[发明专利]一种基于3D卷积神经网络的电气负载监测方法和系统

权利要求书

1.一种基于3D卷积神经网络的电气负载监测方法，其特征在于，包括以下步骤：

(1)采集用电设备在稳态下的电压数据和电流数据，并对该电压数据和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电压数据和电流数据；

(2)根据步骤(1)处理后的用电设备的电压数据和电流数据生成多帧用电设备在不同时刻的电压-电流轨迹图像，对每帧电压-电流轨迹图像先后进行归一化和二值化处理，以得到处理后的多帧电压-电流轨迹图像；步骤(2)中不同时刻用电设备的电压-电流轨迹图像的生成过程是先以用电设备的电压数据为基准，从步骤(1)处理后的用电设备的电压数据中截取10个完整周期的电压数据，并获取这10个完整周期的电流数据；随后，对这10个周期的电压数据和电流数据分别进行叠加后求其均值，从而分别形成一个完整周期的电压数据和电流数据，并将这一个完整周期的电压数据和电流数据分别平均划分成N个部分；随后，使用第一部分的电压数据作为纵坐标，第一部分的电流数据作为横坐标生成前1/N个周期的电压-电流轨迹图像，使用前两部分的电压数据作为纵坐标，前两部分的电流数据作为横坐标生成前2/N个周期的电压-电流轨迹图像，依此类推，直到最终生成一个完整周期的电压-电流轨迹图像共N帧，用于展示出一个完整周期的电压电流轨迹生成过程；

(3)将步骤(2)处理后的多帧电压-电流轨迹图像进行叠加处理，并输入训练好的3D卷积神经网络模型中，以得到用电设备的用电信息，并将用电设备的用电信息发送给用户。

2.根据权利要求1所述的电气负载监测方法，其特征在于，滤波过程是先后采用中值滤波法和均值滤波法。

3.根据权利要求1或2所述的电气负载监测方法，其特征在于，3D卷积神经网络是通过以下步骤训练得到的：

(3-1)采集多个类别的用电设备在稳态时的电压数据和电流数据作为数据集；

(3-2)对数据集中的电压数据和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电压数据和电流数据；

(3-3)根据步骤(3-2)处理后的用电设备的电压数据和电流数据生成多帧用电设备在不同时刻的电压-电流轨迹图像，对每帧电压-电流轨迹图像先后进行归一化和二值化处理，以得到处理后的多帧电压-电流轨迹图像，并将处理后的多帧电压-电流轨迹图像输入3D卷积神经网络；

(3-4)使用反向传播算法对3D卷积神经网络中每层的权重参数进行更新和优化，以得到更新后的3D卷积神经网络；

(3-5)对步骤(3-4)更新后的3D卷积神经网络进行迭代训练，直到该3D卷积神经网络的损失函数达到最小为止；

(3-6)使用步骤(3-1)得到的数据集中的测试集对迭代训练后的3D卷积神经网络进行迭代验证，直到得到的分类精度达到最优为止，从而得到训练好的3D卷积神经网络。

4.根据权利要求3所述的电气负载监测方法，其特征在于，3D卷积神经网络的损失函数L为：

其中N表示训练集的样本总数，K表示训练集中类别的数量，t_i,k表示第k类第i个训练样本输入3D卷积神经网络后的预测结果，y_i,k表示第k类第i个训练样本对应的真实结果，且k∈[1，K]，λ表示正则化程度，W_i,k表示第k类第i个训练样本输入3D卷积神经网络时的权重参数。

5.根据权利要求3所述的电气负载监测方法，其特征在于，步骤(3-4)中的优化过程是采用Adam优化器。