CN115880102A - 一种电能计量方法、系统、设备及存储介质 - Google Patents

一种电能计量方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN115880102A
CN115880102A CN202310217753.7A CN202310217753A CN115880102A CN 115880102 A CN115880102 A CN 115880102A CN 202310217753 A CN202310217753 A CN 202310217753A CN 115880102 A CN115880102 A CN 115880102A
Authority
CN
China
Prior art keywords
population
data
time
electric energy
energy metering
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.)
Granted
Application number
CN202310217753.7A
Other languages
English (en)
Other versions
CN115880102B (zh
Inventor
黄天富
王春光
吴志武
张颖
詹文
林彤尧
黄汉斌
周志森
伍翔
郭银婷
陈子琳
王文静
江秀莹
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.)
State Grid Fujian Electric Power Co Ltd
Marketing Service Center of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Fujian Electric Power Co Ltd
Marketing Service Center of State Grid Fujian Electric Power 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 State Grid Fujian Electric Power Co Ltd, Marketing Service Center of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Fujian Electric Power Co Ltd
Priority to CN202310217753.7A priority Critical patent/CN115880102B/zh
Publication of CN115880102A publication Critical patent/CN115880102A/zh
Application granted granted Critical
Publication of CN115880102B publication Critical patent/CN115880102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种电能计量方法、系统、设备和存储介质，其中方法括以下步骤：获取历史用户电能计量数据，得到基于时序的历史用电数据，利用S变换将基于时序的历史用电数据转换为历史用电数据的时频图谱，从时频图谱中提取特定图谱特征；构建U‑net神经网络模型，利用MTOA算法对U‑net神经网络模型进行优化；对提取出的特定图谱特征添加异常用电标签形成训练样本，将训练样本导入至优化好的U‑net神经网络模型进行迭代训练，得到异常用电判定模型；根据当前用户的电能计量数据获取当前用电数据的时频图谱，从当前用电数据的时频图谱中提取特定图谱特征，将提取的特定图谱特征输入至异常用电判定模型，输出异常用电判定结果。

Description

一种电能计量方法、系统、设备及存储介质
技术领域
本发明涉及一种电能计量方法、系统、设备及存储介质，属于电能计量技术领域。
背景技术
电能是社会发展和人们日常生活不可缺少的能源随着市场经济的不断完善，电能商品化已经成为一种必然衡量用户用电情况最直观的方法就是电能计量，电能计量标准化的程度高低也能体现供电企业的管理水平。
电能计量标准是指公正计费和正确计算电力系统经济技术指标。加强电能计量装置的管理，保障电能量值的准确、统一和计量的安全可靠，是提高电能计量标准的有效途径。现有技术如专利号为“CN109840691A”的发明专利公开了一种基于深度神经网络的非侵入式分项电量估计方法，包括：获取总量用电数据序列与目标电器用电数据序列；获得目标电器的背景用电数据序列和工作曲线；合成仿真总量用电数据；构建与训练电量估计神经网络；将现场采集到的总量用电数据按需分段，输入到训练所得的深度神经网络，在线估计目标电器用电量。本发明仅通过分析用电场景的总量用电数据序列，便可单独估计场景内的目标电器用电量；对目标电器仅进行短期单独量测，便可获得充足训练数据样本，用以训练神经网络。本发明技术方案准确度更高、更易推广；通过扩展输入的方式，将目标电器的完整工作过程输入神经网络，充分利用工作过程中尽量多的特征，进一步提升了电量估计准确度。
上述电能计量方法，仅仅是提供计量服务，难以在电能计量过程中对用户的电能使用异常的情况进行判断。
发明内容
为了解决上述现有技术中存在的问题，本发明提出了一种电能计量方法、系统、设备及存储介质，能够判定用户是否存在异常用电的情况，并将异常用电的判定结果以及相应的电能计量数据发出，为用户的电能使用提供预警服务。
本发明的技术方案如下：
一方面，本发明提供一种电能计量方法，包括以下步骤：
获取历史用户电能计量数据；
根据历史用户电能计量数据得到基于时序的历史用电数据，利用S变换将基于时序的历史用电数据转换为历史用电数据的时频图谱，从历史用电数据的时频图谱中提取特定图谱特征，所述特定图谱特征包括时间信息；
构建U-net神经网络模型，利用MTOA算法对U-net神经网络模型进行优化；
对提取出的特定图谱特征添加异常用电标签形成训练样本，将训练样本导入至优化好的U-net神经网络模型进行迭代训练，得到训练好的异常用电判定模型；
获取当前用户的电能计量数据，根据当前用户的电能计量数据获取当前用电数据的时频图谱，从当前用电数据的时频图谱中提取特定图谱特征，将提取的特定图谱特征输入至异常用电判定模型，输出异常用电判定结果，同时，根据判定为异常用电的特定图谱特征中的时间信息获取对应的电能计量数据发出给用户。
作为优选实施方式，所述根据历史用户电能计量数据得到基于时序的历史用电数据，利用S变换将基于时序的历史用电数据转换为历史用电数据的时频图谱的方法具体为：
根据历史用户电能计量数据得到基于时序的功率数据、电流数据和电压数据；
设基于时序的功率数据为sig1(t)、电流数据为sig2(t)、电压数据为sig3(t)，分别sig1(t)、sig2(t)、sig3(t)进行S变换，连续S变换表达式为：
Figure SMS_1
；
其中，
Figure SMS_2
=xT，/>
Figure SMS_3
为平移因子，用于控制高斯窗在时间轴t上的位置，f=y/NT，f为信号特征频率，x为按一定时间长间隔的时间采样点编号，y为按一定频率长间隔的频率采样点编号，T为采样周期，N为采样点数；
对S变换进行离散化处理，得到：
Figure SMS_4
；
其中，
Figure SMS_5
为时间序列sign(t)的离散傅里叶变换，k为频点；
基于S变换结果，得到表征用户电能消耗情况的功率数据时间-频率图、电流数据时间-频率图和电压数据时间-频率图。
作为优选实施方式，所述特定图谱特征还包括：
峰值指标，描述时频图谱的高峰面积；
波形指标，反映实际波形与标准正弦波的差异和畸变；
峭度指标，描述时频图谱尖峰程度；
Tamura纹理特征，具体包括对比度特征和方向度特征，所述对比度特征通过对整个图像或图像中任一区域中的像素强度分布情况进行统计得到；所述方向度特征通过计算每个像素点处的方向角得到；
颜色特征，包括颜色的一阶矩、二阶矩和三阶矩。
作为优选实施方式，所述利用MTOA算法对U-net神经网络模型进行优化的方法具体为：
设
Figure SMS_6
为U-net神经网络模型中任意两相连的神经元间的权重参数，n、m分别为连接的两个神经元的编号，引入MTOA算法优化更新U-net神经网络模型的权重参数，具体为：
定义如下参数：a,b,c,d,e,f,x,y，其中x、y为两个随机初始化的种群，a为种群x生长速率，b为种群x对其自身的影响程度，c为种群y对种群x的影响程度，d为种群y生长速率，f为种群y对其自身的影响程度，e为种群x对种群y的影响程度，t为迭代次数；
定义目标函数为：
Figure SMS_7
；
其中，
Figure SMS_8
，/>
Figure SMS_9
，m、n为种群数量；
进一步地：
Figure SMS_10
；
Figure SMS_11
；
其中，
Figure SMS_12
表示种群x中的第i个个体，/>
Figure SMS_13
表示种群y中第j个个体；
种群个体的迭代公式设置为：
Figure SMS_14
；
Figure SMS_15
；
其中，
Figure SMS_16
表示在t轮迭代中，x种群中第i个个体；/>
Figure SMS_17
表示在t轮迭代中，y种群中的第j个个体；/>
Figure SMS_18
表示第t轮迭代的初始化x种群；/>
Figure SMS_19
表示第t轮迭代的初始化y种群；
根据上述迭代公式进行种群迭代，当搜寻到
Figure SMS_20
的最大值时，对
Figure SMS_21
的最大值进行归一化处理，得到在区间范围（0,1）的值，将计算出的值作为优化后的权重参数/>
Figure SMS_22
，将优化后的权重参数/>
Figure SMS_23
代入U-net神经网络模型中参与训练和预测。
另一方面，本发明还提供一种电能计量系统，包括：
数据获取模块，用于获取历史用户电能计量数据；
特征提取模块，用于根据历史用户电能计量数据得到基于时序的历史用电数据，利用S变换将基于时序的历史用电数据转换为历史用电数据的时频图谱，从历史用电数据的时频图谱中提取特定图谱特征，所述特定图谱特征包括时间信息；
模型构建模块，用于构建U-net神经网络模型，利用MTOA算法对U-net神经网络模型进行优化；
模型训练模块，用于对提取出的特定图谱特征添加异常用电标签形成训练样本，将训练样本导入至优化好的U-net神经网络模型进行迭代训练，得到训练好的异常用电判定模型；
结果输出模块，用于获取当前用户的电能计量数据，根据当前用户的电能计量数据获取当前用电数据的时频图谱，从当前用电数据的时频图谱中提取特定图谱特征，将提取的特定图谱特征输入至异常用电判定模型，输出异常用电判定结果，同时，根据判定为异常用电的特定图谱特征中的时间信息获取对应的电能计量数据发出给用户。
作为优选实施方式，所述特征提取模块具体包括：
时序数据获取单元，用于根据历史用户电能计量数据得到基于时序的功率数据、电流数据和电压数据；
S变换单元，用于设基于时序的功率数据为sig1(t)、电流数据为sig2(t)、电压数据为sig3(t)，分别sig1(t)、sig2(t)、sig3(t)进行S变换，连续S变换表达式为：
Figure SMS_24
；
其中，
Figure SMS_25
=xT，/>
Figure SMS_26
为平移因子，用于控制高斯窗在时间轴t上的位置，f=y/NT，f为信号特征频率，x为按一定时间长间隔的时间采样点编号，y为按一定频率长间隔的频率采样点编号，T为采样周期，N为采样点数；
对S变换进行离散化处理，得到：
Figure SMS_27
；
其中，
Figure SMS_28
为时间序列sign(t)的离散傅里叶变换，k为频点；
时频图谱获取单元，基于S变换结果，得到表征用户电能消耗情况的功率数据时间-频率图、电流数据时间-频率图和电压数据时间-频率图。
作为优选实施方式，所述特定图谱特征还包括：
峰值指标，描述时频图谱的高峰面积；
波形指标，反映实际波形与标准正弦波的差异和畸变；
峭度指标，描述时频图谱尖峰程度；
Tamura纹理特征，具体包括对比度特征和方向度特征，所述对比度特征通过对整个图像或图像中任一区域中的像素强度分布情况进行统计得到；所述方向度特征通过计算每个像素点处的方向角得到；
颜色特征，包括颜色的一阶矩、二阶矩和三阶矩。
作为优选实施方式，在所述模型构建模块中，所述利用MTOA算法对U-net神经网络模型进行优化的方法具体为：
设
Figure SMS_29
为U-net神经网络模型中任意两相连的神经元间的权重参数，n、m分别为连接的两个神经元的编号，引入MTOA算法优化更新U-net神经网络模型的权重参数，具体为：
定义如下参数：a,b,c,d,e,f,x,y，其中x、y为两个随机初始化的种群，a为种群x生长速率，b为种群x对其自身的影响程度，c为种群y对种群x的影响程度，d为种群y生长速率，f为种群y对其自身的影响程度，e为种群x对种群y的影响程度，t为迭代次数；
定义目标函数为：
Figure SMS_30
；
其中，
Figure SMS_31
，/>
Figure SMS_32
，m、n为种群数量；
进一步地：
Figure SMS_33
；
Figure SMS_34
；
其中，
Figure SMS_35
表示种群x中的第i个个体，/>
Figure SMS_36
表示种群y中第j个个体；
种群个体的迭代公式设置为：
Figure SMS_37
；
Figure SMS_38
；
其中，
Figure SMS_39
表示在t轮迭代中，x种群中第i个个体；/>
Figure SMS_40
表示在t轮迭代中，y种群中的第j个个体；/>
Figure SMS_41
表示第t轮迭代的初始化x种群；/>
Figure SMS_42
表示第t轮迭代的初始化y种群；
根据上述迭代公式进行种群迭代，当搜寻到
Figure SMS_43
的最大值时，对
Figure SMS_44
的最大值进行归一化处理，得到在区间范围（0,1）的值，将计算出的值作为优化后的权重参数/>
Figure SMS_45
，将优化后的权重参数/>
Figure SMS_46
代入U-net神经网络模型中参与训练和预测。
再一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在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本发明任一实施例所述的电能计量方法。
再一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的电能计量方法。
本发明具有如下有益效果：
1、本发明一种电能计量方法，构建U-net神经网络模型并进行训练，利用MTOA算法对U-net神经网络模型进行优化，基于优化后的神经网络模型对特定图谱特征进行分析，以判定用户是否存在异常用电的情况，并将异常用电判定结果以及相应时间的电能计量数据发出，能够为用户的电能使用提供预警服务。
2、本发明一种电能计量方法，通过对用户电能计量数据获取基于时序的用电数据，并进行S变换，解决数据的非平稳问题并能深度挖掘特征数据信息。
3、本发明一种电能计量方法，得到表征用户电能消耗情况的时频图谱后，将图像特征作为新的预测变量，引入多维特征来刻画用户用电数据信息以挖掘图中的信息，提高预测的精确度。
附图说明
图1为本发明实施例一的方法流程示意图；
图2为本发明实施例二的系统结构示意图。
具体实施方式
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，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
电能计量标准是指公正计费和正确计算电力系统经济技术指标。加强电能计量装置的管理，保障电能量值的准确、统一和计量装置的安全可靠，是提高电能计量标准的有效途径。在当前的电能计量装置中，仅仅是提供计量服务，难以在电能计量过程中对用户的电能使用异常的情况进行判断。基于这一现有技术缺陷，本发明提供以下实施例。
实施例一：
参见图1，本实施例提供一种电能计量方法，具体包括以下步骤：
S100、获取历史用户电能计量数据；
在本步骤中，用户电能计量数据包括电压计量数据和电流计量数据，两者可以独立获取，也可以同时进行获取，根据电流计量数据和电压计量数据即可计算得到功率计量数据；
S200、根据历史用户电能计量数据得到基于时序的历史用电数据，利用S变换将基于时序的历史用电数据转换为历史用电数据的时频图谱，从历史用电数据的时频图谱中提取特定图谱特征，所述特定图谱特征包括时间信息；
S300、构建U-net神经网络模型，U-net是一种改进的全卷积神经网络模型，共9层，由5层编码网络和4层解码网络构成，与普通ANN神经网络不同的是其采用二元交叉熵作为损失函数。假设有N个样本，其总损失函数（loss）表达式如下：
Figure SMS_47
式中
Figure SMS_48
是真实类别的概率，其值为0或1；/>
Figure SMS_49
是预测类别的概率，其值在0到1之间。使用该神经网络算法并基于Keras2.24开源框架实现，构建好U-net神经网络模型之后，引入MTOA（菌根树优化自然启发）算法对U-net神经网络模型进行优化。
S400、使用全覆盖数据采集法，均等提取用户用电电能情况（正常、异常），根据用户用电电能情况对相应提取出的特定图谱特征添加异常用电标签（标签即上述的真实类别的概率），从而形成训练样本集，具体包括训练数据集和测试数据集；然后利用训练数据集导入至优化好的U-net神经网络模型进行迭代训练，为了保证其检测准确性，利用测试数据集对其进行检测，当其通过检测时，即可投入使用，得到训练好的异常用电判定模型。
S500、获取当前用户的电能计量数据，同样的根据当前用户的电能计量数据得到基于时序的当前用电数据，利用S变换将基于时序的当前用电数据转换为当前用电数据的时频图谱，再从当前用电数据的时频图谱中提取特定图谱特征，将提取的特定图谱特征输入至异常用电判定模型，输出异常用电判定结果，同时，根据判定为异常用电的特定图谱特征中的时间信息获取对应的电能计量数据，按照预设通讯方式将当前用户的异常用电判定结果和对应的电能计量数据发出给用户。
在本步骤中，特定图谱特征包括对应的时间信息，导入到异常用电判定模型中，由于异常用电判定模型已经经过训练，能够根据特定图谱特征对异常用电进行评估，由于在不同的时间段，用户的用电方式不同，一般情况下，白天用户出现耗电量波动的情况很常见，属于正常范围，而夜间出现大幅波动则可能存在异常，因此需要将时间信息作为判据之一，以最终得到耗电检测结果。
基于本实施例，构建U-net神经网络模型并进行训练，利用MTOA算法对U-net神经网络模型进行优化，基于优化后的神经网络模型对特定图谱特征进行分析，以判定用户是否存在异常用电的情况，并将异常用电判定结果以及相应时间的电能计量数据发出，能够为用户的电能使用提供预警服务。
作为本实施例的优选实施方式，在步骤S200中，所述根据历史用户电能计量数据得到基于时序的历史用电数据，利用S变换将基于时序的历史用电数据转换为历史用电数据的时频图谱的方法具体为：
S201、根据历史用户电能计量数据得到基于时序的功率数据、电流数据和电压数据；上述功率数据、电流数据和电压数据是按时间序列表示的，会出现数据非平稳的问题，本方法首先引入S变换（ST）处理3个数据序列，以解决非平稳问题并深度挖掘特征数据信息。
S202、设基于时序的功率数据为sig1(t)、电流数据为sig2(t)、电压数据为sig3(t)，分别sig1(t)、sig2(t)、sig3(t)进行S变换，连续S变换表达式为：
Figure SMS_50
；
其中，
Figure SMS_51
=xT，/>
Figure SMS_52
为平移因子，用于控制高斯窗在时间轴t上的位置，f=y/NT，f为信号特征频率，x为按一定时间长间隔的时间采样点编号，y为按一定频率长间隔的频率采样点编号，T为采样周期，N为采样点数；
实际处理时，需要对S变换进行离散化处理，得到的S变换的离散形式为：
Figure SMS_53
；
其中，
Figure SMS_54
为时间序列sign(t)的离散傅里叶变换，k为频点；
S203、基于S变换结果，得到表征用户电能消耗情况的功率数据时间-频率图、电流数据时间-频率图和电压数据时间-频率图，其中横轴对应的时间信息，纵轴对应的频率信息。
作为本实施例的优选实施方式，在步骤S200中，得到表征用户电能消耗情况的时间-频率图后，将图像特征作为新的预测变量，引入多维特征来刻画用户用电数据信息以挖掘图中的信息，具体的，所述特定图谱特征除了时间信息外还包括：
1）峰值指标，描述时频图谱的高峰面积；
2）波形指标，反映实际波形与标准正弦波的差异和畸变，用于诊断低频领域的不平衡和不对中；
3）峭度指标，描述时频图谱尖峰程度；
4）Tamura纹理特征，具体包括：
a）对比度特征：通过对整个图像或图像中任一区域中的像素强度分布情况进行统计得到；
b）方向度特征：通过计算每个像素点处的方向角得到；
5）颜色特征，图像中的任何颜色分布均可以用其矩来表示；由于颜色分布信息主要集中在低阶矩中，因此采用颜色的一阶矩、二阶矩和三阶矩就足以表达图像的颜色分布，因此该项贡献3项特征。
综上，从每个时频图谱中可以得到8项特征，功率、电压、电流3个时频图谱，因此共得到特定图谱特征24项。在步骤S500中，在进行预测时，同样也获取当前用电数据的时频图谱，继而通过当前用电数据的时频图谱提取上述24项特定图谱特征，连同时间信息一同输入至异常用电判定模型进行预测。
作为本实施例的优选实施方式，在步骤S300中，所述利用MTOA算法对U-net神经网络模型进行优化的方法具体为：
S301、设
Figure SMS_55
为U-net神经网络模型中任意两相连的神经元间的权重参数，n、m分别为连接的两个神经元的编号，引入MTOA算法优化更新U-net神经网络模型的权重参数，具体为：
S302、定义如下参数：a,b,c,d,e,f,x,y，其中x、y为两个随机初始化的种群，a为种群x生长速率，b为种群x对其自身的影响程度，c为种群y对种群x的影响程度，d为种群y生长速率，f为种群y对其自身的影响程度，e为种群x对种群y的影响程度，t为迭代次数；
S303、定义目标函数为：
Figure SMS_56
；
其中，
Figure SMS_57
，/>
Figure SMS_58
，m、n为种群数量；
进一步地：
Figure SMS_59
；
Figure SMS_60
；
其中，
Figure SMS_61
表示种群x中的第i个个体，/>
Figure SMS_62
表示种群y中第j个个体；f（xi）表示的是种群x中的第i个个体的适应度值，f（xj）表示的是种群y中的第j个个体的适应度值；
种群个体的迭代公式设置为：
Figure SMS_63
；
Figure SMS_64
；
其中，
Figure SMS_65
表示在t轮迭代中，x种群中第i个个体；/>
Figure SMS_66
表示在t轮迭代中，y种群中的第j个个体；/>
Figure SMS_67
表示第t轮迭代的初始化x种群；/>
Figure SMS_68
表示第t轮迭代的初始化y种群；
S304、根据上述迭代公式进行种群迭代，当搜寻到
Figure SMS_69
的最大值时，对/>
Figure SMS_70
的最大值进行归一化处理，得到在区间范围（0,1）的值，将计算出的值作为优化后的权重参数/>
Figure SMS_71
，将优化后的权重参数/>
Figure SMS_72
代入U-net神经网络模型中参与训练和预测。
上述算法的原理为：定义U-net神经网络模型的权重为MTOA的输入参数，首先初始化树种群，找到最佳的树木适应性，得到生物算子，将参数输入并进行判断是否适应，如果不适应则更新树木的种群和适应度，直到适应为止，而后导入生物算子，输出处理后的参数，作为U-net神经网络的权重参数。
实施例二：
参见图2，本实施例提供一种电能计量系统，包括：
数据获取模块，用于获取历史用户电能计量数据；该模块用于实现实施例一中步骤S100的功能，在此不再赘述；
特征提取模块，用于根据历史用户电能计量数据得到基于时序的历史用电数据，利用S变换将基于时序的历史用电数据转换为历史用电数据的时频图谱，从历史用电数据的时频图谱中提取特定图谱特征，所述特定图谱特征包括时间信息；该模块用于实现实施例一中步骤S200的功能，在此不再赘述；
模型构建模块，用于构建U-net神经网络模型，利用MTOA算法对U-net神经网络模型进行优化；该模块用于实现实施例一中步骤S300的功能，在此不再赘述；
模型训练模块，用于对提取出的特定图谱特征添加异常用电标签形成训练样本，将训练样本导入至优化好的U-net神经网络模型进行迭代训练，得到训练好的异常用电判定模型；该模块用于实现实施例一中步骤S400的功能，在此不再赘述；
结果输出模块，用于获取当前用户的电能计量数据，根据当前用户的电能计量数据获取当前用电数据的时频图谱，从当前用电数据的时频图谱中提取特定图谱特征，将提取的特定图谱特征输入至异常用电判定模型，输出异常用电判定结果，同时，根据判定为异常用电的特定图谱特征中的时间信息获取对应的电能计量数据发出给对应用户；该模块用于实现实施例一中步骤S500的功能，在此不再赘述。
作为本实施例的优选实施方式，所述特征提取模块具体包括：
时序数据获取单元，用于根据历史用户电能计量数据得到基于时序的功率数据、电流数据和电压数据；
S变换单元，用于设基于时序的功率数据为sig1(t)、电流数据为sig2(t)、电压数据为sig3(t)，分别sig1(t)、sig2(t)、sig3(t)进行S变换，连续S变换表达式为：
Figure SMS_73
；
其中，
Figure SMS_74
=xT，/>
Figure SMS_75
为平移因子，用于控制高斯窗在时间轴t上的位置，f=y/NT，f为信号特征频率，x为按一定时间长间隔的时间采样点编号，y为按一定频率长间隔的频率采样点编号，T为采样周期，N为采样点数；
对S变换进行离散化处理，得到：
Figure SMS_76
；
其中，
Figure SMS_77
为时间序列sign(t)的离散傅里叶变换，k为频点；
时频图谱获取单元，基于S变换结果，得到表征用户电能消耗情况的功率数据时间-频率图、电流数据时间-频率图和电压数据时间-频率图。
作为本实施例的优选实施方式，所述特定图谱特征还包括：
峰值指标，描述时频图谱的高峰面积；
波形指标，反映实际波形与标准正弦波的差异和畸变；
峭度指标，描述时频图谱尖峰程度；
Tamura纹理特征，具体包括对比度特征和方向度特征，所述对比度特征通过对整个图像或图像中任一区域中的像素强度分布情况进行统计得到；所述方向度特征通过计算每个像素点处的方向角得到；
颜色特征，包括颜色的一阶矩、二阶矩和三阶矩。
作为本实施例的优选实施方式，在所述模型构建模块中，所述利用MTOA算法对U-net神经网络模型进行优化的方法具体为：
设
Figure SMS_78
为U-net神经网络模型中任意两相连的神经元间的权重参数，n、m分别为连接的两个神经元的编号，引入MTOA算法优化更新U-net神经网络模型的权重参数，具体为：
定义如下参数：a,b,c,d,e,f,x,y，其中x、y为两个随机初始化的种群，a为种群x生长速率，b为种群x对其自身的影响程度，c为种群y对种群x的影响程度，d为种群y生长速率，f为种群y对其自身的影响程度，e为种群x对种群y的影响程度，t为迭代次数；
定义目标函数为：
Figure SMS_79
；
其中，
Figure SMS_80
，/>
Figure SMS_81
，m、n为种群数量；
进一步地：
Figure SMS_82
；
Figure SMS_83
；
其中，
Figure SMS_84
表示种群x中的第i个个体，/>
Figure SMS_85
表示种群y中第j个个体；
种群个体的迭代公式设置为：
Figure SMS_86
；
Figure SMS_87
；
其中，
Figure SMS_88
表示在t轮迭代中，x种群中第i个个体；/>
Figure SMS_89
表示在t轮迭代中，y种群中的第j个个体；/>
Figure SMS_90
表示第t轮迭代的初始化x种群；/>
Figure SMS_91
表示第t轮迭代的初始化y种群；
根据上述迭代公式进行种群迭代，当搜寻到
Figure SMS_92
的最大值时，对
Figure SMS_93
的最大值进行归一化处理，得到在区间范围（0,1）的值，将计算出的值作为优化后的权重参数/>
Figure SMS_94
，将优化后的权重参数/>
Figure SMS_95
代入U-net神经网络模型中参与训练和预测。
实施例三：
本实施例提出一种电子设备，包括存储器、处理器及存储在存储器上并可在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本发明任一实施例所述的电能计量方法。
实施例四：
本实施例提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的电能计量方法。
本申请实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。
本领域普通技术人员可以意识到，本文中公开的实施例中描述的各单元及算法步骤，能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
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，任一功能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(Read-Only Memory；以下简称：ROM)、随机存取存储器(Random Access Memory；以下简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种电能计量方法，其特征在于，包括以下步骤：
获取历史用户电能计量数据；
根据历史用户电能计量数据得到基于时序的历史用电数据，利用S变换将基于时序的历史用电数据转换为历史用电数据的时频图谱，从历史用电数据的时频图谱中提取特定图谱特征，所述特定图谱特征包括时间信息；
构建U-net神经网络模型，利用MTOA算法对U-net神经网络模型进行优化；
对提取出的特定图谱特征添加异常用电标签形成训练样本，将训练样本导入至优化好的U-net神经网络模型进行迭代训练，得到训练好的异常用电判定模型；
获取当前用户的电能计量数据，根据当前用户的电能计量数据获取当前用电数据的时频图谱，从当前用电数据的时频图谱中提取特定图谱特征，将提取的特定图谱特征输入至异常用电判定模型，输出异常用电判定结果，同时，根据判定为异常用电的特定图谱特征中的时间信息获取对应的电能计量数据发出给对应用户。
2.根据权利要求1所述的一种电能计量方法，其特征在于，所述根据历史用户电能计量数据得到基于时序的历史用电数据，利用S变换将基于时序的历史用电数据转换为历史用电数据的时频图谱的方法具体为：
根据历史用户电能计量数据得到基于时序的功率数据、电流数据和电压数据；
设基于时序的功率数据为sig1(t)、电流数据为sig2(t)、电压数据为sig3(t)，分别sig1(t)、sig2(t)、sig3(t)进行S变换，连续S变换表达式为：
Figure QLYQS_1
；
其中，
Figure QLYQS_2
=xT，/>
Figure QLYQS_3
为平移因子，用于控制高斯窗在时间轴t上的位置，f=y/NT，f为信号特征频率，x为按一定时间长间隔的时间采样点编号，y为按一定频率长间隔的频率采样点编号，T为采样周期，N为采样点数；
对S变换进行离散化处理，得到：
Figure QLYQS_4
；
其中，
Figure QLYQS_5
为时间序列sign(t)的离散傅里叶变换，k为频点；
基于S变换结果，得到表征用户电能消耗情况的功率数据时间-频率图、电流数据时间-频率图和电压数据时间-频率图。
3.根据权利要求2所述的一种电能计量方法，其特征在于，所述特定图谱特征还包括：
峰值指标，描述时频图谱的高峰面积；
波形指标，反映实际波形与标准正弦波的差异和畸变；
峭度指标，描述时频图谱尖峰程度；
Tamura纹理特征，具体包括对比度特征和方向度特征，所述对比度特征通过对整个图像或图像中任一区域中的像素强度分布情况进行统计得到；所述方向度特征通过计算每个像素点处的方向角得到；
颜色特征，包括颜色的一阶矩、二阶矩和三阶矩。
4.根据权利要求1所述的一种电能计量方法，其特征在于，所述利用MTOA算法对U-net神经网络模型进行优化的方法具体为：
设
Figure QLYQS_6
为U-net神经网络模型中任意两相连的神经元间的权重参数，n、m分别为连接的两个神经元的编号，引入MTOA算法优化更新U-net神经网络模型的权重参数，具体为：
定义如下参数：a,b,c,d,e,f,x,y，其中x、y为两个随机初始化的种群，a为种群x生长速率，b为种群x对其自身的影响程度，c为种群y对种群x的影响程度，d为种群y生长速率，f为种群y对其自身的影响程度，e为种群x对种群y的影响程度，t为迭代次数；
定义目标函数为：
Figure QLYQS_7
；
其中，
Figure QLYQS_8
，/>
Figure QLYQS_9
，m、n为种群数量；
进一步地：
Figure QLYQS_10
；
Figure QLYQS_11
；
其中，
Figure QLYQS_12
表示种群x中的第i个个体，/>
Figure QLYQS_13
表示种群y中第j个个体；
种群个体的迭代公式设置为：
Figure QLYQS_14
；
Figure QLYQS_15
；
其中，
Figure QLYQS_16
表示在t轮迭代中，x种群中第i个个体；/>
Figure QLYQS_17
表示在t轮迭代中，y种群中的第j个个体；/>
Figure QLYQS_18
表示第t轮迭代的初始化x种群；/>
Figure QLYQS_19
表示第t轮迭代的初始化y种群；
根据上述迭代公式进行种群迭代，当搜寻到
Figure QLYQS_20
的最大值时，对/>
Figure QLYQS_21
的最大值进行归一化处理，得到在区间范围（0,1）的值，将计算出的值作为优化后的权重参数/>
Figure QLYQS_22
，将优化后的权重参数/>
Figure QLYQS_23
代入U-net神经网络模型中参与训练和预测。
5.一种电能计量系统，其特征在于，包括：
数据获取模块，用于获取历史用户电能计量数据；
特征提取模块，用于根据历史用户电能计量数据得到基于时序的历史用电数据，利用S变换将基于时序的历史用电数据转换为历史用电数据的时频图谱，从历史用电数据的时频图谱中提取特定图谱特征，所述特定图谱特征包括时间信息；
模型构建模块，用于构建U-net神经网络模型，利用MTOA算法对U-net神经网络模型进行优化；
模型训练模块，用于对提取出的特定图谱特征添加异常用电标签形成训练样本，将训练样本导入至优化好的U-net神经网络模型进行迭代训练，得到训练好的异常用电判定模型；
结果输出模块，用于获取当前用户的电能计量数据，根据当前用户的电能计量数据获取当前用电数据的时频图谱，从当前用电数据的时频图谱中提取特定图谱特征，将提取的特定图谱特征输入至异常用电判定模型，输出异常用电判定结果，同时，根据判定为异常用电的特定图谱特征中的时间信息获取对应的电能计量数据发出给对应用户。
6.根据权利要求5所述的一种电能计量系统，其特征在于，所述特征提取模块具体包括：
时序数据获取单元，用于根据历史用户电能计量数据得到基于时序的功率数据、电流数据和电压数据；
S变换单元，用于设基于时序的功率数据为sig1(t)、电流数据为sig2(t)、电压数据为sig3(t)，分别sig1(t)、sig2(t)、sig3(t)进行S变换，连续S变换表达式为：
Figure QLYQS_24
；
其中，
Figure QLYQS_25
=xT，/>
Figure QLYQS_26
为平移因子，用于控制高斯窗在时间轴t上的位置，f=y/NT，f为信号特征频率，x为按一定时间长间隔的时间采样点编号，y为按一定频率长间隔的频率采样点编号，T为采样周期，N为采样点数；
对S变换进行离散化处理，得到：
Figure QLYQS_27
；/>
其中，
Figure QLYQS_28
为时间序列sign(t)的离散傅里叶变换，k为频点；
时频图谱获取单元，基于S变换结果，得到表征用户电能消耗情况的功率数据时间-频率图、电流数据时间-频率图和电压数据时间-频率图。
7.根据权利要求6所述的一种电能计量系统，其特征在于，所述特定图谱特征还包括：
峰值指标，描述时频图谱的高峰面积；
波形指标，反映实际波形与标准正弦波的差异和畸变；
峭度指标，描述时频图谱尖峰程度；
Tamura纹理特征，具体包括对比度特征和方向度特征，所述对比度特征通过对整个图像或图像中任一区域中的像素强度分布情况进行统计得到；所述方向度特征通过计算每个像素点处的方向角得到；
颜色特征，包括颜色的一阶矩、二阶矩和三阶矩。
8.根据权利要求5所述的一种电能计量系统，其特征在于，在所述模型构建模块中，所述利用MTOA算法对U-net神经网络模型进行优化的方法具体为：
设
Figure QLYQS_29
为U-net神经网络模型中任意两相连的神经元间的权重参数，n、m分别为连接的两个神经元的编号，引入MTOA算法优化更新U-net神经网络模型的权重参数，具体为：
定义如下参数：a,b,c,d,e,f,x,y，其中x、y为两个随机初始化的种群，a为种群x生长速率，b为种群x对其自身的影响程度，c为种群y对种群x的影响程度，d为种群y生长速率，f为种群y对其自身的影响程度，e为种群x对种群y的影响程度，t为迭代次数；
定义目标函数为：
Figure QLYQS_30
；
其中，
Figure QLYQS_31
，/>
Figure QLYQS_32
，m、n为种群数量；
进一步地：
Figure QLYQS_33
；
Figure QLYQS_34
；
其中，
Figure QLYQS_35
表示种群x中的第i个个体，/>
Figure QLYQS_36
表示种群y中第j个个体；
种群个体的迭代公式设置为：
Figure QLYQS_37
；/>
Figure QLYQS_38
；
其中，
Figure QLYQS_39
表示在t轮迭代中，x种群中第i个个体；/>
Figure QLYQS_40
表示在t轮迭代中，y种群中的第j个个体；/>
Figure QLYQS_41
表示第t轮迭代的初始化x种群；/>
Figure QLYQS_42
表示第t轮迭代的初始化y种群；
根据上述迭代公式进行种群迭代，当搜寻到
Figure QLYQS_43
的最大值时，对
Figure QLYQS_44
的最大值进行归一化处理，得到在区间范围（0,1）的值，将计算出的值作为优化后的权重参数/>
Figure QLYQS_45
，将优化后的权重参数/>
Figure QLYQS_46
代入U-net神经网络模型中参与训练和预测。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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任一项所述的电能计量方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4任一项所述的电能计量方法。
CN202310217753.7A 2023-03-08 2023-03-08 一种电能计量方法、系统、设备及存储介质 Active CN115880102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310217753.7A CN115880102B (zh) 2023-03-08 2023-03-08 一种电能计量方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310217753.7A CN115880102B (zh) 2023-03-08 2023-03-08 一种电能计量方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115880102A true CN115880102A (zh) 2023-03-31
CN115880102B CN115880102B (zh) 2023-06-09

Family

ID=85762090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310217753.7A Active CN115880102B (zh) 2023-03-08 2023-03-08 一种电能计量方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115880102B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116581793A (zh) * 2023-04-21 2023-08-11 淮阴工学院 一种适用于水产养殖场的绿色监测与供能系统及方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106970370A (zh) * 2017-04-25 2017-07-21 西安电子科技大学 基于混沌神经网络的雷达多目标跟踪优化方法
CN107977710A (zh) * 2017-12-21 2018-05-01 南方电网科学研究院有限责任公司 用电异常数据检测方法和装置
CN108416693A (zh) * 2018-02-01 2018-08-17 东华大学 一种基于模糊神经网络的用电异常行为识别方法
CN109118013A (zh) * 2018-08-29 2019-01-01 黑龙江工业学院 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统
CN109271975A (zh) * 2018-11-19 2019-01-25 燕山大学 一种基于大数据多特征提取协同分类的电能质量扰动识别方法
WO2021221285A1 (ko) * 2020-04-29 2021-11-04 한국산업기술대학교산학협력단 인공신경망 기반 전력시장 가격 예측 시스템
CN113918884A (zh) * 2020-07-09 2022-01-11 顺丰科技有限公司 业务量预测模型构建方法和业务量预测方法
CN114528949A (zh) * 2022-03-24 2022-05-24 哈尔滨理工大学 一种基于参数优化的电能计量异常数据的识别与补偿方法
CN115062686A (zh) * 2022-05-07 2022-09-16 北京交通大学 基于多角度特征的多元kpi时序异常检测方法和系统
CN115130656A (zh) * 2022-05-23 2022-09-30 腾讯科技（深圳）有限公司 异常检测模型的训练方法、装置、设备及存储介质
CN115186751A (zh) * 2022-07-13 2022-10-14 广东电网有限责任公司 一种基于s变换的CVT计量误差预测方法、装置及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106970370A (zh) * 2017-04-25 2017-07-21 西安电子科技大学 基于混沌神经网络的雷达多目标跟踪优化方法
CN107977710A (zh) * 2017-12-21 2018-05-01 南方电网科学研究院有限责任公司 用电异常数据检测方法和装置
CN108416693A (zh) * 2018-02-01 2018-08-17 东华大学 一种基于模糊神经网络的用电异常行为识别方法
CN109118013A (zh) * 2018-08-29 2019-01-01 黑龙江工业学院 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统
CN109271975A (zh) * 2018-11-19 2019-01-25 燕山大学 一种基于大数据多特征提取协同分类的电能质量扰动识别方法
WO2021221285A1 (ko) * 2020-04-29 2021-11-04 한국산업기술대학교산학협력단 인공신경망 기반 전력시장 가격 예측 시스템
CN113918884A (zh) * 2020-07-09 2022-01-11 顺丰科技有限公司 业务量预测模型构建方法和业务量预测方法
CN114528949A (zh) * 2022-03-24 2022-05-24 哈尔滨理工大学 一种基于参数优化的电能计量异常数据的识别与补偿方法
CN115062686A (zh) * 2022-05-07 2022-09-16 北京交通大学 基于多角度特征的多元kpi时序异常检测方法和系统
CN115130656A (zh) * 2022-05-23 2022-09-30 腾讯科技（深圳）有限公司 异常检测模型的训练方法、装置、设备及存储介质
CN115186751A (zh) * 2022-07-13 2022-10-14 广东电网有限责任公司 一种基于s变换的CVT计量误差预测方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李晋国;丁朋鹏;王亮亮;周绍景;吕欢欢;: "基于NWPSO-BP神经网络的异常用电行为检测算法", no. 04 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116581793A (zh) * 2023-04-21 2023-08-11 淮阴工学院 一种适用于水产养殖场的绿色监测与供能系统及方法
CN116581793B (zh) * 2023-04-21 2024-03-26 淮阴工学院 一种适用于水产养殖场的绿色监测与供能系统及方法

Also Published As

Publication number Publication date
CN115880102B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN109685314B (zh) 一种基于长短期记忆网络的非侵入负荷分解方法和系统
Akhtar et al. On DNA numerical representations for period-3 based exon prediction
CN105488528B (zh) 基于改进自适应遗传算法的神经网络图像分类方法
CN110971677B (zh) 一种基于对抗强化学习的电力物联网终端设备边信道安全监测方法
CN110807760B (zh) 一种烟叶分级方法及系统
CN107992447A (zh) 一种应用于河流水位预测数据的特征选择分解方法
CN109215344B (zh) 用于城市道路短时交通流量预测的方法和系统
CN103268519A (zh) 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置
CN115880102A (zh) 一种电能计量方法、系统、设备及存储介质
CN109934303A (zh) 一种非入侵式家用电器负荷识别方法、装置及存储介质
CN111526119A (zh) 异常流量检测方法、装置、电子设备和计算机可读介质
CN115422788B (zh) 一种配电网线损分析管理方法、装置、存储介质及系统
CN110269605A (zh) 一种基于深度神经网络的心电信号噪声识别方法
CN105590011A (zh) 一种基于脉搏回归模型的心电信号数据修正方法及系统
CN102697491B (zh) 心电图特征波形识别方法和系统
CN113627289A (zh) 一种基于深度学习的电力设备识别方法及其装置
CN109033952B (zh) 基于稀疏自编码器的m序列识别方法
CN116722545B (zh) 基于多源数据的光伏发电预测方法和相关设备
CN110290101B (zh) 智能电网环境中基于深度信任网络的关联攻击行为识别方法
CN116503147A (zh) 一种基于深度学习神经网络的金融风险预测方法
CN117290679A (zh) 电流互感器的运行状态检测方法、装置及电子设备
CN117318981A (zh) 网络攻击预测方法、系统、电子设备及存储介质
CN109636194B (zh) 一种输变电项目重大变动多源协同检测方法与系统
CN115115038B (zh) 一种基于单导联心电信号的模型构建方法及性别识别方法
CN108764301B (zh) 一种基于反向稀疏表示的混凝土裂缝检测方法

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