CN115601603B - 模型训练和用电器类别识别方法、设备及存储介质 - Google Patents

模型训练和用电器类别识别方法、设备及存储介质 Download PDF

Info

Publication number
CN115601603B
CN115601603B CN202211504896.8A CN202211504896A CN115601603B CN 115601603 B CN115601603 B CN 115601603B CN 202211504896 A CN202211504896 A CN 202211504896A CN 115601603 B CN115601603 B CN 115601603B
Authority
CN
China
Prior art keywords
power data
image
electrical appliance
sampling
sample image
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
CN202211504896.8A
Other languages
English (en)
Other versions
CN115601603A (zh
Inventor
吕皓
赵翼旺
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.)
Beijing Zhixiang Technology Co Ltd
Original Assignee
Beijing Zhixiang Technology 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 Beijing Zhixiang Technology Co Ltd filed Critical Beijing Zhixiang Technology Co Ltd
Priority to CN202211504896.8A priority Critical patent/CN115601603B/zh
Publication of CN115601603A publication Critical patent/CN115601603A/zh
Application granted granted Critical
Publication of CN115601603B publication Critical patent/CN115601603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种模型训练和用电器类别识别方法、设备及存储介质，涉及人工智能技术领域，该模型训练方法包括：获取训练样本，训练样本中包括用电器在预设时段内的功率数据和功率数据对应的标签信息，标签信息包括用电器的标注类别以及用电器在预设时段内的开启时刻和关闭时刻；根据功率数据和所述标签信息，得到用电器对应的样本图像，样本图像中包括背景区域和前景区域，前景区域中像素点的像素值与功率数据成正相关关系；将样本图像输入至用电器类别识别模型，得到用电器类别识别模型输出的识别类别；根据标注类别和识别类别，对用电器类别识别模型的参数进行调整。实现了在非介入式的情况下的用电器类别的检测。

Description

模型训练和用电器类别识别方法、设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种模型训练和用电器类别识别方法、设备及存储介质。
背景技术
随着电力物联的发展，智能物联电表通过配置非介入式负荷辨识模组实现居民家庭智慧用电是未来重要场景之一。
非介入式负荷辨识模组实现居民家庭智慧用电场景下，仅需对智能物联网电能表进行功能拓展，无需入户额外安装其他专用终端、采集传感器等，即可实时精确辨识用电器的能耗、供电状态等信息，助力供电公司快速发现、掌握供用电异常问题详细信息，及时反应处理，有力支撑居民用电服务水平提升和新型电力市场业务拓展。
用电器的类别的识别，是进行用电异常、能耗等方面监测的基础。目前的非介入式负荷辨识模组，主要是针对用电器的功率和工作状态的检测，但是没有针对用电器的类别的相关检测。因此，亟需提供一种方案实现用电器类别的检测。
发明内容
本申请提供一种模型训练和用电器类别识别方法、设备及存储介质，用以实现用电器类别的检测。
第一方面，本申请提供一种模型训练方法，包括：
获取训练样本，所述训练样本中包括用电器在预设时段内的功率数据和所述功率数据对应的标签信息，所述标签信息包括所述用电器的标注类别，以及所述用电器在所述预设时段内的开启时刻和关闭时刻；
根据所述功率数据和所述标签信息，得到所述用电器对应的样本图像，其中，所述样本图像中包括背景区域和前景区域，所述前景区域中像素点的像素值与所述功率数据成正相关关系；
将所述样本图像输入至用电器类别识别模型，得到所述用电器类别识别模型输出的识别类别；
根据所述标注类别和所述识别类别，对所述用电器类别识别模型的参数进行调整。
在一种可能的实施方式中，所述根据所述功率数据和所述标签信息，得到所述用电器对应的样本图像，包括：
根据所述功率数据和所述标签信息，获取所述用电器对应的多个暂态功率数据；
对所述多个暂态功率数据进行图像转换处理，得到所述样本图像。
在一种可能的实施方式中，所述根据所述功率数据和所述标签信息，获取所述用电器对应的多个暂态功率数据，包括：
根据预设窗口长度和预设滑动长度对所述功率数据进行分块处理，得到多个分块数据组，每个分块数据组中包括所述分块数据组对应的时段内的各时刻下、所述用电器的功率；
针对任意分块数据组，根据所述开启时刻和所述关闭时刻对所述分块数据组进行聚类处理，得到所述分块数据组下的至少一个聚类；
根据各所述聚类和所述开启时刻，确定所述用电器开启时对应的聚类；
根据所述用电器开启时对应的聚类，以及所述聚类中包括的功率，确定所述分块数据组下、所述用电器对应的暂态功率数据，其中，所述多个暂态功率数据包括各所述分块数据组下、所述用电器对应的暂态功率数据。
在一种可能的实施方式中，所述对所述多个暂态功率数据进行图像转换处理，得到所述样本图像，包括：
根据所述多个暂态功率数据，以及各所述暂态功率数据对应的时间信息，生成初始样本图像，所述初始样本图像中包括背景区域和前景区域，所述背景区域的像素值为第一像素值，所述前景区域的像素值为第二像素值；
对所述多个暂态功率数据进行归一化处理，得到所述用电器对应的图像系数；
根据所述图像系数和所述初始样本图像，得到所述样本图像，其中，所述样本图像中的背景区域的像素值为所述第一像素值，所述样本图像中的前景区域的像素值为根据所述图像系数和所述第二像素值确定的数值。
在一种可能的实施方式中，所述用电器类别识别模型包括上采样模块和下采样模块；所述将所述样本图像输入至用电器类别识别模型，得到所述用电器类别识别模型输出的识别类别，包括：
根据所述下采样模块对所述样本图像进行处理，得到所述下采样模块输出的多尺度下采样图像；
根据所述上采样模块对所述多尺度下采样图像进行处理，得到所述识别类别。
在一种可能的实施方式中，所述下采样模块包括M个下采样子模块，所述M个下采样子模块依次连接；所述根据所述下采样模块对所述样本图像进行处理，得到所述下采样模块输出的多尺度下采样图像，包括：
根据第1个下采样子模块对所述样本图像进行下采样处理，得到第1个下采样图像；
根据第i个下采样子模块对第i-1个下采样图像进行下采样处理，得到第i个下采样图像；
其中，所述i依次为2,3,...,M，所述M为大于1的整数，所述多尺度下采样图像包括各所述下采样子模块分别输出的下采样图像。
在一种可能的实施方式中，所述上采样模块包括M个上采样子模块，所述M个上采样子模块依次连接；所述根据所述上采样模块对所述多尺度下采样图像进行处理，得到所述识别类别，包括：
根据第M个上采样子模块对所述第M个下采样图像进行卷积处理，得到第M个上采样图像；
对第j个下采样图像进行卷积处理，得到第j个卷积图像；
根据第j个上采样子模块对所述第j个卷积图像和第j+1个上采样图像进行合并处理，得到第j个上采样图像；
根据第1个上采样图像，得到所述识别类别；
其中，所述j依次为M-1,M-2,...,1。
第二方面，本申请提供一种用电器类别识别方法，包括：
获取用电器在第一时段内的功率数据；
根据所述功率数据，确定所述用电器对应的第一图像，其中，所述第一图像中包括背景区域和前景区域，所述前景区域中像素点的像素值与所述功率数据成正相关关系；
将所述第一图像输入至用电器类别识别模型，得到所述用电器类别识别模型输出的第一类别；其中，所述用电器类别识别模型为根据第一方面任一项所述的模型训练方法训练得到的模型。
第三方面，本申请提供一种模型训练装置，包括：
第一获取装置，用于获取训练样本，所述训练样本中包括用电器在预设时段内的功率数据和所述功率数据对应的标签信息，所述标签信息包括所述用电器的标注类别，以及所述用电器在所述预设时段内的开启时刻和关闭时刻；
第一确定模块，用于根据所述功率数据和所述标签信息，得到所述用电器对应的样本图像，其中，所述样本图像中包括背景区域和前景区域，所述前景区域中像素点的像素值与所述功率数据成正相关关系；
第一处理模块，用于将所述样本图像输入至用电器类别识别模型，得到所述用电器类别识别模型输出的识别类别；
训练模块，用于根据所述标注类别和所述识别类别，对所述用电器类别识别模型的参数进行调整。
在一种可能的实施方式中，所述确定模块具体用于：
根据所述功率数据和所述标签信息，获取所述用电器对应的多个暂态功率数据；
对所述多个暂态功率数据进行图像转换处理，得到所述样本图像。
在一种可能的实施方式中，所述确定模块具体用于：
根据预设窗口长度和预设滑动长度对所述功率数据进行分块处理，得到多个分块数据组，每个分块数据组中包括所述分块数据组对应的时段内的各时刻下、所述用电器的功率；
针对任意分块数据组，根据所述开启时刻和所述关闭时刻对所述分块数据组进行聚类处理，得到所述分块数据组下的至少一个聚类；
根据各所述聚类和所述开启时刻，确定所述用电器开启时对应的聚类；
根据所述用电器开启时对应的聚类，以及所述聚类中包括的功率，确定所述分块数据组下、所述用电器对应的暂态功率数据，其中，所述多个暂态功率数据包括各所述分块数据组下、所述用电器对应的暂态功率数据。
在一种可能的实施方式中，所述确定模块具体用于：
根据所述多个暂态功率数据，以及各所述暂态功率数据对应的时间信息，生成初始样本图像，所述初始样本图像中包括背景区域和前景区域，所述背景区域的像素值为第一像素值，所述前景区域的像素值为第二像素值；
对所述多个暂态功率数据进行归一化处理，得到所述用电器对应的图像系数；
根据所述图像系数和所述初始样本图像，得到所述样本图像，其中，所述样本图像中的背景区域的像素值为所述第一像素值，所述样本图像中的前景区域的像素值为根据所述图像系数和所述第二像素值确定的数值。
在一种可能的实施方式中，所述用电器类别识别模型包括上采样模块和下采样模块；所述处理模块具体用于：
根据所述下采样模块对所述样本图像进行处理，得到所述下采样模块输出的多尺度下采样图像；
根据所述上采样模块对所述多尺度下采样图像进行处理，得到所述识别类别。
在一种可能的实施方式中，所述下采样模块包括M个下采样子模块，所述M个下采样子模块依次连接；所述处理模块具体用于：
根据第1个下采样子模块对所述样本图像进行下采样处理，得到第1个下采样图像；
根据第i个下采样子模块对第i-1个下采样图像进行下采样处理，得到第i个下采样图像；
其中，所述i依次为2,3,...,M，所述M为大于1的整数，所述多尺度下采样图像包括各所述下采样子模块分别输出的下采样图像。
在一种可能的实施方式中，所述上采样模块包括M个上采样子模块，所述M个上采样子模块依次连接；所述处理模块具体用于：
根据第M个上采样子模块对所述第M个下采样图像进行卷积处理，得到第M个上采样图像；
对第j个下采样图像进行卷积处理，得到第j个卷积图像；
根据第j个上采样子模块对所述第j个卷积图像和第j+1个上采样图像进行合并处理，得到第j个上采样图像；
根据第1个上采样图像，得到所述识别类别；
其中，所述j依次为M-1,M-2,...,1。
第四方面，本申请提供一种用电器类别识别装置，包括：
第二获取模块，用于获取用电器在第一时段内的功率数据；
第二确定模块，用于根据所述功率数据，确定所述用电器对应的第一图像，其中，所述第一图像中包括背景区域和前景区域，所述前景区域中像素点的像素值与所述功率数据成正相关关系；
第二处理模块，用于将所述第一图像输入至用电器类别识别模型，得到所述用电器类别识别模型输出的第一类别；其中，所述用电器类别识别模型为根据上述实施例所述的模型训练方法训练得到的模型。
第五方面，本申请提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面任一项所述的模型训练方法，或者，所述处理器执行所述程序时实现如第二方面所述的用电器类别识别方法。
第六方面，本申请提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的模型训练方法，或者，所述计算机程序被处理器执行时实现如第二方面所述的用电器类别识别方法。
第七方面，本申请提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的模型训练方法，或者，所述计算机程序被处理器执行时实现如第二方面所述的用电器类别识别方法。
本申请实施例提供的模型训练和用电器类别识别方法、设备及存储介质，首先获取训练样本，训练样本包括用电器在预设时段内的功率数据和功率数据对应的标签信息，标签信息包括用电器的标注类别，以及用电器在预设时段内的开启时刻和关闭时刻；然后根据功率数据和标签信息，得到用电器对应的样本图像，其中，样本图像中包括背景区域和前景区域，前景区域中像素点的像素值与功率数据成正相关关系；在将样本图像输入至用电器类别识别模型后，由用电器类别识别模型对该样本图像进行处理，输出用电器的识别类别，并根据用电器的标注类别和识别类别，对用电器类别识别模型的参数进行调整。由于样本图像的前景区域中像素点的像素值与用电器的功率数据成正比，因此用电器的功率数据作为一个特征加入到了样本图像中，由用电器类别识别模型对该样本图像进行处理后，能够学习到用电器的功率数据相关的特征，从而输出用电器的识别类别。通过本申请实施例的方案训练得到用电器类别识别模型后，基于用电器的功率数据即可对用电器的类别进行判定，实现了在非介入式的情况下的用电器类别的检测。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种应用场景示意图；
图2为本申请实施例提供的模型训练方法的流程示意图；
图3为本申请实施例提供的功率数据处理的流程示意图；
图4为本申请实施例提供的获取暂态功率数据的流程示意图；
图5为本申请实施例提供的生成样本图像的流程示意图；
图6为本申请实施例提供的生成初始样本图像的示意图；
图7为本申请实施例提供的用电器类别识别模型的结构示意图；
图8为本申请实施例提供的用电器类别识别模型处理示意图；
图9为本申请实施例提供的用电器类别识别方法的流程示意图；
图10为本申请实施例提供的模型训练装置的结构示意图；
图11为本申请实施例提供的用电器类别识别装置的结构示意图；
图12为本申请实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，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。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。
随着电力物联的发展，智能物联电表通过配置非介入式负荷辨识模组实现居民家庭智慧用电是未来重要场景之一。
非介入式负荷辨识模组实现居民家庭智慧用电场景下，仅需对智能物联网电能表进行功能拓展，无需入户额外安装其他专用终端、采集传感器等，即可实时精确辨识用电器的能耗、供电状态等信息，助力供电公司快速发现、掌握供用电异常问题详细信息，及时反应处理，有力支撑居民用电服务水平提升和新型电力市场业务拓展。
用电器的类别的识别，是进行用电异常、能耗等方面监测的基础。目前的非介入式负荷辨识模组，主要是针对用电器的功率和工作状态的检测，但是没有针对用电器的类别的相关检测。基于此，本申请实施例提供一种用电器类别识别方案，以实现用电器类别的检测。
首先结合图1对本申请的应用场景进行介绍。图1为本申请实施例提供的一种应用场景示意图，如图1所示，在某用户家中，包括多个用电器，例如冰箱11、电饭煲12、空调13、电视14等等。
在该用户家外有智能物联电表10，智能物联电表10可以监测该用户家内的用电情况。在智能物联电表10中包括非介入式负荷辨识模组15，通过非介入式负荷辨识模组15，获取各个用电器的相关用电数据，并基于相关用电数据实现用电器类别的判断。
下面结合图1的应用场景，参考图2来描述根据本申请示例性实施方式的方法。需要注意的是，上述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。
需要说明的是尽管在图1示例的场景中，执行主体为非介入式负荷辨识模组15，非介入式负荷辨识模组15例如可以为服务器、处理器、微处理器、芯片等具备数据处理功能的设备，例如执行主体也可以为客户端。本申请中各实施例的具体的执行主体不做限制，其可以根据实际需求进行选择和设置，只要是具备数据处理功能的设备均可以作为本申请中各实施例的执行主体。进一步的，执行模型训练方法的执行主体和执行用电器类别识别方法的执行主体可以相同，也可以不同。
图2为本申请实施例提供的模型训练方法的流程示意图，如图2所示，该方法可以包括：
S21，获取训练样本，训练样本中包括用电器在预设时段内的功率数据和功率数据对应的标签信息，标签信息包括用电器的标注类别，以及用电器在预设时段内的开启时刻和关闭时刻。
训练样本用于进行用电器类别识别模型的训练，训练样本包括一组或多组，在下述实施例中，均以任意一组训练样本的处理过程为例进行介绍。
训练样本中包括用电器在预设时段内的功率数据，以及该功率数据对应的标签信息。具体的，可以在用户的排插或者用电器插电区域的内部设置高频录波仪，当用电器通过排插等设备插电后，高频录波仪就可以根据设定的频率获取该用电器的用电数据。
然后，获取预设时段内高频录波仪采集的用电器的用电数据。通常，高频录波仪采集的用电数据为用电器的电流和电压这些数据，根据电流和电压可以得到对应的功率数据。本申请实施例中，高频录波仪是在预设时段内的不同时刻采集的用电数据，因此基于用电数据得到的功率数据隐含包括了对应的时间信息。需要说明的是，在获取训练样本的过程中，预设时段通常是一个比较长的时段，例如3个月、4个月等等。
在得到用电器在预设时段内的功率数据后，需要对该功率数据进行标注，得到功率数据对应的标签信息。其中，标签信息既包括该用电器的标注类别，也包括用电器在预设时段内的开启时刻和关闭时刻。开启时刻和关闭时刻，用于指示用电器在预设时段内的哪些时段内处于开启状态，开启状态下用电器需要持续用电，还用于指示用电器在预设时段内的哪些时段内处于关闭状态，关闭状态下用电器几乎不用电。
S22，根据功率数据和标签信息，得到用电器对应的样本图像，其中，图像中包括背景区域和前景区域，前景区域中像素点的像素值与功率数据成正相关关系。
在得到用电器的功率数据和该功率数据对应的标签信息后，根据功率数据和标签信息可以生成一张该用电器对应的样本图像，样本图像中包括背景区域和前景区域。其中，生成样本图像的方式有多种，例如根据功率数据的取值和预设的图像尺寸进行绘制，例如也可以借助图像转换工具或软件，结合用电器的功率数据来生成。
背景区域中的各像素点的像素值相互相等，前景区域中各像素点的像素值相互相等，且背景区域中各像素点的像素值与前景区域中各像素点的像素值互不相等。另，用电器对应的样本图像满足：前景区域中像素点的像素值与该用电器的功率数据成正相关关系。即，用电器对应的样本图像中前景区域的像素点的像素值，在一定程度上反映的该用电器的功率数据的大小。
S23，将样本图像输入至用电器类别识别模型，得到用电器类别识别模型输出的识别类别。
在得到用电器对应的样本图像后，将样本图像输入至用电器类别识别模型。由于样本图像中前景区域的像素点的像素值，在一定程度上反映的该用电器的功率数据的大小，即用电器的功率数据作为一个特征加入到了样本图像中，因此由用电器类别识别模型对该样本图像进行处理后，能够得到用电器的功率数据相关的特征，从而输出用电器的识别类别。识别类别为用电器类别识别模型识别出的类别，识别类别可能正确，也可能不正确。
S24，根据标注类别和识别类别，对用电器类别识别模型的参数进行调整。
用电器类别识别模型的训练过程可能需要多轮训练才能完成。针对任意一轮模型训练过程，在用电器类别识别模型输出识别类别后，服务器根据标注类别和识别类别之间的差异值，确定用电器类别识别模型在此轮训练过程中的模型损失值，从而根据模型损失值对用电器类别识别模型的参数进行调整。
针对任意一轮模型训练过程，均可以采用上述实施例示例的过程进行训练，直至到达模型训练终止条件后，终止模型训练过程，得到训练完成的用电器类别识别模型。其中，模型训练终止条件可以根据实际需要设定，例如可以设定最大训练次数，在达到最大训练次数后，终止模型训练过程，例如可以设置模型损失阈值，在模型损失值小于或等于模型损失阈值后，终止模型训练过程。
在模型训练完成后，用电器类别识别模型具备根据用电器的功率数据识别用电器的类别的能力。因此，针对任意用电器，可以通过获取该用电器在某一时段内的功率数据，由用电器类别识别模型对该功率数据进行处理，即可得到该用电器的类别。
本申请实施例提供的模型训练方法，首先获取训练样本，训练样本包括用电器在预设时段内的功率数据和功率数据对应的标签信息，标签信息包括用电器的标注类别，以及用电器在预设时段内的开启时刻和关闭时刻；然后根据功率数据和标签信息，得到用电器对应的样本图像，其中，样本图像中包括背景区域和前景区域，前景区域中像素点的像素值与功率数据成正相关关系；在将样本图像输入至用电器类别识别模型后，由用电器类别识别模型对该样本图像进行处理，输出用电器的识别类别，并根据用电器的标注类别和识别类别，对用电器类别识别模型的参数进行调整。由于样本图像的前景区域中像素点的像素值与用电器的功率数据成正比，因此用电器的功率数据作为一个特征加入到了样本图像中，由用电器类别识别模型对该样本图像进行处理后，能够学习到用电器的功率数据相关的特征，从而输出用电器的识别类别。通过本申请实施例的方案训练得到用电器类别识别模型后，基于用电器的功率数据即可对用电器的类别进行判定，实现了在非介入式的情况下的用电器类别的检测。
在上述任意实施例的基础上，下面结合附图对本申请的方案进行详细介绍。
首先结合图3对功率数据的处理过程进行介绍。图3为本申请实施例提供的功率数据处理的流程示意图，如图3所示，包括：
S31，根据功率数据和标签信息，获取用电器对应的多个暂态功率数据。
针对任意类型的用电器而言，当该用电器刚启动时的功率，和用电器通电并运行稳定后的功率，其大小是存在一定的差异的。其中，用电器刚启动时的功率数据即为用电器的暂态功率数据，用电器通电并运行稳定后的功率数据即为用电器的稳态功率数据。
在一种实现方式中，由于功率数据为用电器在预设时段内的功率数据，而该用电器在预设时段内可能存在一次或多次的开启和关闭的操作，因此功率数据中既包括稳态功率数据和暂态功率数据，需要根据标签信息在功率数据中找出暂态功率数据。
由于标签信息中包括用电器在预设时段内的开启时刻和关闭时刻，因此，根据标签信息中的开启时刻，可以确定该用电器启动的时刻，然后将启动后某个较短时段内的功率数据确定为用电器的暂态功率数据即可。其中，启动后的这某个较短时段的时长，可以根据需要预先设定，例如可以设置为1分钟、2分钟等等。
在一种实现方式中，也可以通过聚类的方式来确定用电器对应的多个暂态功率数据。下面结合图4对该过程进行介绍。
图4为本申请实施例提供的获取暂态功率数据的流程示意图，如图4所示，包括：
S41，根据预设窗口长度和预设滑动长度对功率数据进行分块处理，得到多个分块数据组，每个分块数据组中包括分块数据组对应的时段内的各时刻下、用电器的功率。
可选的，由于高频录波仪获取的数据通常频率较高，数据处理量较大，因此可以首先对功率数据进行频率转换。具体的，可以将功率数据分为K组，每组中包括N个功率，任意第p组中的第i个功率数据为，其中，p为大于或等于1且小于或等于K的整数，i为大于或等于1且小于或等于N的整数，K和N均为大于或等于1的整数。可以参见下式（1）进行频率转换：
其中，为基于均方根（Root Mean Square，RMS）算法对第p组中的N个功率数据进行频率转换后得到的功率数据。通过上述方式可实现对原功率数据的采样，减小后续功率数据处理的工作量。例如，若原功率数据的频率为10000Hz，即每秒有10000个功率数据，要将其转换为50Hz的功率数据，可以设置N=200，然后通过上式（1）的计算方式将每200个功率数据转换为1个功率数据，实现频率转换。
需要说明的是，频率转换为可选步骤，并非必须步骤。若不进行频率转换，则下述实施例中的功率数据指的是原功率数据；若进行频率转换，则下述实施例中的功率数据指的是经过RMS算法进行频率转换后的功率数据。
由于功率数据很长，可以采用滑动窗口的方式对功率数据进行分块处理。具体的，可以预先设置预设窗口长度和预设滑动长度，并根据预设窗口长度和预设滑动长度对功率数据进行分块处理，得到多个分块数据组。
以预设窗口长度为2小时、预设滑动长度为1.5小时为例，由于功率数据隐含了对应的时间信息，即各个功率数据是在什么时刻获取的，因此可以以第1个功率数据为起点，首先确定与第1个功率数据（包括第1个功率数据）之间的采集时差在2小时以内（包括2小时）的功率数据，作为第1个分块数据组；然后，将窗口滑动1.5小时，将滑动后的窗口中的2小时的功率数据作为第2个分块数据组，后续的分块处理同理，此处不再赘述。得到的每个分块数据组中包括该分块数据组对应的时段内的各时刻下、用电器的功率。
S42，针对任意分块数据组，根据开启时刻和关闭时刻对分块数据组进行聚类处理，得到分块数据组下的至少一个聚类。
具体的，针对任意分块数据组，可以根据开启时刻和关闭时刻，采用聚类（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）算法对分块数据组进行聚类处理，得到分块数据组下的至少一个聚类。
例如，设某个分块数据组中包括n个功率数据，分别是，然后结合开启时刻和关闭时刻，通过DBSCAN算法对分块数据组进行聚类处理，将n个功率数据分为多个聚类，每个聚类里面包括至少一个功率数据。DBSCAN算法是一个基于密度的聚类算法，将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。在本申请实施例中，功率数据即为根据时间先后顺序排列的点，DBSCAN算法就是将这些功率数据划分为不同的聚类。
在本申请实施例中，可以结合开启时刻和关闭时刻对分块数据组进行聚类处理，这是由于开启时刻前后用电器的状态是不一样的，从关闭状态切换到开启状态，而关闭时刻前后用电器的状态也是不一样的，从开启状态切换到关闭状态。这种状态的切换，其功率数据的变换比较大，因此结合开启时刻和关闭时刻对分块数据组进行聚类处理，能够使得划分得到的任意一个聚类中包括的各功率数据的值差别较小，有利于后续稳态功率数据的获取。
S43，根据各聚类和开启时刻，确定用电器开启时对应的聚类。
针对任意分块数据组而言，在得到该分块数据组下的各个聚类后，结合用电器的开启时刻，可以确定用电器开启时对应的聚类。其中，用电器开启时对应的聚类，为用电器处于开启状态时的功率数据对应的聚类，即聚类中包括的功率数据主要为用电器处于开启状态时的功率数据。
具体的，若开启时刻对应的功率数据处于某个聚类，且处于该聚类中时间相对靠前的位置，则可以将该聚类确定为用电器开启时对应的聚类。反之，若某个聚类中不包括开启时刻对应的功率数据，或者开启时刻对应的功率数据位于该聚类中时间相对靠后的位置，则可以确定该聚类不是用电器开启时对应的聚类。其中，开启时刻是否处于该聚类中时间相对靠前的位置，可以根据一个预设的检测时长来确定，若开启时刻位于以该聚类中时刻最早的时刻为起点、以检测时长为时长的时段内，则确定开启时刻处于该聚类中时间相对靠前的位置，反之则开启时刻不处于该聚类中时间相对靠前的位置。
S44，根据用电器开启时对应的聚类，以及聚类中包括的功率，确定分块数据组下、所述用电器对应的暂态功率数据，其中，多个暂态功率数据包括各分块数据组下、用电器对应的暂态功率数据。
对任意分块数据组而言，在得到用电器开启时对应的聚类后，可以根据用电器开启时对应的聚类，以及聚类中包括的功率，得到该分块数据组下用电器对应的暂态功率数据。具体的，在确定用电器开启时对应的聚类后，可以在该聚类中，将开启时刻后一定时长内的功率数据确定为用电器对应的暂态功率数据。
可选的，对所有得到的暂态功率数据可以进行二次处理和筛选，当发现拆分后的分块数据组较长导致暂态信息不明显，可以对分块数据组进行截取得到较为明显的暂态功率数据，如果不含暂态功率数据，可以进行删除处理，最终得到质量较高的暂态功率数据。
S32，对多个暂态功率数据进行图像转换处理，得到样本图像。
在得到用电器的多个暂态功率数据后，可以对多个暂态功率数据进行图像转换处理，得到对应的样本图像，其中，样本图像中包括背景区域和前景区域，前景区域中像素点的像素值与多个暂态功率数据成正相关关系。
下面结合图5对该过程进行介绍。图5为本申请实施例提供的生成样本图像的流程示意图，如图5所示，包括：
S51，根据多个暂态功率数据，以及各暂态功率数据对应的时间信息，生成初始样本图像，初始样本图像中包括背景区域和前景区域，背景区域的像素值为第一像素值，前景区域的像素值为第二像素值。
本申请实施例中，针对任意用电器对应的多个暂态功率数据，其生成的初始样本图像的尺寸是一致的，初始样本图像上的内容可能不同。
具体的，针对任意用电器，可以根据该用电器的多个暂态功率数据，以及各暂态功率数据对应的时间信息来生成初始样本图像。例如可以结合图6对该过程进行理解。
图6为本申请实施例提供的生成初始样本图像的示意图，如图6所示，设用电器包括3个暂态功率数据，分别是t1时刻的功率值为200W，t2时刻的功率值为300W，t3时刻的功率值为250W，则可以根据上述功率值和对应的时刻绘制功率与时刻的关系坐标图，如图6左边示意。
然后将关系坐标图围成的区域确定为前景区域对应的区域，对关系坐标图采用图像转换工具进行图像转换，得到初始样本图像60。初始样本图像60中包括前景区域和背景区域，前景区域的图案与关系坐标图围成的区域图案类似，其中，初始样本图像60中的背景区域的像素值为第一像素值，前景区域的像素值为第二像素值，第一像素值和第二像素值不相等。
S52，对多个暂态功率数据进行归一化处理，得到用电器对应的图像系数。
针对多个用电器分别对应的暂态功率数据，可以对多个用电器分别对应的暂态功率数据进行归一化处理，得到用电器对应的图像系数，图像系数的大小与用电器对应的暂态功率数据的大小成正相关关系。
S53，根据图像系数和初始样本图像，得到样本图像，其中，样本图像中的背景区域的像素值为第一像素值，样本图像中的前景区域的像素值为根据图像系数和第二像素值确定的数值。
在得到用电器对应的图像系数后，根据图像系数和第二像素值确定第三像素值，例如，可以将图像系数和第二像素值进行相乘并取整，得到第三像素值。
在得到第三像素值后，根据第三像素值对初始样本图像进行更新，即可得到用电器对应的样本图像。样本图像与初始样本图像相比，背景区域保持不变，将初始样本图像中的前景区域中的像素点的像素值由第二像素值更新为第三像素值，即可得到用电器。
在上述实施例中，介绍了确定用电器对应的样本图像的方案。在得到样本图像后，需要将样本图像输入至用电器类别识别模型，由用电器类别识别模型进行处理。下面结合图7对该过程进行介绍。
图7为本申请实施例提供的用电器类别识别模型的结构示意图，如图7所示，用电器类别识别模型为一个特征金字塔（Feature Pyramid Networks，FPN）结构，包括上采样模块和下采样模块，上采样模块和下采样模块连接。
首先，将样本图像输入至下采样模块，根据下采样模块对样本图像进行处理，得到下采样模块输出的多尺度下采样图像。其中，多尺度下采样图像为包括对样本图像进行不同尺度的下采样处理后得到的图像。
具体的，下采样模块包括M个下采样子模块，M个下采样子模块依次连接，每个下采样子模块均用于对对应的输入进行下采样处理，得到该下采样子模块的输出，而该下采样子模块的输出，则作为下一个下采样子模块的输入。
例如，首先将样本图像输入至第1个下采样子模块，根据第1个下采样子模块对样本图像进行下采样处理，得到第1个下采样图像。针对第1个下采样子模块而言，第1个下采样子模块的输入为样本图像，输出为第1个下采样图像。
针对任意第i个下采样子模块，第i个下采样子模块的输入为第i-1个下采样图像。根据第i个下采样子模块对第i-1个下采样图像进行下采样处理，即可得到第i个下采样图像，第i个下采样图像为第i个下采样子模块的输出。
其中，i依次为2,3,...,M，M为大于1的整数，多尺度下采样图像包括各下采样子模块分别输出的下采样图像。
图8为本申请实施例提供的用电器类别识别模型处理示意图，如图8所示，以M=4为例，在图8中示例了L1至L4分别为第1个下采样子模块至第4个下采样子模块。
将样本图像C1输入至L1（即第1个下采样子模块），L1输出第1个下采样图像C2；将C2输入至L2（即第2个下采样子模块），L2输出第2个下采样图像C3；将C3输入至L3（即第3个下采样子模块），L3输出第3个下采样图像C4；将C4输入至L4（即第4个下采样子模块），L4输出第4个下采样图像C5。
在上述实施例中介绍了如何根据下采样模块得到多尺度下采样图像，下面将介绍基于上采样模块处理多尺度下采样图像的过程。
在得到多尺度下采样图像后，将多尺度下采样图像输入上采样模块，根据上采样模块对多尺度下采样图像进行处理，得到用电器的识别类别。
可选的，上采样模块包括M个上采样子模块，与下采样模块中包括的M个下采样子模块对应。其处理过程可结合图8进行介绍。
具体的，首先将第M个下采样图像输入至第M个上采样子模块，根据第M个上采样子模块对第M个下采样图像进行卷积处理，得到第M个上采样图像。然后，对第j个下采样图像进行卷积处理，得到第j个卷积图像。第j个卷积图像输入至第j个上采样子模块，根据第j个上采样子模块对第j个卷积图像和第j+1个上采样图像进行合并处理，即可得到第j个上采样图像；其中，j依次为M-1,M-2,...,1。
如图8所示，对第4个下采样图像C5进行卷积后，得到第4个上采样图像P5；将第3个下采样图像C4进行卷积后与P5合并，即可得到第3个上采样图像P4；将第2个下采样图像C3进行卷积后与P4合并，即可得到第2个上采样图像P3；将第1个下采样图像C2进行卷积后与P3合并，即可得到第1个上采样图像P2。
最终，输出第1个上采样图像，然后根据第1个上采样图像得到识别类别即可。在得到识别类别后，根据标注类别和识别类别，即可对用电器类别识别模型的参数进行调整，实现用电器类别识别模型的训练。
在上述实施例中，介绍了用电器类别识别模型的训练过程，下面结合图9介绍基于用电器类别识别模型确定用电器的类别的方案。
图9为本申请实施例提供的用电器类别识别方法的流程示意图，如图9所示，该方法可以包括：
S91，获取用电器在第一时段内的功率数据。
针对被测的用电器，可以获取第一时段内该用电器的功率数据，其中，功率数据可以直接是功率，也可以是获取第一时段内该用电器的电流和电压，根据电流和电压得到功率。
S92，根据功率数据，确定用电器对应的第一图像，其中，第一图像中包括背景区域和前景区域，前景区域中像素点的像素值与功率数据成正相关关系。
根据用电器的功率数据确定用电器对应的第一图像的实现方式，可参见上述实施例中根据用电器的功率数据确定用电器对应的样本图像的实现方式的相关介绍，实现过程类似，此处不再赘述。
S93，将第一图像输入至用电器类别识别模型，得到用电器类别识别模型输出的第一类别。
本申请实施例中的用电器类别识别模型为根据上述实施例中的模型训练方法训练得到的模型。在得到训练好的用电器类别识别模型后，用电器类别识别模型具备识别用电器的类别的能力。将第一图像输入至用电器类别识别模型后，用电器类别识别模型对第一图像进行处理，即可得到用电器的第一类别。
综上所述，本申请实施例的方案，由于样本图像的前景区域中像素点的像素值与用电器的功率数据成正比，因此用电器的功率数据作为一个特征加入到了样本图像中，由用电器类别识别模型对该样本图像进行处理后，能够学习到用电器的功率数据相关的特征，从而输出用电器的识别类别。通过本申请实施例的方案训练得到用电器类别识别模型后，基于用电器的功率数据即可对用电器的类别进行判定，实现了在非介入式的情况下的用电器类别的检测。同时，本申请实施例中的用电器类别识别模型为FPN结构，包括从下至上的下采样模块和从上至下的上采样模块，通过多尺度下采样图像在上采样模块和下采样模块之间的横向拼接，能够得到不同分辨率的特征图，使得用电器类别识别模型对第一图像进行全局识别，得到第一图像中的细节，从而提高用电器类别识别的准确率。
图10为本申请实施例提供的模型训练装置的结构示意图，如图10所示，该模型训练装置100包括：
第一获取模块101，用于获取训练样本，所述训练样本中包括用电器在预设时段内的功率数据和所述功率数据对应的标签信息，所述标签信息包括所述用电器的标注类别，以及所述用电器在所述预设时段内的开启时刻和关闭时刻；
第一确定模块102，用于根据所述功率数据和所述标签信息，得到所述用电器对应的样本图像，其中，所述样本图像中包括背景区域和前景区域，所述前景区域中像素点的像素值与所述功率数据成正相关关系；
第一处理模块103，用于将所述样本图像输入至用电器类别识别模型，得到所述用电器类别识别模型输出的识别类别；
训练模块104，用于根据所述标注类别和所述识别类别，对所述用电器类别识别模型的参数进行调整。
在一种可能的实施方式中，所述第一确定模块102具体用于：
根据所述功率数据和所述标签信息，获取所述用电器对应的多个暂态功率数据；
对所述多个暂态功率数据进行图像转换处理，得到所述样本图像。
在一种可能的实施方式中，所述第一确定模块102具体用于：
根据预设窗口长度和预设滑动长度对所述功率数据进行分块处理，得到多个分块数据组，每个分块数据组中包括所述分块数据组对应的时段内的各时刻下、所述用电器的功率；
针对任意分块数据组，根据所述开启时刻和所述关闭时刻对所述分块数据组进行聚类处理，得到所述分块数据组下的至少一个聚类；
根据各所述聚类和所述开启时刻，确定所述用电器开启时对应的聚类；
根据所述用电器开启时对应的聚类，以及所述聚类中包括的功率，确定所述分块数据组下、所述用电器对应的暂态功率数据，其中，所述多个暂态功率数据包括各所述分块数据组下、所述用电器对应的暂态功率数据。
在一种可能的实施方式中，所述第一确定模块102具体用于：
根据所述多个暂态功率数据，以及各所述暂态功率数据对应的时间信息，生成初始样本图像，所述初始样本图像中包括背景区域和前景区域，所述背景区域的像素值为第一像素值，所述前景区域的像素值为第二像素值；
对所述多个暂态功率数据进行归一化处理，得到所述用电器对应的图像系数；
根据所述图像系数和所述初始样本图像，得到所述样本图像，其中，所述样本图像中的背景区域的像素值为所述第一像素值，所述样本图像中的前景区域的像素值为根据所述图像系数和所述第二像素值确定的数值。
在一种可能的实施方式中，所述用电器类别识别模型包括上采样模块和下采样模块；所述第一处理模块103具体用于：
根据所述下采样模块对所述样本图像进行处理，得到所述下采样模块输出的多尺度下采样图像；
根据所述上采样模块对所述多尺度下采样图像进行处理，得到所述识别类别。
在一种可能的实施方式中，所述下采样模块包括M个下采样子模块，所述M个下采样子模块依次连接；所述第一处理模块103具体用于：
根据第1个下采样子模块对所述样本图像进行下采样处理，得到第1个下采样图像；
根据第i个下采样子模块对第i-1个下采样图像进行下采样处理，得到第i个下采样图像；
其中，所述i依次为2,3,...,M，所述M为大于1的整数，所述多尺度下采样图像包括各所述下采样子模块分别输出的下采样图像。
在一种可能的实施方式中，所述上采样模块包括M个上采样子模块，所述M个上采样子模块依次连接；所述第一处理模块103具体用于：
根据第M个上采样子模块对所述第M个下采样图像进行卷积处理，得到第M个上采样图像；
对第j个下采样图像进行卷积处理，得到第j个卷积图像；
根据第j个上采样子模块对所述第j个卷积图像和第j+1个上采样图像进行合并处理，得到第j个上采样图像；
根据第1个上采样图像，得到所述识别类别；
其中，所述j依次为M-1,M-2,...,1。
本申请实施例提供的模型训练装置，可用于执行上述模型训练方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图11为本申请实施例提供的用电器类别识别装置的结构示意图，如图11所示，该用电器类别识别装置110包括：
第二获取模块111，用于获取用电器在第一时段内的功率数据；
第二确定模块112，用于根据所述功率数据，确定所述用电器对应的第一图像，其中，所述第一图像中包括背景区域和前景区域，所述前景区域中像素点的像素值与所述功率数据成正相关关系；
第二处理模块113，用于将所述第一图像输入至用电器类别识别模型，得到所述用电器类别识别模型输出的第一类别；其中，所述用电器类别识别模型为根据上述实施例所述的模型训练方法训练得到的模型。
本申请实施例提供的用电器类别识别装置，可用于执行上述用电器类别识别方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图12示例了一种电子设备的实体结构示意图，如图12所示，该电子设备可以包括：处理器(processor)1210、通信接口(Communications Interface)1220、存储器(memory)1230和通信总线1240，其中，处理器1210，通信接口1220，存储器1230通过通信总线1240完成相互间的通信。处理器1210可以调用存储器1230中的逻辑指令，以执行模型训练方法或用电器类别识别方法，该模型训练方法包括：获取训练样本，所述训练样本中包括用电器在预设时段内的功率数据和所述功率数据对应的标签信息，所述标签信息包括所述用电器的标注类别，以及所述用电器在所述预设时段内的开启时刻和关闭时刻；根据所述功率数据和所述标签信息，得到所述用电器对应的样本图像，其中，所述样本图像中包括背景区域和前景区域，所述前景区域中像素点的像素值与所述功率数据成正相关关系；将所述样本图像输入至用电器类别识别模型，得到所述用电器类别识别模型输出的识别类别；根据所述标注类别和所述识别类别，对所述用电器类别识别模型的参数进行调整。该用电器类别识别方法包括：获取用电器在第一时段内的功率数据；根据所述功率数据，确定所述用电器对应的第一图像，其中，所述第一图像中包括背景区域和前景区域，所述前景区域中像素点的像素值与所述功率数据成正相关关系；将所述第一图像输入至用电器类别识别模型，得到所述用电器类别识别模型输出的第一类别。
此外，上述的存储器1230中的逻辑指令可以通过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-Only Memory）、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。
另一方面，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例所提供的模型训练方法或用电器类别识别方法，该模型训练方法包括：获取训练样本，所述训练样本中包括用电器在预设时段内的功率数据和所述功率数据对应的标签信息，所述标签信息包括所述用电器的标注类别，以及所述用电器在所述预设时段内的开启时刻和关闭时刻；根据所述功率数据和所述标签信息，得到所述用电器对应的样本图像，其中，所述样本图像中包括背景区域和前景区域，所述前景区域中像素点的像素值与所述功率数据成正相关关系；将所述样本图像输入至用电器类别识别模型，得到所述用电器类别识别模型输出的识别类别；根据所述标注类别和所述识别类别，对所述用电器类别识别模型的参数进行调整。该用电器类别识别方法包括：获取用电器在第一时段内的功率数据；根据所述功率数据，确定所述用电器对应的第一图像，其中，所述第一图像中包括背景区域和前景区域，所述前景区域中像素点的像素值与所述功率数据成正相关关系；将所述第一图像输入至用电器类别识别模型，得到所述用电器类别识别模型输出的第一类别。
又一方面，本申请还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的模型训练方法或用电器类别识别方法，该模型训练方法包括：获取训练样本，所述训练样本中包括用电器在预设时段内的功率数据和所述功率数据对应的标签信息，所述标签信息包括所述用电器的标注类别，以及所述用电器在所述预设时段内的开启时刻和关闭时刻；根据所述功率数据和所述标签信息，得到所述用电器对应的样本图像，其中，所述样本图像中包括背景区域和前景区域，所述前景区域中像素点的像素值与所述功率数据成正相关关系；将所述样本图像输入至用电器类别识别模型，得到所述用电器类别识别模型输出的识别类别；根据所述标注类别和所述识别类别，对所述用电器类别识别模型的参数进行调整。该用电器类别识别方法包括：获取用电器在第一时段内的功率数据；根据所述功率数据，确定所述用电器对应的第一图像，其中，所述第一图像中包括背景区域和前景区域，所述前景区域中像素点的像素值与所述功率数据成正相关关系；将所述第一图像输入至用电器类别识别模型，得到所述用电器类别识别模型输出的第一类别。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (7)

1.一种模型训练方法，其特征在于，包括：
获取训练样本，所述训练样本中包括用电器在预设时段内的功率数据和所述功率数据对应的标签信息，所述标签信息包括所述用电器的标注类别，以及所述用电器在所述预设时段内的开启时刻和关闭时刻；
根据所述功率数据和所述标签信息，得到所述用电器对应的样本图像，其中，所述样本图像中包括背景区域和前景区域，所述前景区域中像素点的像素值与所述功率数据成正相关关系；
将所述样本图像输入至用电器类别识别模型，得到所述用电器类别识别模型输出的识别类别；
根据所述标注类别和所述识别类别，对所述用电器类别识别模型的参数进行调整；
所述根据所述功率数据和所述标签信息，得到所述用电器对应的样本图像，包括：
根据所述功率数据和所述标签信息，获取所述用电器对应的多个暂态功率数据；
对所述多个暂态功率数据进行图像转换处理，得到所述样本图像；
所述对所述多个暂态功率数据进行图像转换处理，得到所述样本图像，包括：
根据所述多个暂态功率数据，以及各所述暂态功率数据对应的时间信息，生成初始样本图像，所述初始样本图像中包括背景区域和前景区域，所述背景区域的像素值为第一像素值，所述前景区域的像素值为第二像素值；
对所述多个暂态功率数据进行归一化处理，得到所述用电器对应的图像系数；
根据所述图像系数和所述初始样本图像，得到所述样本图像，其中，所述样本图像中的背景区域的像素值为所述第一像素值，所述样本图像中的前景区域的像素值为根据所述图像系数和所述第二像素值确定的数值；
所述用电器类别识别模型包括上采样模块和下采样模块；所述将所述样本图像输入至用电器类别识别模型，得到所述用电器类别识别模型输出的识别类别，包括：
根据所述下采样模块对所述样本图像进行处理，得到所述下采样模块输出的多尺度下采样图像；
根据所述上采样模块对所述多尺度下采样图像进行处理，得到所述识别类别。
2.根据权利要求1所述的方法，其特征在于，所述根据所述功率数据和所述标签信息，获取所述用电器对应的多个暂态功率数据，包括：
根据预设窗口长度和预设滑动长度对所述功率数据进行分块处理，得到多个分块数据组，每个分块数据组中包括所述分块数据组对应的时段内的各时刻下、所述用电器的功率；
针对任意分块数据组，根据所述开启时刻和所述关闭时刻对所述分块数据组进行聚类处理，得到所述分块数据组下的至少一个聚类；
根据各所述聚类和所述开启时刻，确定所述用电器开启时对应的聚类；
根据所述用电器开启时对应的聚类，以及所述聚类中包括的功率，确定所述分块数据组下、所述用电器对应的暂态功率数据，其中，所述多个暂态功率数据包括各所述分块数据组下、所述用电器对应的暂态功率数据。
3.根据权利要求1所述的方法，其特征在于，所述下采样模块包括M个下采样子模块，所述M个下采样子模块依次连接；所述根据所述下采样模块对所述样本图像进行处理，得到所述下采样模块输出的多尺度下采样图像，包括：
根据第1个下采样子模块对所述样本图像进行下采样处理，得到第1个下采样图像；
根据第i个下采样子模块对第i-1个下采样图像进行下采样处理，得到第i个下采样图像；
其中，所述i依次为2,3,...,M，所述M为大于1的整数，所述多尺度下采样图像包括各所述下采样子模块分别输出的下采样图像。
4.根据权利要求3所述的方法，其特征在于，所述上采样模块包括M个上采样子模块，所述M个上采样子模块依次连接；所述根据所述上采样模块对所述多尺度下采样图像进行处理，得到所述识别类别，包括：
根据第M个上采样子模块对所述第M个下采样图像进行卷积处理，得到第M个上采样图像；
对第j个下采样图像进行卷积处理，得到第j个卷积图像；
根据第j个上采样子模块对所述第j个卷积图像和第j+1个上采样图像进行合并处理，得到第j个上采样图像；
根据第1个上采样图像，得到所述识别类别；
其中，所述j依次为M-1,M-2,...,1。
5.一种用电器类别识别方法，其特征在于，包括：
获取用电器在第一时段内的功率数据；
根据所述功率数据，确定所述用电器对应的第一图像，其中，所述第一图像中包括背景区域和前景区域，所述前景区域中像素点的像素值与所述功率数据成正相关关系；
将所述第一图像输入至用电器类别识别模型，得到所述用电器类别识别模型输出的第一类别；其中，所述用电器类别识别模型为根据权利要求1-4任一项所述的模型训练方法训练得到的模型。
6.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述的模型训练方法，或者，所述处理器执行所述程序时实现如权利要求5所述的用电器类别识别方法。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的模型训练方法，或者，所述计算机程序被处理器执行时实现如权利要求5所述的用电器类别识别方法。
CN202211504896.8A 2022-11-29 2022-11-29 模型训练和用电器类别识别方法、设备及存储介质 Active CN115601603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211504896.8A CN115601603B (zh) 2022-11-29 2022-11-29 模型训练和用电器类别识别方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211504896.8A CN115601603B (zh) 2022-11-29 2022-11-29 模型训练和用电器类别识别方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115601603A CN115601603A (zh) 2023-01-13
CN115601603B true CN115601603B (zh) 2023-04-07

Family

ID=84852392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211504896.8A Active CN115601603B (zh) 2022-11-29 2022-11-29 模型训练和用电器类别识别方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115601603B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116029621B (zh) * 2023-03-29 2023-06-06 北京志翔科技股份有限公司 台区电能表运行评估方法、装置、电子设备和存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2570890B (en) * 2018-02-07 2020-05-06 Green Running Ltd Method and apparatus for monitoring electrical power consumption
CN108345906B (zh) * 2018-02-09 2022-02-22 无锡英臻科技有限公司 一种基于Boost模型的非侵入式用电器识别方法
CN110135452B (zh) * 2019-03-27 2023-08-08 广东浩迪创新科技有限公司 基于智能电表的违规电器识别方法及系统
CN111310644A (zh) * 2020-02-12 2020-06-19 李斌 一种针对电器类型及其工作状态的智能识别方法及装置
CN112418722B (zh) * 2020-12-08 2021-09-10 浙江大学 基于v-i轨迹图和神经网络的非侵入式负荷识别方法
CN113822116A (zh) * 2021-06-03 2021-12-21 腾讯科技（深圳）有限公司 文本识别方法、装置、计算机设备和存储介质
CN114662534A (zh) * 2022-03-08 2022-06-24 国网浙江省电力有限公司营销服务中心 电力用户侧可调负荷资源聚合的非侵入式监测方法及系统
CN114942344A (zh) * 2022-06-07 2022-08-26 西安电子科技大学 一种非侵入式用电器识别方法、系统、介质、设备及终端

Also Published As

Publication number Publication date
CN115601603A (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
US20230296654A1 (en) Non-intrusive load monitoring method based on v-i trajectory and neural network
CN111864896B (zh) 一种电力负荷监测方法及系统
Shin et al. Efficient naturalness restoration for non‐uniform illumination images
CN111355941B (zh) 图像颜色实时校正方法、装置和系统
CN115601603B (zh) 模型训练和用电器类别识别方法、设备及存储介质
EP3598386A1 (en) Method and apparatus for processing image
WO2015172374A1 (en) System, method and apparatuses for identifying load volatility of a power customer and a tangible computer readable medium
CN115249332B (zh) 基于空谱双分支卷积网络的高光谱图像分类方法及设备
CN113592998A (zh) 重光照图像的生成方法、装置及电子设备
Xiao et al. Hierarchical tone mapping based on image colour appearance model
Kansal et al. New adaptive histogram equalisation heuristic approach for contrast enhancement
CN117290788B (zh) 一种基于改进小波变换算法的配电网故障辨识方法及系统
US20240054605A1 (en) Methods and systems for wavelet domain-based normalizing flow super-resolution image reconstruction
CN102129575B (zh) 一种基于颜色空间肤色模型的色情图像分析系统
CN117079005A (zh) 一种光缆故障监测方法、系统、装置及可读存储介质
CN110516590A (zh) 基于场景识别的作业标准提示系统
Li et al. Layered‐based exposure fusion algorithm
CN112581387B (zh) 一种配电室智能运维系统、装置及方法
Kumar et al. Realtime dehazing using colour uniformity principle
CN113870142B (zh) 用于增强图像对比度的方法、装置
Zhang et al. A power data reconstruction method based on super-resolution generative adversarial network
CN114997047B (zh) 一种基于循环生成对抗网络的电磁频谱信息补全方法
Peilin et al. Power quality detection and discrimination in distributed power system based on wavelet transform
CN109949332A (zh) 用于处理图像的方法和装置
Celik Spatio‐temporal video contrast enhancement

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