一种应用于算法核心单元的负载识别机器学习系统

摘要

本发明公开的一种应用于算法核心单元的负载识别机器学习系统，通过四个层级构成，分别为数据层，应用层，数据库层以及主控层，其中：数据层由数据输入接口、管理员确认接口和结果输出接口构成；应用层由两个AI模块构成，分别是负载识别AI实装模块和负载识别AI学习模块；数据库层由一个数据长期保存的持久化数据库构成；主控层主要由主控模块和管理员UI构成。本发明能够识别供电网络中的用电器负荷类型以及用电器。其应用层采用了双备AI模块的方案进行，因此负载识别AI实装模块不应频繁修改。而负责循环学习模型迭代的负债识别AI学习模块在本系统工作过程中，需要对于系统运行过程中的结果进行学习迭代更新，因此需要频繁学习迭代。

说明书

技术领域

本发明涉及电力系统中的用电器识别技术领域，特别涉及一种应用于算法核心单元的负载识别机器学习系统。

背景技术

电力系统领域的用电器种类繁多，难以依靠人工识别的方法完成对于电力系统领域内的用电器进行负荷识别。同时在电网的使用场景下，同时接入众多用电器，而电网端能够检测到的数据仅为接入的冲击响应数据，以及电压电流负荷情况，采用传统方法对于上述数据进行分析从而识别供电网络中的用电器负荷类型是无法做到的。另外现有负荷识别系统无法识别电网中的用电器。

发明内容

针对上述技术问题，本发明提供一种能够识别供电网络中的用电器负荷类型以及用电器的应用于算法核心单元的负载识别机器学习系统。

本发明的应用于算法核心单元的负载识别机器学习系统，通过四个层级构成，分别为数据层，应用层，数据库层以及主控层，其中：

所述数据层由数据输入接口、管理员确认接口和结果输出接口构成，所述数据输入接口从现网电力设备数据采集器件中获取现网电力设备中的相应运行信息进行分析使用，所述数据输入接口与所述数据库层中的持久化数据库和所述应用层中的负载识别AI实装模块连接；所述结果输出接口与所述应用层中的负载识别AI实装模块连接，将所述负载识别AI实装模块中对于目前的负载识别结果输出；所述管理员确认接口接收管理员UI中的相应确认信息；

所述应用层由两个AI模块构成，分别是负载识别AI实装模块和负载识别AI学习模块，所述负载识别AI实装模块接收所述数据输入接口中输入的数据，并通过本负载识别AI实装模块自带的AI模型分析软件获得当前现网负载中各个负载的类型功率，从而完成负载识别的功能，同时将识别结果输出至所述结果输出接口中，以供其他系统调用；所述负载学习AI实装模块与所述持久化数据库连接，仅学习经过管理员确认后的数据，以保证学习结果的准确性；同时，该负载学习AI实装模块对于所述持久化数据库中尚未经过管理员标记的数据将会输出模拟预测结果至所述持久化数据库中，以便与后续管理员确认结果进行比较从而判定本负载学习AI实装模块的准确率；

所述数据库层由一个数据长期保存的持久化数据库构成，该持久化数据库保存自从本负载识别机器学习系统运行以来所有现网数据，用于为所述负载识别AI学习模块提供训练数据；

所述主控层主要由主控模块和管理员UI构成，所述主控模块用于升级负载识别AI实装模块，在负载识别AI学习模块的准确率高于负载识别AI实装模块的准确率一定范围后，主控模块将负载识别AI实装模块中的AI模型替换为负载识别AI学习模块中的AI模型；所述管理员UI与所述管理员确认接口连接，用于确认现网中确定的负载情况和负载变化情况，为负载识别AI学习模块提供可信度较高的训练样本。

在本发明的一个优选实施例中，所述结果输出接口为一个微服务框架的restful接口。

在本发明的一个优选实施例中，所述负载识别AI学习模块的准确率高于负载识别AI实装模块一定范围后，将负载识别AI学习模块中当前的AI模型替换至负载识别AI实装模块中，负载识别AI学习模块继续学习迭代工作。

由于采用了如上的技术方案，本发明能够识别供电网络中的用电器负荷类型以及用电器。本发明的应用层采用了双备AI模块的方案进行，由于在现网中使用的实装模块需要识别的准确性，因此负载识别AI实装模块不应频繁修改。而负责循环学习模型迭代的负债识别AI学习模块在本系统工作过程中，需要对于系统运行过程中的结果进行学习迭代更新，因此需要频繁学习迭代。

附图说明

图1为本发明应用于算法核心单元的负载识别机器学习系统的架构示意图。

图2为本发明应用于算法核心单元的负载识别机器学习系统的工作流程示意图。

具体实施方式

以下结合附图和具体实施方式来进一步描述本发明。

参见图1，图中所示的应用于算法核心单元的负载识别机器学习系统，通过四个层级构成，分别为数据层10，应用层20，数据库层30，以及主控层40，其中：

数据层10主要由数据输入接口11，管理员确认接口12，以及结果输出接口13构成。

数据输入接口11主要从现网电力设备数据采集器件中获取现网电力设备中的相应运行信息进行分析使用。该接口与持久化数据库和负债识别AI实装模块连接。

结果输出接口12主要将负载识别AI实装模块21中对于目前的负载识别结果输出。该结果输出接口12主要与负载识别AI实装模块21连接，其可以设计为一个微服务框架的restful接口，包括但不限于上述形式。

管理员确认接口13主要接收管理员UI42中的相应确认信息，例如在现网中测试接入某设备进行负载识别试验的时候，管理员会通过该管理员确认接口13确认接入的设备信息；或者在现网运行中，明确得知某时刻某些设备接入的时候，管理员会通过该管理员确认接口13确认接入的设备信息。该信息将被传输进入持久化数据库31中，供负载识别AI学习模块22进行学习以提高AI的识别准确率。

应用层20采用了双备AI模块的方案进行，由于在现网中使用的负债识别AI实装模块21需要识别的准确性，因此该负债识别AI实装模块21不应频繁修改。而负责循环学习模型迭代的负载识别AI学习模块22在本系统工作过程中，需要对于系统运行过程中的结果进行学习迭代更新，因此需要频繁学习迭代。因此采用双备AI模块的方案将两个模块分开进行，分别为负债识别AI实装模块21和负载识别AI学习模块22。

负载识别AI实装模块21主要接收数据输入接口11中输入的数据，并通过本负载识别AI实装模块21自带的AI模型分析软件获得当前现网负载中各个负载的类型功率，从而完成负载识别的功能。在完成负载识别后，该负载识别AI实装模块21将识别结果输出至结果输出接口13中，以供其他系统调用。

负载学习AI实装模块22与持久化数据库31连接，仅学习经过管理员确认后的数据，以保证学习结果的准确性。同时，该负载学习AI实装模块21对于持久化数据库31中尚未经过管理员标记的数据将会输出模拟预测结果至持久化数据31中，以便与后续管理员确认结果进行比较从而判定本学习模块的准确率。

上述双备AI模块存在迭代过程。在负载识别AI学习模块22的准确率高于负载识别AI实装模块21一定范围后，将负载识别AI学习模块22中当前的AI模型替换至负载识别AI实装模块21中，负载识别AI学习模块22继续学习迭代工作。

数据库层30由一个数据长期保存的持久化数据库31构成。该持久化数据库31保存自从本发明系统运行以来所有现网数据。用于为负载识别AI学习模块32提供训练数据。

主控层40由主控模块41和管理员UI 42构成。

主控模块41用于升级负载识别AI实装模块31。在负载识别AI学习模块32的准确率高于负载识别AI实装模块31的准确率一定范围后，主控模块41将负载识别AI实装模块31中的AI模型替换为负载识别AI学习模块32中的AI模型。

管理员UI42与管理员确认接口12连接，用于确认现网中确定的负载情况和负载变化情况，为负载识别AI学习模块32提供可信度较高的训练样本。

参见图2并结合图1，上述应用于算法核心单元的负载识别机器学习系统的工作流程如下：

步骤1：从数据输入接口11中，获取现网数据，传入负载识别AI实装模块21和持久化数据库31中。

步骤2：负载识别AI实装模块21采用内部的AI模型对于获得得到的现网数据进行处理，从而获取当前现网的负载情况，输出至结果输出接口13中。

步骤3：若管理员知晓目前现网的负载情况，管理员将目前现网的负载信息输入至持久化数据库31中以供负载识别AI学习模块22学习。

步骤4：负载识别AI学习模块22从持久化数据库31中获取经过管理员确认后的数据样本进行模型训练。

步骤5：负载识别AI学习模块22从持久化数据库31中获取当前的现网数据，采用其中的AI模型进行负载识别，输出模拟负载情况信息至持久化数据库31中以供后续检验。

步骤6：在负载识别AI学习模块22的识别准确率高于负载识别AI实装模块21一定范围后，将负载识别AI学习模块22中的AI模型替换掉负载识别AI实装模块21中的AI模型。