电网终端设备的自动识别方法及系统技术方案

本发明专利技术公开了一种电网终端设备的自动识别方法及系统

【技术实现步骤摘要】
电网终端设备的自动识别方法及系统、电子设备、介质


[0001]本专利技术涉及电网终端设备智能识别
，特别地，涉及一种电网终端设备的自动识别方法及系统
、
电子设备
、
计算机可读取的存储介质
。

技术介绍

[0002]随着电力物联网技术的发展，接入电网的电力设备的种类和数量快速增长，其产生的海量电力流量数据促使电网向信息化
、
智能化系统转变
。
在当前新型电力系统中，电力物联终端种类多样
、
厂家众多，电力物联终端异构部署，在电力物联终端接入时，面临差异化异构设备的智能辨识问题，由于电力系统不具备智能化辨识功能，通常需要人工识别并手动配置，产生了大量的人工维护成本
。
因此，为了支撑新型电力系统终端设备的感知辨识与精细化管理，亟需开展电力物联设备智能辨识技术研究，实现电力物联终端设备的智能识别
。
[0003]目前，有相关研究对数据包到达间隔时间的分布进行建模，使用卷积神经网络完成了对设备的自动分类，但是，受到感受视野限制，卷积神经网络无法记忆所有输入的信息，造成信息的丢失，并且无法捕获远距离特征，从而不能利用输入及其相互关系来提取全局特征，在进行设备智能感知辨识时存在精度不高
、
模型收敛速度较慢的问题
。
另外，还有研究者提出了基于双向时间卷积神经网络与多头自注意力机制的异常网络流量检测方法，通过捕获原始网络流量文件生成流量的字节序列，并标记流量的类型，训练基于双向时间卷积网络与多头自注意力机制的异常流量检测模型，将流量序列放入模型中，得到异常流量分类结果
。
但是，该方法没有利用电网设备流量数据存在的特性，对流量的特征提取仅停留在相同的层面，缺乏不同层面
、
不同角度的特征和不同特征对结果的影响分析，而且多头注意力机制会学习每个头所有的信息，造成时间和空间复杂度较大的问题
。
因此，现有的电网终端设备智能识别方法存在识别精度差
、
模型收敛速度慢的问题
。

技术实现思路

[0004]本专利技术提供了一种电网终端设备的自动识别方法及系统
、
电子设备
、
计算机可读取的存储介质，以解决现有的电网终端设备智能识别方法存在的识别精度差
、
模型收敛速度慢的技术问题
。
[0005]根据本专利技术的一个方面，提供一种电网终端设备的自动识别方法，包括以下内容：
[0006]采集不同电网终端设备的历史流量数据，历史流量数据包括以流为单位进行划分的第一历史流量数据和以数据包为单位进行划分的第二历史流量数据，并将每个电网终端设备对应的第一历史流量数据和第二历史流量数据分别预处理为第一灰度图像和第二灰度图像；
[0007]分别从第一灰度图像和第二灰度图像中提取出不同抽象级别的流粒度特征及对应的权重
、
不同抽象级别的载荷粒度特征及对应的权重；
[0008]将流粒度特征
、
载荷粒度特征和第一历史流量数据作为输入，对电网终端识别模
型进行迭代训练直至收敛；
[0009]采集实时电网终端设备的流量数据并将其输入至训练好的电网终端识别模型，实现实时电网终端设备的自动识别
。
[0010]进一步地，所述分别从第一灰度图像和第二灰度图像中提取出不同抽象级别的流粒度特征及对应的权重
、
不同抽象级别的载荷粒度特征及对应的权重的过程具体为：
[0011]分别对第一灰度图像和第二灰度图像依次进行通道扩展
、
全零填充
、
池化处理和映射处理后，提取出不同抽象级别的流粒度特征和载荷粒度特征；
[0012]分别将提取出的流粒度特征和载荷粒度特征输入
softmax
函数，得到不同抽象级别的流粒度特征权重和载荷粒度特征权重
。
[0013]进一步地，将第一灰度图像依次进行通道扩展
、
全零填充
、
池化处理和映射处理后，提取出不同抽象级别的流粒度特征的过程具体为：
[0014]将
n
×
n
像素的第一灰度图像经过三个1×1的卷积核进行通道扩展，得到
n
×
n
×3的拓展图像；
[0015]对拓展图像进行全0填充后分别经过多个3×3×
3、4
×4×
3、5
×5×
3、6
×6×
3、7
×7×3的卷积核，得到五种不同的多张
n
×
n
特征图；
[0016]将五种
n
×
n
特征图分别经过2×2的池化层
、
具有
d
个
(n/4)
×
(n/4)
大小卷积核的全连接层，映射为五个
d
×1的向量，从而得到不同抽象级别的流粒度特征
。
[0017]进一步地，所述将流粒度特征
、
载荷粒度特征和第一历史流量数据作为输入，对电网终端识别模型进行迭代训练直至收敛的过程具体为：
[0018]利用两层自适应多头自注意力提取不同抽象级别流粒度特征的第一流粒度深层特征和第二流粒度深层特征；
[0019]利用两层自适应多头自注意力提取不同抽象级别载荷粒度特征的第一载荷粒度深层特征和第二载荷粒度深层特征；
[0020]利用两层自适应多头自注意力提取第一历史流量数据的第一深层时序特征和第二深层时序特征；
[0021]将第一流粒度深层特征
、
第二流粒度深层特征
、
第一载荷粒度深层特征
、
第二载荷粒度深层特征
、
第一深层时序特征和第二深层时序特征拼接为多尺度特征；
[0022]将多尺度特征输入到最后一个自适应多头注意力子层，进行多尺度特征的融合感知得到特征，再输入到全连接网络，并将全连接网络的输出输入至
softmax
分类器进行分类识别，根据分类识别结果和标签调整模型参数；
[0023]不断迭代训练，直至模型收敛，并记录特征权重阈值
。
[0024]进一步地，所述利用两层自适应多头自注意力提取不同抽象级别流粒度特征的第一流粒度深层特征和第二流粒度深层特征的过程具体为：
[0025]将不同抽象级别的流粒度特征分别乘以各自的权重，再依次进行残差处理和词嵌入处理，得到词嵌入特征向量；
[0026]将词嵌入特征向量输入至第一个自适应多头自注意力子层，提取出浅层特征向量，并对浅层特征向量和词嵌入特征向量进行残差连接和层标准化处理，得到不同抽象级别流粒度特征的第一流粒度深层特征向量；
[0027]将第一流粒本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电网终端设备的自动识别方法，其特征在于，包括以下内容：采集不同电网终端设备的历史流量数据，历史流量数据包括以流为单位进行划分的第一历史流量数据和以数据包为单位进行划分的第二历史流量数据，并将每个电网终端设备对应的第一历史流量数据和第二历史流量数据分别预处理为第一灰度图像和第二灰度图像；分别从第一灰度图像和第二灰度图像中提取出不同抽象级别的流粒度特征及对应的权重
、
不同抽象级别的载荷粒度特征及对应的权重；将流粒度特征
、
载荷粒度特征和第一历史流量数据作为输入，对电网终端识别模型进行迭代训练直至收敛；采集实时电网终端设备的流量数据并将其输入至训练好的电网终端识别模型，实现实时电网终端设备的自动识别
。2.
如权利要求1所述的电网终端设备的自动识别方法，其特征在于，所述分别从第一灰度图像和第二灰度图像中提取出不同抽象级别的流粒度特征及对应的权重
、
不同抽象级别的载荷粒度特征及对应的权重的过程具体为：分别对第一灰度图像和第二灰度图像依次进行通道扩展
、
全零填充
、
池化处理和映射处理后，提取出不同抽象级别的流粒度特征和载荷粒度特征；分别将提取出的流粒度特征和载荷粒度特征输入
softmax
函数，得到不同抽象级别的流粒度特征权重和载荷粒度特征权重
。3.
如权利要求2所述的电网终端设备的自动识别方法，其特征在于，将第一灰度图像依次进行通道扩展
、
全零填充
、
池化处理和映射处理后，提取出不同抽象级别的流粒度特征的过程具体为：将
n
×
n
像素的第一灰度图像经过三个1×1的卷积核进行通道扩展，得到
n
×
n
×3的拓展图像；对拓展图像进行全0填充后分别经过多个3×3×
3、4
×4×
3、5
×5×
3、6
×6×
3、7
×7×3的卷积核，得到五种不同的多张
n
×
n
特征图；将五种
n
×
n
特征图分别经过2×2的池化层
、
具有
d
个
(n/4)
×
(n/4)
大小卷积核的全连接层，映射为五个
d
×1的向量，从而得到不同抽象级别的流粒度特征
。4.
如权利要求2所述的电网终端设备的自动识别方法，其特征在于，所述将流粒度特征
、
载荷粒度特征和第一历史流量数据作为输入，对电网终端识别模型进行迭代训练直至收敛的过程具体为：利用两层自适应多头自注意力提取不同抽象级别流粒度特征的第一流粒度深层特征和第二流粒度深层特征；利用两层自适应多头自注意力提取不同抽象级别载荷粒度特征的第一载荷粒度深层特征和第二载荷粒度深层特征；利用两层自适应多头自注意力提取第一历史流量数据的第一深层时序特征和第二深层时序特征；将第一流粒度深层特征
、
第二流粒度深层特征
、
第一载荷粒度深层特征
、
第二载荷粒度深层特征...

【专利技术属性】
技术研发人员：杨芳僚，李浩志，祝视，周沿东，陈永卫，孙毅臻，李凌剑，张宇翔，方彬，田建伟，朱宏宇，曾小辉，
申请(专利权)人：国网湖南省电力有限公司国家电网有限公司，
类型：发明
国别省市：