[发明专利]一种基于深度学习的电力设备识别方法及其装置

说明书

本申请实施例公开了一种基于深度学习的电力设备识别方法及其装置，其中方法包括：采集用电设备的电压数据和电流数据；将所述电压数据和所述电流数据进行滤波处理获取目标电压数据和目标电流数据；利用二值化映射算法将所述目标电压数据和所述目标电流数据处理获取二值化电压‑电流轨迹图像；将所述二值化电压‑电流轨迹图像输入预设神经网络获取所述用电设备的用电信息。由于获取二值化电压‑电流轨迹图像相较于提取电流谐波、电流波形和负荷有功无功功率平面信息特征难度小，且特征较明显，所以通过将二值化电压‑电流轨迹图像输入预设神经网络获取到的用电设备用电信息误差较小。

技术领域

本申请实施例涉及电气识别领域，特别涉及一种基于深度学习的电力设备识别方法及其装置。

背景技术

随着时代的发展，提高家庭住宅用电的利用率是实现节能减排和可持续发展的关键步骤之一，而实现该目标的现有技术手段是通过对住宅家电进行实时监测和相应的算法来获取用电信息，这不仅有助于电网通过该用电信息来进行更好的调度分配，也可以提前预防由于用户用电不规范而造成的火灾，而且用户也可以通过用电信息去改善自身的用电情况。

但在现有技术中，由于负荷监测算法中的电气负荷识别方法中是通过提取负荷在运行过程中所产生的电流谐波、电流波形和负荷有功无功功率平面的电力信息特征，将该电力信息特征输入传统机器算法中实现电气负荷识别，而电流谐波、电流波形和负荷有功无功功率平面的电力信息特征提取难度较大，且该特征不明显，使得电气负荷识别存在较大误差。

发明内容

本申请实施例提供了一种基于深度学习的电力设备识别方法及其装置，由于获取二值化电压-电流轨迹图像相较于提取电流谐波、电流波形和负荷有功无功功率平面信息特征难度小，且特征较明显，所以通过将二值化电压-电流轨迹图像输入预设神经网络获取到的用电设备用电信息误差较小。

本申请实施例第一方面提供了一种基于深度学习的电力设备识别方法，包括：

采集用电设备的电压数据和电流数据；

将所述电压数据和所述电流数据进行滤波处理获取目标电压数据和目标电流数据；

利用二值化映射算法将所述目标电压数据和所述目标电流数据处理获取二值化电压-电流轨迹图像；

将所述二值化电压-电流轨迹图像输入预设神经网络获取所述用电设备的用电信息。

可选的，所述将所述二值化电压-电流轨迹图像输入预设神经网络获取所述用电设备的用电信息之前，所述方法还包括：

获取二值化电压-电流轨迹图像样本集；

将第一二值化电压-电流轨迹图像样本输入初始神经网络中获取第一预测用电信息；

根据所述第一预测用电信息计算第一网络损失值，并判断所述第一网络损失值是否大于预设网络损失值；

若是，则根据所述第一网络损失值更新所述初始神经网络获取更新后的神经网络，并将所述第一二值化电压-电流轨迹图像样本输入所述神经网络重新获取第一预测用电信息，返回步骤“根据所述第一预测用电信息计算第一网络损失值，并判断所述第一网络损失值是否大于预设网络损失值”；

若否，将第二二值化电压-电流轨迹图像样本输入所述神经网络获取第二预测用电信息，且根据所述第二预测用电信息计算第二网络损失值，并判断所述第二网络损失值是否大于预设网络损失值；

若否，则确定所述神经网络为预设神经网络。

可选的，所述判断所述第二网络损失值是否大于预设网络损失值之后，所述方法还包括：