CN115952447B - 电器负载类型智能识别系统及方法 - Google Patents

Abstract

本发明涉及一种电器负载类型智能识别系统，所述系统包括：类型映射机构，用于采用关系数据库存储各种电器负载分别对应的各个负载类型编号；类型识别机构，用于基于供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及各份现场回路数据智能识别当前电器负载对应的负载类型；模型构建机构，用于对深度神经网络模型执行预设数量的多次训练操作，并将训练后的深度神经网络模型用于智能识别。本发明还涉及一种电器负载类型智能识别方法。通过本发明，能够在每一电器负载连接到电路后，通过测量电路数据即实现电器负载类型的智能识别，为连接的电器负载的类型的远程分析提供关键信息，从而避免类型错配的电器负载接入电路。

Description

电器负载类型智能识别系统及方法

技术领域

本发明涉及数据识别领域，尤其涉及一种电器负载类型智能识别系统及方法。

背景技术

负载是指连接在电路中消耗电能的电源两端的电子元件，它是用电能进行工作的装置，又称“用电器”。负载（用电器）的功能是把电能转变为其他形式能。例如，电炉把电能转变为热能；电动机把电能转变为机械能，等。通常使用的照明器具、家用电器、机床等都可称为用电器。而电压表、电流表等等不属于用电器，只是维修或维护的工具。

对于电路管理方来说，一般处于无线网络的远端，是无法采用视觉方式获取当前工作的电路中实际连接的电器负载类型，导致在连接的电器负载类型并不是电路管理方需要的电器负载类型时，不仅仅会造成各种电路参数的紊乱，例如电路阻抗不均，而且会引起一定的电路运行隐患，严重时甚至会引起各种电路事故发生。

示例地，中国发明专利公开文本CN105823948 A提出的一种非干预式居民负荷识别方法，所述方法包括以下步骤：1)获取居民家庭中所有居民电器的负荷特性指标，并构建居民家庭负荷特性数据库；2)在居民家庭电力总进线端对待识别负荷进行电压和电流采样，并对采样后的数据进行预处理；3)根据通过电压和电流采样值判断居民负荷开关事件是否出现，若是，则进行步骤4)，若否，则返回步骤2)；4)根据通过电压和电流采样值提取待识别负荷的特征指标；5)根据已建立的居民家庭负荷特性数据库和待识别负荷的特征指标，判定出现开关事件的负荷类型，并获得该居民家庭中家用电器的工作状态信息。与现有技术相比，本发明具有简单、方便、准确、抗干扰性强等优点。

示例地，中国发明专利公开文本CN105974219 A提出的一种节能电器负荷类型的分类识别方法，通过判断当前节能电器的类型；获取单体节能电器的特征类中心向量；根据SVM算法得到SVM核函数；得到单体节能电器负荷类型中的单体节能电器训练集；根据AdaBoost算法识别单体节能电器的负荷类型，得到单体节能电器的单体节能电器训练模型：判断节能电器的类型；得到变工况负载辨识模型；将各个单体节能电器的单体节电器训练模型与变工况负载辨识模型结合，得到组合节电器训练模型。本发明提出的方法能够快速、准确地识别节能电器的负荷类型，改进电能计量算法以保证节能电器性能；为电能计量能够进行针对性的算法改进研究提供基础；进而保证了节能电器的运行稳定性及可靠性。

但是，上述现有技术，或者根据已建立的居民家庭负荷特性数据库和待识别负荷的特征指标，判定出现开关事件的负荷类型，并获得该居民家庭中家用电器的工作状态信息，或者基于AdaBoost算法识别单体节能电器的负荷类型，上述执行负荷类型的模式较为简单，工作机理比较粗糙，容易造成负荷类型识别错误的场景，进而影响了后续的负荷判断和使用。

发明内容

为了解决相关领域的技术问题，本发明提供了一种电器负载类型智能识别系统及方法，能够为每一具体工作电路下的负荷类型识别引入定制结构的智能识别模型以及针对性的模型训练方法，从而建立跟随工作场景的高精度、高可靠性的电器负荷识别机制，避免出现电器负荷类型误判，保证现场电路运行的安全性和稳定性。

根据本发明的第一方面，提供了一种电器负载类型智能识别系统，所述系统包括：

类型映射机构，用于采用关系数据库存储各种电器负载分别对应的各个负载类型编号，所述关系数据库以负载类型编号为索引，保存了每一个负载类型编号对应类型电器负载的类型名称；

参数采集机构，用于接入待验类型的当前电器负载所在的供电电路，用于获取时间轴上连续多个采集时刻中每一个采集时刻对应的当前电器负载的通过电流、两侧电压以作为对应采集时刻的实时负载信息；

内容提取机构，用于获取待验类型的当前电器负载所在的供电电路的各个回路分别对应的各份现场回路数据，所述各个回路中的每一个回路都为不包括当前电器负载的回路，所述每一个回路对应的现场回路数据为所述回路中电阻数量、电阻均值、电容数量、电容均值、电感数量以及电感均值；

类型识别机构，分别与所述类型映射机构、所述参数采集机构以及所述内容提取机构连接，用于基于所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据智能识别所述当前电器负载对应的负载类型；

模型构建机构，与所述类型识别机构连接，用于对深度神经网络模型执行预设数量的多次训练操作，并将完成多次训练操作后的深度神经网络模型用于所述智能识别；

其中，基于所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据智能识别所述当前电器负载对应的负载类型包括：所述智能识别基于深度神经网络模型、以及待验类型的当前电器负载所在的供电电路的回路数量越多，选择的所述多个采集时刻的数量越多；

其中，所述智能识别基于深度神经网络模型、以及待验类型的当前电器负载所在的供电电路的回路数量越多，选择的所述多个采集时刻的数量越多包括：所述深度神经网络模型以所述当前电器负载对应的负载类型为输出数据，以所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据为输入数据。

根据本发明的第二方面，提供了一种电器负载类型智能识别方法，所述方法包括：

采用关系数据库存储各种电器负载分别对应的各个负载类型编号，所述关系数据库以负载类型编号为索引，保存了每一个负载类型编号对应类型电器负载的类型名称；

接入待验类型的当前电器负载所在的供电电路，用于获取时间轴上连续多个采集时刻中每一个采集时刻对应的当前电器负载的通过电流、两侧电压以作为对应采集时刻的实时负载信息；

获取待验类型的当前电器负载所在的供电电路的各个回路分别对应的各份现场回路数据，所述各个回路中的每一个回路都为不包括当前电器负载的回路，所述每一个回路对应的现场回路数据为所述回路中电阻数量、电阻均值、电容数量、电容均值、电感数量以及电感均值；

基于所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据智能识别所述当前电器负载对应的负载类型；

对深度神经网络模型执行预设数量的多次训练操作，并将完成多次训练操作后的深度神经网络模型用于所述智能识别；

其中，基于所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据智能识别所述当前电器负载对应的负载类型包括：所述智能识别基于深度神经网络模型、以及待验类型的当前电器负载所在的供电电路的回路数量越多，选择的所述多个采集时刻的数量越多；

其中，所述智能识别基于深度神经网络模型、以及待验类型的当前电器负载所在的供电电路的回路数量越多，选择的所述多个采集时刻的数量越多包括：所述深度神经网络模型以所述当前电器负载对应的负载类型为输出数据，以所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据作为输入数据。

由此可见，本发明至少具备以下三处关键的发明构思：

第一处、本发明针对待验类型的当前电器负载，采用定制结构的深度神经网络模型，以基于当前电器负载所在供电电路的供电电压数值、当前电器负载对应的多个采集时刻的实时负载信息以及所述供电电路各个回路分别对应的各份现场回路数据，智能识别当前电器负载的实际类型，从而在每一电器负载连接到电路后，通过测量电路数据即实现电器负载类型的智能识别，为连接的电器负载的类型的远程分析提供关键信息，避免类型错配的电器负载接入电路，其中，深度神经网络模型的定制结构基于回路数量越多、多个采集时刻的数量越多；

第二处、本发明为保证深度神经网络模型的识别可靠性，对深度神经网络模型执行预设数量的多次训练操作，并将完成多次训练操作后的深度神经网络模型用于所述智能识别，可靠性的保证在于，训练次数与电器负载的类型总数成正比；

第三处、本发明的深度神经网络模型包括单个输入层、单个输出层以及多个隐层，选择的深度神经网络模型的隐层数量与待验类型的当前电器负载所在的供电电路的回路数量呈单调正向关联，从而在避免陷入过多运算的同时，进一步保证深度神经网络模型的识别可靠性。

附图说明

以下将结合附图对本发明的实施例进行描述，其中：

图1为根据本发明的电器负载类型智能识别系统及方法的技术流程图。

图2为根据本发明的第一实施例示出的电器负载类型智能识别系统的内部结构图。

图3为根据本发明的第二实施例示出的电器负载类型智能识别系统的内部结构图。

图4为根据本发明的第三实施例示出的电器负载类型智能识别系统的内部结构图。

图5为根据本发明的第四实施例示出的电器负载类型智能识别系统的内部结构图。

图6为根据本发明的第五实施例示出的电器负载类型智能识别系统的内部结构图。

图7为根据本发明的第六实施例示出的电器负载类型智能识别方法的步骤流程图。

具体实施方式

如图1所示，给出了根据本发明示出的电器负载类型智能识别系统及方法的技术流程图。

如图1所示，本发明的具体的技术流程如下：

首先，针对当前供电电路，在连接上电器负载后，对电器负载的多个电路参数进行分时采集，以获得多个采集时刻的实时负载信息，其中，当前供电电路中不涉及电器负载的回路数量越多，选择的多个采集时刻的数量越多；

其次，基于当前供电电路的各个固有电路数据以及当前电器负载对应的多个采集时刻的实时负载信息，智能识别连接到当前供电电路的当前电器负载的负载类型，所述当前供电电路的各个固有电路数据包括当前供电电路的供电电压数值以及不涉及电器负载的各个回路的回路数据，所述智能识别采用完成多次训练操作后的深度神经网络模型；

最后，在远端的负载管理服务器，通过无线网络获取智能识别到的当前电器负载的负载类型，并在智能识别到的当前电器负载的负载类型与预设电器负载类型不匹配时，执行相应的电器负载类型错配的信号通知；

其中，针对完成多次训练操作后的深度神经网络模型，训练次数与电器负载的类型总数成正比，以及所述深度神经网络模型包括单个输入层、单个输出层以及多个隐层，选择的深度神经网络模型的隐层数量与当前供电电路中不涉及电器负载的回路数量呈单调正向关联，从而兼顾可靠识别以及运算节省；

如图1所示，示例地，所述深度神经网络模型包括单个输入层、单个输出层以及N个隐层，N为大于或等于2的自然数。

本发明的关键点在于：能够在监控远端仅仅通过测量的电路数据以及电路的固有参数，就能够完成当前连接的电器负载的类型的智能辨识，为执行负载监控的管理方提供非视觉的管理策略，同时定制的模型结构以及针对性的训练机制保障了智能辨识的可靠性和有效性。

下面，将对本发明的电器负载类型智能识别系统及方法以实施例的方式进行具体说明。

第一实施例

图2为根据本发明的第一实施例示出的电器负载类型智能识别系统的内部结构图。

如图2所示，所述电器负载类型智能识别系统包括以下部件：

类型映射机构，用于采用关系数据库存储各种电器负载分别对应的各个负载类型编号，所述关系数据库以负载类型编号为索引，保存了每一个负载类型编号对应类型电器负载的类型名称；

示例地，所述关系数据库以负载类型编号为索引，保存了每一个负载类型编号对应类型电器负载的类型名称包括：当负载类型编号为0B0001时，对应类型的电器负载为面包机类型1，当负载类型编号为0B0010时，对应类型的电器负载为面包机类型2，当负载类型编号为0B0011时，对应类型的电器负载为电熨斗类型1，当负载类型编号为0B0100时，对应类型的电器负载为电熨斗类型2，当负载类型编号为0B0101时，对应类型的电器负载为吹风机类型1，以及当负载类型编号为0B0110时，对应类型的电器负载为吹风机类型2；

参数采集机构，用于接入待验类型的当前电器负载所在的供电电路，用于获取时间轴上连续多个采集时刻中每一个采集时刻对应的当前电器负载的通过电流、两侧电压以作为对应采集时刻的实时负载信息；

内容提取机构，用于获取待验类型的当前电器负载所在的供电电路的各个回路分别对应的各份现场回路数据，所述各个回路中的每一个回路都为不包括当前电器负载的回路，所述每一个回路对应的现场回路数据为所述回路中电阻数量、电阻均值、电容数量、电容均值、电感数量以及电感均值；

类型识别机构，分别与所述类型映射机构、所述参数采集机构以及所述内容提取机构连接，用于基于所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据，智能识别所述当前电器负载对应的负载类型；

模型构建机构，与所述类型识别机构连接，用于对深度神经网络模型执行预设数量的多次训练操作，并将完成多次训练操作后的深度神经网络模型用于所述智能识别；

其中，基于所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据智能识别所述当前电器负载对应的负载类型包括：所述智能识别基于深度神经网络模型、以及待验类型的当前电器负载所在的供电电路的回路数量越多，选择的所述多个采集时刻的数量越多；

示例地，待验类型的当前电器负载所在的供电电路的回路数量越多，选择的所述多个采集时刻的数量越多包括：待验类型的当前电器负载所在的供电电路的回路数量为5时，选择的所述多个采集时刻的数量为10，待验类型的当前电器负载所在的供电电路的回路数量为8时，选择的所述多个采集时刻的数量为15，待验类型的当前电器负载所在的供电电路的回路数量为12时，选择的所述多个采集时刻的数量为20，待验类型的当前电器负载所在的供电电路的回路数量为18时，选择的所述多个采集时刻的数量为25；

其中，所述智能识别基于深度神经网络模型、以及待验类型的当前电器负载所在的供电电路的回路数量越多，选择的所述多个采集时刻的数量越多包括：所述深度神经网络模型以所述当前电器负载对应的负载类型为输出数据，以所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据作为输入数据；

其中，对深度神经网络模型执行预设数量的多次训练操作，并将完成多次训练操作后的深度神经网络模型用于所述智能识别包括：将已知负载类型作为深度神经网络模型的输出数据，将具有已知负载类型的电器负载所在的供电电路作为训练使用电路，并以训练使用电路的供电电压数值、已知负载类型的电器负载对应的多个采集时刻的实时负载信息以及训练使用电路对应的各份现场回路数据作为深度神经网络模型的输入数据，完成对深度神经网络模型的一次训练操作；

其中，所述预设数量的取值与所述关系数据库中索引总数的取值成正比；

示例地，可以采用MATALB工具箱完成对深度神经网络模型执行的预设数量的多次训练操作。

第二实施例

图3为根据本发明的第二实施例示出的电器负载类型智能识别系统的内部结构图。

如图3所示，与图2中的实施例不同，所述电器负载类型智能识别系统还包括以下部件：

类型警示机构，与所述类型识别机构连接，用于接收智能识别的所述当前电器负载对应的负载类型；

例如，可以采用声学警示机构与所述类型识别机构连接，用于接收智能识别的所述当前电器负载对应的负载类型并执行相应的声学警示操作；

以及例如，可以采用光学警示机构与所述类型识别机构连接，用于接收智能识别的所述当前电器负载对应的负载类型并执行相应的光学警示操作；

其中，所述类型警示机构还用于在接收到的智能识别的所述当前电器负载对应的负载类型与预设的负载类型不匹配时，执行现场负载类型报警操作；

其中，所述类型警示机构还用于在接收到的智能识别的所述当前电器负载对应的负载类型与预设的负载类型匹配时，发出负载类型匹配信号。

第三实施例

图4为根据本发明的第三实施例示出的电器负载类型智能识别系统的内部结构图。

如图4所示，与图2中的实施例不同，所述电器负载类型智能识别系统还包括以下部件：

即时显示机构，与所述类型识别机构连接，用于接收智能识别的所述当前电器负载对应的负载类型；

例如，所述即时显示机构为LED显示阵列，所述LED显示阵列由多个LED显示单元构成；

其中，所述即时显示机构还用于实时显示智能识别的所述当前电器负载对应的负载类型。

第四实施例

图5为根据本发明的第四实施例示出的电器负载类型智能识别系统的内部结构图。

如图5所示，与图2中的实施例不同，所述电器负载类型智能识别系统还包括以下部件：

模型存储机构，与所述模型构建机构连接，用于存储完成多次训练操作后的深度神经网络模型；

示例地，可以采用FLASH存储芯片、MMC存储器件或者静态存储芯片来作为模型存储机构，用于存储完成多次训练操作后的深度神经网络模型；

其中，所述模型存储机构通过存储完成多次训练操作后的深度神经网络模型的各个模型参数，实现对完成多次训练操作后的深度神经网络模型的模型存储。

第五实施例

图6为根据本发明的第四实施例示出的电器负载类型智能识别系统的内部结构图。

如图6所示，与图2中的实施例不同，所述电器负载类型智能识别系统还包括以下部件：

网络上传机构，与所述类型识别机构连接，用于接收智能识别的所述当前电器负载对应的负载类型；

例如，所述网络上传机构可以通过无线网络接收智能识别的所述当前电器负载对应的负载类型；

示例地，所述网络上传机构可以通过无线网络接收智能识别的所述当前电器负载对应的负载类型包括：所述网络上传机构可以基于时分双工通信链路或者频分双工通信链路通过无线网络接收智能识别的所述当前电器负载对应的负载类型；

其中，所述网络上传机构还用于将智能识别的所述当前电器负载对应的负载类型无线传输到远端的负载管理服务器处。

在根据本发明的任一实施例示出的电器负载类型智能识别系统中：

获取时间轴上连续多个采集时刻中每一个采集时刻对应的当前电器负载的通过电流、两侧电压以作为对应采集时刻的实时负载信息包括：所述连续多个采集时刻两两间隔时长相等；

例如，所述连续多个采集时刻两两间隔时长相等包括：每两个相邻的采集时刻之间的间距为100毫秒。

在根据本发明的任一实施例示出的电器负载类型智能识别系统中：

所述关系数据库以负载类型编号为索引，保存了每一个负载类型编号对应类型电器负载的类型名称包括：每一个负载类型编号为二进制数值表示形式；

其中，通过二进制数值表示形式，相比较于十进制数值表示形式，减少了数据存储时的数值转换过程。

以及在根据本发明的任一实施例示出的电器负载类型智能识别系统中：

所述每一个回路对应的现场回路数据为所述回路中电阻数量、电阻均值、电容数量、电容均值、电感数量以及电感均值包括：在所述每一个回路对应的现场回路数据中，所述回路中电阻均值为所述回路中各个电阻阻值的算术平均值；

其中，所述每一个回路对应的现场回路数据为所述回路中电阻数量、电阻均值、电容数量、电容均值、电感数量以及电感均值还包括：在所述每一个回路对应的现场回路数据中，所述回路中电容均值为所述回路中各个电容容值的算术平均值；

其中，所述每一个回路对应的现场回路数据为所述回路中电阻数量、电阻均值、电容数量、电容均值、电感数量以及电感均值还包括：在所述每一个回路对应的现场回路数据中，所述回路中电感均值为所述回路中各个电感感值的算术平均值。

第六实施例

图7为根据本发明的第六实施例示出的电器负载类型智能识别方法的步骤流程图。

如图7所示，所述电器负载类型智能识别方法包括以下步骤：

步骤S701：采用关系数据库存储各种电器负载分别对应的各个负载类型编号，所述关系数据库以负载类型编号为索引，保存了每一个负载类型编号对应类型电器负载的类型名称；

示例地，所述关系数据库以负载类型编号为索引，保存了每一个负载类型编号对应类型电器负载的类型名称包括：当负载类型编号为0B0001时，对应类型的电器负载为面包机类型1，当负载类型编号为0B0010时，对应类型的电器负载为面包机类型2，当负载类型编号为0B0011时，对应类型的电器负载为电熨斗类型1，当负载类型编号为0B0100时，对应类型的电器负载为电熨斗类型2，当负载类型编号为0B0101时，对应类型的电器负载为吹风机类型1，以及当负载类型编号为0B0110时，对应类型的电器负载为吹风机类型2；

步骤S702：接入待验类型的当前电器负载所在的供电电路，用于获取时间轴上连续多个采集时刻中每一个采集时刻对应的当前电器负载的通过电流、两侧电压以作为对应采集时刻的实时负载信息；

步骤S703：获取待验类型的当前电器负载所在的供电电路的各个回路分别对应的各份现场回路数据，所述各个回路中的每一个回路都为不包括当前电器负载的回路，所述每一个回路对应的现场回路数据为所述回路中电阻数量、电阻均值、电容数量、电容均值、电感数量以及电感均值；

步骤S704：基于所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据智能识别所述当前电器负载对应的负载类型；

步骤S705：对深度神经网络模型执行预设数量的多次训练操作，并将完成多次训练操作后的深度神经网络模型用于所述智能识别；

其中，基于所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据智能识别所述当前电器负载对应的负载类型包括：所述智能识别基于深度神经网络模型、以及待验类型的当前电器负载所在的供电电路的回路数量越多，选择的所述多个采集时刻的数量越多；

示例地，待验类型的当前电器负载所在的供电电路的回路数量越多，选择的所述多个采集时刻的数量越多包括：待验类型的当前电器负载所在的供电电路的回路数量为5时，选择的所述多个采集时刻的数量为10，待验类型的当前电器负载所在的供电电路的回路数量为8时，选择的所述多个采集时刻的数量为15，待验类型的当前电器负载所在的供电电路的回路数量为12时，选择的所述多个采集时刻的数量为20，待验类型的当前电器负载所在的供电电路的回路数量为18时，选择的所述多个采集时刻的数量为25；

其中，所述智能识别基于深度神经网络模型、以及待验类型的当前电器负载所在的供电电路的回路数量越多，选择的所述多个采集时刻的数量越多包括：所述深度神经网络模型以所述当前电器负载对应的负载类型为输出数据，以所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据为输入数据；

其中，对深度神经网络模型执行预设数量的多次训练操作，并将完成多次训练操作后的深度神经网络模型用于所述智能识别包括：将已知负载类型作为深度神经网络模型的输出数据，将具有已知负载类型的电器负载所在的供电电路作为训练使用电路，并以训练使用电路的供电电压数值、已知负载类型的电器负载对应的多个采集时刻的实时负载信息以及训练使用电路对应的各份现场回路数据作为深度神经网络模型的输入数据，完成对深度神经网络模型的一次训练操作；

其中，所述预设数量的取值与所述关系数据库中索引总数的取值成正比；

示例地，可以采用MATALB工具箱完成对深度神经网络模型执行的预设数量的多次训练操作。

另外，本发明还可以引用以下技术内容以突出本发明的显著性技术进步：

在本发明中，所述智能识别基于深度神经网络模型、以及待验类型的当前电器负载所在的供电电路的回路数量越多，选择的所述多个采集时刻的数量越多还包括：选择的所述深度神经网络模型的隐层数量与待验类型的当前电器负载所在的供电电路的回路数量单调正向关联；

以及在本发明中，选择的所述深度神经网络模型的隐层数量与待验类型的当前电器负载所在的供电电路的回路数量单调正向关联包括：所述深度神经网络模型包括单个输入层、单个输出层以及多个隐层，所述多个隐层位于所述单个输入层和所述单个输出层之间。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置/电子设备/计算机可读存储介质/计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种电器负载类型智能识别系统，其特征在于，所述系统包括：

类型映射机构，用于采用关系数据库存储各种电器负载分别对应的各个负载类型编号，所述关系数据库以负载类型编号为索引，保存了每一个负载类型编号对应类型电器负载的类型名称；

参数采集机构，用于接入待验类型的当前电器负载所在的供电电路，用于获取时间轴上连续多个采集时刻中每一个采集时刻对应的当前电器负载的通过电流、两侧电压以作为对应采集时刻的实时负载信息；

内容提取机构，用于获取待验类型的当前电器负载所在的供电电路的各个回路分别对应的各份现场回路数据，所述各个回路中的每一个回路都为不包括当前电器负载的回路，所述每一个回路对应的现场回路数据为所述每一个回路中电阻数量、电阻均值、电容数量、电容均值、电感数量以及电感均值；

类型识别机构，分别与所述类型映射机构、所述参数采集机构以及所述内容提取机构连接，用于基于所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据智能识别所述当前电器负载对应的负载类型；

模型构建机构，与所述类型识别机构连接，用于对深度神经网络模型执行预设数量的多次训练操作，并将完成多次训练操作后的深度神经网络模型用于所述智能识别；

其中，基于所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据智能识别所述当前电器负载对应的负载类型，包括：所述智能识别基于深度神经网络模型、以及待验类型的当前电器负载所在的供电电路的回路数量越多，选择的所述多个采集时刻的数量越多；

其中，所述智能识别基于深度神经网络模型、以及待验类型的当前电器负载所在的供电电路的回路数量越多，选择的所述多个采集时刻的数量越多，包括：所述深度神经网络模型以所述当前电器负载对应的负载类型为输出数据，以所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据为输入数据。

2.如权利要求1所述的电器负载类型智能识别系统，其特征在于：

对深度神经网络模型执行预设数量的多次训练操作，并将完成多次训练操作后的深度神经网络模型用于所述智能识别包括：将已知负载类型作为深度神经网络模型的输出数据，将具有已知负载类型的电器负载所在的供电电路作为训练使用电路，并以训练使用电路的供电电压数值、已知负载类型的电器负载对应的多个采集时刻的实时负载信息以及训练使用电路对应的各份现场回路数据作为深度神经网络模型的输入数据，完成对深度神经网络模型的一次训练操作；

其中，所述预设数量的取值与所述关系数据库中索引总数的取值呈成正比。

3.如权利要求2所述的电器负载类型智能识别系统，其特征在于，所述系统还包括：

类型警示机构，与所述类型识别机构连接，用于接收智能识别的所述当前电器负载对应的负载类型；

其中，所述类型警示机构还用于在接收到的智能识别的所述当前电器负载对应的负载类型与预设的负载类型不匹配时，执行现场负载类型报警操作；

其中，所述类型警示机构还用于在接收到的智能识别的所述当前电器负载对应的负载类型与预设的负载类型匹配时，发出负载类型匹配信号。

4.如权利要求2所述的电器负载类型智能识别系统，其特征在于，所述系统还包括：

即时显示机构，与所述类型识别机构连接，用于接收智能识别的所述当前电器负载对应的负载类型；

其中，所述即时显示机构还用于实时显示智能识别的所述当前电器负载对应的负载类型。

5.如权利要求2所述的电器负载类型智能识别系统，其特征在于，所述系统还包括：

模型存储机构，与所述模型构建机构连接，用于存储完成多次训练操作后的深度神经网络模型；

其中，所述模型存储机构通过存储完成多次训练操作后的深度神经网络模型的各个模型参数实现对完成多次训练操作后的深度神经网络模型的模型存储。

6.如权利要求2所述的电器负载类型智能识别系统，其特征在于，所述系统还包括：

网络上传机构，与所述类型识别机构连接，用于接收智能识别的所述当前电器负载对应的负载类型；

其中，所述网络上传机构还用于将智能识别的所述当前电器负载对应的负载类型通过无线传输到远端的负载管理服务器处。

7.如权利要求3-6任一所述的电器负载类型智能识别系统，其特征在于：

获取时间轴上连续多个采集时刻中每一个采集时刻对应的当前电器负载的通过电流、两侧电压以作为对应采集时刻的实时负载信息，包括：所述连续多个采集时刻两两间隔的时长相等。

8.如权利要求3-6任一所述的电器负载类型智能识别系统，其特征在于：

所述关系数据库以负载类型编号为索引，保存了每一个负载类型编号对应类型电器负载的类型名称，包括：每一个负载类型编号为二进制数值表示形式。

9.如权利要求3-6任一所述的电器负载类型智能识别系统，其特征在于：

所述每一个回路对应的现场回路数据为所述每一个回路中电阻数量、电阻均值、电容数量、电容均值、电感数量以及电感均值，包括：在所述每一个回路对应的现场回路数据中，所述每一个回路中电阻均值为所述每一个回路中各个电阻阻值的算术平均值；

其中，所述每一个回路对应的现场回路数据为所述每一个回路中电阻数量、电阻均值、电容数量、电容均值、电感数量以及电感均值还包括：在所述每一个回路对应的现场回路数据中，所述每一个回路中电容均值为所述每一个回路中各个电容容值的算术平均值；

其中，所述每一个回路对应的现场回路数据为所述每一个回路中电阻数量、电阻均值、电容数量、电容均值、电感数量以及电感均值还包括：在所述每一个回路对应的现场回路数据中，所述每一个回路中电感均值为所述每一个回路中各个电感感值的算术平均值。

10.一种电器负载类型智能识别方法，其特征在于，所述方法包括：

采用关系数据库存储各种电器负载分别对应的各个负载类型编号，所述关系数据库以负载类型编号为索引，保存了每一个负载类型编号对应类型电器负载的类型名称；

接入待验类型的当前电器负载所在的供电电路，用于获取时间轴上连续多个采集时刻中每一个采集时刻对应的当前电器负载的通过电流、两侧电压以作为对应采集时刻的实时负载信息；

获取待验类型的当前电器负载所在的供电电路的各个回路分别对应的各份现场回路数据，所述各个回路中的每一个回路都为不包括当前电器负载的回路，所述每一个回路对应的现场回路数据为所述每一个回路中电阻数量、电阻均值、电容数量、电容均值、电感数量以及电感均值；

基于所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据智能识别所述当前电器负载对应的负载类型；

对深度神经网络模型执行预设数量的多次训练操作，并将完成多次训练操作后的深度神经网络模型用于所述智能识别；

其中，基于所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据智能识别所述当前电器负载对应的负载类型，包括：所述智能识别基于深度神经网络模型、以及待验类型的当前电器负载所在的供电电路的回路数量越多，选择的所述多个采集时刻的数量越多；

其中，所述智能识别基于深度神经网络模型、以及待验类型的当前电器负载所在的供电电路的回路数量越多，选择的所述多个采集时刻的数量越多，包括：所述深度神经网络模型以所述当前电器负载对应的负载类型为输出数据，以所述供电电路的供电电压数值、多个采集时刻分别对应的多份实时负载信息以及所述各份现场回路数据为输入数据。

Images