[發(fā)明專利]一種用戶相別分析方法、系統(tǒng)、設(shè)備和存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202210654598.0
• 申請日: 2022-06-10
• 公開（公告）號: CN115049874A
• 公開（公告）日: 2022-09-13
• 發(fā)明（設(shè)計）人: 錢利宏;彭穗;婁源媛;劉新苗;楊昆;郭曉燕;趙紫輝;歐仲曦
• 申請（專利權(quán)）人: 廣東電網(wǎng)有限責(zé)任公司;廣東電網(wǎng)有限責(zé)任公司珠海供電局
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06V10/762;G06V10/74;G06N5/04;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 彭東威

1.一種用戶相別分析方法，其特征在于，包括：

采集臺區(qū)關(guān)口表和用戶用電數(shù)據(jù)并生成電壓數(shù)據(jù)隨時間變化的樣本曲線圖像；

通過VAE網(wǎng)絡(luò)對所述樣本曲線圖像進(jìn)行樣本重構(gòu)得到大量多樣性的曲線圖像，并作為訓(xùn)練樣本數(shù)據(jù)；

通過所述訓(xùn)練樣本數(shù)據(jù)對SNN模型進(jìn)行訓(xùn)練，采用網(wǎng)格搜索優(yōu)化參數(shù)方法對SNN模型超參數(shù)進(jìn)行優(yōu)化，從而構(gòu)建孿生神經(jīng)網(wǎng)絡(luò)對圖像特征進(jìn)行提取和處理，輸出關(guān)口表電壓和用戶電壓的特征向量；

計算用戶電壓和關(guān)口表不同相別電壓數(shù)據(jù)的特征向量的相似度，并得到用戶所屬相別的概率值，根據(jù)概率值大小確定低壓臺區(qū)單相用戶的相別分析結(jié)果。

2.根據(jù)權(quán)利要求1所述的用戶相別分析方法，其特征在于，所述通過VAE變分自編碼器對所述樣本曲線圖像進(jìn)行樣本重構(gòu)得到大量多樣性的曲線圖像，并作為訓(xùn)練樣本數(shù)據(jù)，具體包括：

通過VAE網(wǎng)絡(luò)的編碼器將所樣本述曲線圖像轉(zhuǎn)換為潛在空間的統(tǒng)計分布，統(tǒng)計分布參數(shù)為均值和方差；通過VAE網(wǎng)絡(luò)的解碼器對統(tǒng)計分布參數(shù)進(jìn)行有效輸出變量分布，得到訓(xùn)練樣本數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的用戶相別分析方法，其特征在于，所述通過所述訓(xùn)練樣本數(shù)據(jù)對SNN模型進(jìn)行訓(xùn)練，采用網(wǎng)格搜索優(yōu)化參數(shù)方法對SNN模型超參數(shù)進(jìn)行優(yōu)化，從而構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)對圖像特征進(jìn)行提取和處理，輸出關(guān)口表電壓和用戶電壓的特征向量，具體包括：

構(gòu)建基于單樣本學(xué)習(xí)的SNN模型，通過所述訓(xùn)練樣本數(shù)據(jù)對SNN模型進(jìn)行訓(xùn)練；

將網(wǎng)格搜索法和交叉驗證法結(jié)合對SNN模型的若干參數(shù)組合實行交叉驗證，確定最優(yōu)參數(shù)組合，從而構(gòu)建兩個權(quán)值共享、結(jié)構(gòu)一致的孿生神經(jīng)網(wǎng)絡(luò)對圖像特征進(jìn)行提取和處理，輸出關(guān)口表電壓和用戶電壓的特征向量。

4.根據(jù)權(quán)利要求1所述的用戶相別分析方法，其特征在于，所述計算用戶電壓和關(guān)口表不同相別電壓數(shù)據(jù)的特征向量的相似度，并得到用戶所屬相別的概率值，根據(jù)概率值大小確定低壓臺區(qū)單相用戶的相別分析結(jié)果，具體包括：

通過孿生神經(jīng)網(wǎng)絡(luò)的相似度計算分類器計算得到用戶電壓和關(guān)口表不同相別電壓數(shù)據(jù)的特征向量的相似度；

在計算分類器中采用softmax激活函數(shù)與交叉熵?fù)p失函數(shù)相匹配進(jìn)行所屬相別的概率值預(yù)測，最終輸出待識別用戶的相別分析結(jié)果。

5.一種用戶相別分析系統(tǒng)，其特征在于，包括：

采樣單元，用于采集臺區(qū)關(guān)口表和用戶用電數(shù)據(jù)并生成電壓數(shù)據(jù)隨時間變化的樣本曲線圖像；

重構(gòu)單元，用于通過VAE網(wǎng)絡(luò)對所述樣本曲線圖像進(jìn)行樣本重構(gòu)得到大量多樣性的曲線圖像，并作為訓(xùn)練樣本數(shù)據(jù)；

提取單元，用于通過所述訓(xùn)練樣本數(shù)據(jù)對SNN模型進(jìn)行訓(xùn)練，采用網(wǎng)格搜索優(yōu)化參數(shù)方法對SNN模型超參數(shù)進(jìn)行優(yōu)化，從而構(gòu)建孿生神經(jīng)網(wǎng)絡(luò)對圖像特征進(jìn)行提取和處理，輸出關(guān)口表電壓和用戶電壓的特征向量；

分析單元，用于計算用戶電壓和關(guān)口表不同相別電壓數(shù)據(jù)的特征向量的相似度，并得到用戶所屬相別的概率值，根據(jù)概率值大小確定低壓臺區(qū)單相用戶的相別分析結(jié)果。

6.根據(jù)權(quán)利要求5所述的用戶相別分析系統(tǒng)，其特征在于，所述重構(gòu)單元，具體用于：

通過VAE網(wǎng)絡(luò)的編碼器將所樣本述曲線圖像轉(zhuǎn)換為潛在空間的統(tǒng)計分布，統(tǒng)計分布參數(shù)為均值和方差；通過VAE網(wǎng)絡(luò)的解碼器對統(tǒng)計分布參數(shù)進(jìn)行有效輸出變量分布，得到訓(xùn)練樣本數(shù)據(jù)。

7.根據(jù)權(quán)利要求5所述的用戶相別分析系統(tǒng)，其特征在于，所述提取單元，具體用于：

構(gòu)建基于單樣本學(xué)習(xí)的SNN模型，通過所述訓(xùn)練樣本數(shù)據(jù)對SNN模型進(jìn)行訓(xùn)練；

將網(wǎng)格搜索法和交叉驗證法結(jié)合對SNN模型的若干參數(shù)組合實行交叉驗證，確定最優(yōu)參數(shù)組合，從而構(gòu)建兩個權(quán)值共享、結(jié)構(gòu)一致的孿生神經(jīng)網(wǎng)絡(luò)對圖像特征進(jìn)行提取和處理，輸出關(guān)口表電壓和用戶電壓的特征向量。