本发明涉及数据处理，特别涉及一种智能负荷识别模型的处理方法和装置。
背景技术：
1、智能负荷识别模型是一种人工智能模型，该类模型可根据用电单元的用电特征(诸如电流特征、功率特征)对该用电单元内正在使用的电力负荷类型进行预测，这里提及的电力负荷类型常规有诸如定频空调、变频空调、电热水器、电采暖器、电水壶、小厨宝、微波炉、电磁炉、电饭煲、电烤箱、洗碗机、洗衣机、冰箱、吸尘器、吹风机、充电宝、电动汽车电池组和电瓶车电池等。目前市面上常用的智能负荷识别模型大多基于一类线性预测模型实现，这里提到的线性预测模型常用的有支持向量机(support vector machine,svm)模型。
2、然而我们在实践应用中发现，线性预测模型在基于非线性的用电特征数据(诸如电流、功率)进行预测时其预测效果并不理想。而真实场景下各用电单元的用电特征数据往往都会受到多种非线性因素影响，诸如时间、温度、一类或多类电力负荷同时使用等因素，这些因素之间的相互作用难以用简单的线性关系准确描述。也就是说，基于线性预测模型实现的智能负荷识别模型在实际应用场景下其模型的泛化能力是较差的。
3、另外我们已知深度学习模型，诸如多层感知(multilayer perceptron，mlp)网络、双向长短期记忆网络(bi long short-term memory，bi-lstm)等，具有强大的非线性映射能力、能够自动从原始数据中学习复杂的非线性关系。那么，若能基于深度学习模型构建智能负荷识别模型自然就能进一步提高模型的泛化能力。而如何利用一个或多个深度学习模型来实现智能负荷识别模型则正是本发明要解决的技术问题。
技术实现思路
1、本发明的目的，就是针对现有技术的缺陷，提供一种智能负荷识别模型的处理方法、装置、电子设备及计算机可读存储介质。本发明使用b i-lstm模型和mlp网络这两类深度学习模型来构建智能负荷识别模型；并通过大数据采集构建模型数据集；并基于模型数据集对智能负荷识别模型进行模型训练；并在模型训练结束后，接收一段带有电流、功率和温度采样数据的时序序列作为模型输入序列，并由该智能负荷识别模型基于该模型输入序列进行负荷分类预测。通过本发明可以提高智能负荷识别模型的模型泛化能力。
2、为实现上述目的，本发明实施例第一方面提供了一种智能负荷识别模型的处理方法，所述方法包括：
3、构建智能负荷识别模型；
4、构建模型数据集；
5、基于所述模型数据集对所述智能负荷识别模型进行模型训练；
6、模型训练结束后，接收一段带有电流、功率和温度采样数据的时序序列记为对应的第一输入序列；所述第一输入序列由j个第一序列数据按时间先后排序而成，j为预设的模型序列输入长度；所述第一序列数据包括第一采样时间、第一采样电流、第一采样功率和第一采样温度；
7、将所述第一采样序列输入所述智能负荷识别模型进行负荷分类预测处理得到对应的第一预测向量序列；所述第一预测向量序列包括j个第一预测向量，所述第一预测向量与所述第一序列数据一一对应；每个所述第一预测向量包括k个第一负荷类型标志，k为预设的负荷类型总数；每个所述第一负荷类型标志的值为0或1；每个所述第一负荷类型标志对应一个负荷类型；所述负荷类型至少包括定频空调、变频空调、电热水器、电采暖器、电水壶、小厨宝、微波炉、电磁炉、电饭煲、电烤箱、洗碗机、洗衣机、冰箱、吸尘器、吹风机、充电宝、电动汽车电池组和电瓶车电池。
8、优选的，所述智能负荷识别模型用于根据模型的输入序列x进行负荷分类预测处理并输出对应的预测向量序列y；所述智能负荷识别模型的模型输入端用于接收所述输入序列x，模型输出端用于输出所述预测向量序列y；
9、所述输入序列x由多个序列数据xj按时间先后排序而成，1≤索引j≤j；所述序列数据xj包括时间tj、电流i j，功率pj和温度wj；
10、所述预测向量序列y由多个预测向量yi按时间先后排序而成，所述预测向量yi与所述序列数据xj一一对应；每个所述预测向量yi包括多个负荷类型标志zj,k，1≤索引k≤k；每个所述负荷类型标志zj,k的值为0或1；每个所述负荷类型标志zj,k对应一个负荷类型；
11、所述智能负荷识别模型包括小波转换模块、第一分类预测模型、第二分类预测模型、第三分类预测模型、加权求和模块和分类输出模块；
12、所述小波转换模块的输入端与所述模型输入端连接；所述小波转换模块的第一输出端与所述第一分类预测模型的输入端连接，第二输出端与所述第二分类预测模型的输入端连接,第三输出端与所述第三分类预测模型的输入端连接；
13、所述小波转换模块用于将所述输入序列x中的所有所述电流i j提取出来按时间先后排序组成对应的电流时序信号；并将所述输入序列x中的所有所述功率pj提取出来按时间先后排序组成对应的功率时序信号；并基于预设的第一小波基对所述电流时序信号进行一个低频电流特征和两个高频电流特征提取得到对应的第一电流低频特征序列{i a,j}、第一电流高频特征序列{i b,j}和第二电流高频特征序列{i c,j}，i a,j、i b,j、i c,j分别为对应的第一电流低频特征、第一电流高频特征和第二电流高频特征；并基于预设的第二小波基对所述功率时序信号进行一个低频功率特征和两个高频功率特征提取得到对应的第一功率低频特征序列{pa,j}、第一功率高频特征序列{pb,j}和第二功率高频特征序列{pc,j}，pa,j、pb,j、pc,j分别为对应的第一功率低频特征、第一功率高频特征和第二功率高频特征；并分别对各个电流/功率高频特征序列进行高频特征序列降噪和平滑处理；并在高频特征序列降噪和平滑处理结束后，分别对第一电流/功率低频特征序列以及第一、第二电流/功率高频特征序列进行序列归一化处理；并在序列归一化处理结束后，对所述输入序列x中的所有所述时间tj以及所有所述温度wj也进行对应的时间和温度归一化处理；并在时间和温度归一化处理结束后，由每个所述索引j对应的归一化的时间、温度、第一电流低频特征和第一功率低频特征组成一个对应的归一化特征da,j，并由得到的所有所述归一化特征da,j按时间先后排序组成一个对应的归一化特征序列da；并由每个所述索引j对应的归一化的时间、温度、第一电流高频特征和第一功率高频特征组成一个对应的归一化特征db,j，并由得到的所有所述归一化特征db,j按时间先后排序组成一个对应的归一化特征序列db；并由每个所述索引j对应的归一化的时间、温度、第二电流高频特征和第二功率高频特征组成一个对应的归一化特征dc,j，并由得到的所有所述归一化特征dc,j按时间先后排序组成一个对应的归一化特征序列dc；并将所述归一化特征序列da、db、dc向对应的所述第一、第二、第三分类预测模型输出；其中，所述第一小波基至少包括coif4小波基；所述第二小波基至少包括db4小波基；
14、所述第一分类预测模型的输出端与所述加权求和模块的第一输入端连接；所述第一分类预测模型包括第一bi-lstm模型和第一mlp网络；
15、所述第一分类预测模型用于将所述归一化特征序列da输入所述第一bi-lstm模型，并由所述第一bi-lstm模型对所述归一化特征序列da的时序特征进行提取得到对应的时序特征向量ha；并将所述时序特征向量ha的各个时序特征ha,j分别输入所述第一mlp网络，并由所述第一mlp网络根据当次输入的所述时序特征ha,j进行负荷分类预测并输出对应的分类向量sa,j；并由得到的所有所述分类向量sa,j按时间先后排序组成一个对应的分类向量序列sa；并将所述分类向量序列sa向所述加权求和模块输出；其中，所述时序特征向量ha包括多个所述时序特征ha,j，所述时序特征ha,j与所述归一化特征da,j一一对应；所述分类向量序列sa包括多个分类向量sa,j，所述分类向量sa,j与所述归一化特征da,j一一对应；每个所述分类向量sa,j由所述负荷类型总数k的分类预测概率pa,j,k组成；每个所述分类预测概率pa,j,k对应一个所述负荷类型；
16、所述第二分类预测模型的输出端与所述加权求和模块的第二输入端连接；所述第二分类预测模型包括第二b i-lstm模型和第二mlp网络；
17、所述第二分类预测模型用于将所述归一化特征序列db输入所述第二b i-lstm模型，并由所述第二b i-lstm模型对所述归一化特征序列db的时序特征进行提取得到对应的时序特征向量hb；并将所述时序特征向量hb的各个时序特征hb,j分别输入所述第二mlp网络，并由所述第二mlp网络根据当次输入的所述时序特征hb,j进行负荷分类预测并输出对应的分类向量sb,j；并由得到的所有所述分类向量sb,j按时间先后排序组成一个对应的分类向量序列sb；并将所述分类向量序列sb向所述加权求和模块输出；其中，所述时序特征向量hb包括多个所述时序特征hb,j，所述时序特征hb,j与所述归一化特征db,j一一对应；所述分类向量序列sb包括多个分类向量sb,j，所述分类向量sb,j与所述归一化特征db,j一一对应；每个所述分类向量sb,j由所述负荷类型总数k的分类预测概率pb,j,k组成；每个所述分类预测概率pb,j,k对应一个所述负荷类型；
18、所述第三分类预测模型的输出端与所述加权求和模块的第三输入端连接；所述第三分类预测模型包括第三b i-lstm模型和第三mlp网络；
19、所述第三分类预测模型用于将所述归一化特征序列dc输入所述第三b i-lstm模型，并由所述第三b i-lstm模型对所述归一化特征序列dc的时序特征进行提取得到对应的时序特征向量hc；并将所述时序特征向量hc的各个时序特征hc,j分别输入所述第三mlp网络，并由所述第三mlp网络根据当次输入的所述时序特征hc,j进行负荷分类预测并输出对应的分类向量sc,j；并由得到的所有所述分类向量sc,j按时间先后排序组成一个对应的分类向量序列sc；并将所述分类向量序列sc向所述加权求和模块输出；其中，所述时序特征向量hc包括多个所述时序特征hc,j，所述时序特征hc,j与所述归一化特征dc,j一一对应；所述分类向量序列sc包括多个分类向量sc,j，所述分类向量sc,j与所述归一化特征dc,j一一对应；每个所述分类向量sc,j由所述负荷类型总数k的分类预测概率pc,j,k组成；每个所述分类预测概率pc,j,k对应一个所述负荷类型；
20、所述加权求和模块的输出端与所述分类输出模块的输入端连接；
21、所述加权求和模块用于对所述分类向量序列sa、sb、sc进行加权求和得到对应的加权分类向量序列s；并将所述加权分类向量序列s向所述分类输出模块输出；所述加权分类向量序列s由多个加权分类向量sj按时间先后排序而成，所述加权分类向量sj与所述序列数据xj一一对应；每个所述加权分类向量sj由所述负荷类型总数k的加权分类预测概率pj,k组成，pj,k＝wa×pa,j,k+wb×pb,j,k+wc×pc,j,k，wa、wb、wc为预设的第一、第二和第三加权系数；每个所述加权分类预测概率pj,k对应一个所述负荷类型；
22、所述分类输出模块的输出端与所述模型输出端连接；
23、所述分类输出模块用于将所述加权分类向量序列s的各个所述加权分类向量sj作为对应的当前加权分类向量；并对所述当前加权分类向量中的k个所述加权分类预测概率pj,k进行一轮遍历；并在本轮遍历过程中，将当前遍历的所述加权分类预测概率pj,k作为对应的当前预测概率；并将与所述当前预测概率对应的所述负荷类型标志zj,k作为对应的当前负荷类型标志；并将预设的概率阈值集合中与所述当前预测概率对应的概率阈值phold,k作为对应的当前概率阈值；并对所述当前预测概率是否超过所述当前概率阈值进行识别，若超过则将对应的所述当前负荷类型标志设为1，若未超过则将对应的所述当前负荷类型标志设为0；并在本轮遍历结束时，由所述当前加权分类向量对应的k个所述负荷类型标志zj,k组成一个对应的所述预测向量yi；并由所有所述加权分类向量sj对应的所有所述预测向量yi组成对应的所述预测向量序列y输出；其中，所述概率阈值集合由所述负荷类型总数k的所述概率阈值phold,k组成，每个所述概率阈值phold,k对应一个所述负荷类型。
24、优选的，所述模型数据集包括多个第一数据记录；
25、所述第一数据记录包括第一训练序列和第一标签向量序列；
26、所述第一训练序列由多个第一训练采样数据按时间先后排序而成；所第一训练采样数据包括第一训练采样时间、第一训练采样电流、第一训练采样功率和第一训练采样温度；
27、所述第一标签向量序列包括多个第一标签预测向量，所述第一标签预测向量与所述第一训练采样数据一一对应；每个所述第一标签预测向量包括k个第一标签负荷类型标志；每个所述第一标签负荷类型标志的值为0或1；每个所述第一标签负荷类型标志对应一个所述负荷类型。
28、优选的，所述构建模型数据集，具体包括：
29、步骤41，将用电负荷含有定频空调、变频空调、电热水器、电采暖器、电水壶、小厨宝、微波炉、电磁炉、电饭煲、电烤箱、洗碗机、洗衣机、冰箱、吸尘器、吹风机、充电宝、电动汽车电池组和电瓶车电池中的部分负荷或全部负荷的一个或多个用电场景都作为对应的采样场景；
30、步骤42，按预设的第一采样时长对各个所述采样场景的实时供电电流、实时用电功率、实时温度和实时随时间进行持续数据采集得到对应的第一采集数据序列；并在各个所述采样场景的持续数据采集过程中对每个采集时间点上当前场景内各负荷类型的使用状态进行标记得到对应的第一标记数据序列；
31、其中，所述第一采集数据序列的采样总时长与所述第一采样时长匹配；所述第一采集数据序列由多个第一采集数据按时间先后排序而成；所述第一采集数据包括第一采集时间、第一采集电流、第一采集功率和第一采集温度；
32、所述第一标记数据序列由多个第一标记数据按时间先后排序而成，所述第一标记数据与所述第一采集数据一一对应；所述第一标记数据包括k个第一负荷类型标记；每个所述第一负荷类型标记对应一个所述负荷类型；每个所述第一负荷类型标记的值为0或1，所述第一负荷类型标记为0说明对应的所述负荷类型在对应的所述第一采集时间未使用、所述第一负荷类型标记为1说明对应的所述负荷类型在对应的所述第一采集时间正在使用；
33、步骤43，将所述模型序列输入长度作为对应的第一序列长度，并以预设的第一滑动步长和所述第一序列长度对各个所述第一采集数据序列进行滑动序列提取并将提取出的每个滑动序列作为一个对应的第二采集数据序列；并将所述第一标记数据序列中与各个所述第二采集数据序列对应的子序列提取出来作为对应的第二标记数据序列；并由各个所述第二采集数据序列和对应的所述第二标记数据序列组成一个对应的第一序列对；
34、步骤44，将各个所述第一序列对作为对应的当前序列对；并将所述当前序列对的所述第二采集数据序列和所述第二标记数据序列作为对应的当前采集数据序列和当前标记数据序列；并将所述当前采集数据序列的各个所述第一采集数据的所述第一采集时间、所述第一采集电流、所述第一采集功率和所述第一采集温度作为一组对应的所述第一训练采样时间、所述第一训练采样电流、所述第一训练采样功率和所述第一训练采样温度组成一个对应的所述第一训练采样数据；并将所述当前标记数据序列的各个所述第一标记数据的k个所述第一负荷类型标记作为k个对应的所述第一标签负荷类型标志组成一个对应的所述第一标签预测向量；并由所述当前序列对对应的所有所述第一训练采样数据按时间先后排序组成一个对应的所述第一训练序列；并由所述当前序列对对应的所有所述第一标签预测向量按时间先后排序组成一个对应的所述第一标签向量序列；并由所述当前序列对对应的所述第一训练序列和所述第一标签向量序列组成一个对应的所述第一数据记录；
35、步骤45，由得到的所有所述第一数据记录组成对应的所述模型数据集。
36、优选的，所述基于所述模型数据集对所述智能负荷识别模型进行模型训练，具体包括：
37、步骤51，基于预设的第一训练评估比将所述模型数据集随机拆分成对应的第一训练集和第一评估集；
38、其中，所述第一训练评估比为一个预设比值；所述第一训练集和所述第一评估集都包括多个所述第一数据记录；所述第一训练集的记录总数与所述第一评估集的记录总数的比值满足所述第一训练评估比；
39、步骤52，将所述第一训练集的第一个所述第一数据记录提取出来作为对应的当前训练记录；
40、步骤53，将所述当前训练记录的所述第一训练序列输入所述智能负荷识别模型进行负荷分类预测处理得到对应的第一训练预测向量序列；
41、步骤54，将所述第一训练预测向量序列与所述当前训练记录的所述第一标签向量序列带入预设的第一模型损失函数进行计算得到对应的第一损失值；
42、其中，所述第一模型损失函数基于多分类交叉熵损失函数实现；
43、步骤55，对所述第一损失值是否满足预设的第一损失值范围进行识别；若所述第一损失值满足所述第一损失值范围，则对所述当前训练记录是否为所述第一训练集的最后一个所述第一数据记录进行识别，若是则转至步骤56，若否则将所述第一训练集的下一个所述第一数据记录提取出来作为新的所述当前训练记录并返回步骤53；若所述第一损失值不满足所述第一损失值范围，则基于预设的第一模型参数优化器朝着使所述第一模型损失函数达到最小值的方向对所述智能负荷识别模型中所述第一、第二和第三分类预测模型的模型参数进行一轮优化，并在本轮优化结束时返回步骤53；
44、其中，所述第一模型参数优化器包括sgd优化器、adam优化器；
45、步骤56，对所述第一评估集的所有所述第一数据记录进行遍历；并在遍历时，将当前遍历的所述第一数据记录作为对应的当前评估记录；并将所述当前评估记录所述第一训练序列输入所述智能负荷识别模型进行负荷分类预测处理得到对应的第二训练预测向量序列；并由所述第二训练预测向量序列和所述当前评估记录的所述第一标签向量序列组成一个对应的第一预测标签对；
46、步骤57，根据得到的所有所述第一预测标签对进行多分类的精确率和召回率计算得到对应的第一精确率和第一召回率；并根据所述率和所述第一召回率进行f1分值计算得到对应的第一f1分值；
47、步骤58，对所述第一精确率、所述第一召回率和所述第一f1分值是否都满足对应的第一预设精确率范围、第一预设召回率范围和第一预设f1分值范围进行识别；若所述第一精确率不满足对应的所述第一预设精确率范围或所述第一召回率不满足对应的所述第一预设召回率范围或所述第一f1分值不满足对应的所述第一预设f1分值范围，则返回步骤51继续训练；若所述第一精确率满足对应的所述第一预设精确率范围且所述第一召回率满足对应的所述第一预设召回率范围且所述第一f1分值满足对应的所述第一预设f1分值范围，则停止模型训练、并对所述智能负荷识别模型的模型参数进行固化、并确认所述智能负荷识别模型的模型训练结束。
48、本发明实施例第二方面提供了一种用于实现上述第一方面所述的智能负荷识别模型的处理方法的装置，所述装置包括：模型构建模块、数据集构建模块、模型训练模块、数据接收模块和模型应用模块；
49、所述模型构建模块用于构建智能负荷识别模型；
50、所述数据集构建模块用于构建模型数据集；
51、所述模型训练模块用于基于所述模型数据集对所述智能负荷识别模型进行模型训练；
52、所述数据接收模块用于在模型训练结束后，接收一段带有电流、功率和温度采样数据的时序序列记为对应的第一输入序列；所述第一输入序列由j个第一序列数据按时间先后排序而成，j为预设的模型序列输入长度；所述第一序列数据包括第一采样时间、第一采样电流、第一采样功率和第一采样温度；
53、所述模型应用模块应用于将所述第一采样序列输入所述智能负荷识别模型进行负荷分类预测处理得到对应的第一预测向量序列；所述第一预测向量序列包括j个第一预测向量，所述第一预测向量与所述第一序列数据一一对应；每个所述第一预测向量包括k个第一负荷类型标志，k为预设的负荷类型总数；每个所述第一负荷类型标志的值为0或1；每个所述第一负荷类型标志对应一个负荷类型；所述负荷类型至少包括定频空调、变频空调、电热水器、电采暖器、电水壶、小厨宝、微波炉、电磁炉、电饭煲、电烤箱、洗碗机、洗衣机、冰箱、吸尘器、吹风机、充电宝、电动汽车电池组和电瓶车电池。
54、本发明实施例第三方面提供了一种电子设备，包括：存储器、处理器和收发器；
55、所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；
56、所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
57、本发明实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行上述第一方面所述的方法的指令。
58、本发明实施例提供了一种智能负荷识别模型的处理方法、装置、电子设备及计算机可读存储介质。由上述内容可知，本发明实施例使用b i-lstm模型和mlp网络这两类深度学习模型来构建智能负荷识别模型；并通过大数据采集构建模型数据集；并基于模型数据集对智能负荷识别模型进行模型训练；并在模型训练结束后，接收一段带有电流、功率和温度采样数据的时序序列作为模型输入序列，并由该智能负荷识别模型基于该模型输入序列进行负荷分类预测。通过本发明实施例提高了智能负荷识别模型的模型泛化能力。
1.一种智能负荷识别模型的处理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的智能负荷识别模型的处理方法，其特征在于，
3.根据权利要求2所述的智能负荷识别模型的处理方法，其特征在于，
4.根据权利要求3所述的智能负荷识别模型的处理方法，其特征在于，所述构建模型数据集，具体包括：
5.根据权利要求3所述的智能负荷识别模型的处理方法，其特征在于，所述基于所述模型数据集对所述智能负荷识别模型进行模型训练，具体包括：
6.一种用于执行权利要求1-5任一项所述的智能负荷识别模型的处理方法的装置，其特征在于，所述装置包括：模型构建模块、数据集构建模块、模型训练模块、数据接收模块和模型应用模块；
7.一种电子设备，其特征在于，包括：存储器、处理器和收发器；
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行权利要求1-5任一项所述的方法。
