[发明专利]一种基于前端感知和学习的能耗判别方法

说明书

本发明提供一种基于前端感知和学习的能耗判别方法，将学习能力部署于前端，提升前端的智能学习能力，并使得网络层不再传输用户原始数据，仅传输经过特征变换后的映射数据，不仅极大的减轻了网络的数据传送数据量，而且大大降低了用户敏感数据泄露的风险。专门设计的能耗特征表达方法，独特的前端模块化架构和部署方式，与一般方法相比，可独立于远端平台独立工作，也可与远端平台协同工作；独立工作时具备完整的对本地用户能耗特征的学习功能，协同工作时可提高学习的性能。通过贝叶斯网络的设计，具备更好的鲁棒性，当进入工作状态后，即使网络发生故障导致前端和远端失去连接，前端设备仍可独立完成智能学习任务。

技术领域

本发明涉及智能电网领域，特别涉及智能电表监控领域。

背景技术

电力是现代社会生产和生活的支柱。一方面，随着物质生活水平的提高，人们对用电体验也提出了更高的要求；另一方面，用户用电规模快速扩大，用电负荷波动更剧烈，为电网规划、调度等也提出了严峻的挑战。从用户角度来看，用电信息的透明化可帮助其了解自身的能耗构成，促进节电意识的形成；而从电力运营单位角度来看，对用户用电负荷的监测和分析有助于为用户提供精准精益的用能数据服务，实现更科学的电网规划、发电调度及动态电价政策。

泛在电力物联网是工业物联网在电力行业的应用拓展。泛在电力物联网的整体架构依次为感知层、网络层、平台层和应用层。感知层完成“发-输-变-用”各个单位数据同源采集，以及通过边缘计算提升各终端智能化；网络层利用“大、云、物、移、智”等技术手段实现目前电力系统内每一个环节的全覆盖；平台层利用物联管理中心和数据中心等中央集群设施提升数据高效处理和云协同能力；应用层的目的是在保证电网运行安全稳定的基础上，建设智慧综合能源互联网。其中，感知层作为泛在电力物联网的最前端，是用户与电网连接的桥梁，是承载着泛在电力物联网计算、通信、精确控制、远程协作和自治等功能的核心内容。

现在进行耗电监测时，需要将电表改造成智能电表，需要额外的硬件成本。目前也有使用机器视觉进行监控的方法，虽然不用改造电表，但其对于监控设备的存储和带宽要求都很高，才能保证采集的图像完整、清晰地存储和传输，从而实现在服务器上的准确分析。因此，这需要较大成本，阻碍了机器视觉监控的实际应用。而且，在网络上直接传输用户的电表图像，会产生隐私泄露的风险。同时，图像采集受到环境影响较大，这也使得此项技术的精度不高，误判率较大。为此，需要提供一种低成本、具有较高准确性、安全性的耗电监测方法。

发明内容

一种基于前端感知和学习的能耗判别方法，包括以下步骤：

步骤1：利用前端的摄像机模块连续拍摄电表侧的功率数值，采集到图像I；将拍摄到的图像I经过预处理方法后，以固定的帧数N打包成若干个批次的原始时序数据包B_i,其包含了对用户端电表的读数时序信息；

上述预处理包括：对图像I依次进行重采样和归一化，其中归一化控制参数0＜ρ₁＜1，且其根据时间特征T_d、T_y进行调节；定义T_d为采样时距离当天零点时的秒数；定义T_y为采样时距离当年元月一日的天数；

步骤2：构建神经网络模型，对时序数据包B_i进行学习；神经网络模型由输入层、输出层和隐藏层组成，其中损失函数为：

其中x是神经网络的输入，y是神经网络的输出值，表示训练样本的真实输出，N是样本数量。θ₁、θ₂为独立的控制变量；

T_d、T_y和y构成了前端能耗数据的特征，记为F_e，

步骤3：将前端能耗数据的特征传输给分类判别模型，

定义：