[发明专利]一种基于增量协同注意力移动卷积的电力终端识别方法

说明书

本发明提出一种基于增量协同注意力移动卷积的电力终端识别方法，该方法将增量学习、协同注意力机制和移动卷积神经网络结合应用到电力终端识别中。所提方法基本步骤为：用电数据获取，数据预处理，协同注意力机制和移动卷积神经网络训练，识别和未被学习的电力终端的增量处理。增量处理包括自选择增量表征学习和学习率控制。所提方法能实现对电力终端的快速、精准识别。

技术领域

本发明属于电力系统智能化与控制领域，涉及一种电力终端识别的机器学习方法，适用于电力系统配电网的电力终端识别。

背景技术

电力系统中电力终端的大量接入，为电力系统配电网带来了大量的高次谐波，使配电网电流波形偏离正弦波形。大功率设备的接入，使得配电网产生电压下降和频率波动，这些电力终端的运行对配电网安全运行带来了不利的影响。为了研究不同的电力终端接入对电力系统配电网带来的影响和为需求侧管理提供参考，提高电力系统运行效率和稳定性，对接入电力系统配电网的电力终端进行识别是必要的。

计算机计算能力的提高和智能算法的发展使得非侵入式电力终端识别的实现有了多样化的选择和更高的识别准确度。在边缘计算技术大规模应用的背景下，将非侵入式电力终端识别下沉到用户边际可以解决中心计算负担过大的问题。但边缘计算设备计算能力有限，这要求识别算法能够在嵌入式设备上快速地执行。

移动卷积神经网络通过卷积层和池化层的作用，能够将输入数据快速降维。通过测量得到的电力终端波形数据量较大，将其转换成电力终端图矩阵的形式后，使用移动卷积神经网络对其进行学习，可充分发挥移动卷积神经网络的优势，快速得到识别结果。

增量学习方法可以利用已经训练完成的神经网络进行扩充训练，使得原有的神经网络能够适应分类数量增多的情况。由于电力终端发展较快，不同种类电力终端将不断被接入电力系统配电网当中，所以可将增量学习方法引入电力终端识别中。

本发明将增量学习、协同注意力机制和移动卷积神经网络相结合。所提方法能够对电力终端图矩阵进行快速、精确识别，并满足未被学习的电力终端的接入需求。

发明内容

本发明提出一种基于增量协同注意力移动卷积的电力终端识别方法，该方法将增量学习、协同注意力机制和移动卷积神经网络结合应用到电力终端识别中，实现对电力终端的快速、精准识别。

本发明将增量学习、协同注意力机制和移动卷积神经网络相结合。协同注意力机制能够对输入移动卷积神经网络的电力终端图矩阵进行权重计算，从而确定需要重点学习和重点识别的数据区域。通过协同注意力机制的作用，移动卷积神经网络能够对高权重数据区域进行重点学习，以达到更快的学习速度和更高的识别准确度；增量学习的应用能够扩充已经被训练的移动卷积神经网络分类层个数，从而扩充移动卷积神经网络的分类数量，适应未被学习的电力终端的接入并对其进行学习和识别。

本发明所提方法分为以下5个步骤：

步骤(1)用电数据获取：使用电压电流传感器对电力终端各个工况下的运行电流和电压数据进行5kHz采样频率下的波形采集。

步骤(2)数据预处理：将传感器获得的电流和电压数据转化为电力终端图矩阵的形式。为了充分利用协同注意力机制的优势，在数据预处理过程中，电压波形数据和电流波形数据将作为两个通道独立进行处理。在这两个通道中，每个电网周期的电压数据和电流数据将被按照时序分为四段，并按照蛇形存入4行25列的图中，形成电力终端图矩阵。

步骤(3)协同注意力机制和移动卷积神经网络训练：为了满足在嵌入式设备上快速运行的需要，将移动卷积神经网络与协同注意力机制结合，作为电力终端识别所使用的神经网络。

移动卷积神经网络对卷积神经网络的卷积部分进行了优化，提高了卷积过程计算的速度。

在卷积神经网络中，卷积结果为：