基于智能电表的用电信息采集系统及其运行方法与流程

1.本发明涉及智能电网领域，且更为具体地，涉及一种基于智能电表的用电信息采集系统及其运行方法。


背景技术：

2.智能电表是智能电网数据采集的基本设备之一，承担着原始电能数据采集、计量和传输的任务，是实现信息集成、分析优化和信息展现的基础。智能电表能够采集用户的用电过程当中的详细信息，包括各种模拟信息和数字信息，前者包括比如用户用电过程中的实时电流波形，后者包括用户在各时间点的用电电量、额定功率等，这样控制中心可以基于所述详细信息来进行负载均衡等各种控制。
3.但是，由于本身输电线路未明确区分上行和下行信道，因此当控制中心需要从智能电表采集所述详细信息时，必须建立额外的信道连接，比如无线信道等，这显然将增加比如通信负担和计算资源负担的系统负担。
4.因此，期待一种优化的基于智能电表的用电信息采集方案。


技术实现要素：

5.相应地，为了解决上述技术问题：由于本身输电线路未明确区分上行和下行信道，因此当控制中心需要从智能电表采集所述详细信息时，必须建立额外的信道连接，比如无线信道等，这显然将增加比如通信负担和计算资源负担的系统负担，本技术提出了一种解决方案。
6.具体地，本技术的解决方案为：在控制中心一端，基于向所连接的多个智能电表传送的电量情况来对所连接的多个智能电表的整体运行情况进行监控，从而在出现异常的情况下向所述多个智能电表发送信息采集指令，以将控制中心的被动数据采集转换为主动数据采集，以避免被动数据采集所导致的系统负担。
7.基于此技术方案，可取得如下技术效果：
8.1.通过卷积神经网络单元从用于表示在所述智能电表样本维度和时间维度上的输入数据矩阵获得特征图，可以提取向各个智能电表传送的用电电量信息在智能电表间维度和时间维度上的关联信息，即挖掘出用电电量信息在各个智能电表之间和在各个时间点之间的高维分布信息，从而基于卷积神经网络所提取的关联分布模式来对各个智能电表的整体运行情况进行判断。
9.2.为了使得特征图的信息表达更加丰富，在数字数据之外，进一步通过模拟信号建立信号模型，且该信号模型包含传输电流幅值、模拟信号包络变化函数，模拟信号中心频率，所述时间间隔的时间长度，模拟信号的初始相位和模拟信号的信号波长等模拟信息，从而使得校正特征图包含向各个智能电表传输的信号的尽可能完备的模拟和数字信息，以提高分类准确性。
10.相应地，根据本技术的一个方面，提供了基于智能电表的用电信息采集系统，其包
括：
11.电量数据获取单元，用于分别获取预定连续时间段内的多个相等时间长度的时间间隔内向各个智能电表传送的用电电量信息；
12.输入数据构造单元，用于将所述多个智能电表的所述多个时间间隔的用电电量信息分别按照智能电表样本维度和时间维度排列为二维输入数据矩阵；
13.卷积神经网络单元，用于将所述二维输入数据矩阵输入卷积神经网络以获得特征图；
14.模拟数据获取单元，用于获取向所述多个智能电表进行电量传输的多个模拟信号；
15.信号模型建立单元，用于分别建立所述多个模拟信号的信号模型并计算信号模型值，其中，所述信号模型基于传输电流幅值、模拟信号包络变化函数，模拟信号中心频率，所述时间间隔的时间长度，模拟信号的初始相位和模拟信号的信号波长构建；
16.信号权值加权单元，用于以对应于每个所述智能电表的信号模型值对所述特征图在智能电表样本维度上进行加权以获得校正特征图；
17.分类结果获取单元，用于将所述校正特征图通过分类器以获得分类结果，所述分类结果用于表示多个智能电表的用电状况是否正常；以及
18.用电信息采集单元，用于响应于所述分类结果表示所述多个智能电表的用电状况不正常，向所述多个智能电表发送详细用电信息获取指令，其中，所述多个智能电表响应于所述详细用电信息获取指令发送所述智能电表的详细用电信息。
19.根据本技术的另一方面，还提供了一种基于智能电表的用电信息采集系统的运行方法，其包括：
20.通过电量数据获取单元分别获取预定连续时间段内的多个相等时间长度的时间间隔内向各个智能电表传送的用电电量信息；
21.通过输入数据构造单元将所述多个智能电表的所述多个时间间隔的用电电量信息分别按照智能电表样本维度和时间维度排列为二维输入数据矩阵；
22.通过卷积神经网络单元将所述二维输入数据矩阵输入卷积神经网络以获得特征图；
23.通过模拟数据获取单元获取向所述多个智能电表进行电量传输的多个模拟信号；
24.通过信号模型建立单元分别建立所述多个模拟信号的信号模型并计算信号模型值，其中，所述信号模型基于传输电流幅值、模拟信号包络变化函数，模拟信号中心频率，所述时间间隔的时间长度，模拟信号的初始相位和模拟信号的信号波长构建；
25.通过信号权值加权单元以对应于每个所述智能电表的信号模型值对所述特征图在智能电表样本维度上进行加权以获得校正特征图；
26.通过分类结果获取单元将所述校正特征图通过分类器以获得分类结果，所述分类结果用于表示多个智能电表的用电状况是否正常；以及
27.通过用电信息采集单元响应于所述分类结果表示所述多个智能电表的用电状况不正常，向所述多个智能电表发送详细用电信息获取指令，其中，所述多个智能电表响应于所述详细用电信息获取指令发送所述智能电表的详细用电信息。
附图说明
28.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
29.图1为根据本技术实施例的基于智能电表的用电信息采集系统的场景示意图。
30.图2为根据本技术实施例的基于智能电表的用电信息采集系统的框图。
31.图3为根据本技术实施例的基于智能电表的用电信息采集系统的运行方法的流程图。
32.图4为根据本技术实施例的基于智能电表的用电信息采集系统的运行方法的系统架构示意图；
33.图5为根据本技术实施例的基于智能电表的用电信息采集系统的运行方法中，通过分类结果获取单元将所述校正特征图通过分类器以获得分类结果，所述分类结果用于表示多个智能电表的用电状况是否正常的流程图。
具体实施方式
34.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
35.场景概述
36.如图1所示，在智能电网的系统中，智能电表(例如，如图1中所示意的m)能够采集用户的用电过程当中的详细信息，包括各种模拟信息和数字信息，这样控制中心(例如，如图1中所示意的s)可以基于所述详细信息来进行负载均衡等各种控制。
37.然而，由于本身输电线路未明确区分上行和下行信道，因此当控制中心需要从智能电表采集所述详细信息时，必须建立额外的信道连接，比如无线信道等，这显然将增加比如通信负担和计算资源负担的系统负担。
38.针对此技术问题，本技术意在在控制中心一端，基于向所连接的多个智能电表传送的电量情况来对所连接的多个智能电表的整体运行情况进行监控，从而在出现异常的情况下向所述多个智能电表发送信息采集指令，以将控制中心的被动数据采集转换为主动数据采集，以避免被动数据采集所导致的系统负担。
39.基于此，本技术提供了一种基于智能电表的用电信息采集系统，其包括：电量数据获取单元，用于分别获取预定连续时间段内的多个相等时间长度的时间间隔内向各个智能电表传送的用电电量信息；输入数据构造单元，用于将所述多个智能电表的所述多个时间间隔的用电电量信息分别按照智能电表样本维度和时间维度排列为二维输入数据矩阵；卷积神经网络单元，用于将所述二维输入数据矩阵输入卷积神经网络以获得特征图；模拟数据获取单元，用于获取向所述多个智能电表进行电量传输的多个模拟信号；信号模型建立单元，用于分别建立所述多个模拟信号的信号模型并计算信号模型值，其中，所述信号模型基于传输电流幅值、模拟信号包络变化函数，模拟信号中心频率，所述时间间隔的时间长度，模拟信号的初始相位和模拟信号的信号波长；信号权值加权单元，用于以对应于每个所
述智能电表的信号模型值对所述特征图在智能电表样本维度上进行加权以获得校正特征图；分类结果获取单元，用于将所述校正特征图通过分类器以获得分类结果，所述分类结果用于表示多个智能电表的用电状况是否正常；以及，用电信息采集单元，用于响应于所述分类结果表示所述多个智能电表的用电状况不正常，向所述多个智能电表发送详细用电信息获取指令，其中，所述多个智能电表响应于所述详细用电信息获取指令发送所述智能电表的详细用电信息。
40.进一步地，如图1所示，在所述基于智能电表的用电信息采集系统的应用场景中，首先分别获取用户所在的电网向各个智能电表(例如，如图1中所示意的m)传送的用电电量信息和用户所在的电网向所述多个智能电表进行电量传输的多个模拟信号。特别地，在该应用场景中，控制中心(例如，如图1中所示意的s)内部署有基于智能电表的用电信息采集算法，这样在获得所述用电电量信息和所述多个模拟信号后，所述控制中心能够基于用电信息采集算法对这些数据进行处理，以生成所述多个智能电表的用电状况是否正常的检测结果。进而，当所述控制中心检测到所述多个智能电表的用电状况不正常时，其会向所述多个智能电表发送详细用电信息获取指令，其中，所述多个智能电表响应于所述详细用电信息获取指令发送所述智能电表的详细用电信息。
41.示例性系统
42.图2为根据本技术实施例的基于智能电表的用电信息采集系统的框图。如图2所示，根据本技术实施例的基于智能电表的用电信息采集系统100，包括：电量数据获取单元110，用于分别获取预定连续时间段内的多个相等时间长度的时间间隔内向各个智能电表传送的用电电量信息；输入数据构造单元120，用于将所述多个智能电表的所述多个时间间隔的用电电量信息分别按照智能电表样本维度和时间维度排列为二维输入数据矩阵；卷积神经网络单元130，用于将所述二维输入数据矩阵输入卷积神经网络以获得特征图；模拟数据获取单元140，用于获取向所述多个智能电表进行电量传输的多个模拟信号；信号模型建立单元150，用于分别建立所述多个模拟信号的信号模型并计算信号模型值，其中，所述信号模型基于传输电流幅值、模拟信号包络变化函数，模拟信号中心频率，所述时间间隔的时间长度，模拟信号的初始相位和模拟信号的信号波长构建；信号权值加权单元160，用于以对应于每个所述智能电表的信号模型值对所述特征图在智能电表样本维度上进行加权以获得校正特征图；分类结果获取单元170，用于将所述校正特征图通过分类器以获得分类结果，所述分类结果用于表示多个智能电表的用电状况是否正常；以及，用电信息采集单元180，用于响应于所述分类结果表示所述多个智能电表的用电状况不正常，向所述多个智能电表发送详细用电信息获取指令，其中，所述多个智能电表响应于所述详细用电信息获取指令发送所述智能电表的详细用电信息。
43.相应地，在所述基于智能电表的用电信息采集系统100的运行中，首先所述电量数据获取单元110分别获取预定连续时间段内的多个相等时间长度的时间间隔内向各个智能电表传送的用电电量信息和所述模拟数据获取单元140获取向所述多个智能电表进行电量传输的多个模拟信号。如前所述，在智能电网中，智能电表能够采集用户的用电过程当中的详细信息，包括各种模拟信息和数字信息，前者包括比如用户用电过程中的实时电流波形，后者包括用户在各时间点的用电电量、额定功率等，这样控制中心可以基于所述详细信息来进行负载均衡等各种控制。
44.因此，在基于智能电表的用电信息采集系统100的运行初始阶段，先通过所述电量数据获取单元110和所述模拟数据获取单元140获得由用户的电网向其配置的智能电表所传送的用电电量信息和多个模拟信号，其中，所述用电电量信息包括用户在各时间点的用电电量、额定功率，所述模拟信号包括用户在用电过程中的实时电流波形。
45.应注意到，为确保所采集的数据能够覆盖所述智能电网运行的各个时间段且避免数量处理量过大，在本技术实施例中，设定所述用户电量信息的采集频率为：预定连续时间段内的多个相等时间长度的时间间隔内，其中，预定连续时间段、相等时间长度、时间间隔都可基于实际情况做出调整，对此，并不为本技术所局限。
46.接着，在所述基于智能电表的用电信息采集系统100的运行中，所述输入数据构造单元120，将所述多个智能电表的所述多个时间间隔的用电电量信息分别按照智能电表样本维度和时间维度排列为二维输入数据矩阵。也就是，所述输入数据构造单元120将所述多个智能电表的所述多个时间间隔的用电电量信息构造为深度神经网络可以处理的数据格式。
47.具体地，所述输入数据构造单元120将所述多个智能电表的所述多个时间间隔的用电电量信息构造为二维输入数据矩阵的过程，包括：首先，将所述多个智能电表中的每个智能电表的所述多个时间间隔的用电电量信息按照时间t的第一维度获得对应于每个智能电表的数据向量。然后，将对应于每个智能电表的数据向量按照智能电表的样本s的第二维度排列为二维输入数据矩阵。
48.值得一提的是，通过将二维输入数据矩阵按照时间t和样本s的第一维度和第二维度进行排列，可以兼顾各个样本在单个时间段之间的关联信息，单个样本在多个时间段之间的关联信息，以及多个样本在多个时间段之间的关联信息，从而更好地表达全局信息。
49.接着，在所述基于智能电表的用电信息采集系统100的运行中，所述卷积神经网络单元130将所述二维输入数据矩阵输入卷积神经网络以获得特征图。也就是，在本技术的技术方案中，通过卷积神经网络单元130从用于表示在所述智能电表样本维度和时间维度上的输入数据矩阵获得特征图，可以提取向各个智能电表传送的用电电量信息在智能电表间维度和时间维度上的关联信息，即挖掘出用电电量信息在各个智能电表之间和在各个时间点之间的高维分布信息，从而基于卷积神经网络所提取的关联分布模式来对各个智能电表的整体运行情况进行判断。
50.应特别注意到，在本技术实施例中，所述卷积神经网络单元130以深度卷积神经网络来挖掘出用电电量信息在各个智能电表之间和在各个时间点之间的高维分布信息。本领域普通技术人员应知晓，卷积神经网络在提取局部特征方面具有优异的性能表现，其不仅仅可对所处理的数据对象进行显式编码，还可以对所处理的数据对象进行隐性编码，即，充分挖掘出所述用电电量信息在各个智能电表之间和在各个时间点之间的高维隐含特征。
51.在本技术一个具体的示例中，所述卷积神经网络可被实施为深度残差网络。相较于标准的卷积神经网络，深度残差网络采用多个带残差连接的残差卷积块(多个卷积层构成)和全连接层所构成，其中残差卷积块用于特征学习，在不增加神经网络模型训练难度的基础上增加了模型的规模。这是因为残差连接的存在，该连接可以有效降低由于多层卷积层的存在而导致的不利于模型训练的梯度消失或者爆炸的现象的发生，降低了对更深更大的神经网络的训练难度。相较于常规的卷积神经网络，残差网络的特点是容易优化，并且能
够通过增加相当的深度来提高准确率，其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。
52.进一步地，为了使得特征图的信息表达更加丰富，在数字数据之外，在本技术实施例中，进一步通过模拟信号建立信号模型，且该信号模型包含传输电流幅值、模拟信号包络变化函数，模拟信号中心频率，所述时间间隔的时间长度，模拟信号的初始相位和模拟信号的信号波长等模拟信息，从而使得校正特征图包含向各个智能电表传输的信号的尽可能完备的模拟和数字信息，以提高分类准确性。
53.相应地，在所述基于智能电表的用电信息采集系统100的运行中，所述信号模型建立单元150分别建立所述多个模拟信号的信号模型并计算信号模型值，其中，所述信号模型基于传输电流幅值、模拟信号包络变化函数，模拟信号中心频率，所述时间间隔的时间长度，模拟信号的初始相位和模拟信号的信号波长来构建。
54.具体地，在本技术一个具体的示例中，所述信号模型值表示为：
[0055][0056]
其中a
i
表示传输电流幅值，s(t)表示模拟信号包络变化函数，f为模拟信号中心频率，t为所述时间间隔的时间长度，φ0表示模拟信号的初始相位，λ表示模拟信号的信号波长。
[0057]
应可以理解，通过该信号模型，可以将模拟信号的各项模拟参数，即传输电流幅值、模拟信号包络变化函数，模拟信号中心频率，所述时间间隔的时间长度，模拟信号的初始相位和模拟信号的信号波长进行基于信号物理性质的整合，从而能够以单个信号模型值适当地表示信号的模拟物理性质。
[0058]
在本技术另一个具体的示例中，所述信号模型值表示为：
[0059][0060]
其中，j为可调整的加权因数，以将x
i
(t)整体的值调整到[0,1]区间内。
[0061]
也就是，相较于第一个示例，在该示例中，通过可调整的加权因数将x
i
(t)整体的值调整到[0,1]的范围内，可以将所述信号模型值转换到概率空间内，从而与所述特征图进行适于卷积神经网络的高维特征空间性质的整合。
[0062]
接着，在所述基于智能电表的用电信息采集系统100的运行中，所述信号权值加权单元160以对应于每个所述智能电表的信号模型值对所述特征图在智能电表样本维度上进行加权以获得校正特征图。也就是，将模拟信号建立信号模型与特征图进行融合，以使得所述校正特征图包含向各个智能电表传输的信号的尽可能完备的模拟和数字信息，以提高分类准确性。
[0063]
更具体地，在本技术实施例中，所述信号权值加权单元160用于按照下式对特征图进行加权：
[0064]
m'
it*c
＝x
i
(t)
×
sigmoid(m
it*c
)
[0065]
其中，m
it*c
为所述特征图在所述智能电表样本维度上的各个特征矩阵，sigmoid表示对所述特征矩阵以sigmoid激活函数进行加权，且m'
it*c
为所述校正特征图在所述智能电
表样本维度上的各个特征矩阵。
[0066]
特别地，通过以sigmoid激活函数对所述特征图在所述智能电表样本维度上的各个特征矩阵进行加权，可以将所述特征图的特征空间映射为概率空间，从而与同样映射到概率空间内的信号模型值进行适当的整合。
[0067]
进一步地，在所述基于智能电表的用电信息采集系统100的运行中，所述分类结果获取单元170将所述校正特征图通过分类器以获得分类结果，所述分类结果用于表示多个智能电表的用电状况是否正常。也就是，所述分类结果获取单元170通过分类器来基于卷积神经网络所提取的关联分布模式来对各个智能电表的整体运行情况进行判断。
[0068]
具体地，所述分类结果获取单元170获得所述分类结果的过程，包括：首先将所述校正特征图通过至少一个全连接层以通过所述至少一个全连接层对所述校正特征图进行编码以获得分类特征向量。应可以理解，全连接层能够充分利用所述校正特征图中各个位置的信息，即，充分挖掘和提取所述校正特征图中的特征，以生成所述分类特征向量。
[0069]
进一步地，将所述分类特征向量输入softmax分类函数以获得所述分类特征向量归属于多个智能电表的用电状况正常的第一概率和所述分类特征向量归属于多个智能电表的用电状况不正常的第二概率。也就是，将所述分类特征向量输入softmax分类函数以获得所述分类特征向量分别归属于不同分类标签的概率值。
[0070]
接着，基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。例如，将所述第一概率和所述第二概率中较大者对应的分类标签确定为所述分类结果。即，当所述第一概率大于所述第二概率时，所述分类结果为所述多个智能电表的用电状况正常；当所述第一概率小于第二概率时，所述分类结果为所述多个智能电表的用电状况不正常。
[0071]
相应地，在所述基于智能电表的用电信息采集系统100的运行中，所述用电信息采集单元180响应于所述分类结果表示所述多个智能电表的用电状况不正常，向所述多个智能电表发送详细用电信息获取指令。也就是，在出现异常的情况下所述控制中心向所述多个智能电表发送信息采集指令，以将控制中心的被动数据采集转换为主动数据采集，以避免被动数据采集所导致的系统负担，通过这样的方式，降低比如通信负担和计算资源负担的系统负担。
[0072]
综上，基于本技术实施例的基于智能电表的用电信息采集系统100被阐明，其在控制中心一端，基于向所连接的多个智能电表传送的电量情况来对所连接的多个智能电表的整体运行情况进行监控，从而在出现异常的情况下向所述多个智能电表发送信息采集指令，以将控制中心的被动数据采集转换为主动数据采集，以避免被动数据采集所导致的系统负担。
[0073]
如上所述，根据本技术实施例的基于智能电表的用电信息采集系统100可以实现在各种终端设备中，例如控制中心的服务器等。在一个示例中，根据本技术实施例的基于智能电表的用电信息采集系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于智能电表的用电信息采集系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于智能电表的用电信息采集系统100同样可以是该终端设备的众多硬件模块之一。
[0074]
替换地，在另一示例中，该基于智能电表的用电信息采集系统100与该终端设备也可以是分立的设备，并且该基于智能电表的用电信息采集系统100可以通过有线和/或无线
网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0075]
示例性方法
[0076]
图3为根据本技术实施例的基于智能电表的用电信息采集系统的运行方法的流程图。如图3所示，根据本技术实施例的基于智能电表的用电信息采集系统的运行方法，包括：s110，通过电量数据获取单元分别获取预定连续时间段内的多个相等时间长度的时间间隔内向各个智能电表传送的用电电量信息；s120，通过输入数据构造单元将所述多个智能电表的所述多个时间间隔的用电电量信息分别按照智能电表样本维度和时间维度排列为二维输入数据矩阵；s130，通过卷积神经网络单元将所述二维输入数据矩阵输入卷积神经网络以获得特征图；s140，通过模拟数据获取单元获取向所述多个智能电表进行电量传输的多个模拟信号；s150，通过信号模型建立单元分别建立所述多个模拟信号的信号模型并计算信号模型值，其中，所述信号模型基于传输电流幅值、模拟信号包络变化函数，模拟信号中心频率，所述时间间隔的时间长度，模拟信号的初始相位和模拟信号的信号波长构建；s160，通过信号权值加权单元以对应于每个所述智能电表的信号模型值对所述特征图在智能电表样本维度上进行加权以获得校正特征图；s170，通过分类结果获取单元将所述校正特征图通过分类器以获得分类结果，所述分类结果用于表示多个智能电表的用电状况是否正常；以及，s180，通过用电信息采集单元响应于所述分类结果表示所述多个智能电表的用电状况不正常，向所述多个智能电表发送详细用电信息获取指令，其中，所述多个智能电表响应于所述详细用电信息获取指令发送所述智能电表的详细用电信息。
[0077]
图4图示了根据本技术实施例的基于智能电表的用电信息采集系统的运行方法的架构示意图。如图4所示，在所述基于智能电表的用电信息采集系统的运行方法的网络架构中，首先，将获取的多个智能电表的多个时间间隔的用电电量信息(例如，如图4中所示意的p11至pnn)分别按照智能电表样本维度和时间维度排列为二维输入数据矩阵(例如，如图4中所示意的m)；接着，将所述二维输入数据矩阵输入卷积神经网络(例如，如图4中所示意的cnn)以获得特征图(例如，如图4中所示意的f)；然后，分别建立所获取的多个模拟信号(例如，如图4中所示意的a1至an)的信号模型并计算信号模型值(例如，如图4中所示意的v1至vn)；接着，以对应于每个所述智能电表的信号模型值对所述特征图在智能电表样本维度上进行加权以获得校正特征图(例如，如图4中所示意的fa)；接着，将所述校正特征图通过分类器(例如，如图4中所示意的分类器)以获得分类结果，所述分类结果用于表示多个智能电表的用电状况是否正常。
[0078]
在一个示例中，在上述基于智能电表的用电信息采集系统的运行方法中，所述信号模型值表示为：
[0079][0080]
其中a
i
表示传输电流幅值，s(t)表示模拟信号包络变化函数，f为模拟信号中心频率，t为所述时间间隔的时间长度，φ0表示模拟信号的初始相位，λ表示模拟信号的信号波长。
[0081]
在一个示例中，在上述基于智能电表的用电信息采集系统的运行方法中，所述信号模型值表示为：
[0082][0083]
其中，j为可调整的加权因数，以将x
i
(t)整体的值调整到[0,1]区间内。
[0084]
在一个示例中，在上述基于智能电表的用电信息采集系统的运行方法中，通过输入数据构造单元将所述多个智能电表的所述多个时间间隔的用电电量信息分别按照智能电表样本维度和时间维度排列为二维输入数据矩阵，包括：通过所述输入数据构造单元将所述多个智能电表中的每个智能电表的所述多个时间间隔的用电电量信息按照时间t的第一维度获得对应于每个智能电表的数据向量；以及，通过所述输入数据构造单元将对应于每个智能电表的数据向量按照智能电表的样本s的第二维度排列为二维输入数据矩阵。
[0085]
在一个示例中，在上述基于智能电表的用电信息采集系统的运行方法中，通过信号权值加权单元以对应于每个所述智能电表的信号模型值对所述特征图在智能电表样本维度上进行加权以获得校正特征图，包括：通过所述信号权值加权单元用于按照下式对特征图进行加权：
[0086]
m'
it*c
＝x
i
(t)
×
sigmoid(m
it*c
)
[0087]
其中，m
it*c
为所述特征图在所述智能电表样本维度上的各个特征矩阵，sigmoid表示对所述特征矩阵以sigmoid激活函数进行加权，且m'
it*c
为所述校正特征图在所述智能电表样本维度上的各个特征矩阵。
[0088]
在一个示例中，在上述基于智能电表的用电信息采集系统的运行方法中，如图5所示，通过分类结果获取单元将所述校正特征图通过分类器以获得分类结果，包括：s210，通过所述分类结果获取单元将所述校正特征图通过至少一个全连接层以通过所述至少一个全连接层对所述校正特征图进行编码以获得分类特征向量；s220，通过所述分类结果获取单元将所述分类特征向量输入softmax分类函数以获得所述分类特征向量归属于多个智能电表的用电状况正常的第一概率和所述分类特征向量归属于多个智能电表的用电状况不正常的第二概率；以及，s230，通过所述分类结果获取单元基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。
[0089]
综上，本技术实施例的基于智能电表的用电信息采集系统的运行方法被阐明，其在控制中心一端，基于向所连接的多个智能电表传送的电量情况来对所连接的多个智能电表的整体运行情况进行监控，从而在出现异常的情况下向所述多个智能电表发送信息采集指令，以将控制中心的被动数据采集转换为主动数据采集，以避免被动数据采集所导致的系统负担。
[0090]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0091]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇
“
或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0092]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0093]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0094]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。