迹图像；
获取模块，用于通过数据归一化算法和所述电压-电流轨迹图像获取二值化电压-电流轨迹图像。
CN202110850623.8A 2021-07-27 2021-07-27 一种基于深度学习的电力设备识别方法及其装置 Active CN113627289B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110850623.8A CN113627289B (zh) 2021-07-27 2021-07-27 一种基于深度学习的电力设备识别方法及其装置
PCT/CN2022/108259 WO2023005976A1 (zh) 2021-07-27 2022-07-27 一种基于深度学习的电力设备识别方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110850623.8A CN113627289B (zh) 2021-07-27 2021-07-27 一种基于深度学习的电力设备识别方法及其装置

Publications (2)

Publication Number Publication Date
CN113627289A CN113627289A (zh) 2021-11-09
CN113627289B true CN113627289B (zh) 2023-06-16

Family

ID=78381124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110850623.8A Active CN113627289B (zh) 2021-07-27 2021-07-27 一种基于深度学习的电力设备识别方法及其装置

Country Status (2)

Country Link
CN (1) CN113627289B (zh)
WO (1) WO2023005976A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627289B (zh) * 2021-07-27 2023-06-16 广西电网有限责任公司 一种基于深度学习的电力设备识别方法及其装置
CN117477495B (zh) * 2023-12-28 2024-03-12 国网山西省电力公司太原供电公司 一种电流互感器状态监测系统及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4291377B2 (ja) * 2007-02-19 2009-07-08 オリンパス株式会社 超音波手術装置および超音波手術装置の制御方法
CN107767408B (zh) * 2017-11-09 2021-03-12 京东方科技集团股份有限公司 图像处理方法、处理装置和处理设备
CN109270384B (zh) * 2018-11-13 2019-06-11 中南民族大学 一种用于识别用电设备电弧的方法和系统
CN111103477B (zh) * 2019-10-31 2020-08-25 武汉旗云高科信息技术有限公司 一种基于3d卷积神经网络的电气负载监测方法和系统
CN111881793B (zh) * 2020-07-20 2024-03-01 东北大学 一种基于胶囊网络的非侵入式负荷监测方法与系统
CN113627289B (zh) * 2021-07-27 2023-06-16 广西电网有限责任公司 一种基于深度学习的电力设备识别方法及其装置

Also Published As

Publication number Publication date
CN113627289A (zh) 2021-11-09
WO2023005976A1 (zh) 2023-02-02

Similar Documents

Publication Publication Date Title
CN113627289B (zh) 一种基于深度学习的电力设备识别方法及其装置
CN107169768B (zh) 异常交易数据的获取方法和装置
CN109145516B (zh) 一种基于改进型极限学习机的模拟电路故障识别方法
CN110659693B (zh) 基于k近邻分类的配电网快速拓扑识别方法、系统及介质
CN111614491A (zh) 一种面向电力监控系统安全态势评估指标选取方法及系统
CN116780781B (zh) 智能电网接入的功率管理方法
Xu et al. Oversmoothing relief graph convolutional network-based fault diagnosis method with application to the rectifier of high-speed trains
CN111626360A (zh) 用于检测锅炉故障类型的方法、装置、设备和存储介质
CN115100466A (zh) 一种非侵入式负荷监测方法、装置及介质
CN113094448B (zh) 住宅空置状态的分析方法及分析装置、电子设备
CN110738415A (zh) 基于用电采集系统和离群点算法的窃电用户分析方法
CN117634905A (zh) 一种电网业务数据特征提取方法
CN114358367A (zh) 一种非侵入式负荷分解方法及装置
CN114202179A (zh) 目标企业的识别方法以及装置
Fu et al. Trimming outliers using trees: winning solution of the large-scale energy anomaly detection (LEAD) competition
CN108681625A (zh) 基于大数据技术的变压器短期过载能力智能评估系统
CN116205544A (zh) 基于深度神经网络和迁移学习的非侵入式负荷识别系统
CN113408210B (zh) 基于深度学习的非侵入负荷分解方法、系统、介质和设备
CN114884075A (zh) 一种基于监督式学习的事件型非侵入式负荷监测方法
CN110009231A (zh) 一种基于重复性和熵权区分性的用电负荷识别方法及装置
CN112129989B (zh) 一种基于自适应聚类的电压暂降分段刻画方法
Liu et al. Enhancing Residential Electricity Safety and Management: A Novel Non-Intrusive Load Monitoring-Based Methodology for Accurate Appliance Operational State Identification
CN114757284A (zh) 一种基于图信号处理的非侵入式负荷监测方法
CN112511503A (zh) 提高智能电表安全性的方法及系统、设备及存储介质
Cucala A flexible spatial scan test for case event data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant