基于场景分析的电力辅助稽查方法技术

本发明专利技术公开了一种基于场景分析的电力辅助稽查方法，具体步骤包括采集特定违规用电场景下的图片信息、图片信息去噪、像素化处理、特征场景像素化矩阵提取、特征值矩阵提取、神经网络训练、违规用电场景判断等。应用本发明专利技术可以大大降低稽查人员的工作量，并且可以准确而有效的对违规用电进行确认，降低了人工辨识过程中的滞后性与判断错误。同时使用本发明专利技术也可以杜绝稽查人员的徇私舞弊，使电力稽查工作更加规范、透明和高效。透明和高效。透明和高效。

【技术实现步骤摘要】
基于场景分析的电力辅助稽查方法


[0001]本专利技术涉及电力稽查方法领域，尤其是一种基于场景分析的电力辅助稽查方法。

技术介绍

[0002]为了规范用电单位的用电行为，净化供电与用电环境，实现对供电过程的内稽外查，供电单位需要对用电单位进行电力稽查，并通过电力稽查发现用电单位的违规用电行为。目前的常用的电力稽查手段为人工检查和人工判断的方法。这就会导致大量隐蔽的违规用电行为无法及时而有效的被发现，严重影响电力的供应。另外由于缺乏有效的辅助稽查手段，对于违规用电的行为完全由人工进行判断，这一方面大大增加了稽查人员的工作量，使供电区单位人工成本大大增加，同时也会导致稽查人员徇私舞弊现象的出现。

技术实现思路

[0003]为了解决上述技术问题，本专利技术提供了一种基于场景分析的电力辅助稽查方法，其特殊之处在于，包括以下几个步骤，
[0004]S1，采集特定违规用电场景下的图片信息；
[0005]S2，对采集到的图片信息进行去噪，并提取特征场景进行像素化处理，得到特征场景像素化矩阵；
[0006]S3，将提取出的特征场景像素化矩阵输入第一神经网络中，得到特征值矩阵，并将该特征值矩阵与违规用电场景的类型进行匹配；
[0007]S4，以特征值矩阵为输入值，以特征值矩阵所对应的违规用电类型作为期望值，输入第二神经网络，并对第二神经网络进行训练，最终确定第二神经网络的结构；
[0008]S5，实时采集用电场景图片信息；
[0009]S6，对采集到的图片信息进行去噪，并提取特征场景进行像素化处理，得到特征场景像素化矩阵；
[0010]S7，将提取出的特征场景像素化矩阵输入第一神经网络中，得到特征值矩阵；
[0011]S8，将实时场景的特征值矩阵输入到已确定结构的第二神经网络中，得到输出值，并根据得到的输出值与特定的违规用电场景的类型进行对比，确定实时场景所属的违规用电类型；
[0012]其中，所述第一神经网络为卷积神经网络，所述第一神经网络包括以此连接的四个卷积层和一个全链接层，每一个卷积层中设置一个池化层。
[0013]进一步地，将提取出的特征场景像素化矩阵输入第一神经网络中，得到特征值矩阵的步骤包括，
[0014]S301，提取特征场景像素化矩阵的提取单个像素的数字化信息，输入第一神经网络中的第一卷积层；
[0015]S302，第一卷积层对输入的数字化信息进行卷积处理，得到特征图，并将特征图输入与第一卷积层相配套的池化层；
[0016]S303，与第一卷积层相配套的池化层使用最大池化处理方法，对特征图进行降采样处理，得到特征映射图，并将特征映射图输入到下一级卷积层；
[0017]S304，第一神经网络中的第二卷积层进接收上一级卷积层发送的特征映射图，并按S303的步骤进行处理，得到第二特征映射图，并输入到下一级卷积层；
[0018]S305，第三卷积层与第四卷积层采用S304方法对得到的特征映射图进行处理，最终得到第四特征映射图，并将第四映射图输入到全链接层；
[0019]S306，全链接层通过设置神经元数和激活函数来输出神经数，并通过随机丢弃部分数据的处理方法的到第一神经网络的结构；
[0020]S307，将数字化矩阵输入已确定结构的第一神经网络，得到特征场景像素化矩阵的特征值矩阵。
[0021]进一步地，所述对第二神经网络进行训练的步骤包括，
[0022]S401，实时场景的特征值矩阵作为输入序列，以违规用电物性类型作为输出序列，根据输入序列和输出的序列确定第二神经网络第一层输入层神经元数、第二层隐含层节点数和输出层节点数、初始化输入层和隐含层之间的连接权值、隐含层和输出层之间的连接权值、初始换隐含层和输出层的阈值，最后给定学习速率和神经元激励函数，完成第二神经网络的初始化；
[0023]S402，根据第二神经网络的输入变量和输入层和隐含层之间的连接权值以及隐含层的阈值，计算出隐含层输出；
[0024]S403，根据隐含层输出，隐含层和输出层之间的连接权值和阈值，计算神经网络的预测输出；
[0025]S404，利用神经网络预测输出和期望输出，计算神经网络的误差值，并根据得到的误差值对初始化输入层和隐含层之间的连接权值以及隐含层和输出层之间的连接权值进行更新，同时对阈值进行更新，返回S402，直至误差值达到设定要求。
[0026]应用本专利技术所提供的基于场景分析的电力辅助稽查方法，利用第一神经网络有效的提取了用电场景图片中的有效信息，形成特征值矩阵，并通过第二神经网络得到特征值矩阵的输出值，将输出值与特定的违规用电场景进行对比，确定违规用电的类型。应用本专利技术可以大大降低稽查人员的工作量，并且可以准确而有效的对违规用电进行确认，降低了人工辨识过程中的滞后性与判断错误。同时使用本专利技术也可以杜绝稽查人员的徇私舞弊，使电力稽查工作更加规范、透明和高效。
附图说明
[0027]构成本申请的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0028]图1为本专利技术基于场景分析的电力辅助稽查方法的流程图；
[0029]图2为S3中得到特征值矩阵的流程图；
[0030]图3为S4中对第二神经网络进行训练的流程图。
具体实施方式
[0031]为了加深对本专利技术的理解，下面将结合实施例和附图对本专利技术作进一步详述。
[0032]如图1～图3所示，本专利技术一种基于场景分析的电力辅助稽查方法，其特征在于，包括以下几个步骤，
[0033]S1，采集特定违规用电场景下的图片信息；
[0034]S2，对采集到的图片信息进行去噪，并提取特征场景进行像素化处理，得到特征场景像素化矩阵；
[0035]S3，将提取出的特征场景像素化矩阵输入第一神经网络中，得到特征值矩阵，并将该特征值矩阵与违规用电场景的类型进行匹配；
[0036]S4，以特征值矩阵为输入值，以特征值矩阵所对应的违规用电类型作为期望值，输入第二神经网络，并对第二神经网络进行训练，最终确定第二神经网络的结构；
[0037]S5，实时采集用电场景图片信息；
[0038]S6，对采集到的图片信息进行去噪，并提取特征场景进行像素化处理，得到特征场景像素化矩阵；
[0039]S7，将提取出的特征场景像素化矩阵输入第一神经网络中，得到特征值矩阵；
[0040]S8，将实时场景的特征值矩阵输入到已确定结构的第二神经网络中，得到输出值，并根据得到的输出值与特定的违规用电场景的类型进行对比，确定实时场景所属的违规用电类型；
[0041]其中，所述第一神经网络为卷积神经网络，所述第一神经网络包括以此连接的四个卷积层和一个全链接层，每一个卷积层中设置一个池化层。
[0042]将提取出的特征场景像素化矩阵输入第一神经网络中，得到特征值矩阵的步骤包括，
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于场景分析的电力辅助稽查方法，其特征在于，包括以下几个步骤，S1，采集特定违规用电场景下的图片信息；S2，对采集到的图片信息进行去噪，并提取特征场景进行像素化处理，得到特征场景像素化矩阵；S3，将提取出的特征场景像素化矩阵输入第一神经网络中，得到特征值矩阵，并将该特征值矩阵与违规用电场景的类型进行匹配；S4，以特征值矩阵为输入值，以特征值矩阵所对应的违规用电类型作为期望值，输入第二神经网络，并对第二神经网络进行训练，最终确定第二神经网络的结构；S5，实时采集用电场景图片信息；S6，对采集到的图片信息进行去噪，并提取特征场景进行像素化处理，得到特征场景像素化矩阵；S7，将提取出的特征场景像素化矩阵输入第一神经网络中，得到特征值矩阵；S8，将实时场景的特征值矩阵输入到已确定结构的第二神经网络中，得到输出值，并根据得到的输出值与特定的违规用电场景的类型进行对比，确定实时场景所属的违规用电类型；其中，所述第一神经网络为卷积神经网络，所述第一神经网络包括以此连接的四个卷积层和一个全链接层，每一个卷积层中设置一个池化层。2.如权利要求1所述基于场景分析的电力辅助稽查方法，将提取出的特征场景像素化矩阵输入第一神经网络中，得到特征值矩阵的步骤包括，S301，提取特征场景像素化矩阵的提取单个像素的数字化信息，输入第一神经网络中的第一卷积层；S302，第一卷积层对输入的数字化信息进行卷积处理，得到特征图，并将特征图输入与第一卷积层相配套的池化层；S303，与第一卷积层相配套的池化层使用最大池化处理方法，对特征图进行降采样处理，得到特征映射图，并将特征...

【专利技术属性】
技术研发人员：郑壮，高丰，张雨阳，陈坤，邹国新，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：