基于5G和修正GCN图神经网络的电能监控与预警系统.pdf

《基于5G和修正GCN图神经网络的电能监控与预警系统.pdf》由会员分享，可在线阅读，更多相关《基于5G和修正GCN图神经网络的电能监控与预警系统.pdf（11页完成版）》请在专利查询网上搜索。

1、(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 202010984052.2 (22)申请日 2020.09.18 (71)申请人 宁波智诚祥科技发展有限公司 地址 315400 浙江省宁波市余姚市城东新 区安山路175号 (72)发明人 孙坚周凯强 (74)专利代理机构 北京盛凡智荣知识产权代理 有限公司 11616 代理人 张塨 (51)Int.Cl. G01R 22/06(2006.01) G01R 31/00(2006.01) G05B 19/418(2006.01) G06Q 50/06(2012.01) G06N 。

2、3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于5G和修正GCN图神经网络的电能监控与 预警系统 (57)摘要 本发明公开了基于5G和修正GCN图神经网络 的电能监控与预警系统， 包括智能电表、 服务器 终端， 所述智能电表通过互感器采集流经线路的 电流值， 智能电表内置5G模块， 将采集的电流信 息传输到服务器端； 服务器端对工厂、 生产车间、 生产线、 关键设备电流数据进行汇聚， 并结合工 厂生产数据进行综合分析。 本发明采用互感器对 流经电线的电流值进行监测， 并首次使用5G网络 将监测到的数据发送到云端服务器， 该方式避免 了工厂布线问题， 解决。

3、了工厂用电测量、 监控等 环节的互相孤立问题， 实现了工厂用电监测集中 监控、 集中管理。 权利要求书3页 说明书6页 附图1页 CN 112098715 A 2020.12.18 CN 112098715 A 1.基于5G和修正GCN图神经网络的电能监控与预警系统， 包括智能电表、 服务器终端， 其特征在于： 所述智能电表通过互感器采集流经线路的电流值， 智能电表内置5G模块， 将采 集的电流信息传输到服务器端； 服务器端对工厂、 生产车间、 生产线、 关键设备电流数据进 行汇聚， 并结合工厂生产数据进行综合分析， 具体步骤如下： (1)对所述工厂、 生产车间、 生产线、 关键设备进行编号，。

4、 工厂编号为0， 生产车间编号为 1， .， M1(M1表示工厂内的生产车间数量)， 生产线编号为M1+1， .， M1+M2(M2表示工厂内的 生产线条数)， 关键设备编号为M1+M2+1， .， M1+M2+M3(M3表示工厂内的关键设备数量)； (2)节点对应的电流数据表示为m表示第m个节点， k表示当前时刻之前的第k个周 期， 如k0表示当前时刻电流值， 由于模型输入是向量， 因此对所述节点的电流值进行向量 化， 如下所示： (3)定义节点归属关系， 采用树结构进行表示； 当设备k属于生产线m， 生产线m属于车间n， 车间n属于工厂0， 则定义归属关系如下： km， mn， n0 (4。

5、)根据各个节点之间的归属关系生成邻接矩阵A， 如下所示： 其中 (5)将各个节点的电流值重排为矩阵形式作为网络输入值， 如下： 其中N1+M1+M2+M3表示节点总数量， K表示节点输入向量长度， 即最大保留K周期之前 的电流值作为当前网络的输入； (6)单周期内工厂中生产的产品j数量表示为其中j表示第j类产品， k表示当前时刻 之前的第k个周期， 如k0表示当前周期内的产品j产能， 由于模型输入是向量， 因此对所述 产品的产量进行向量化， 如下所示： 其中J表示所述工厂产品类别数； (7)将各类产品的产能重排为矩阵形式作为网络另一组输入值， 如下： 其中J表示产品总类别数， K表示节点输入向。

6、量长度， 即最大保留K周期之前的产能作为 权利要求书 1/3 页 2 CN 112098715 A 2 当前网络的输入； (8)将节点电流矩阵和产品产能矩阵输入网络中， 计算网络输出， 判断工厂是否存在用 电隐患。 2.根据权利要求1所述的基于5G和修正GCN图神经网络的电能监控与预警系统， 其特征 在于： 步骤(3)中在树结构图的基础上， 构建运用树中的父子节点关系构建图的邻接矩阵， 用于构建图卷积神经网络。 3.根据权利要求2所述的基于5G和修正GCN图神经网络的电能监控与预警系统， 其特征 在于： 服务器端采用图卷积神经网络GCN联合工厂生产数据， 对输入的电流信息进行综合分 析与判断，。

7、 具体流程如下： a)前向计算： 其中， Hl表示网络第l层， 本发明中网络总层数为3即输入层、 隐藏层和输出层， H0X表 示输入层， A表示图中的邻接矩阵， W0l为节点隐患概率和监控电流之间的第l层权重参数矩 阵， W1为节点监控电流和工厂产品产能之间的权重参数矩阵， W2为节点隐患概率和节点监控 电流与预测电流差值之间的权重参数矩阵， t表示矩阵转置， (.)表示非线性激活函数， 隐藏层使用Relu函数， 输出层使用Sigmoid函数， 输出值为p0， p1， .， pN， 表示各个节点用 电隐患的概率； 常规图卷积神经网络前向计算如下： 前向计算在输出层设置一项修正输入 (Xt-Qt。

8、W1)tW2， 使节点用电隐患概率不仅同 节点监控的电流值有关， 同时也同工厂产品产能相关； 当pk0.45时， 服务器发出节点k用电 隐患报警信号； b)Loss定义： 使用交叉熵作为用电安全隐患的函数， 如下所示： 其中表示节点i用电隐患，表示节点i用电正常, 使用MSE作为用电正常场景下工厂监控电流和预测电流之间的损失函数， 如下所示： 总损失函数， 如下所示： lossloss0+loss1 权利要求书 2/3 页 3 CN 112098715 A 3 MSE损失函数， 仅在用电正常场景下有效， 用于预测电流和工厂产品产能之间权重系数 的更新； c)反向传播与权重更新： 采用动量梯度下。

9、降法,即MSGD算法对Loss进行优化， 实现模型的参数自动更新， 直到 Loss不再减小时， 停止更新。 权利要求书 3/3 页 4 CN 112098715 A 4 基于5G和修正GCN图神经网络的电能监控与预警系统 技术领域 0001 本发明涉及技术电能监控领域， 具体是指基于5G和修正GCN图神经网络的电能监 控与预警系统。 背景技术 0002 随着智能制造的深入发展， 制造业电能需求也持续增加， 大量的能源消耗不仅造 成工厂产品成本的增加， 而且不利于国家节能减排战略的开展。 面对工厂如何节能， 运用何 种节能方式， 验证节能成效等需求， 需要建立一套针对工厂电能监控的系统。 目前工。

10、厂电能 监控主要在于工厂关口变电站安装一块总表， 对于各个车间、 生产线、 主设备均没有二次计 量设备， 这种方式对成本核算、 节能减排无法做更细致化分析。 0003 当前这种粗放式的电能监控方式主要存在着以下几点不足： 1)工厂对用电设备的 测量、 监控和信息互联等环节互相 “孤立” ， 没有达到集成化和规范化的程度， 缺乏统一集中 监控系统； 2)无法实现对关键设备、 生产线、 车间的电能监控， 因此对成本核算、 节能减排无 法做更细致化分析； 3)无法在工厂设备老化异常时， 通过用电数据主动分析的手段， 完成工 厂异常用电行为的预警， 更无法在生产出现问题时， 通过数据分析， 快速定位问。

11、题车间、 生 产线和设备。 发明内容 0004 本发明要解决的技术问题是克服以上技术缺陷， 提供基于5G和修正GCN图神经网 络的电能监控与预警系统， 对工厂中的单个车间、 单条生产线甚至单个关键设备， 进行电流 监控， 然后通过网络回传到服务器。 由于电力载波传输， 于工厂而言， 会出现谐波干扰、 电压 波动和闪变频率异常等问题， 造成工厂的配电控制设备误动作， 因而采用5G网络进行数据 传输避免了类似问题。 对于服务器端， 将各个车间、 生产线、 设备等用电数据， 送入修正GCN 神经网络中， 分析每个周期的用电情况， 并结合生产数据和测量结果， 提供工厂用电正常与 否的判断依据。 000。

12、5 为了达到上述发明目的， 本发明采用的技术方案为： 基于5G和修正GCN图神经网络 的电能监控与预警系统， 包括智能电表、 服务器终端， 所述智能电表通过互感器采集流经线 路的电流值， 智能电表内置5G模块， 将采集的电流信息传输到服务器端； 服务器端对工厂、 生产车间、 生产线、 关键设备电流数据进行汇聚， 并结合工厂生产数据进行综合分析， 具体 步骤如下： 0006 (1)对所述工厂、 生产车间、 生产线、 关键设备进行编号， 工厂编号为0， 生产车间编 号为1， .， M1(M1表示工厂内的生产车间数量)， 生产线编号为M1+1， .， M1+M2(M2表示工厂 内的生产线条数)， 关。

13、键设备编号为M1+M2+1， .， M1+M2+M3(M3表示工厂内的关键设备数量)； 0007(2)节点对应的电流数据表示为m表示第m个节点， k表示当前时刻之前的第k个 周期， 如k0表示当前时刻电流值， 由于模型输入是向量， 因此对所述节点的电流值进行向 量化， 如下所示： 说明书 1/6 页 5 CN 112098715 A 5 0008 0009 (3)定义节点归属关系， 采用树结构进行表示； 0010 当设备k属于生产线m， 生产线m属于车间n， 车间n属于工厂0， 则定义归属关系如 下： 0011 km， mn， n0 0012 (4)根据各个节点之间的归属关系生成邻接矩阵A， 。

14、如下所示： 0013 0014 其中 0015 0016 (5)将各个节点的电流值重排为矩阵形式作为网络输入值， 如下： 0017 0018 其中N1+M1+M2+M3表示节点总数量， K表示节点输入向量长度， 即最大保留K周期 之前的电流值作为当前网络的输入； 0019(6)单周期内工厂中生产的产品j数量表示为其中j表示第j类产品， k表示当前 时刻之前的第k个周期， 如k0表示当前周期内的产品j产能， 由于模型输入是向量， 因此对 所述产品的产量进行向量化， 如下所示： 0020 0021 其中J表示所述工厂产品类别数； 0022 (7)将各类产品的产能重排为矩阵形式作为网络另一组输入值，。

15、 如下： 0023 0024 其中J表示产品总类别数， K表示节点输入向量长度， 即最大保留K周期之前的产能 作为当前网络的输入； 0025 (8)将节点电流矩阵和产品产能矩阵输入网络中， 计算网络输出， 判断工厂是否存 在用电隐患。 0026 进一步的， 步骤(3)中在树结构图的基础上， 构建运用树中的父子节点关系构建图 的邻接矩阵， 用于构建图卷积神经网络。 0027 进一步的， 服务器端采用图卷积神经网络GCN联合工厂生产数据， 对输入的电流信 息进行综合分析与判断， 具体流程如下： 0028 a)前向计算： 0029 说明书 2/6 页 6 CN 112098715 A 6 0030 。

16、0031 其中， Hl表示网络第l层， 本发明中网络总层数为3即输入层、 隐藏层和输出层， H0 X表示输入层， A表示图中的邻接矩阵， W0l为节点隐患概率和监控电流之间的第l层权重参数 矩阵， W1为节点监控电流和工厂产品产能之间的权重参数矩阵， W2为节点隐患概率和节点监 控电流与预测电流差值之间的权重参数矩阵， t表示矩阵转置， (.)表示非线性激活函 数， 隐藏层使用Relu函数， 输出层使用Sigmoid函数， 输出值为p0， p1， .， pN， 表示各个节 点用电隐患的概率； 0032 常规图卷积神经网络前向计算如下： 0033 0034 前向计算在输出层设置一项修正输入 (X。

17、t-QtW1)tW2， 使节点用电隐患概率不 仅同节点监控的电流值有关， 同时也同工厂产品产能相关； 当pk0.45时， 服务器发出节点k 用电隐患报警信号； 0035 b)Loss定义： 0036 使用交叉熵作为用电安全隐患的函数， 如下所示： 0037 0038其中表示节点i用电隐患，表示节点i用电正常, 0039 使用MSE作为用电正常场景下工厂监控电流和预测电流之间的损失函数， 如下所 示： 0040 0041 总损失函数， 如下所示： 0042 lossloss0+loss1 0043 0044 MSE损失函数， 仅在用电正常场景下有效， 用于预测电流和工厂产品产能之间权重 系数的更。

18、新； 0045 c)反向传播与权重更新： 0046 采用动量梯度下降法,即MSGD算法对Loss进行优化， 实现模型的参数自动更新， 直 到Loss不再减小时， 停止更新。 0047 本发明的有益效果为： 本发明采用互感器对流经电线的电流值进行监测， 并首次 使用5G网络将监测到的数据发送到云端服务器， 该方式避免了工厂布线问题， 解决了工厂 用电测量、 监控等环节的互相孤立问题， 实现了工厂用电监测集中监控、 集中管理。 0048 本发明中采用修正图卷积神经网络， 相比于常规图卷积网络， 首先本发明首次在 网络输出层的输入部分增加一组修正输入， 完善了节点用电隐患概率和工厂各类产品产能 之间。

19、的关系， 提升了用电隐患识别准确率； 其次， 在网络训练过程中， 首次引入双损失函数 说明书 3/6 页 7 CN 112098715 A 7 到图卷积网络中， 不仅优化节点用电隐患概率和监测电流之间的权重系数， 同时优化用电 正常场景下节点预测电流和工厂产品产能之间的权重系数， 从而通过预测电流和监测电流 的之间的差值， 进一步提升用电隐患识别准确率。 0049 本发明对各个工厂、 生产车间、 生产线甚至关键生产设备的电能使用情况进行了 全面监控， 实现了工厂用电场景的细致化监测， 从而可对生产产品的用电成本进行核算， 甚 至可对产品的不同工艺过程的用电成本进行核算， 从而可对工厂生产的产品。

20、进行更细致化 的成本核算。 附图说明 0050 图1是本发明的流程框图。 0051 图2是本发明定义节点归属关系的树结构表示图。 具体实施方式 0052 下面将结合本发明实施例， 对本发明的技术方案进行清楚、 完整地描述， 显然， 所 描述的实施例仅仅是本发明一部分实施例， 而不是全部的实施例。 基于本发明中的实施例， 本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例， 都属于本发 明保护的范围。 0053 基于5G和修正GCN图神经网络的电能监控与预警系统， 包括智能电表、 服务器终 端， 首先智能电表通过互感器采集流经线路的电流值， 包括连接关键设备如机床的输电线、 给生。

21、产线、 生产车间、 工厂送电的输电线； 智能电表通过内置5G模块将采集的电流信息传输 到服务器端； 服务器端对工厂、 生产车间、 生产线、 关键设备电流数据进行汇聚， 并结合工厂 生产数据进行综合分析， 提出了基于当前生产数据的修正GCN神经网络， 提升了工厂隐患预 警的准确率， 同时缩短了工厂出现故障时的故障点定位时间。 0054 服务器端结合工厂生产数据对设备电流数据信息进行综合分析， 具体流程如下： 0055 (1)对所述工厂、 生产车间、 生产线、 关键设备进行编号， 如工厂编号为0， 生产车间 编号为1， .， M1(M1表示工厂内的生产车间数量)， 生产线编号为M1+1， .， M。

22、1+M2(M2表示工 厂内的生产线条数)， 关键设备编号为M1+M2+1， .， M1+M2+M3(M3表示工厂内的关键设备数 量)； 0056(2)节点对应的电流数据表示为m表示第m个节点， k表示当前时刻之前的第k个 周期， 如k0表示当前时刻电流值。 由于模型输入是向量， 因此对所述节点的电流值进行向 量化， 如下所示： 0057 0058 (3)定义节点归属关系， 采用树结构进行表示， 如图2所示： 0059 若设备k属于生产线m， 生产线m属于车间n， 车间n属于工厂0， 则定义归属关系如 下： 0060 km， mn， n0 0061 (4)根据各个节点之间的归属关系生成邻接矩阵A。

23、， 如下所示： 说明书 4/6 页 8 CN 112098715 A 8 0062 0063 其中 0064 0065 (5)将各个节点的电流值重排为矩阵形式作为网络输入值， 如下： 0066 0067 其中N1+M1+M2+M3表示节点总数量， K表示节点输入向量长度， 即最大保留K周期 之前的电流值作为当前网络的输入。 0068(6)单周期内工厂中生产的产品j数量表示为其中j表示第j类产品， k表示当前 时刻之前的第k个周期， 如k0表示当前周期内的产品j产能， 由于模型输入是向量， 因此对 所述产品的产量进行向量化， 如下所示： 0069 0070 其中J表示所述工厂产品类别数。 007。

24、1 (7)将各类产品的产能重排为矩阵形式作为网络另一组输入值， 如下： 0072 0073 其中J表示产品总类别数， K表示节点输入向量长度， 即最大保留K周期之前的产能 作为当前网络的输入。 0074 (8)将节点电流矩阵和产品产能矩阵输入网络中， 计算网络输出， 判断工厂是否存 在用电隐患。 0075 本发明利用5G低延迟、 高容量特性， 实时对工厂内的各个车间、 生产线、 关键设备 电能使用情况进行实时监测， 并结合生成数据在服务器端完成综合分析判断； 本发明中采 用树图表示设备、 生产线、 生产车间、 工厂的归属关系， 并在树图的基础上首次构建运用树 中的父子节点关系构建图的邻接矩阵，。

25、 用于构建图卷积神经网络。 0076 服务器端采用修正图卷积神经网络GCN联合工厂生产数据， 对输入的电流信息进 行综合分析与判断， 具体流程如下： 0077 a)前向计算： 0078 0079 0080 其中， Hl表示网络第l层， 本发明中网络总层数为3即输入层、 隐藏层和输出层， H0 X表示输入层， A表示图中的邻接矩阵， W0l为节点隐患概率和监控电流之间的第l层权重参数 说明书 5/6 页 9 CN 112098715 A 9 矩阵， W1为节点监控电流和工厂产品产能之间的权重参数矩阵， W2为节点隐患概率和节点监 控电流与预测电流差值之间的权重参数矩阵， t表示矩阵转置， (.)。

26、表示非线性激活函 数， 本发明中隐藏层使用Relu函数， 输出层使用Sigmoid函数， 输出值为p0， p1， .， pN， 表 示各个节点用电隐患的概率。 0081 常规图卷积神经网络前向计算如下： 0082 0083 前向计算在输出层设置一项修正输入 (Xt-QtW1)tW2， 使节点用电隐患概率不 仅同节点监控的电流值有关， 同时也同工厂产品产能相关， 进一步提升了工厂用电隐患预 测准确率。 推理使用时， 当pk0.45时， 服务器发出节点k用电隐患报警信号。 0084 b)Loss定义： 0085 使用交叉熵作为用电安全隐患的函数， 如下所示： 0086 0087其中表示节点i用电隐。

27、患，表示节点i用电正常。 0088 使用MSE作为用电正常场景下工厂监控电流和预测电流(通过工厂产品产能进行 预测)之间的损失函数， 如下所示： 0089 0090 总损失函数， 如下所示： 0091 lossloss0+loss1 0092 0093 常规图卷积神经网络损失函数只包含loss0， 本发明相比于常规图卷积神经网络， 增加了一项MSE损失函数， 仅在用电正常场景下有效， 用于预测电流和工厂产品产能之间权 重系数的更新， 从而根据预测电流和监测电流之间的差异， 提升用电隐患预测的准确率。 0094 c)反向传播与权重更新： 本发明中采用动量梯度下降法即MSGD算法对Loss进行优 化， 实现模型的参数自动更新， 直到Loss不再减小时， 停止更新。 0095 以上对本发明及其实施方式进行了描述， 这种描述没有限制性， 只是本发明的实 施方式之一， 实际的实施方式并不局限于此。 总而言之如果本领域的普通技术人员受其启 示， 在不脱离本发明创造宗旨的情况下， 不经创造性的设计出与该技术方案相似的结构方 式及实施例， 均应属于本发明的保护范围。 说明书 6/6 页 10 CN 112098715 A 10 图1 图2 说明书附图 1/1 页 11 CN 112098715 A 11 。