[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

说明书

本发明公开了一种基于3D卷积神经网络的电气负载监测方法，包括：采集用电设备在稳态情况下的电压数据和电流数据，并对该电压和电流数据进行滤波和采样处理，将处理后的用电设备的电压数据和电流数据，生成不同时刻用电设备的电压‑电流轨迹曲线，对各个时刻的电压‑电流轨迹曲线进行归一化和图像二进制化处理。将负载的一个周期内的不同时刻的二值图像以叠加的方式构建输入层。基于3D卷积的神经网络结构，引入表示卷积与池化操作的时间深度参数；本发明基于3D卷积神经网络，通过3D卷积核在时间轴上滑动组合连续帧的空间特征，挖掘连续子图像的时空特征，能够有效的利用电压电流轨迹空间形状特征以及循环方向上的信息，从而提高监测精度。

技术领域

本发明属于深度学习和模式识别技术领域，更具体地，涉及一种基于3D卷积神经网络的电气负载监测方法和系统。

背景技术

如今，高效利用电力资源是解决能源过度消耗这一问题的关键，而有效利用电力资源过程中的一个重要手段就是对电气负载(例如家用电器等)进行实时监测以获取用电信息，这不仅有助于电力供应商通过该用电信息分析用户的用电行为来进行电力能源的分配，或者根据用户使用的用电设备来预防因用电不规范而引发的火灾，而且用户也可以通过用电信息去改善自身的用电情况。

现有的电气负载监测主要通过以下两种方式实现，第一种是分析电气负载的启动过程时间、启动电流最大值、启动电流最大值时间、稳态电流频谱等特征，通过两两或者多个特征进行组合的方法实现对电气负载的监测；第二种是将电流波形和电压波形引入诸如朴素贝叶斯(Naive Bayesian Model，简称NB)、决策树(Decision tree，简称DT)、支持向量机(Support vector machine，简称SVM)等机器学习算法中，使用计算得到的模型来识别电气负载。

然而，上述现有电气负载监测方法均存在一些不可忽略的技术问题，针对上述第一种方法，其为了采集电气系统启动时的暂态特征参数，数据采样装置需要对电气系统进行持续不间断的监测，才不会遗漏负荷投入/切除运行时稍纵即逝的暂态过程，这会增加系统能耗，且采集过程中必须使用高精度的设备，这会导致监测成本过高；而在上述第二种方法中，传统的机器学习算法计算出的模型识别率不高，且模型的鲁棒性和实用性较差。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于3D卷积神经网络的电气负载监测方法和系统，其目的在于，解决现有基于暂态特征的电气负载监测方法中存在的系统能耗高、检测成本高的技术问题，以及现有基于机器学习算法的电气负载监测方法中存在的识别率低、模型鲁棒性和实用性较差的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于3D卷积神经网络的电气负载监测方法，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。

(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。

优选的，滤波过程是先后采用中值滤波法和均值滤波法。