一种用电行为识别方法及装置与流程

本发明涉及用电识别，尤其涉及一种用电行为识别方法及装置。

背景技术：

1、非侵入式负荷识别是一种解决对用户负荷进行分解的技术，采样用户总进线的电压和电流，监控用户各用电设备的类别，运行状态与耗电情况等信息。完善而实用的负荷识技术通过深度挖掘用电数据、辨识用户用电行为、找出用户可调节负荷，对于负荷预测、需求响应、引导用户改善用电方式、合理安排用电计划、提高能源利用效率均具有重要意义。

2、现有的非侵入式负荷识别技术大致可以分为几大类。一类是基于暂、稳态电气特征，依不同电器之间谐波特征、功率特征、v-i轨迹特征、电气特征之间差异，辨识出电器类型，对设备的算力有较高的要求；另一类是数学优化类识别方法，这类负荷识别算法的求解效率都与负荷种类和数目呈现负相关关系；第三类是基于有、无功功率，采用智能识别算法，辨识电器，如采用：支持向量机(svm)、聚类方法、人工神经网络(ann)、深度学习等方法，这类负荷识别算法的负荷识别效果与训练该方法使用的数据相关。但由于这三类非侵入式负荷识别技术均属于计算密集型方法，新型智能电表采用低成本mcu，其算力不适用计算密集型方法。

技术实现思路

1、本发明提供了一种用电行为识别方法及装置，以解决现有非侵入式负荷识别方法计算密集，不适用于新型智能电表的技术问题。

2、为了解决上述技术问题，本发明实施例提供了一种用电行为识别方法，包括：

3、采集用户用电数据，对所述用户用电数据进行预处理操作，生成若干子数据曲线；所述预处理操作包括数据清洗操作和数据分割操作；

4、获取所有用电数据曲线，使用多层感知机对各个数据曲线增加标签,形成各个数据曲线的矩阵；所述所有用电数据曲线包括用户用电数据的所有子数据曲线和典型用电器的特征曲线；

5、根据线性投影获取各个子数据曲线的特性矩阵，根据所述特性矩阵进行缩放点积计算各个子数据曲线与典型用电器的特征曲线的第一相关度矩阵；并对所有第一相关度矩阵进行归一化处理和前馈神经网络处理，生成第二相关度矩阵；

6、根据全局平均池化器对第二相关度矩阵进行全局平均池化计算，并根据决策器计算用户用电数据中各个电器运行的可能性概率分布。

7、本发明通过对采集的用户用电数据进行数据清洗操作和数据分割操作，以消除每列用电数据流的尖峰毛刺、异常数据及其相互间的统计差异，从而得到平滑的用户用电数据；同时通过多层感知机对用户用电数据嵌入为变量标记，赋予每条完整的数据曲线一个标签，将整个数据曲线独立地嵌入到变量标记中。这样嵌入的标记聚合了该数据曲线完整的全局性质，更好地提取出数据曲线的动态特征，由于数据嵌入中无需采用卷积神经网络，从而减少系统所需用的资源，加快系统的运算、更利于在新型智能电表等边缘计算终端使用。

8、进一步的，所述采集用户用电数据，对所述用户用电数据进行预处理操作，生成若干子数据曲线，具体为：

9、根据计量单元获取用户入户处的用户用电数据；所述用户用电数据包括电流信息和电压信息；

10、对所述用户用电数据进行异常点去除处理，并根据滑动窗口对所述用户用电数据进行归一化处理，生成用电数据曲线；

11、根据所述用户用电数据的数据包长度和时间维度对所述用电数据曲线进行数据分割，生成若干子数据曲线；所述数据分割包括精确分割和冗余分割。

12、进一步的，所述获取所有用电数据曲线，使用多层感知机对各个数据曲线增加标签,形成各个数据曲线的矩阵，具体为：

13、获取用户用电数据的所有子数据曲线和典型用电器的特征曲线，根据多层感知机对各个子数据曲线和特征曲线增加标签，获取所有子数据曲线和特征曲线的特征，并形成各个子数据曲线和特征曲线数据曲线的矩阵；

14、根据标签将各个子数据曲线和特征曲线嵌入变量标记中，获取用户用电数据的全局特征。

15、进一步的，所述根据线性投影获取各个子数据曲线的特性矩阵，根据所述特性矩阵进行缩放点积计算各个子数据曲线与典型用电器的特征曲线的第一相关度矩阵；并对所有第一相关度矩阵进行归一化处理和前馈神经网络处理，生成第二相关度矩阵，具体为：

16、根据多头注意力机制采用线性投影获取各个子数据曲线的特性矩阵，所述特性矩阵包括查询子阵、键子阵和值子阵；

17、根据所述各个子数据曲线的特性矩阵进行缩放点积，计算各个子数据曲线与各个典型用电器的特征曲线的第一相关度矩阵；

18、将各个子数据曲线的第一相关度矩阵归一化为正态分布，并根据变量提取各个数据曲线的变量特征，生成用电数据曲线的第二相关度矩阵；所述第二相关度矩阵为特征映射矩阵；所述变量特征包括变化幅度、周期和波形。

19、进一步的，所述根据全局平均池化器对第二相关度矩阵进行全局平均池化计算，并根据决策器计算用户用电数据中各个电器运行的可能性概率分布，具体为：

20、根据第二相关度矩阵获取用电数据曲线的特征映射，根据全局平均池化器计算用电数据曲线的特征映射与各个典型用电器的特征曲线的相似度分数；

21、根据决策器对所述相似度分数进行换算，获取用户用电数据中各个电器运行的可能性概率分布。

22、第二方面，本发明提供了一种用电行为识别装置，包括：预处理模块、数据嵌入模块、相关性计算模块和概率分布模块；

23、所述预处理模块，用于采集用户用电数据，对所述用户用电数据进行预处理操作，生成若干子数据曲线；所述预处理操作包括数据清洗操作和数据分割操作；

24、所述数据嵌入模块，用于获取所有用电数据曲线，使用多层感知机对各个数据曲线增加标签,形成各个数据曲线的矩阵；所述所有用电数据曲线包括用户用电数据的所有子数据曲线和典型用电器的特征曲线；

25、所述相关度计算模块，用于根据线性投影获取各个子数据曲线的特性矩阵，根据所述特性矩阵进行缩放点积计算各个子数据曲线与典型用电器的特征曲线的第一相关度矩阵；并对所有第一相关度矩阵进行归一化处理和前馈神经网络处理，生成第二相关度矩阵；

26、所述概率分布模块，用于根据全局平均池化器对第二相关度矩阵进行全局平均池化计算，并根据决策器计算用户用电数据中各个电器运行的可能性概率分布。

27、进一步的，所述预处理模块作，具体用于：

28、根据计量单元获取用户入户处的用户用电数据；所述用户用电数据包括电流信息和电压信息；

29、对所述用户用电数据进行异常点去除处理，并根据滑动窗口对所述用户用电数据进行归一化处理，生成用电数据曲线；

30、根据所述用户用电数据的数据包长度和时间维度对所述用电数据曲线进行数据分割，生成若干子数据曲线；所述数据分割包括精确分割和冗余分割。

31、进一步的，所所述数据嵌入模块，具体用于：

32、获取用户用电数据的所有子数据曲线和典型用电器的特征曲线，根据多层感知机对各个子数据曲线和特征曲线增加标签，获取所有子数据曲线和特征曲线的特征，并形成各个子数据曲线和特征曲线数据曲线的矩阵；

33、根据标签将各个子数据曲线和特征曲线嵌入变量标记中，获取用户用电数据的全局特征。

34、进一步的，所述相关度计算模块，具体用于：

35、根据多头注意力机制采用线性投影获取各个子数据曲线的特性矩阵，所述特性矩阵包括查询子阵、键子阵和值子阵；

36、根据多头注意力机制采用线性投影获取各个子数据曲线的特性矩阵，所述特性矩阵包括查询子阵、键子阵和值子阵；

37、根据所述各个子数据曲线的特性矩阵进行缩放点积，计算各个子数据曲线与各个典型用电器的特征曲线的第一相关度矩阵；

38、将各个子数据曲线的第一相关度矩阵归一化为正态分布，并根据变量提取各个数据曲线的变量特征，生成用电数据曲线的第二相关度矩阵；所述第二相关度矩阵为特征映射矩阵；所述变量特征包括变化幅度、周期和波形。

39、进一步的，所述概率分布模块，具体用于：

40、根据第二相关度矩阵获取用电数据曲线的特征映射，根据全局平均池化器计算用电数据曲线的特征映射与各个典型用电器的特征曲线的相似度分数；

41、根据决策器对所述相似度分数进行换算，获取用户用电数据中各个电器运行的可能性概率分布。