一种电能表用电负荷获取方法技术

本申请公开了一种电能表用电负荷获取方法

【技术实现步骤摘要】
一种电能表用电负荷获取方法、装置、设备及介质


[0001]本申请涉及电力
，特别是涉及一种电能表用电负荷获取方法
、
装置
、
设备及介质
。

技术介绍

[0002]在日常生活中，电能表是衡量用电量的关键设备之一
。
传统的电能表通常是非智能式设计，无法获得电网的详细信息，只能获得终端用户的总用电量信息
。
而在智能电网建设中，需要精确了解用电负荷状况，并对电力负荷进行分析和利用
。
因此，在电能表中加入了用电负荷辨识获取的功能
。
[0003]然而，当前电能表对用电负荷辨识获取的最大缺陷在于识别准确率较低，包括对用电设备类别识别的准确率较低，以及对设备消耗电量的数值识别准确率较低，这不利于电力公司对电网负荷的监测与管理
。
[0004]鉴于上述问题，如何解决当前电能表对用电负荷辨识获取的准确率较低，是该领域技术人员亟待解决的问题
。

技术实现思路

[0005]本申请的目的是提供一种电能表用电负荷获取方法
、
装置
、
设备及介质，以解决当前电能表对用电负荷辨识获取的准确率较低的问题
。
[0006]为解决上述技术问题，本申请提供一种电能表用电负荷获取方法，包括：通过电能表读取目标用电数据；其中，所述用电数据包括目标电流数据和目标电压数据；分别对所述目标电流数据和所述目标电压数据进行差分处理；将处理后的所述目标电流数据和所述目标电压数据输入至负荷识别模型中，以得到目标负荷类型和目标用电量；其中，所述负荷识别模型的构建过程包括：获取所述电能表存储的电流数据和电压数据；分别对所述电流数据和所述电压数据进行预处理；基于预处理后的所述电流数据和所述电压数据，利用时序
Transformer
神经网络进行所述负荷识别模型的训练，以得到所述负荷识别模型
。
[0007]一方面，所述分别对所述电流数据和所述电压数据进行预处理包括：分别对所述电流数据和所述电压数据进行归一化处理；将归一化处理后的所述电流数据和所述电压数据按照时序进行分段处理，以得到多个序列的所述电流数据和所述电压数据；为各所述序列的所述电流数据和所述电压数据标注对应的负荷类型；将标注所述负荷类型的所述电流数据和所述电压数据按照预设比例划分训练集和测试集
。
[0008]另一方面，所述基于预处理后的所述电流数据和所述电压数据，利用时序
Transformer
神经网络进行所述负荷识别模型的训练包括：将所述训练集中的数据输入至各多头注意力模型中；其中，所述多头注意力模型包括第一多头注意力模型和第二多头注意力模型，所述第一多头注意力模型采用了遮挡操作；在各所述多头注意力模型中，根据所述训练集中的数据获取预设数量的负荷类型的训练特征矩阵，并获取初始权重矩阵；根据所述训练特征矩阵和所述初始权重矩阵获取对应的自注意力层的权重，以得到对应的所述自注意力层的输出结果；聚合各所述负荷类型对应的所述自注意力层的输出结果，以得到所述自注意力层的聚合输出结果；根据权重系数和所述聚合输出结果获取对应的所述多头注意力模型的输出结果；分别将各所述多头注意力模型的输出结果进行处理，以得到各所述多头注意力模型对应的最终结果；将各所述多头注意力模型的所述最终结果进行聚合，并利用归一化指数函数输出聚合后的所述最终结果，以得到所述时序
Transformer
神经网络的分类结果，得到初始的所述负荷识别模型；根据所述分类结果和交叉熵损失函数获取新的权重矩阵；根据所述交叉熵损失函数和所述新的权重矩阵进行反向传播；判断所述负荷识别模型是否满足预设要求；若是，则结束所述负荷识别模型的训练
。
[0009]另一方面，所述判断所述负荷识别模型是否满足预设要求包括：根据所述测试集中的数据对所述负荷识别模型进行验证，判断所述负荷识别模型的准确率是否大于阈值；若是，则确认所述负荷识别模型满足所述预设要求；若否，则确认所述负荷识别模型不满足所述预设要求
。
[0010]另一方面，在所述通过电能表读取目标用电数据之前，还包括：将所述负荷识别模型部署于所述电能表中；启动所述电能表的电能表电信号检测传感器，以便于通过所述电能表电信号检测传感器获取所述目标用电数据
。
[0011]另一方面，在所述得到目标负荷类型和目标用电量之后，还包括：根据所述目标负荷类型和所述目标用电量生成目标负荷曲线和目标负荷统计信息；将所述目标负荷曲线和所述目标负荷统计信息存储于所述电能表的存储空间中
。
[0012]另一方面，在所述得到目标负荷类型和目标用电量之后，还包括：生成所述目标负荷类型和目标用电量的获取日志；将所述日志存储于所述电能表的存储空间中
。
[0013]为解决上述技术问题，本申请还提供一种电能表用电负荷获取装置，包括：读取模块，用于通过电能表读取目标用电数据；其中，所述用电数据包括目标电流
数据和目标电压数据；差分处理模块，用于分别对所述目标电流数据和所述目标电压数据进行差分处理；预测模块，用于将处理后的所述目标电流数据和所述目标电压数据输入至负荷识别模型中，以得到目标负荷类型和目标用电量；其中，所述负荷识别模型的构建过程包括：获取所述电能表存储的电流数据和电压数据；分别对所述电流数据和所述电压数据进行预处理；基于预处理后的所述电流数据和所述电压数据，利用时序
Transformer
神经网络进行所述负荷识别模型的训练，以得到所述负荷识别模型
。
[0014]为解决上述技术问题，本申请还提供一种电能表用电负荷获取设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述的电能表用电负荷获取方法的步骤
。
[0015]为解决上述技术问题，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质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上述的电能表用电负荷获取方法的步骤
。
[0016]本申请所提供的电能表用电负荷获取方法，通过电能表读取目标用电数据；其中，用电数据包括目标电流数据和目标电压数据；分别对目标电流数据和目标电压数据进行差分处理；将处理后的目标电流数据和目标电压数据输入至负荷识别模型中，以得到目标负荷类型和目标用电量；其中，负荷识别模型的构建过程包括：获取电能表存储的电流数据和电压数据；分别对电流数据和电压数据进行预处理；基于预处理后的电流数据和电压数据，利用时序
Transformer
神经网络进行负荷识别模型的训练，以得到负荷识别模型
。
由此可知，上述方案通过时序
Transformer
神经网络构建负荷识别模型，具有多头注意力机制；使得在利用负荷识别模型对目标用电数据的负荷类型进行预测时，对目标用电数据中的各个元素能够进行充分关注和处理，从而提高了模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电能表用电负荷获取方法，其特征在于，包括：通过电能表读取目标用电数据；其中，所述用电数据包括目标电流数据和目标电压数据；分别对所述目标电流数据和所述目标电压数据进行差分处理；将处理后的所述目标电流数据和所述目标电压数据输入至负荷识别模型中，以得到目标负荷类型和目标用电量；其中，所述负荷识别模型的构建过程包括：获取所述电能表存储的电流数据和电压数据；分别对所述电流数据和所述电压数据进行预处理；基于预处理后的所述电流数据和所述电压数据，利用时序
Transformer
神经网络进行所述负荷识别模型的训练，以得到所述负荷识别模型
。2.
根据权利要求1所述的电能表用电负荷获取方法，其特征在于，所述分别对所述电流数据和所述电压数据进行预处理包括：分别对所述电流数据和所述电压数据进行归一化处理；将归一化处理后的所述电流数据和所述电压数据按照时序进行分段处理，以得到多个序列的所述电流数据和所述电压数据；为各所述序列的所述电流数据和所述电压数据标注对应的负荷类型；将标注所述负荷类型的所述电流数据和所述电压数据按照预设比例划分训练集和测试集
。3.
根据权利要求2所述的电能表用电负荷获取方法，其特征在于，所述基于预处理后的所述电流数据和所述电压数据，利用时序
Transformer
神经网络进行所述负荷识别模型的训练包括：将所述训练集中的数据输入至各多头注意力模型中；其中，所述多头注意力模型包括第一多头注意力模型和第二多头注意力模型，所述第一多头注意力模型采用了遮挡操作；在各所述多头注意力模型中，根据所述训练集中的数据获取预设数量的负荷类型的训练特征矩阵，并获取初始权重矩阵；根据所述训练特征矩阵和所述初始权重矩阵获取对应的自注意力层的权重，以得到对应的所述自注意力层的输出结果；聚合各所述负荷类型对应的所述自注意力层的输出结果，以得到所述自注意力层的聚合输出结果；根据权重系数和所述聚合输出结果获取对应的所述多头注意力模型的输出结果；分别将各所述多头注意力模型的输出结果进行处理，以得到各所述多头注意力模型对应的最终结果；将各所述多头注意力模型的所述最终结果进行聚合，并利用归一化指数函数输出聚合后的所述最终结果，以得到所述时序
Transformer
神经网络的分类结果，得到初始的所述负荷识别模型；根据所述分类结果和交叉熵损失函数获取新的权重矩阵；根据所述交叉熵损失函数和所述新的权重矩阵进行反向传播；判断所述负荷识别模型是否满足预设要求；
...

【专利技术属性】
技术研发人员：刁瑞朋，朱本智，于婷，王洪雨，王玉琨，刘大专，房孝俊，李本良，
申请(专利权)人：青岛鼎信通讯科技有限公司青岛鼎信通讯电力工程有限公司，
类型：发明
国别省市：