【技术实现步骤摘要】
本专利技术属于用电设备状态感知技术，具体为一种基于图卷积神经网络的用电设备状态感知方法、控制服务器及介质。
技术介绍
1、社会拥有可支配的电能有限且紧张，由绿色能量转换而来的电能比重较少，为了节约用电，减少碳排放并保护地球环境，需要研究用户电能的使用习惯，并节能使用。物联网和传感技术的发展，使非入侵采集用户电力数据具有可行性，而获取的大量数据为进一步分析用户习惯提供了基础。同时，深度学习算法在许多领域获得成功应用，为研究用户电力数据提供了分析方法。而分析用电习惯的关键之一是通过电流识别电器的状态。目前，电流识别采用的深度学习方法存在的问题如下：(1)在识别多个用电设备时，主要针对每个设备独立的电流特征学习，而对设备特征之间关系的学习考虑不够，比如用多个模型学习多个电器的特征，对不同电器开关状态的关系进行学习考虑的少；(2)对多个用电设备特征的同时学习不充分，需要一个能同时充分学习多个用电设备特征的模型；(3)识别用电设备的状态时，数据输入神经网络前做的处理过程较多，例如先对累积电流进行分解、分段聚合近似计算、距离相似计算后才送入神经网络输出用电设备状态。
技术实现思路
1、本专利技术提出了一种基于图卷积神经网络的用电设备状态感知方法。
2、实现本专利技术目的的技术方案为：一种基于图卷积神经网络的用电设备状态感知方法，包括：
3、利用获取的若干个用电设备构成的电路多个周期的总电流，构建用电设备状态训练数据集；
4、根据用电设备在电路中的结构关系，构
5、利用用电设备状态数据集对基于gcnn的用电设备状态预测模型进行训练，所述基于gcnn的用电设备状态预测模型的gcnn网络的邻居矩阵采用用电设备的邻接矩阵；
6、将一个周期的总电流输入训练好的用电设备状态预测模型预测用电设备的状态。
7、优选地，利用获取的若干个用电设备多个周期的总电流，构建用电设备状态训练数据集的具体方法为：
8、获取若干个用电设备构成的电路多个周期的总电流数据；
9、对获取的总电流数据进行归一化处理，把每个周期的样本数据复制设定个数作为新样本，由新样本组成用电设备状态训练数据集。
10、优选地，若干个用电设备构成的电路每个周期的的总电流数据作为一个样本。
11、优选地，用电设备的邻接矩阵中的元素表示任意两个用电设备在图结构中的相邻关系，当两个用电设备在图结构中相邻时，矩阵中对应元素为1，否则为0。
12、优选地，所述基于gcnn的用电设备状态预测模型包括若干层级联的残差层以及softmax层，每层残差层均由并列的gcnn网络和cnn网络构成，gcnn网络和cnn网络的输出结果相加后作为每层残差层的输出，所述softmax层用于对最后一级残差层的输出进行softmax计算，得到每个用电设备在不同状态下的概率矩阵。
13、优选地，所述概率矩阵的每一列代表对应设备在对应周期处于每个状态的概率值，根据每列各自最大概率值所对应的状态预测各用电设备所处的状态，同时构建对应概率矩阵的设备状态矩阵。
14、优选地，利用用电设备状态数据集对基于gcnn的用电设备状态预测模型进行训练的具体方法为：
15、初始化基于gcnn的用电设备状态预测模型参数；
16、将用电设备状态训练数据集输入基于gcnn的用电设备状态预测模型；
17、计算关于样本标签和预测的设备状态矩阵的损失函数；
18、采用反向传播算法更新基于gcnn的用电设备状态预测模型参数，直至损失函数值达到设定值。
19、优选地，所述样本标签的设备状态矩阵具体为：
20、根据用电设备的s个工作状态，构建1和0组成的每个样本的标签，所述标签表示为矩阵(s,n)，标签n列代表n个设备，s行代表s个设备工作状态，当设备工作在对应状态，对应标签为1，否则为0。
21、本专利技术与现有技术相比，其显著优点为：本专利技术通过复制周期总电流得到的样本，为后续预测模型学习与各用电设备状态相关的特征提供了丰富的信息；
22、本专利技术构建以设备为节点电流为边的图结构，能较好的描述用电设备的结构关系，利于模型学习不同设备特征间的关系；
23、本专利技术采用基于gcnn的用电设备状态预测模型，在电器的状态和事件数据集上，能较好的学习多电器的特征，对状态预测的准确率较高，总体达到94％。
24、下面结合附图对本专利技术做进一步详细的描述。
本文档来自技高网...【技术保护点】
1.一种基于图卷积神经网络的用电设备状态感知方法，其特征在于，包括：
2.根据权利要求1所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，利用获取的若干个用电设备多个周期的总电流，构建用电设备状态训练数据集的具体方法为：
3.根据权利要求1所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，若干个用电设备构成的电路每个周期的总电流数据作为一个样本。
4.根据权利要求1所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，用电设备的邻接矩阵中的元素表示任意两个用电设备在图结构中的相邻关系，当两个用电设备在图结构中相邻时，矩阵中对应元素为1，否则为0。
5.根据权利要求1所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，所述基于GCNN的用电设备状态预测模型包括若干层级联的残差层以及softmax层，每层残差层均由并列的GCNN网络和CNN网络构成，GCNN网络和CNN网络的输出结果相加后作为每层残差层的输出，所述softmax层用于对最后一级残差层的输出进行softmax计算，得到每个用电设备在不同状
6.根据权利要求5所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，所述概率矩阵的每一列代表对应设备在对应周期处于每个状态的概率值，根据每列各自最大概率值所对应的状态预测各用电设备所处的状态，同时构建对应概率矩阵的设备状态矩阵。
7.根据权利要求1所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，利用用电设备状态数据集对基于GCNN的用电设备状态预测模型进行训练的具体方法为：
8.根据权利要求7所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，所述样本标签设备状态矩阵具体为：
9.一种控制服务器，其特征在于，包括：
10.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的基于图卷积神经网络的用电设备状态感知方法。
...【技术特征摘要】
1.一种基于图卷积神经网络的用电设备状态感知方法，其特征在于，包括：
2.根据权利要求1所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，利用获取的若干个用电设备多个周期的总电流，构建用电设备状态训练数据集的具体方法为：
3.根据权利要求1所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，若干个用电设备构成的电路每个周期的总电流数据作为一个样本。
4.根据权利要求1所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，用电设备的邻接矩阵中的元素表示任意两个用电设备在图结构中的相邻关系，当两个用电设备在图结构中相邻时，矩阵中对应元素为1，否则为0。
5.根据权利要求1所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，所述基于gcnn的用电设备状态预测模型包括若干层级联的残差层以及softmax层，每层残差层均由并列的gcnn网络和cnn网络构成，gcnn网络和cnn网络的输出结果相加后作为每层...
【专利技术属性】
技术研发人员：张星洲，李梦凡，彭晓晖，
申请(专利权)人：中科南京信息高铁研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。