CN115290996A - 基于AlexNet模型的负荷投切事件检测方法 - Google Patents
基于AlexNet模型的负荷投切事件检测方法 Download PDFInfo
- Publication number
- CN115290996A CN115290996A CN202210692396.5A CN202210692396A CN115290996A CN 115290996 A CN115290996 A CN 115290996A CN 202210692396 A CN202210692396 A CN 202210692396A CN 115290996 A CN115290996 A CN 115290996A
- Authority
- CN
- China
- Prior art keywords
- switching event
- alexnet model
- information
- power information
- load switching
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 57
- 230000000737 periodic effect Effects 0.000 claims abstract description 49
- 238000001914 filtration Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 abstract description 9
- 230000001052 transient effect Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 24
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 13
- 238000002474 experimental method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002789 length control Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种基于AlexNet模型的负荷投切事件检测方法。所述基于AlexNet模型的负荷投切事件检测方法包括:获取电力系统周期性功率信息;根据所述电力系统周期性功率信息获取阶跃功率信息;获取经过训练的AlexNet模型;将阶跃功率信息输入至所述AlexNet模型,从而获取阶跃功率信息中的疑似投切事件信息。本申请的基于AlexNet模型的负荷投切事件检测方法针对电力波动引起的“类开关扰动信号”和“伪开关信号”现象,通过暂态信号阶跃化图像预处理,将负荷投切辨识问题转化为图像识别问题,利用深度学习技术实现家庭复杂用电环境下负荷投切事件的精准辨识。
Description
技术领域
本申请涉及电力负荷分析技术领域,具体涉及一种基于AlexNet模型的负荷投切事件检测方法、基于AlexNet模型的负荷投切事件检测装置。
背景技术
受市电正常波动、噪声以及电器固有特性影响,负荷投切中的“类开关扰动信号”和“伪开关信号”是智能用电中的普遍现象。这两种情况在电流的幅度、谐波等信息的变化过程会表现出区别于其他负荷的暂态过程,特别是在负荷功率波动曲线上存在一定的特殊性,同时,鉴于近年来图像识别取得的进展,将负荷投切辨识问题转化为图像识别科学问题,为复杂用电环境中负荷投切检测提供了一种新思路。
现有技术通常采用CUSUM算法,CUSUM算法在用电目标在线监测识别方面起到了一定的作用,但该方法的识别准确度不太理想。
发明内容
本发明的目的在于提供一种基于AlexNet模型的负荷投切事件检测方法,来克服或至少减轻现有技术的至少一个上述缺陷。
本发明的一个方面,提供一种基于AlexNet模型的负荷投切事件检测方法,所述基于AlexNet模型的负荷投切事件检测方法包括:
获取电力系统周期性功率信息;
根据所述电力系统周期性功率信息获取阶跃功率信息;
获取经过训练的AlexNet模型;
将阶跃功率信息输入至所述AlexNet模型,从而获取阶跃功率信息中的疑似投切事件信息。
可选地,通过如下公式获取电力系统周期性功率信息:
Ic为截取电流;Vc为电压当前周期数据。
可选地,在所述根据所述电力系统周期性功率信息获取阶跃功率信息之前,所述基于AlexNet模型的负荷投切事件检测方法进一步包括:
对获取的电力系统周期性功率信息进行滤波处理和/或异常点去除处理。
可选地,所述基于AlexNet模型的负荷投切事件检测方法进一步包括:
对获取的疑似投切事件信息进行真实性判定,从而获取投切事件信息。
本申请还提供了一种基于AlexNet模型的负荷投切事件检测装置,所述基于AlexNet模型的负荷投切事件检测装置包括:
电力系统周期性功率信息获取模块,所述电力系统周期性功率信息获取模块用于获取电力系统周期性功率信息;
阶跃功率信息获取模块,所述阶跃功率信息获取模块用于根据所述电力系统周期性功率信息获取阶跃功率信息;
AlexNet模型获取模块,所述AlexNet模型获取模块用于获取经过训练的AlexNet模型;
疑似投切事件获取模块,所述疑似投切事件获取模块用于将阶跃功率信息输入至所述AlexNet模型,从而获取阶跃功率信息中的疑似投切事件信息。
可选地,所述基于AlexNet模型的负荷投切事件检测装置进一步包括:
滤波处理模块,所述滤波处理模块用于对获取的电力系统周期性功率信息进行滤波处理。
可选地,所述基于AlexNet模型的负荷投切事件检测装置进一步包括:
异常点去除模块,所述异常点去除模块用于对获取的电力系统周期性功率信息进行异常点去除处理。
可选地,所述基于AlexNet模型的负荷投切事件检测装置进一步包括:
真实性判定模块,所述真实性判定模块用于对获取的疑似投切事件信息进行真实性判定,从而获取投切事件信息。
本申请还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存储有计算机程序,所述计算机程序被处理器执行时能够实现如上所述的基于 AlexNet模型的负荷投切事件检测方法。
本申请还提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的基于AlexNet模型的负荷投切事件检测方法。
有益效果
本申请的基于AlexNet模型的负荷投切事件检测方法针对电力波动引起的“类开关扰动信号”和“伪开关信号”现象,通过暂态信号阶跃化图像预处理,将负荷投切辨识问题转化为图像识别问题,利用深度学习技术实现家庭复杂用电环境下负荷投切事件的精准辨识。
附图说明
图1为本申请一实施例的基于AlexNet模型的负荷投切事件检测方法的流程图。
图2是一种电子设备,用于实现图1所示的基于AlexNet模型的负荷投切事件检测方法。
图3为负荷功率离散化处理过程示意图。
图4为周期功率信号阶跃化处理过程示意图。
图5为不同参数下滤波效果对比示意图。
图6为负荷功率信号滤波效果示意图。
图7为负荷功率阶跃变换效果示意图。
图8为疑似负荷投切事件判别示意图。
图9为负荷功率图像归一化效果示意图。
图10为FSP预处理算法获取电脑开关中投切事件图像示意图。
图11为FSP预处理算法获取五类负荷开事件图像示意图。
具体实施方式
为使本申请实施的目的、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更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本申请一部分实施例,而不是全部的实施例。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动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。下面结合附图对本申请的实施例进行详细说明。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请保护范围的限制。
图1为本申请一实施例的基于AlexNet模型的负荷投切事件检测方法的流程图。
如图1所示的基于AlexNet模型的负荷投切事件检测方法包括:
步骤1:获取电力系统周期性功率信息;
步骤2:根据电力系统周期性功率信息获取阶跃功率信息;
步骤3:获取经过训练的AlexNet模型;
步骤4:将阶跃功率信息输入至AlexNet模型,从而获取阶跃功率信息中的疑似投切事件信息。
本申请的基于AlexNet模型的负荷投切事件检测方法针对电力波动引起的“类开关扰动信号”和“伪开关信号”现象,通过暂态信号阶跃化图像预处理,将负荷投切辨识问题转化为图像识别问题,利用深度学习技术实现家庭复杂用电环境下负荷投切事件的精准辨识。
在电力系统的非侵入式监测中,本申请应用有功功率的变化来实现开关事件的检测过程。
由于传感器无法按照标准的等时间间隔采集数据以及采样率受限等原因,以期望采样率换算周期功率计算的精度可能受损。但由于交流电的周期性特点,本发明通过周期判断并提取数据,将每个周期的功率计算为一个点。
参见图3,在本实施例中,设定电流为I,电压为V,实时功率Pt,周期功率 Pp。由于交流电周期性的运行特点,定义基频fb。定义单个周期为一个单位构成功率序列Pp进行开关事件检测,为了实现周期电流电压信号的切片划分,以电压过零点检测为依据。定义第一次过零点为va,第二次过零点为vb,当满足va≤0,vb<0且vb+1≥0时,截取电流I、电压V从a到b为当前周期数据,分别以Ic和Vc表示,并进行功率相关计算。其中,实时功率Pt计算公式为Pt=Ic*Vc,当前周期功率Pp计算公式如下:
Ic为截取电流;Vc为电压当前周期数据,N表示当前周期数据点个数。
本申请提出了滤波-阶跃化数据预处理方法(FSP),能敏感的提取疑似开关操作的数据。FSP方法包含了对原始周期功率信号的滤波去噪以及功率信号阶跃形态转换。其基本流程如图4所示。
在本实施例中,在根据所述电力系统周期性功率信息获取阶跃功率信息之前,基于AlexNet模型的负荷投切事件检测方法进一步包括:
对获取的电力系统周期性功率信息进行滤波处理和/或异常点去除处理。
对于计算得到的周期功率Pp={P(i)},i=1,2,...。由于包含了电力线中大量的噪声与负荷微弱电力波动信息,直接应用其进行疑似开关点的判断将产生大量的数据信息,导致基于AlexNet网络模型的训练难度提高。因此,首先对周期功率Pp进行滤波与去除异常点处理生成滤波后的周期功率 P′p={p′(i)},i=1,2,...,其次将滤波后的周期功率P′p转换为阶跃形态的周期功率P″p={p″(i)},i=1,2,...,最终以阶跃形态的周期功率为依据提取疑似开关的时间片信息进行开关事件真实性判断。
具体而言,设滑动窗口长度lw,假设当前时间为t+lw/2,以步长为1 截取Pp窗口数据:
定义滤波部分中判断函数为:
xm1=median(X)
xm2=c|X-xm1|
xm3=median(|X(t)-xm1|)
式中c表示对数据噪声的过滤程度,c值越小得到的滤波信号信噪比越高。但并不意味着c值越小越好,当c到达一定临界点时,其过滤噪声的效果难以继续提高,经实验验证,该值设为0.1较为合理。
定义滤波部分中的统计函数g1如下:
式中d为平滑滤波窗口的长度控制参数,统计函数得到的值g1即为当前时刻得到的滤波值p′(t)。经过滤波部分的处理,可得到去除异常点与噪声干扰的周期功率信号P′p,效果如图6所示。
经过滤波处理的原始周期功率信号得到了良好的去噪和去除异常点的处理。由于实际的负荷投切及运行过程中,存在较多的电力波动,滤波处理得到的周期功率仍难以通过简单阈值形式进行疑似开关点的检测,通过现有的开关检测方法又面临着滤除较大的阈值过滤正常开关事件的现象。为了进一步扩大可识别开关的功率范围,简化疑似开关点检测过程,提出了将滤波数据进行阶跃化形态转换。
在本实施例中,根据电力系统周期性功率信息获取阶跃功率信息包括:
以步长为0.5lw截取窗口数据Y:
Y={y(1),y(2),...,y(t)},i=1,2,...,lw
计算窗口Y的中位数ym1:
ym1=median(Y)
定义阶跃形态化部分中的统计函数g2如下:
式中h表示过滤的功率阈值,表示将不识别功率为h以内的功率波动,设定h=20,即表示可识别20瓦以上的开关事件。i表示窗口Y中功率的下标索引。应用统计函数g2对窗口Y中的数据依次判断赋值,得到数组Y′。
Y′={y′(1),y′(2),...,y′(t)},i=1,2,...,lw
实际应用中,发现电力系统中存在短时的功率爬升或降低,而后迅速回到原始高度,且该现象难以通过滤波算法进行抑制,实验验证该过程大多附加在负荷投切过程中。本发明将维持时间低于窗口长度对应时间的这种功率变化视为异常值进行处理。定义统计函数g3如下:
式中e表示阶跃形态判定控制参数,其值越大表示其对阶跃形式的要求越宽松,并可能存在功率跳变处的平滑过渡现象,经实验验证,该值设为0.1 较为合理。应用统计函数g3对窗口Y′中的数据依次判断赋值,得到数组Y″并更新到集合P″p中即可得到转换为阶跃形态的功率变化曲线,效果如图7所示。
从图中可以看出,功率的阶跃形态转换成功将滤波功率转换为以阶跃信号形式,并且经过实验验证,在真实的负荷投切瞬间,滤波功率与阶跃功率具有良好的同步变化能力,通过对阶跃信号的变化进行监测可提取所有功率范围内疑似开关点的数据,并通过AlexNet模型进行开关事件真实性判断模型的训练。
根据滤波与阶跃化处理的需要,处理完成的点为实际采集点后向1.5lw个数据点。根据检测到疑似开关点后需要从前向后向等长提取至多ls个点作为样本数据。因此,实际该算法在数据处理上实际延迟点数为1.5lw+ls,窗口长度取值合理的条件下,可实现最小延迟情况下的事件检测能力。设待判断点为t′(i),t′(i)=t-lw-0.5ls,i∈N,则对应的疑似开关判定函数为:
由图8可以看出,应用FSP方法在检测疑似开关点问题上具有极大的优势,其能够在过滤噪声的同时有效的检测变点发生的位置。并且通过合理的阈值h设定,可以更大范围的检测到小功率事件的发生,较目前已有的规则判断和变点检测方法具有更良好的性能优势。
在本实施例中,所述基于AlexNet模型的负荷投切事件检测方法进一步包括:
对获取的疑似投切事件信息进行真实性判定,从而获取投切事件信息。
具体而言,当检测到疑似投切事件信息时,需要提取疑似投切事件信息的前几个时刻和/或后几个时刻的有效的电流、电压、功率等信息,用于进行事件发生真实性的判定。已知判定点为t′(i),定义截取数据段Q,长度为ls,为防止将其它疑似开关点截取至当前数据段,定义数据截取后向布尔函数g4以及前向布尔函数g5:
上式函数z记录了其它疑似开关点在本次截取数据段Q中的位置,应用布尔函数g4、g5遍历需要截取数据Q分别生成数组K和M。当布尔函数值为1 时取对应位置的实际值。当布尔函数值为0时,后向过程取z1记录位置对应的数据,前向过程取z2记录位置对应的数据。同样的,按照上述逻辑分别截取电流数据Qi、电压数据Qv、原始功率Qp1、滤波功率Qp2以及阶跃形态功率Qp3,从而实现了检测到疑似投切事件信息时,样本数据的截取以及存在其它疑似投切事件信息时的异常处理。
在本实施例中,若负荷投切前已有多个负荷处于正常运行状态,检测到该负荷运行时截取的数据信息中包含了已有运行负荷的信息。因此需要对截取的功率序列进行处理以提高模型训练精度。本申请将以计算得到的功率序列作为样本数据,为了直观的展示处理过程,将结合数据可视化对功率序列的数据处理原理及处理效果进行阐述。
由于住宅用户中,单个电器最大功率可达3000W左右,而最小电器功率以可识别开关电器为准约20W,功率差异较大。为了加速神经网络的收敛速度、避免神经元输出饱和等数值问题,对功率序列进行归一化处理,将数据信息限定在[-1,1]之间:
式中Qu为单电器最大功率,同时由于在负荷投切过程中,距离投切瞬间较近时刻的数据与当前负荷相关性较大,而距离远的数据参考价值较小。为了加强序列数据Q中关于负荷投切瞬间的数据,弱化其它部分数据对模型的影响,应用高斯函数实现对序列的权重分配。
式中Ga为高斯曲线的峰值,Gb为峰值中心坐标,Gc为标准方差,表征宽度。由于数据Q以阶跃形态的阶跃点为中心向前后截取数据,因此0.5ls对应于高斯曲线峰值中心坐标Gb。定义最大权重为1,即Ga=1,为了对截取数据段边界处权重值可控且定义为Gd,可通过高斯函数反解求Gc:
应用该方法对原始功率Qp1、滤波功率Qp2以及阶跃形态功率Qp3实例效果如图7所示。
应用数据可视化容易看出,上述过程实现了对序列数据内容的权重分配,使得靠近负荷投切瞬间的A区域数据表现明显,而弱化了离投切瞬间位置较远的B和C区域数据。其优势在于弱化负荷投切瞬态以外的干扰对负荷投切真实性的判断,提高判别准确性。
下面以举例的方式对本申请进行进一步详细阐述,可以理解的是,该举例并不构成对本申请的任何限制。
实验主要从单负荷投切事件辨识和多负荷投切事件辨识两方面验证FSP 预处理算法及AlexNet模型的图像识别能力。
2.1单负荷投切事件辨识验证
单负荷投切事件检测实验中,仍然使用电脑、冰箱、微波炉、空调、电热水壶、制氧机六类典型家庭常用电器的功率数据。模拟家庭用电环境,对每种负荷分别开关100次,六种负荷开、关事件经过FSP预处理算法获取真实开关图像、类开关扰动图像和伪开关图像。
对电脑运行数据进行开关事件标注,经过FSP算法对投切事件进行预处理,获得投切真实事件、类开关扰动以及伪开关图像如图8所示,其中,蓝色代表功率实时曲线、黄色代表开关阶跃信号、青色代表功率均值。分别对六类负荷信号进行标注,共获取真实开关图像1200幅,其中,使用空调开关现象较明显的数据作为其真实开关。同时,在每组负荷投切过程中,获取类开关扰动图像和伪开关图像各1组,共1200幅。基于AlexNet的负荷投切检测算法进行投切检测,训练集和测试集按照7:3划分,测试集实验统计结果如表1所示。
表1单负荷投切事件检测结果
表1单负荷投切事件检测结果
其中,误检事件Nf为类开关扰动图像或伪开关图像识别为真实开关投切事件的数量。由统计数据可知,基于AlexNet的负荷投切检测算法依然对阻性负荷有较为理想的检测效果,投切识别的整体准确率与基于自适应阈值滑动窗的负荷投切检测算法相差不大,但相比CUSUM算法,有明显提升。
2.2多负荷投切事件辨识验证
多负荷投切事件检测实验依然使用冰箱、微波炉、加湿器、电热水壶、台式电脑五类负荷叠加运行的功率数据。模拟家庭用电环境,采集100组负荷叠加运行的投切数据,并按照时序,对功率数据进行标注。
应用FSP算法对投切事件进行预处理,获得电脑、冰箱、微波炉、水壶和加湿器五种负荷的投切真实事件、类开关扰动以及伪开关图像,各类负荷开事件的暂态过程如图11所示。实验共获取真实开关图像1580幅,相应的类开关扰动图像及伪开关图像共2420幅,训练集和测试集按照7:3比例划分,使用基于AlexNet的负荷投切检测算法进行投切检测,测试集实验统计结果如表2所示。
表2多负荷投切事件检测结果
表2多负荷投切事件检测结果
对比实验表明,基于AlexNet的负荷投切检测算法比CUSUM检测算法有14.65%的提升,提升效果明显,因此,将该种负荷事件投切检测算法用于非侵入式负荷监测是可行的。
本申请还提供了一种基于AlexNet模型的负荷投切事件检测装置,所述基于AlexNet模型的负荷投切事件检测装置包括电力系统周期性功率信息获取模块、阶跃功率信息获取模块、AlexNet模型获取模块以及疑似投切事件获取模块,电力系统周期性功率信息获取模块用于获取电力系统周期性功率信息;阶跃功率信息获取模块用于根据所述电力系统周期性功率信息获取阶跃功率信息;AlexNet模型获取模块用于获取经过训练的AlexNet模型;疑似投切事件获取模块用于将阶跃功率信息输入至AlexNet模型,从而获取阶跃功率信息中的疑似投切事件信息。
在本实施例中,基于AlexNet模型的负荷投切事件检测装置进一步包括滤波处理模块,所述滤波处理模块用于对获取的电力系统周期性功率信息进行滤波处理。
在本实施例中,所述基于AlexNet模型的负荷投切事件检测装置进一步包括异常点去除模块,所述异常点去除模块用于对获取的电力系统周期性功率信息进行异常点去除处理。
在本实施例中,所述基于AlexNet模型的负荷投切事件检测装置进一步包括真实性判定模块,所述真实性判定模块用于对获取的疑似投切事件信息进行真实性判定,从而获取投切事件信息。
有益效果
本申请的基于AlexNet模型的负荷投切事件检测方法针对电力波动引起的“类开关扰动信号”和“伪开关信号”现象,通过暂态信号阶跃化图像预处理,将负荷投切辨识问题转化为图像识别问题,利用深度学习技术实现家庭复杂用电环境下负荷投切事件的精准辨识。
本申请还提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的基于AlexNet模型的负荷投切事件检测方法。
本申请还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存储有计算机程序,所述计算机程序被处理器执行时能够实现如上所述的基于 AlexNet模型的负荷投切事件检测方法。
图2是能够实现根据本申请一个实施例提供的基于AlexNet模型的负荷投切事件检测方法的电子设备的示例性结构图。
如图2所示,电子设备包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505以及输出设备506。其中,输入接口502、中央处理器503、存储器504以及输出接口505通过总线507相互连接,输入设备501和输出设备506分别通过输入接口502和输出接口505与总线507连接,进而与电子设备的其他组件连接。具体地,输入设备504接收来自外部的输入信息,并通过输入接口502将输入信息传送到中央处理器503;中央处理器503基于存储器 504中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器504中,然后通过输出接口505将输出信息传送到输出设备506;输出设备506将输出信息输出到电子设备的外部供用户使用。
也就是说,图2所示的电子设备也可以被实现为包括:存储有计算机可执行指令的存储器;以及一个或多个处理器,该一个或多个处理器在执行计算机可执行指令时可以实现结合图1描述的基于AlexNet模型的负荷投切事件检测方法。
在一个实施例中,图2所示的电子设备可以被实现为包括:存储器504,被配置为存储可执行程序代码;一个或多个处理器503,被配置为运行存储器 504中存储的可执行程序代码,以执行上述实施例中的基于AlexNet模型的负荷投切事件检测方法。
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。
内存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)。内存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)、数据多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁带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。
本领域技术人员应明白,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。
此外,显然“包括”一词不排除其他单元或步骤。装置权利要求中陈述的多个单元、模块或装置也可以由一个单元或总装置通过软件或硬件来实现。第一、第二等词语用来标识名称,而不标识任何特定的顺序。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,模块、程序段、或代码的一部分包括一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地标识的方框实际上可以基本并行地执行,他们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或总流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本实施例中所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor, DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现装置/终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在本实施例中,装置/终端设备集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM, Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于AlexNet模型的负荷投切事件检测方法,其特征在于,所述基于AlexNet模型的负荷投切事件检测方法包括:
获取电力系统周期性功率信息;
根据所述电力系统周期性功率信息获取阶跃功率信息;
获取经过训练的AlexNet模型;
将阶跃功率信息输入至所述AlexNet模型,从而获取阶跃功率信息中的疑似投切事件信息。
3.如权利要求2所述的基于AlexNet模型的负荷投切事件检测方法,其特征在于,在所述根据所述电力系统周期性功率信息获取阶跃功率信息之前,所述基于AlexNet模型的负荷投切事件检测方法进一步包括:
对获取的电力系统周期性功率信息进行滤波处理和/或异常点去除处理。
4.如权利要求3所述的基于AlexNet模型的负荷投切事件检测方法,其特征在于,所述基于AlexNet模型的负荷投切事件检测方法进一步包括:
对获取的疑似投切事件信息进行真实性判定,从而获取投切事件信息。
5.一种基于AlexNet模型的负荷投切事件检测装置,其特征在于,所述基于AlexNet模型的负荷投切事件检测装置包括:
电力系统周期性功率信息获取模块,所述电力系统周期性功率信息获取模块用于获取电力系统周期性功率信息;
阶跃功率信息获取模块,所述阶跃功率信息获取模块用于根据所述电力系统周期性功率信息获取阶跃功率信息;
AlexNet模型获取模块,所述AlexNet模型获取模块用于获取经过训练的AlexNet模型;
疑似投切事件获取模块,所述疑似投切事件获取模块用于将阶跃功率信息输入至所述AlexNet模型,从而获取阶跃功率信息中的疑似投切事件信息。
6.如权利要求5所述的基于AlexNet模型的负荷投切事件检测装置,其特征在于,所述基于AlexNet模型的负荷投切事件检测装置进一步包括:
滤波处理模块,所述滤波处理模块用于对获取的电力系统周期性功率信息进行滤波处理。
7.如权利要求6所述的基于AlexNet模型的负荷投切事件检测装置,其特征在于,所述基于AlexNet模型的负荷投切事件检测装置进一步包括:
异常点去除模块,所述异常点去除模块用于对获取的电力系统周期性功率信息进行异常点去除处理。
8.如权利要求7所述的基于AlexNet模型的负荷投切事件检测装置,其特征在于,所述基于AlexNet模型的负荷投切事件检测装置进一步包括:
真实性判定模块,所述真实性判定模块用于对获取的疑似投切事件信息进行真实性判定,从而获取投切事件信息。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时能够实现如权利要求1至4中任意一项所述的基于AlexNet模型的负荷投切事件检测方法。
10.一种电子设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的基于AlexNet模型的负荷投切事件检测方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110693354 | 2021-06-22 | ||
CN2021106933549 | 2021-06-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115290996A true CN115290996A (zh) | 2022-11-04 |
Family
ID=83820907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210692396.5A Pending CN115290996A (zh) | 2021-06-22 | 2022-06-17 | 基于AlexNet模型的负荷投切事件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115290996A (zh) |
-
2022
- 2022-06-17 CN CN202210692396.5A patent/CN115290996A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105512799B (zh) | 一种基于海量在线历史数据的电力系统暂态稳定评估方法 | |
CN109272016B (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
CN111462183A (zh) | 一种基于注意力机制双流网络的行为识别方法及系统 | |
CN111428755B (zh) | 非侵入式负荷监测方法 | |
De Baets et al. | VI-based appliance classification using aggregated power consumption data | |
CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
Zhao et al. | Parameter optimal determination for canny edge detection | |
CN112532643B (zh) | 基于深度学习的流量异常检测方法、系统、终端及介质 | |
CN108989581A (zh) | 一种用户风险识别方法、装置及系统 | |
CN111191671A (zh) | 一种用电器波形检测方法、系统、电子设备及存储介质 | |
CN111291328B (zh) | 一种基于精细斜率的暂态事件识别方法、系统以及设备 | |
CN113641906A (zh) | 基于资金交易关系数据实现相似目标人员识别处理的系统、方法、装置、处理器及其介质 | |
CN111639583A (zh) | 一种电网电能质量扰动的识别方法及系统 | |
CN111898694B (zh) | 一种基于随机树分类的非入侵式负荷识别方法及装置 | |
CN113010985A (zh) | 一种基于并行aann的非侵入式负荷识别方法 | |
CN110751400B (zh) | 一种风险评估方法及装置 | |
CN115290996A (zh) | 基于AlexNet模型的负荷投切事件检测方法 | |
Wang et al. | Power quality disturbance recognition method in park distribution network based on one-dimensional vggnet and multi-label classification | |
CN112129989B (zh) | 一种基于自适应聚类的电压暂降分段刻画方法 | |
CN116706876A (zh) | 一种双高电力系统宽频振荡识别方法、装置及设备 | |
Huang et al. | Generalized Pareto model based on particle swarm optimization for anomaly detection | |
De Aguiar et al. | ST-NILM: A Wavelet Scattering-Based Architecture for Feature Extraction and Multi-Label Classification in NILM Signals | |
CN110501568B (zh) | 一种基于图信号处理的非侵入式设备负载监测方法 | |
CN111985380B (zh) | 轴承退化过程状态监测方法、系统、设备及存储介质 | |
CN118226185A (zh) | 一种线路单相接地故障检测判定方法及系统 |
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 |