[发明专利]一种用户相别分析方法、系统、设备和存储介质

权利要求书

1.一种用户相别分析方法，其特征在于，包括：

采集台区关口表和用户用电数据并生成电压数据随时间变化的样本曲线图像；

通过VAE网络对所述样本曲线图像进行样本重构得到大量多样性的曲线图像，并作为训练样本数据；

通过所述训练样本数据对SNN模型进行训练，采用网格搜索优化参数方法对SNN模型超参数进行优化，从而构建孪生神经网络对图像特征进行提取和处理，输出关口表电压和用户电压的特征向量；

计算用户电压和关口表不同相别电压数据的特征向量的相似度，并得到用户所属相别的概率值，根据概率值大小确定低压台区单相用户的相别分析结果。

2.根据权利要求1所述的用户相别分析方法，其特征在于，所述通过VAE变分自编码器对所述样本曲线图像进行样本重构得到大量多样性的曲线图像，并作为训练样本数据，具体包括：

通过VAE网络的编码器将所样本述曲线图像转换为潜在空间的统计分布，统计分布参数为均值和方差；通过VAE网络的解码器对统计分布参数进行有效输出变量分布，得到训练样本数据。

3.根据权利要求1所述的用户相别分析方法，其特征在于，所述通过所述训练样本数据对SNN模型进行训练，采用网格搜索优化参数方法对SNN模型超参数进行优化，从而构建卷积神经网络对图像特征进行提取和处理，输出关口表电压和用户电压的特征向量，具体包括：

构建基于单样本学习的SNN模型，通过所述训练样本数据对SNN模型进行训练；

将网格搜索法和交叉验证法结合对SNN模型的若干参数组合实行交叉验证，确定最优参数组合，从而构建两个权值共享、结构一致的孪生神经网络对图像特征进行提取和处理，输出关口表电压和用户电压的特征向量。

4.根据权利要求1所述的用户相别分析方法，其特征在于，所述计算用户电压和关口表不同相别电压数据的特征向量的相似度，并得到用户所属相别的概率值，根据概率值大小确定低压台区单相用户的相别分析结果，具体包括：

通过孪生神经网络的相似度计算分类器计算得到用户电压和关口表不同相别电压数据的特征向量的相似度；

在计算分类器中采用softmax激活函数与交叉熵损失函数相匹配进行所属相别的概率值预测，最终输出待识别用户的相别分析结果。

5.一种用户相别分析系统，其特征在于，包括：

采样单元，用于采集台区关口表和用户用电数据并生成电压数据随时间变化的样本曲线图像；

重构单元，用于通过VAE网络对所述样本曲线图像进行样本重构得到大量多样性的曲线图像，并作为训练样本数据；

提取单元，用于通过所述训练样本数据对SNN模型进行训练，采用网格搜索优化参数方法对SNN模型超参数进行优化，从而构建孪生神经网络对图像特征进行提取和处理，输出关口表电压和用户电压的特征向量；

分析单元，用于计算用户电压和关口表不同相别电压数据的特征向量的相似度，并得到用户所属相别的概率值，根据概率值大小确定低压台区单相用户的相别分析结果。

6.根据权利要求5所述的用户相别分析系统，其特征在于，所述重构单元，具体用于：

通过VAE网络的编码器将所样本述曲线图像转换为潜在空间的统计分布，统计分布参数为均值和方差；通过VAE网络的解码器对统计分布参数进行有效输出变量分布，得到训练样本数据。

7.根据权利要求5所述的用户相别分析系统，其特征在于，所述提取单元，具体用于：

构建基于单样本学习的SNN模型，通过所述训练样本数据对SNN模型进行训练；

将网格搜索法和交叉验证法结合对SNN模型的若干参数组合实行交叉验证，确定最优参数组合，从而构建两个权值共享、结构一致的孪生神经网络对图像特征进行提取和处理，输出关口表电压和用户电压的特征向量。