基于低压电力波形判断用户电器类别的方法与流程

本发明涉及人工智能，特别是涉及基于低压电力波形判断用户电器类别的方法。

背景技术：

1、用户电器类别识别具有多方面的重要意义，尤其是在智能电网和能源管理系统中，其意义尤为突出：(1)通过识别每个用户使用的具体电器类型，系统可以更精准地监控和管理能源消耗。这种精细化管理有助于优化能源分配和使用，进而实现能源效率的提升和节能减排的目标。(2)识别用户电器类别可以为用户提供个性化的能源使用建议和优化方案。(3)识别电器类型还有助于提早发现电器故障或异常行为。系统可以比对预期的电器工作模式和实际的电能消耗数据，从而及时识别可能存在的故障迹象，并预测维护需求，减少因设备故障而导致的停电风险和维修成本。

2、目前判断用户电器类别的方法，通过电力负荷监测技术对电器类别进行判断。电力负荷监测技术可以分为侵入式和非侵入式两大类，侵入式将带有数字通信功能的传感器安装在每个电器与电网的接口，从而监测每个电器的运行状态和功率消耗，需要在用电户中每一个用电器上安装电路设施，安装工作需要进入电器内部，实现难度较大，会影响正常的生产工作，不适宜全面推广，非侵入式仅能够通过总电表的用电数据识别用电器，但在目前的方法中，通过额定功率识别的模型误差较大。因此，亟需提供一种基于低压电力波形判断用户电器类别的方法。

技术实现思路

1、本发明的目的是提供基于低压电力波形判断用户电器类别的方法，通过引入了粒子群算法对bp神经网络进行优化，可基于低压电力波形数据中的特征对电器进行准确分类。

2、为实现上述目的，本发明提供了如下方案：

3、基于低压电力波形判断用户电器类别的方法，包括：

4、获取用户电器的低压电力波形数据，提取所述低压电力波形数据的特征参数，其中所述特征参数包括时域特征和频域特征；

5、基于所述特征参数，获取频率变化向量和谐波变化向量，并输入电器类别判断模型，获取所述电器类别判断模型输出的判断结果，其中所述电器类别判断模型通过训练集训练获得，所述训练集包括用户电器得历史频率变化向量和谐波变化向量及对应的标签信息，所述标签信息包括电器的标注类别，所述电器类别判断模型通过基于粒子群优化的bp神经网络构建。

6、可选的，基于所述特征参数，获取频率变化向量和谐波变化向量包括：

7、根据预设窗口长度和预设滑动长度，将所述时域特征划分为多个时域窗口特征；

8、将多个所述时域窗口特征转换为对应的频域窗口特征，并根据时间对多个所述频域窗口特征进行排序；

9、确定当前所述频域窗口特征和相邻上一个所述频域窗口特征之间的相似度；

10、根据所述相似度，获取所述频率变化向量和所述谐波变化向量。

11、可选的，所述时域特征包括均值、方差、标准差、最大值、最小值、以及最大值与最小值之差。

12、可选的，根据所述相似度，获取所述频率变化向量和所述谐波变化向量包括：

13、当所述相似度小于或等于预设相似度时，提取当前所述频域窗口特征对应的频域向量和谐波向量，并提取相邻上一个所述频域窗口特征对应的频域向量和谐波向量；

14、根据当前所述频域窗口特征对应的频域向量和相邻上一个所述频域窗口特征对应的频域向量之间的差值，生成频率变化向量，并根据当前所述频域窗口特征对应的谐波向量和相邻上一个所述频域窗口特征对应的谐波向量之间的差值，生成谐波变化向量。

15、可选的，获取所述训练集包括：

16、采集多个待测电器正常使用中的历史低压电力波形数据；

17、设置滑动窗口对所述历史低压电力波形数据进行分段，检查分段后的所述历史低压电力波形数据是否有效，若是则记录对应的电器类别，否则删除对应的所述历史低压电力波形数据，获取筛选后的历史低压电力波形数据；

18、基于筛选后的历史低压电力波形数据，获取所述频率变化向量和谐波变化向量及对应的标签信息。

19、可选的，基于粒子群优化的bp神经网络构建所述电器类别判断模型包括：

20、确定所述bp神经网络的初始参数；

21、基于粒子群算法对所述bp神经网络中的初始参数进行迭代优化，获取最终参数；

22、基于所述最终参数构建所述bp神经网络，即完成对所述电器类别判断模型的构建。

23、可选的，基于粒子群算法对所述bp神经网络中的初始参数进行迭代优化，获取最终参数包括：

24、s1、将所述bp神经网络中的初始参数作为所述粒子群算法中的粒子进行优化，获取粒子的速度和位置，其中所述初始参数包括所述bp神经网络的权值和阈值；

25、s2、将所述判断结果作为适应度值，迭代更新所述粒子群算法中粒子的速度和位置；

26、s3、判断是否满足迭代结束条件，如果不满足则返回s1,如果满足，则将得到的所述最终参数。

27、可选的，获取用户电器的低压电力波形数据后包括：

28、将所述低压电力波形数据通过无线通信方式或有线通信方式传输到上位机，获取频率变化向量和谐波变化向量；其中所述无线通信方式包括zigbee、蓝牙、wifi、433mhz数传方式；所述有线通信方式包括485总线、can总线、互联网、电力载波方式。

29、本发明的有益效果为：本发明通过获取用户电器的低压电力波形，并基于低压电力波形数据分别提取这两个频域窗口特征的频域向量和谐波向量，利用其变化量输入训练好的电器类别判断模型中，不仅提高分类的准确性，还可以提高模型的鲁棒性和灵活性。

技术特征：

1.基于低压电力波形判断用户电器类别的方法，其特征在于，包括：

2.根据权利要求1所述的基于低压电力波形判断用户电器类别的方法，其特征在于，基于所述特征参数，获取频率变化向量和谐波变化向量包括：

3.根据权利要求2所述的基于低压电力波形判断用户电器类别的方法，其特征在于，所述时域特征包括均值、方差、标准差、最大值、最小值、以及最大值与最小值之差。

4.根据权利要求2所述的基于低压电力波形判断用户电器类别的方法，其特征在于，根据所述相似度，获取所述频率变化向量和所述谐波变化向量包括：

5.根据权利要求1所述的基于低压电力波形判断用户电器类别的方法，其特征在于，获取所述训练集包括：

6.根据权利要求1所述的基于低压电力波形判断用户电器类别的方法，其特征在于，基于粒子群优化的bp神经网络构建所述电器类别判断模型包括：

7.根据权利要求6所述的基于低压电力波形判断用户电器类别的方法，其特征在于，基于粒子群算法对所述bp神经网络中的初始参数进行迭代优化，获取最终参数包括：

8.根据权利要求1所述的基于低压电力波形判断用户电器类别的方法，其特征在于，获取用户电器的低压电力波形数据后包括：

技术总结
本发明涉及基于低压电力波形判断用户电器类别的方法，包括：获取用户电器的低压电力波形数据，提取低压电力波形数据的特征参数，其中特征参数包括时域特征和频域特征；基于特征参数，获取频率变化向量和谐波变化向量，并输入电器类别判断模型，获取电器类别判断模型输出的判断结果，其中电器类别判断模型通过训练集训练获得，训练集包括用户电器得历史频率变化向量和谐波变化向量及对应的标签信息，标签信息包括电器的标注类别，电器类别判断模型通过基于粒子群优化的BP神经网络构建。本发明通过引入了粒子群算法对BP神经网络进行优化，可基于低压电力波形数据中的特征对电器进行准确分类。

技术研发人员：李振国,冯磊,张亮,庞永新
受保护的技术使用者：保定市民益购售电服务有限公司
技术研发日：
技术公布日：2024/12/5