电力状态的检测方法、装置、设备及存储介质与流程

本公开属于电力分析技术领域，特别涉及电力状态的检测方法、装置、设备及存储介质。

背景技术：

随着能源、工业互联网的大力发展，数以亿计的电力设备将需要通过先进传感器等物联网技术接入能源或工业互联网等平台，实现了电力设备的智能化管理。

在现有的技术中，对用户的电力状态的检测需要确定外观数据和环境数据，因此，需要对每一个电力设备进行智能化改造或加装监测装置。因此，急需一种新的方法来解决上述的问题。

技术实现要素：

本公开的目的在于提供一种电力状态的检测方法、装置、设备及存储介质，以解决上述需要对每一个电力设备进行智能化改造或加装监测装置的问题。

第一方面，本公开提供一种电力状态的检测方法，所述方法包括：

获取用户的电力数据，所述电力数据为电流和/或电压的时域信号；

将所述电力数据转换到频域、得到所述电力数据频域信号；

对所述电力数据和所述频域信号进行特征提取，得到所述用户的电力特征数据；

将所述电力特征数据与预设特征库中的状态特征进行匹配，得到与所述电力特征数据对应的电力状态。

在一个实施例中，在所述对所述电力数据和所述频域信号进行特征提取，得到所述用户的电力特征数据之前，过滤掉所述频域信号中的高于指定谐波的谐波数据。

在一个实施例中，对所述电力数据进行预处理，以过滤所述电力数据中的噪音数据。

在一个实施例中，过滤掉所述电力数据中符合异常数据特征的数据；

和/或，将所述电力数据与预先确定的参考值范围进行比较；所述参考值范围包括基于实测值确定的数据范围和/或基于经验值确定的数据范围；

过滤掉所述电力数据中超出所述参考值范围的电力数据。

在一个实施例中，基于多个卷积核对所述电力数据和所述频域信号进行卷积操作，得到多个卷积特征；

将所述多个卷积特征进行拼接，得到特征图；

对所述特征图进行反卷积处理得到所电力特征数据。

在一个实施例中，所述电力数据为用户电力入口处的电力数据。

在一个实施例中，所述电力数据为传感器采集并上报给智能网关，并由所述智能网关上报给管理平台的。

在一个实施例中，将得到的所述电力状态发送给指定的用户设备。

在一个实施例中，所述指定谐波是根据电力设备的类型来确定的。

第二方面，本公开提供一种电力状态的检测模型的训练方法，所述方法包括：

获取训练样本，所述训练样本包括电力数据和所述电力数据的频域信号，所述电力数据为用户的电流和/或电压的时域信号；

将所述训练样本输入到生成式对抗神经网络进行训练；

其中所述生成式对抗神经网络中包括生成模型和判别模型，所述生成模型用于提取训练样本的电力特征数据，所述判别模型用于判别所述生成模型生成的电力特征数据是否为伪造的数据；其中，所述电力特征数据用于在进行电力状态检测时与预设特征库中的状态特征进行匹配，得到所述电力特征数据对应的电力状态；

当所述生成模型和所述判别模型的损失满足指定条件时，结束对所述生成式对抗神经网络的训练。

在一个实施例中，所述电力数据的频域信号为已经过滤掉所述频域信号中高于指定谐波的谐波数据。

在一个实施例中，所述预设特征库中的状态特征为根据以下方法得到的：

得到不同电力状态分别对应的样本集合；

针对所述得到的不同电力状态分别对应的样本集合执行：对所述样本集合内的各样本根据预设规则转换成状态矩阵；

根据所述样本集合内的各样本的状态矩阵得到所述电力状态对应的状态特征。

第三方面，本公开提供一种电力状态检测装置，所述装置包括：

获取模块，用于获取用户的电力数据，所述电力数据为电流和/或电压的时域信号；

转换模块，用于将所述电力数据转换到频域、得到所述电力数据频域信号；提取模块，用于对所述电力数据和所述频域信号进行特征提取，得到所述用户的电力特征数据；

匹配模块，用于将所述电力特征数据与预设特征库中的状态特征进行匹配，得到与所述电力特征数据对应的电力状态。

在一个实施例中，所述装置还包括：

过滤模块，用于在对所述电力数据和所述频域信号进行特征提取，得到所述用户的所述电力特征数据之前，过滤掉所述频域信号中的高于指定谐波的谐波数据。

在一个实施例中，所述装置还包括：

预处理模块，用于对所述电力数据进行预处理，以过滤所述电力数据中的噪音数据。

在一个实施例中，所述预处理模块，用于：

过滤掉所述电力数据中符合异常数据特征的数据；

和/或，将所述电力数据与预先确定的参考值范围进行比较；所述参考值范围包括基于实测值确定的数据范围和/或基于经验值确定的数据范围；

过滤掉所述电力数据中超出所述参考值范围的电力数据。

在一个实施例中，所述提取模块，用于：

基于多个卷积核对所述电力数据和所述频域信号进行卷积操作，得到多个卷积特征；

将所述多个卷积特征进行拼接，得到特征图；

对所述特征图进行反卷积处理得到所电力特征数据。

在一个实施例中，所述电力数据为用户电力入口处的电力数据。

在一个实施例中，所述电力数据为传感器采集并上报给智能网关，并由智能网关上报给管理平台的。

在一个实施例中，所述装置还包括：

发送模块，用于将得到的所述电力状态发送给指定的用户设备。

在一个实施例中，所述指定谐波是根据电力设备的类型来确定的。

第四方面，本公开提供一种电力状态的检测模型的训练装置，所述装置包括：

样本获取模块，用于获取训练样本，所述训练样本包括电力数据和所述电力数据频域信号，所述电力数据为用户的电流和/或电压的时域信号；

训练模块，用于将所述训练样本输入到生成式对抗神经网络进行训练；

功能模块，用于其中所述生成式对抗神经网络中包括生成模型和判别模型，所述生成模型用于提取训练样本的电力特征数据，所述判别模型用于判别所述生成模型生成的电力特征数据是否为伪造的数据；其中，所述电力特征数据用于在进行电力状态检测时与预设特征库中的状态特征进行匹配，得到所述电力特征数据对应的电力状态；

判别模块，用于当所述生成模型和所述判别模型的损失满足指定条件时，结束对所述生成式对抗神经网络的训练。

在一个实施例中，所述电力数据的频域信号为已经过滤掉所述频域信号中高于指定谐波的谐波数据。

在一个实施例中，所述预设特征库中的状态特征为根据以下方法得到的：

得到样本模块，用于得到不同电力状态分别对应的样本集合；

针对所述得到的不同电力状态分别对应的样本集合执行：

状态矩阵转换模块，用于对所述样本集合内的各样本根据预设规则转换成状态矩阵；

状态特征得到模块，用于根据所述样本集合内的各样本的状态矩阵得到所述电力状态对应的状态特征。

根据本公开实施例的第五方面，提供一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的计算机存储介质；

其中，所述处理器被配置为执行所述指令，用以实现如第一方面所述的电力状态的检测方法和/或第二方面所述的电力状态的检测模型的训练方法。

根据本公开实施例提供的第六方面，提供一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行如第一和所述的电力状态的检测方法和/第二方面所述的电力状态的检测模型的训练方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

本公开提供电力状态的检测方法、装置、设备及存储介质。该方法包括：获取用户的电力数据，所述电力数据为电流和/或电压的时域信号；将所述电力数据转换到频域、得到所述电力数据频域信号；对所述电力数据和所述频域信号进行特征提取，得到所述用户的电力特征数据；将所述电力特征数据与预设特征库中的状态特征进行匹配，得到与所述电力特征数据对应的电力状态。由此，本公开实施例，本公开中无需电力设备的外观数据和环境数据。故此，无需对电力设备进行智能化改造或加装监测装置。此外，本申请实施例中实现了采用基于电力设备的时域信号和频域信号的特征提取来确定电力状态，特征提取可以应用相关的神经网络实现，能够准确的得到电力特征并确定电力状态。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1为根据本公开一个实施例的适用场景示意图；

图2为根据本公开一个实施例的电力状态的检测模型的训练方法流程示意图；

图3为根据本公开一个实施例的生成式对抗神经网络的结构示意图；

图4为根据本公开一个实施例的生成式对抗神经网络的生成模型的结构示意图；

图5为根据本公开一个实施例的生成式对抗神经网络的判别模型的结构示意图；

图6为根据本公开一个实施例的电力状态的检测方法的流程示意图之一；

图7为根据本公开一个实施例的电力状态的检测方法的流程示意图之二；

图8为根据本公开一个实施例的电力状态的检测装置示意图；

图9为根据本公开一个实施例的力状态的检测模型的训练装置示意图；

图10根据本公开一个实施例的电子设备的结构示意图。

具体实施方式

为了使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开作进一步地详细描述，显然，所描述的实施例仅仅是本公开一部份实施例，而不是全部的实施例。基于本公开中的实施例，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它实施例，都属于本公开保护的范围。

本公开实施例中术语“多个”是指两个或两个以上，其它量词与之类似应当理解，此处所描述的优选实施例仅用于说明和解释本公开，并不用于限定本公开，并且在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

如背景技术所述，现有的技术主要对用户的电力状态的检测需要确定外观数据和环境数据，因此，需要对每一个电力设备进行智能化改造或加装监测装置。有鉴于此，本公开提出一种电力状态的检测方法、装置、设备及存储介质。在实施时，本公开实施例可通过生成式对抗神经网络中的生成模型来提取电力数据和频域信号的电力特征数据，并通过提取到的电力特征数据与预设数据库中的状态特征进行匹配，得到与所述电力特征数据对应的电力状态，并不需要电力外观数据和环境数据，故此，无需对电力设备进行智能化改造或加装监测装置。

本公开提出的电力状态的检测方法的应用场景为：

如图1所示，图1中包括传感器101、智能网关102、服务器103、终端104。传感器101采集电力数据并通过智能网关102上报至服务器103。服务器103获取电力数据之后，对所述电力数据进行预处理，过滤所述电力数据中的噪音数据，然后将所述电力数据转换到频域、得到所述电力数据的频谱数据和谐波数据，并过滤掉所述谐波数据中高于预设次的谐波数据、得到待分析谐波数据。服务器103提取所述电力数据、所述频谱数据以及所述待分析谐波数据的电力特征数据，并将所述电力特征数据与预设特征库中的状态特征进行匹配，得到与所述电力特征数据对应的电力状态。最后，服务器103将得到的与所述电力特征数据对应的电力状态发送给终端104，终端104显示所述电力状态，以便于电力设备运维人员实时查看。

本申请实施例中，采用生成式对抗神经网络来提取出电力特征数据，下面将分别对模型的训练和使用进行说明。

一、模型的训练：

为了能够实现电力状态的检测方法，本公开提供一种电力状态的检测模型的训练方法，如图2所示，需要说明的是，在进行模型训练之前，需要先获取训练样本，所述训练样本包括电力数据和所述电力数据的频域信号，所述电力数据为用户的电流和/或电压的时域信号。包括以下步骤：

步骤201：将所述训练样本输入到生成式对抗神经网络进行训练；

其中所述生成式对抗神经网络中包括生成模型和判别模型，所述生成模型用于提取训练样本的电力特征数据，所述判别模型用于判别所述生成模型生成的电力特征数据是否为伪造的数据；其中，所述电力特征数据用于在进行电力状态检测时与预设特征库中的状态特征进行匹配，得到所述电力特征数据对应的电力状态；例如，电力状态包括：正常状态、亚健康状态、正常停机、故障停机等。

其中正常状态，例如根据电力设备的说明书中要求的正常工作时的电流和电压确定正常状态的电流和电压特征，符合正常状态的电流和电压特征的电力特征数据对应的状态即可为正常状态。

亚健康状态例如是可以正常工作单超出正常状态的电流和电压范围的一些电流和电压得到的电力特征。

类似的，正常停机和故障停机的状态的电力特征可以根据业务定义的符合相应状态的电流和电压特征确定。

需要说明的是，各种电力状态的定义可以根据实际业务需求进行定义，不限于上述的几种状态。

步骤202：当所述生成模型和所述判别模型的损失满足指定条件时，结束对所述生成式对抗神经网络的训练。例如：

(1)、当指定条件为一个预设值时，当所述生成模型和所述判别模型的损失小于或等于所述预设值时，结束对所述生成式对抗神经网络的训练。

(2)、当指定条件为一个指定精度时，当所述生成模型和所述判别模型的损失达到指定精度时，结束对所述生成式对抗神经网络的训练。

如图3所示，图3为生成式对抗神经网络的结构示意图，为了能够进一步了解上述步骤201和步骤202中的生成式对抗神经网络，图3中示出了采用训练样本301、来训练生成模型302和判别模型303。其中，图3中的真实数据304包括电力数据和所述电力数据的频域信号，所述电力数据为用户的电流和/或电压的时域信号，所述电力数据的频域信号为已经过滤掉所述频域信号中高于指定谐波的频域信号。其中，训练样本301为真实数据304的子集。其中，生成模型302提取到训练样本301的电力特征数据并输出，将输出的电力特征数据输入到判别模型303中，判别模型303分别判断电力特征数据是否为伪造数据，然后输出判别结果，并根据判别结果分别更新生成模型302的参数和判别模型303的参数。

如图4所示，图4为生成式对抗神经网络的生成模型的结构示意图，图4中包括卷积神经网络401、全链接层402和反卷积神经网络403，其中：

训练样本输入至卷积神经网络401，卷积神经网络401基于多个卷积核对所述训练样本进行卷积操作，得到多个卷积特征；并将得到的多个卷积特征输入至全链接层402，全链接层402对接收到的多个卷积特征进行拼接，得到特征图，最后将得到的特征图通过反卷积神经网络403进行反卷积处理得到所述电力特征数据。

其中，如图5所示，图5为生成式对抗神经网络的判别模型的结构示意图，图5中包括卷积神经网络501，全链接层502，判别模型利用卷积神经网络501分别提取电力特征数据和真实数据304的卷积特征，然后经过全链接层502将得到的电力特征数据的卷积特征和真实数据304的卷积特征分别进行拼接，分别得到电力特征数据的特征图和真实数据的特征图，并通过电力特征数据的特征图和真实数据的特征图对电力特征数据和真实数据分别进行判断是否为真实数据，然后输出一个布尔值。来说明输入的电力特征数据和真实数据是否为伪造数据。例如，布尔值为0时表示伪造，布尔值为1时表示真实。

需要说明的是，生成模型和判别模型的卷积神经网络结构均包含输入层、隐含层(含卷积层(用于特征提取)、池化层(用于对提取的特征进行特征过滤)和全链接层(将提取的特征进行拼接))和输出层，输入层主要进行多维数据的处理，生成模型的输出层直接输出电力特征、判别模型输出的是判别结果，每个卷积层主要对输入层的数据进行特征提取，用以下公式来计算，公式如下：

输入v＝conv2(w,x,valid)+b(1)；

上述公式(1)中的w是卷积核矩阵，x是输入矩阵，b是偏置。

由此，可以根据生成模型来提取训练样本中的电力特征数据，以及判别模型来判断所述生成模型中的电力特征数据是否为伪造的数据来训练所述电力状态的检测模型。

在一个实施例中，所述电力数据的频域信号为已经过滤掉所述频域信号中高于指定谐波的谐波数据。由此，可以过滤掉一些会影响模型训练结果的谐波数据，以使模型训练结果更加准确。

在一个实施例中，在模型训练好之后，可以根据预设特征库中的状态特征，确定电力状态。预设特征库中的状态的获得可通过以下方式实现：

步骤a1：得到不同电力状态分别对应的样本集合；

例如，可由经验丰富的专家或电力设备运维人员根据电力状态对训练样本进行分类，进而构建出各电力状态分别对应的样本集合。

步骤a2：针对所述得到的不同电力状态分别对应的样本集合执行：对所述样本集合内的各样本根据预设规则转换成状态矩阵；根据所述样本集合内的各样本的状态矩阵得到所述电力状态对应的状态特征。

由此，可以根据不同电力状态分别对应的样本集合，针对每一个样本集合，对该集合内各样本根据预设规则转换成状态矩阵，并根据状态矩阵得到电力状态对应的状态特征，以此来得到特征库中的状态特征。

得到各样本的电力状态对应的状态特征之后，还可以通过以下方法得到预设特征库中的状态特征：

(1)将量化后的各样本的电力特征数据的均值作为所述电力状态对应的状态特征；例如，可通过以下公式进行计算得到：

其中，c代表对应的状体特征，n1、n2、n3、…nn分别代表量化后的各样本的电力特征数据，n为样本的个数。

(2)对量化后各样本的电力特征数据进行聚类分析，并将聚类分析得到的聚类中心作为所述电力状态对应的状态特征。

由此，可以根据各样本的电力特征数据的均值或将聚类中心作为电力状态对应的电力特征。

二、采用生成式对抗神经网络模型检测电力的状态：

下面结合附图，对本公开提供的方案进行详细说明。如图6所示为电力状态的检测方法的流程示意图，包括以下步骤：

步骤601：获取用户的电力数据，所述电力数据为电流和/或电压的时域信号；

步骤602：将所述电力数据转换到频域、得到所述电力数据的频域信号；

步骤603：对所述电力数据和所述频域信号进行特征提取，得到所述用户的电力特征数据；

步骤604：将所述电力特征数据与预设特征库中的状态特征进行匹配，得到与所述电力特征数据对应的电力状态。

由此，本公开实施例通过生成式对抗神经网络中的生成模型来提取电力数据和频域信号的电力特征数据，并通过提取到的电力特征数据与预设数据库中的状态特征进行匹配，得到与所述电力特征数据对应的电力状态，无需电力设备的外观数据和环境数据。故此，无需对每一个电力设备进行智能化改造或加装监测装置。

在一个实施例中，频域信号中可能存在影响判断准确性的谐波信号，故此，在对所述电力数据和所述频域信号进行特征提取，得到所述用户的电力特征数据之前，可过滤掉所述频域信号中的高于指定谐波的谐波数据。例如，实施时，指定谐波的谐波数据为17次，则将频域信号中高于17次的谐波数据全都过滤掉。17次的设定能够适用大多数电力设备。

由此，可以根据指定数据过滤掉一些没有用的谐波数据，使得对电力设备的状态判断更加的准确。

在一个实施例中，所述指定谐波可以是根据电力设备的类型来确定的。例如，电冰箱、洗衣机、微波炉、变压器的指定谐波是不相同的，所以需要根据电力设备的类型来确定指定谐波。

由此，可以根据电力设备的类型来确定指定谐波，因为不同类型的电力设备的谐波数据是不同的。

在一个实施例中，在将所述电力数据转换到频域、得到所述电力数据频域信号数据之前，还可以进一步对所述电力数据进行预处理，以过滤所述电力数据中的噪音数据。对电力数据进行预处理包括添加时间戳、剔除数据采集设备调试和故障数据等。其中，由于传感器采集的电力数据是没有时间信息的，所以添加时间戳是用来添加时间信息的，以便于电力数据在进行傅里叶变换时能够转换到频域信号进行分析。

由此，在对电力数据转换到频域之前，需要对电力数据进行预处理，过滤掉电力数据中的噪音数据，避免噪音数据和故障数据等影响了对电力状态的判断。

在一个实施例中，对所述电力数据进行预处理的方法：

(1)过滤掉所述电力数据符合异常数据特征的数据。例如，数据特征为全1的数据或者是全0、或者不在正常取值区间(例如应该为正值却为负值的数据)的数据为异常数据，则需要把电力数据中的数据特征为全1的数据或者是全0的数据全部过滤掉。

(2)将所述电力数据与预先确定的参考值范围进行比较；所述参考值范围包括基于实测值确定的数据范围和/或基于经验值确定的数据范围；过滤掉超出所述参考值范围的电力数据。例如，参考值的范围为m-n，将所有电力数据与参考值的范围相比较，则需要把电力数据参考值在m-n之外的数据过滤掉。

由此，可以根据异常数据特征和参考值的范围对电力数据进行预处理操作。

在一个实施例中，所述电力数据为用户电力入口处的电力数据。所述电力入口处为企业支路到单个用户支路处，例如用户使用电表上或附近，由此，可以在用户电力入口处获取电力数据。

在一个实施例中，所述电力数据为传感器采集并上报给智能网关，并由智能网关上报给管理平台的。需要说明的是，传感器采集电力数据的周期为至少为1秒，传感器采集电力数据的周期是可根据用户的需求进行设置的。所述智能网关可以根据用户实际使用的电力设备的数量、电力设备的类型以及用户对网络安全的要求等进行合理配置，一般包含有线网络或无线网络路由设备、防火墙等。由此，可以通过传感器采集电力数据，并通过智能网关进行转发，以便于获取所述电力数据。

如前文所述，在得到与所述电力特征数据对应的电力状态之后，在一个实施例中，将得到的电力状态发送给指定的用户设备。例如，用户设备可以为手机、电脑等，本公开在此不做限定。需要说明的是，在用户设备上面使用的软件应用不限软件开发商，只需要该软件能够接受并解析得到电力状态的结果数据，同时用户设备可以是电脑、手机或大屏，用于将电力设备状态的结果数据、用户基本信息和设备基本信息等通过相应软件进行展示，以便于用户实时查看。

由此，用户可以通过用户设备查看电力状态，方便用户实时查看。

如图7所示，为便于系统性理解本公开实施例提供的电力状态的检测方法，图7为电力状态检测方法的流程图：

步骤701：传感器采集电力入口处的电力数据并上报给智能网关；

步骤702：智能网关上报给管理平台；

步骤703：管理平台获取用户的电力数据，所述电力数据为电流和/或电压的时域信号；

步骤704：管理平台对所述电力数据进行预处理，以过滤所述电力数据中的噪音数据；

步骤705:管理平台将所述电力数据转换到频域、得到所述电力数据频域信号；

步骤706：管理平台过滤掉所述频域信号中的高于指定谐波的谐波数据；

步骤707：管理平台对所述电力数据和所述频域信号进行特征提取，得到所述用户的电力特征数据；

步骤708：管理平台将所述电力特征数据与预设特征库中的状态特征进行匹配，得到与所述电力特征数据对应的电力状态；

步骤709：管理平台将得到的电力状态发送给指定的用户设备。

基于相同的发明构思，如图8所示，本公开的电力状态的检测装置800包括获取模块810、转换模块820、提取模块830和匹配模块840。

获取模块810，用于获取用户的电力数据，所述电力数据为电流和/或电压的时域信号；

转换模块820，用于将所述电力数据转换到频域、得到所述电力数据频域信号；

提取模块830，用于对所述电力数据和所述频域信号进行特征提取，得到所述用户的电力特征数据；

匹配模块840，用于将所述电力特征数据与预设特征库中的状态特征进行匹配，得到与所述电力特征数据对应的电力状态。

在一个实施例中，所述装置还包括：

过滤模块850，用于在对所述电力数据和所述频域信号进行特征提取，得到所述用户的所述电力特征数据之前，过滤掉所述频域信号中的高于指定谐波的谐波数据。

在一个实施例中，所述装置还包括：

预处理模块860，用于对所述电力数据进行预处理，以过滤所述电力数据中的噪音数据。

在一个实施例中，所述预处理模块860，用于：

过滤掉所述电力数据中符合异常数据特征的数据；

和/或，将所述电力数据与预先确定的参考值范围进行比较；所述参考值范围包括基于实测值确定的数据范围和/或基于经验值确定的数据范围；

过滤掉所述电力数据中超出所述参考值范围的电力数据。

在一个实施例中，所述提取模块830，用于：

基于多个卷积核对所述电力数据和所述频域信号进行卷积操作，得到多个卷积特征；

将所述多个卷积特征进行拼接，得到特征图；

对所述特征图进行反卷积处理得到所电力特征数据。

在一个实施例中，所述电力数据为用户电力入口处的电力数据。

在一个实施例中，所述电力数据为传感器采集并上报给智能网关，并由所述智能网关上报给管理平台的。

在一个实施例中，所述装置还包括：

发送模块870，用于将得到的所述电力状态发送给指定的用户设备。

在一个实施例中，所述指定谐波是根据电力设备的类型来确定的。

如图9所示，本公开提供一种电力状态的检测模型的训练装置，所述训练装置900包括样本获取模块910、训练模块920、功能模块930、和判别模块940。

样本获取模块910，用于获取训练样本，所述训练样本包括电力数据和所述电力数据的频域信号，所述电力数据为用户的电流和/或电压的时域信号；

训练模块920，用于将所述训练样本输入到生成式对抗神经网络进行训练；

功能模块930，用于其中所述生成式对抗神经网络中包括生成模型和判别模型，所述生成模型用于提取训练样本的电力特征数据，所述判别模型用于判别所述生成模型生成的电力特征数据是否为伪造的数据；其中，所述电力特征数据用于在进行电力状态检测时与预设特征库中的状态特征进行匹配，得到所述电力特征数据对应的电力状态；

判别模块940，用于当所述生成模型和所述判别模型的损失满足指定条件时，结束对所述生成式对抗神经网络的训练。

在一个实施例中，所述电力数据的频域信号为已经过滤掉所述频域信号中高于指定谐波的谐波数据。

在一个实施例中，所述预设特征库中的状态特征为根据以下方法得到的：

得到样本模块950，用于得到不同电力状态分别对应的样本集合；

针对所述得到的不同的电力状态分别对应的样本集合执行：

状态矩阵转换模块960，用于对所述样本集合内的各样本根据预设规则转换成状态矩阵；

状态特征得到模块970，用于根据所述样本集合内的各样本的状态矩阵得到所述电力状态对应的状态特征。

在介绍了本公开示例性实施方式的一种电力状态检测的装置之后，即接下来，介绍根据本公开的另一示例性实施方式的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

在一些可能的实施方式中，根据本公开的电子设备可以至少包括至少一个处理器、以及至少一个计算机存储介质。其中，计算机存储介质存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本公开各种示例性实施方式的电力状态的检测方法中的步骤。

下面参照图10来描述根据本公开的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图10所示，电子设备1000以通用电子设备的形式表现。电子设备1000的组件可以包括但不限于：上述至少一个处理器1001、上述至少一个计算机存储介质1002、连接不同系统组件(包括计算机存储介质1002和处理器1001)的总线1003。

总线1003表示几类总线结构中的一种或多种，包括计算机存储介质总线或者计算机存储介质控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。

计算机存储介质1002可以包括易失性计算机存储介质形式的可读介质，例如随机存取计算机存储介质(ram)1021和/或高速缓存存储介质1022，还可以进一步包括只读计算机存储介质(rom)1023。

计算机存储介质1002还可以包括具有一组(至少一个)程序模块1024的程序/实用工具1025，这样的程序模块1024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

电子设备1000也可以与一个或多个外部设备1004(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与电子设备1000交互的设备通信，和/或与使得该电子设备1000能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1005进行。并且，电子设备1000还可以通过网络适配器1006与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1006通过总线1003与用于电子设备1000的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备1000使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

在一些可能的实施方式中，本公开提供的电力状态的检测方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本公开各种示例性实施方式的一种电力状态的检测方法中的步骤。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取计算机存储介质(ram)、只读计算机存储介质(rom)、可擦式可编程只读计算机存储介质(eprom或闪存)、光纤、便携式紧凑盘只读计算机存储介质(cd-rom)、光计算机存储介质件、磁计算机存储介质件、或者上述的任意合适的组合。

本公开的实施方式的用于电力状态的检测的程序产品可以采用便携式紧凑盘只读计算机存储介质(cd-rom)并包括程序代码，并可以在电子设备上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统或者器件使用或者与其结合使用。

可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于——无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。

此外，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

本领域内的技术人员应明白，本公开的实施例可提供为电力状态的检测方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘计算机存储介质、cd-rom、光学计算机存储介质等)上实施的计算机程序产品的形式。

本公开是参照根据本公开的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读计算机存储介质中，使得存储在该计算机可读计算机存储介质中的指令产生包括指令签名计算的制造品，该指令签名计算实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。