一种用电信息关联模型建立方法、系统及智能电表技术方案

本发明专利技术涉及一种用电信息关联模型建立方法、系统及智能电表，所述方法，包括：获取每个用电设备单独的电压电流信号；分析所述电压电流信号，提取负荷特征信息，构建出多特征参量融合的负荷特征指示集；构建引入自注意力机制的负荷辨识网络结构模型；将所述负荷特征指示集中的数据输入所述负荷辨识网络结构模型进行训练；获得训练后的负荷辨识网络结构模型，作为用电信息关联模型。可以理解的是，本发明专利技术提供的技术方案，能够对用户不同的用电设备的负荷进行监测，对用户的不同类型的用电设备识别率较高，使得用户能够优化个人用电习惯，避免非必要的资源消耗，从一定程度上提高能源利用率。用率。用率。

【技术实现步骤摘要】
一种用电信息关联模型建立方法、系统及智能电表


[0001]本专利技术涉及低压配用电
，具体涉及一种用电信息关联模型建立方法、系统及智能电表。

技术介绍

[0002]随着“碳达峰、碳中和”战略目标提出，能源革命转型迫在眉睫。在新一次的能源变革中，电能成为变革的中心，而电网作为电能传输的唯一途径，电网的智能化水平提升具有重要意义。随着“云大物移智”等新一代信息通信技术的不断驱动，电网的数字化、信息化和智能化转型持续进行，建设开放互动的智能用电服务体系成为目前电网的研究前沿和重要目标。在智能用电服务体系建设中，交互性是最为核心的部分，需要利用计量、通信和存储等技术实现用户与电网间的信息交互，构建电网与用户间的电力流、信息流实时互动的新型供用电关系，其中，负荷监测是实现交互性的首要环节。
[0003]目前，对用户用电设备的负荷监测，对用户的不同类型的用电设备识别率较低，尤其是电特性相近的用电设备，不能得知每类用电设备的负荷。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种用电信息关联模型建立方法、系统及智能电表，以解决现有技术中对用户的不同类型的用电设备识别率较低，尤其是电特性相近的用电设备，不能得知每类用电设备的负荷的问题。
[0005]根据本专利技术实施例的第一方面，提供一种用电信息关联模型建立方法，其特征在于，包括：
[0006]获取每个用电设备单独的电压电流信号；
[0007]分析所述电压电流信号，提取负荷特征信息，构建出多特征参量融合的负荷特征指示集；
[0008]构建引入自注意力机制的负荷辨识网络结构模型；
[0009]将所述负荷特征指示集中的数据输入所述负荷辨识网络结构模型进行训练；
[0010]获得训练后的负荷辨识网络结构模型，作为用电信息关联模型。
[0011]优选的，所述分析所述电压电流信号，提取负荷特征信息，包括：
[0012]对所述电压电流信号进行时域分析，计算得出信号特征；
[0013]对所述电压电流信号进行频域分析，进行快速傅里叶变换，选取信号的基波与谐波幅值作为负荷标识特征；
[0014]对所述电压电流信号进行时频域分析，采用小波包变换计算能量熵的方式进行特征提取。
[0015]优选的，所述构建引入自注意力机制的负荷辨识网络结构模型，包括：
[0016]在长短时记忆神经网络的基础上，建立双向长短时记忆神经网络层；
[0017]建立自注意力机制，并根据所述双向长短时记忆神经网络层，构建负荷辨识网络
结构模型。
[0018]优选的，所述建立双向长短时记忆神经网络层，包括：
[0019]采用前向长短时记忆神经网络和后向长短时记忆神经网络结合的方式，进行前后信息的捕捉与编码，进而实现双向长短时记忆神经网络层的建立。
[0020]优选的，所述获取每个用电设备单独的电压电流信号，包括：
[0021]获取所述电压电流信号的采样频率；
[0022]根据所述采样频率，设置数据窗的长度；
[0023]按照数据窗长度获取每个用电设备单独的电压电流信号。
[0024]优选的，在所述获取每个用电设备单独的电压电流信号之后，还包括：
[0025]采用小波阈值去噪的方式，对所述电压电流信号进行数据去噪。
[0026]优选的，所述采用小波阈值去噪的方式，包括：
[0027]将所述电压电流信号分解为多组小波系数；
[0028]根据软阈值函数，分别对每个小波系数进行阈值化处理，生成阈值化处理后的小波估计系数；
[0029]对所述小波估计系数进行重构，得出去噪后的电压电流信号。
[0030]根据本专利技术实施例的第二方面，提供一种用电信息关联模型建立系统，包括：
[0031]信息获取模块，用于获取每个用电设备单独的电压电流信号；
[0032]分析提取模块，用于分析所述电压电流信号，提取负荷特征信息，构建出多特征参量融合的负荷特征指示集；
[0033]构建模块，用于构建引入自注意力机制的负荷辨识网络结构模型；
[0034]模型训练模块，用于将所述负荷特征指示集中的数据输入所述负荷辨识网络结构模型进行训练，获得训练后的负荷辨识网络结构模型，作为用电信息关联模型。
[0035]优选的，所述的系统，还包括：
[0036]去噪模块，用于采用小波阈值去噪的方式，对所述电压电流信号进行数据去噪。
[0037]根据本专利技术实施例的第三方面，提供一种智能电表，包括：
[0038]主控器，及与所述主控器相连的电压电流传感器；
[0039]存储器，其中存储有程序指令；
[0040]所述主控器用于执行存储器中存储的程序指令，执行上述任一项所述的方法。
[0041]本专利技术的实施例提供的技术方案可以包括以下有益效果：
[0042]可以理解的是，本专利技术提供的技术方案，通过获取每个用电设备单独的电压电流信号，进而最终得到用电信息关联模型，用电信息关联模型能够对用户不同的用电设备的负荷进行监测，从而得出不同用电设备的电力消耗，该用电信息关联模型对用户的不同类型的用电设备识别率较高，使得用户能够优化个人用电习惯，避免非必要的资源消耗，从一定程度上提高能源利用率。
[0043]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。
附图说明
[0044]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施
例，并与说明书一起用于解释本专利技术的原理。
[0045]图1是根据一示例性实施例示出的一种用电信息关联模型建立方法的步骤示意图；
[0046]图2是根据一示例性实施例示出的一种时域分析案例示意图；
[0047]图3是根据一示例性实施例示出的一种频域分析案例示意图；
[0048]图4是根据一示例性实施例示出的一种时频域分析案例示意图；
[0049]图5是根据一示例性实施例示出的一种双向长短时记忆神经网络层示意图；
[0050]图6是根据一示例性实施例示出的一种自注意力机制框架示意图；
[0051]图7是根据一示例性实施例示出的一种负荷辨识网络结构模型示意图；
[0052]图8是根据一示例性实施例示出的一种客户侧用电设备负荷辨识流程图；
[0053]图9是根据一示例性实施例示出的一种小波分解过程示意图；
[0054]图10是根据一示例性实施例示出的一种长短时记忆神经网络的负荷辨识率示意图；
[0055]图11是根据一示例性实施例示出的一种双向长短时记忆神经网络的负荷辨识率示意图；
[0056]图12是根据一示例性实施例示出的一种用电信息关联模型的负荷辨识率示意图；
[0057]图13是根据一示例性实施例示出的一种用电信息关联模型建立系统的示意框图。
具体实施方式
[0058本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用电信息关联模型建立方法，其特征在于，包括：获取每个用电设备单独的电压电流信号；分析所述电压电流信号，提取负荷特征信息，构建出多特征参量融合的负荷特征指示集；构建引入自注意力机制的负荷辨识网络结构模型；将所述负荷特征指示集中的数据输入所述负荷辨识网络结构模型进行训练；获得训练后的负荷辨识网络结构模型，作为用电信息关联模型。2.根据权利要求1所述的方法，其特征在于，所述分析所述电压电流信号，提取负荷特征信息，包括：对所述电压电流信号进行时域分析，计算得出信号特征；对所述电压电流信号进行频域分析，进行快速傅里叶变换，选取信号的基波与谐波幅值作为负荷标识特征；对所述电压电流信号进行时频域分析，采用小波包变换计算能量熵的方式进行特征提取。3.根据权利要求1所述的方法，其特征在于，所述构建引入自注意力机制的负荷辨识网络结构模型，包括：在长短时记忆神经网络的基础上，建立双向长短时记忆神经网络层；建立自注意力机制，并根据所述双向长短时记忆神经网络层，构建负荷辨识网络结构模型。4.根据权利要求3所述的方法，其特征在于，所述建立双向长短时记忆神经网络层，包括：采用前向长短时记忆神经网络和后向长短时记忆神经网络结合的方式，进行前后信息的捕捉与编码，进而实现双向长短时记忆神经网络层的建立。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述获取每个用电设备单独的电压电流信号，包括：获取所述电压电流信号...

【专利技术属性】
技术研发人员：赵旭善，赵现平，陈思磊，李兴文，彭晶，邓云坤，王科，赵丽惠，张黎，许鑫，韩偲彬，杨伟荣，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：