(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111633182.2 (22)申请日 2021.12.28 (71)申请人 广东电网有限责任公司 地址 510600 广东省广州市越秀区东 风东 路757号 申请人 广东电网有限责任公司佛山供电局 (72)发明人 王志祥　邓子聪　关兆基　罗卿　 吴荟彬　黎铭坤　冯德锟　万洪杞　 罗浩然　程健愉　关家华　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 代理人 彭祯奇 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01R 19/00(2006.01) (54)发明名称 一种电路负荷的识别方法及装置 (57)摘要 本发明公开了一种电路负荷的识别方法及 装置， 其方法包括： 获取家庭电路的电流数据和 电压数据， 以及负荷的容 感特性信息基于所述容 感特性信息， 将所述电流数据和所述电压数据转 化为所述家庭电路的负荷图像信息将所述负荷 图像信息输入到预设的目标卷积神经网络模型， 得到所述家庭电路的负荷标量特征值对比所述 负荷标量特征值与样本库中的特征值， 得到所述 家庭电路的负荷类别。 本发明通过一种电路负荷 的识别方法， 提高了负荷识别的准确性。 权利要求书2页 说明书10页 附图7页 CN 114330444 A 2022.04.12 CN 114330444 A 1.一种电路负荷的识别方法， 其特 征在于， 包括： 获取家庭电路的电流数据和电压数据， 以及负荷的容感特性信息； 基于所述容感特性信 息， 将所述电流数据和所述电压数据转化为所述家庭电路的负荷 图像信息； 将所述负荷图像信 息输入到预设的目标卷积神经网络模型， 得到所述家庭电路的负荷 标量特征值； 对比所述负荷标量特 征值与样本库中的特 征值， 得到所述家 庭电路的负荷类别。 2.根据权利要求1所述的 电路负荷的识别方法， 其特征在于， 基于所述容感特性信息， 将所述电流数据和所述电压数据转 化为所述负荷的图像信息， 包括： 将所述电流数据和所述电压数据转 化为轨迹图像数据； 在所述轨 迹图像数据中加入所述 容感特性信息， 得到所述负荷的图像信息 。 3.根据权利要求1所述的电路负荷的识别方法， 其特征在于， 将所述负荷图像信 息输入 到预设的目标 卷积神经网络模型， 得到所述家 庭电路的负荷标量特 征值， 包括： 划分所述负荷图像信息为训练数据和验证数据； 基于所述训练数据和所述验证数据， 对初步的卷积神经网络模型进行训练和验证， 得 到所述目标 卷积神经网络模型； 将待测家庭电路的负荷图像信 息输入到所述目标卷积神经网络模型， 得到所述家庭电 路的负荷标量特 征值。 4.根据权利要求3所述的电路负荷的识别方法， 其特征在于， 基于所述训练数据和所述 验证数据， 对初步的卷积神经网络模型进 行训练和验证， 得到所述目标卷积神经网络模型， 包括： 将所述训练数据输入到所述初步的卷积神经网络模型， 进行训练， 得到训练后的卷积 神经网络模型； 基于所述验证数据， 验证所述训练后的卷积神经网络模型， 得到所述目标卷积神经网 络模型。 5.根据权利要求4所述的电路负荷的识别方法， 其特征在于， 将所述训练数据输入到所 述初步的卷积神经网络模型， 进行训练， 得到训练后的卷积神经网络模型， 包括： 设置所述初步的卷积神经网络模型的参数 数据； 将所述训练数据输入到所述初步的卷积神经网络模型， 得到训练结果数据； 基于所述参数数据、 所述训练数据对应的数据标签及所述训练结果数据， 对所述初步 的卷积神经网络模型进行优化， 得到所述训练后的卷积神经网络模型。 6.一种电路负荷的识别装置， 其特 征在于， 包括： 获取模块， 用于获取家 庭电路的电流数据和电压数据， 以及负荷的容感特性信息； 图像模块， 用于基于所述容感特性信息， 将所述电流数据和所述电压数据转化为所述 家庭电路的负荷图像信息； 输入模块， 用于将所述负荷图像信息输入到预设的目标卷积神经网络模型， 得到所述 家庭电路的负荷标量特 征值； 对比模块， 用于对比所述负荷标量特征值与样本库中的特征值， 得到所述家庭电路的 负荷类别。权　利　要　求　书 1/2 页 2 CN 114330444 A 27.根据权利要求6所述的电路负荷的识别装置， 其特 征在于， 所述图像模块包括： 图像子模块， 用于将所述电流数据和所述电压数据转 化为轨迹图像数据； 特性子模块， 用于在所述轨迹 图像数据中加入所述容感特性信息， 得到所述负荷的图 像信息。 8.根据权利要求6所述的电路负荷的识别装置， 其特 征在于， 所述输入 模块包括： 划分子模块， 用于划分所述负荷图像信息为训练数据和验证数据； 训练子模块， 用于基于所述训练数据和所述验证数据， 对初步的卷积神经网络模型进 行训练和验证， 得到所述目标 卷积神经网络模型； 输入子模块， 用于将待测家庭电路的负荷图像信息输入到所述目标卷积神经网络模 型， 得到所述家 庭电路的负荷标量特 征值。 9.根据权利要求8所述的电路负荷的识别装置， 其特 征在于， 所述训练子模块包括： 训练单元， 用于将所述训练数据输入到所述初步的卷积神经网络模型， 进行训练， 得到 训练后的卷积神经网络模型； 验证单元， 用于基于所述验证数据， 验证所述训练后的卷积神经网络模型， 得到所述目 标卷积神经网络模型。 10.根据权利要求9所述的电路负荷的识别装置， 其特 征在于， 所述训练单 元包括： 参数子单 元， 用于设置所述初步的卷积神经网络模型的参数 数据； 输入子单元， 用于将所述训练数据输入到所述初步的卷积神经网络模型， 得到训练结 果数据； 优化子单元， 用于基于所述参数数据、 所述训练数据对应的数据标签及所述训练结果 数据， 对所述初步的卷积神经网络模型进行优化， 得到所述训练后的卷积神经网络模型。权　利　要　求　书 2/2 页 3 CN 114330444 A 3