一种电路负荷的识别方法及装置制造方法及图纸

本发明专利技术公开了一种电路负荷的识别方法及装置，其方法包括：获取家庭电路的电流数据和电压数据，以及负荷的容感特性信息基于所述容感特性信息，将所述电流数据和所述电压数据转化为所述家庭电路的负荷图像信息将所述负荷图像信息输入到预设的目标卷积神经网络模型，得到所述家庭电路的负荷标量特征值对比所述负荷标量特征值与样本库中的特征值，得到所述家庭电路的负荷类别。本发明专利技术通过一种电路负荷的识别方法，提高了负荷识别的准确性。提高了负荷识别的准确性。提高了负荷识别的准确性。

【技术实现步骤摘要】
一种电路负荷的识别方法及装置


[0001]本专利技术涉及产品检测的领域，尤其涉及一种电路负荷的识别方法及装置。

技术介绍

[0002]随着智能化技术的不断发展和公众对节能方法的日益重视，近年来公众对于能源管理和电力监控领域越发重视，作为其中重要的一部分，家庭用电方式的优化对于这些领域的进步有着重大的意义，并被视为能够改善能源消耗的一个途径。其中，对于家用负荷识别是改善家庭用电情况不可或缺的技术。由之而来的家用电器的在线识别对家庭用电方式的优化是不能回避的工作。对单个负荷安装传感设备的侵入式负荷识别方法需要昂贵的硬件支持，而非侵入式负荷识别仅需在家庭输电总入口处安装传感传感采样识别设备，非侵入式家用负荷识别要更加具有经济意义和实用价值。
[0003]常见的非侵入式家用负荷识别算法分成基于事件检测类的和不基于事件检测类的。不基于事件检测类的识别算法由于识别在线状态多种负荷的组合，识别类别随着负荷种类的增加以二的倍速增加，实际意义不大。基于事件检测类主要识别的是投切事件的负荷，经过同一基准做差分可以得到单负荷样本数据。
[0004]在单负荷样本情况下进行识别依然存在许多公认的难点：在家用电器种类多品牌多的背景下，对于传统的机器学习算法来说，识别准确率很难提升，所以这些方法应用于实际并不成熟；而近年来大热的深度学习的网络模型方法识别虽然识别准确率较高，但往往需要足够量的样本和时间训练。除此之外，这些识别算法的一次学习能力不足，很难满足现实的家庭电器使用情况。
[0005]因此，为了提高负荷识别的准确性，解决目前存在的传统的学习算法对负荷识别的准确率较低的技术问题，亟需构建一种电路负荷的识别方法。

技术实现思路

[0006]本专利技术提供了一种电路负荷的识别方法及装置，解决了目前存在的传统的学习算法对负荷识别的准确率较低的技术问题。
[0007]第一方面，本专利技术提供了一种电路负荷的识别方法，包括：
[0008]获取家庭电路的电流数据和电压数据，以及负荷的容感特性信息；
[0009]基于所述容感特性信息，将所述电流数据和所述电压数据转化为所述家庭电路的负荷图像信息；
[0010]将所述负荷图像信息输入到预设的目标卷积神经网络模型，得到所述家庭电路的负荷标量特征值；
[0011]对比所述负荷标量特征值与样本库中的特征值，得到所述家庭电路的负荷类别。
[0012]可选地，基于所述容感特性信息，将所述电流数据和所述电压数据转化为所述负荷的图像信息，包括：
[0013]将所述电流数据和所述电压数据转化为轨迹图像数据；
[0014]在所述轨迹图像数据中加入所述容感特性信息，得到所述负荷的图像信息。
[0015]可选地，将所述负荷图像信息输入到预设的目标卷积神经网络模型，得到所述家庭电路的负荷标量特征值，包括：
[0016]划分所述负荷图像信息为训练数据和验证数据；
[0017]基于所述训练数据和所述验证数据，对初步的卷积神经网络模型进行训练和验证，得到所述目标卷积神经网络模型；
[0018]将待测家庭电路的负荷图像信息输入到所述目标卷积神经网络模型，得到所述家庭电路的负荷标量特征值。
[0019]可选地，基于所述训练数据和所述验证数据，对初步的卷积神经网络模型进行训练和验证，得到所述目标卷积神经网络模型，包括：
[0020]将所述训练数据输入到所述初步的卷积神经网络模型，进行训练，得到训练后的卷积神经网络模型；
[0021]基于所述验证数据，验证所述训练后的卷积神经网络模型，得到所述目标卷积神经网络模型。
[0022]可选地，将所述训练数据输入到所述初步的卷积神经网络模型，进行训练，得到训练后的卷积神经网络模型，包括：
[0023]设置所述初步的卷积神经网络模型的参数数据；
[0024]将所述训练数据输入到所述初步的卷积神经网络模型，得到训练结果数据；
[0025]基于所述参数数据、所述训练数据对应的数据标签及所述训练结果数据，对所述初步的卷积神经网络模型进行优化，得到所述训练后的卷积神经网络模型。
[0026]第二方面，本专利技术提供了一种电路负荷的识别装置，包括：
[0027]获取模块，用于获取家庭电路的电流数据和电压数据，以及负荷的容感特性信息；
[0028]图像模块，用于基于所述容感特性信息，将所述电流数据和所述电压数据转化为所述家庭电路的负荷图像信息；
[0029]输入模块，用于将所述负荷图像信息输入到预设的目标卷积神经网络模型，得到所述家庭电路的负荷标量特征值；
[0030]对比模块，用于对比所述负荷标量特征值与样本库中的特征值，得到所述家庭电路的负荷类别。
[0031]可选地，所述图像模块包括：
[0032]图像子模块，用于将所述电流数据和所述电压数据转化为轨迹图像数据；
[0033]特性子模块，用于在所述轨迹图像数据中加入所述容感特性信息，得到所述负荷的图像信息。
[0034]可选地，所述输入模块包括：
[0035]划分子模块，用于划分所述负荷图像信息为训练数据和验证数据；
[0036]训练子模块，用于基于所述训练数据和所述验证数据，对初步的卷积神经网络模型进行训练和验证，得到所述目标卷积神经网络模型；
[0037]输入子模块，用于将待测家庭电路的负荷图像信息输入到所述目标卷积神经网络模型，得到所述家庭电路的负荷标量特征值。
[0038]可选地，所述训练子模块包括：
[0039]训练单元，用于将所述训练数据输入到所述初步的卷积神经网络模型，进行训练，得到训练后的卷积神经网络模型；
[0040]验证单元，用于基于所述验证数据，验证所述训练后的卷积神经网络模型，得到所述目标卷积神经网络模型。
[0041]可选地，所述训练单元包括：
[0042]参数子单元，用于设置所述初步的卷积神经网络模型的参数数据；
[0043]输入子单元，用于将所述训练数据输入到所述初步的卷积神经网络模型，得到训练结果数据；
[0044]优化子单元，用于基于所述参数数据、所述训练数据对应的数据标签及所述训练结果数据，对所述初步的卷积神经网络模型进行优化，得到所述训练后的卷积神经网络模型。
[0045]从以上技术方案可以看出，本专利技术具有以下优点：本专利技术提供了一种电路负荷的识别方法，通过获取家庭电路的电流数据和电压数据，以及负荷的容感特性信息基于所述容感特性信息，将所述电流数据和所述电压数据转化为所述家庭电路的负荷图像信息将所述负荷图像信息输入到预设的目标卷积神经网络模型，得到所述家庭电路的负荷标量特征值对比所述负荷标量特征值与样本库中的特征值，得到所述家庭电路的负荷类别，通过一种电路负荷的识别方法，解决了目前存在的传统的学习算法对负荷识别的准确率较低的技术问题，提高了负荷识别的准确性。
附图说明
[0046]为了更清楚地说明本专利技术实施例或现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电路负荷的识别方法，其特征在于，包括：获取家庭电路的电流数据和电压数据，以及负荷的容感特性信息；基于所述容感特性信息，将所述电流数据和所述电压数据转化为所述家庭电路的负荷图像信息；将所述负荷图像信息输入到预设的目标卷积神经网络模型，得到所述家庭电路的负荷标量特征值；对比所述负荷标量特征值与样本库中的特征值，得到所述家庭电路的负荷类别。2.根据权利要求1所述的电路负荷的识别方法，其特征在于，基于所述容感特性信息，将所述电流数据和所述电压数据转化为所述负荷的图像信息，包括：将所述电流数据和所述电压数据转化为轨迹图像数据；在所述轨迹图像数据中加入所述容感特性信息，得到所述负荷的图像信息。3.根据权利要求1所述的电路负荷的识别方法，其特征在于，将所述负荷图像信息输入到预设的目标卷积神经网络模型，得到所述家庭电路的负荷标量特征值，包括：划分所述负荷图像信息为训练数据和验证数据；基于所述训练数据和所述验证数据，对初步的卷积神经网络模型进行训练和验证，得到所述目标卷积神经网络模型；将待测家庭电路的负荷图像信息输入到所述目标卷积神经网络模型，得到所述家庭电路的负荷标量特征值。4.根据权利要求3所述的电路负荷的识别方法，其特征在于，基于所述训练数据和所述验证数据，对初步的卷积神经网络模型进行训练和验证，得到所述目标卷积神经网络模型，包括：将所述训练数据输入到所述初步的卷积神经网络模型，进行训练，得到训练后的卷积神经网络模型；基于所述验证数据，验证所述训练后的卷积神经网络模型，得到所述目标卷积神经网络模型。5.根据权利要求4所述的电路负荷的识别方法，其特征在于，将所述训练数据输入到所述初步的卷积神经网络模型，进行训练，得到训练后的卷积神经网络模型，包括：设置所述初步的卷积神经网络模型的参数数据；将所述训练数据输入到所述初步的卷积神经网络模型，得到训练结果数据；基于所述参数数据、所述训练数据对应的数据标签及所述训练结果数据，对所述初步的卷积神经网络模型进行优化，得到...

【专利技术属性】
技术研发人员：王志祥，邓子聪，关兆基，罗卿，吴荟彬，黎铭坤，冯德锟，万洪杞，罗浩然，程健愉，关家华，
申请(专利权)人：广东电网有限责任公司佛山供电局，
类型：发明
国别省市：