[发明专利]用电设备的识别方法、装置、存储介质和处理器

说明书

本发明公开了一种用电设备的识别方法、装置、存储介质和处理器。该方法包括：采集电力网络的公共端的电能参数，电能参数至少包括电压和电流；采用神经网络识别模型进行分析，确定电能参数对应的处于工作状态的用电设备的类型，其中，神经网络识别模型为使用多组训练数据通过机器学习训练得到的，多组训练数据中的每组训练数据均包括：训练电能参数和训练用电设备的类型，训练用电设备的类型与训练电能参数一一对应。本发明解决了难以识别接入同一网络的不同设备的类型的技术问题。

技术领域

本发明涉及电力网络技术领域，具体而言，涉及一种用电设备的识别方法、装置、存储介质和处理器。

背景技术

当一个电力系统中接入许多用电设备，区分同一电力系统中，不同用电设备的类型成为难题。不同用电设备介入同一网络，不同用电设备相互作用，相互影响，识别不同用电设备工作状态困难大。

针对上述相关技术中难以识别接入同一网络的不同设备的类型的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种用电设备的识别方法、装置、存储介质和处理器，以至少解决难以识别接入同一网络的不同设备的类型的技术问题。

根据本发明实施例的一个方面，提供了一种用电设备的识别方法，包括：采集电力网络的公共端的电能参数，所述电能参数至少包括电压和电流；采用神经网络识别模型进行分析，确定所述电能参数对应的处于工作状态的用电设备的类型，其中，所述神经网络识别模型为使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每组训练数据均包括：训练电能参数和训练用电设备的类型，所述训练用电设备的类型与所述训练电能参数一一对应。

可选地，采用所述神经网络识别模型进行分析，确定所述电能参数对应的处于工作状态的用电设备的类型，包括：对所述电能参数进行预处理，得到特征参数，所述特征参数为变化速率大于阈值的所述电能参数所在的频段；基于所述特征参数与所述神经网络识别模型确定处于工作状态的所述用电设备的类型。

可选地，所述神经网络识别模型的获取过程包括：对所述训练电能参数进行预处理，得到训练特征参数，所述特征参数为变化速率大于阈值的所述训练电能参数所在的频段；根据所述训练特征参数以及所述训练用电设备的类型，建立所述特征参数与所述用电设备的类型的对应关系。

可选地，所述预处理为傅里叶变换。

可选地，所述电能参数还包括以下至少之一：功率、有功功率、无功功率和功率因数。

根据本发明实施例的另一个方面，还提供了一种用电设备的识别装置，包括：采集单元，用于采集电力网络的公共端的电能参数，所述电能参数至少包括电压和电流；识别单元，用于采用神经网络识别模型进行分析，确定所述电能参数对应的处于工作状态的用电设备的类型，其中，所述神经网络识别模型为使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每组训练数据均包括：训练电能参数和训练用电设备的类型，所述训练用电设备的类型与所述训练电能参数一一对应。

可选地，所述识别单元包括：第一处理模块，用于对所述电能参数进行预处理，得到特征参数，所述特征参数为预定频段的电能参数；第一确定模块，用于基于所述特征参数与所述神经网络识别模型确定处于工作状态的所述用电设备的类型。

可选地，所述识别装置还包括训练单元，所述训练单元包括：第二处理模块，用于对所述训练电能参数进行预处理，得到训练特征参数，所述特征参数为变化速率大于阈值的所述训练电能参数所在的频段；第二确定模块，用于根据所述训练特征参数以及所述训练用电设备的类型，建立所述特征参数与所述用电设备的类型的对应关系。

根据本发明实施例的另一个方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述中任意一项所述的用电设备的识别方法。