一种数据中心用智能电网监测系统及其控制方法与流程

1.本发明属于智能电网技术领域，具体涉及一种数据中心用智能电网监测系统及其控制方法。


背景技术：

2.智能电网是电网的智能化，是建立在集成的、高速双向通信网络的基础上，通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持系统技术的应用。智能电网包括大量用电设备、用于测量每个用电设备的用电电量的智能电表、架设于用电设备和智能电表之间的通信链路和电连接链路、数据中心等。
3.目前在智能电网中，尚缺乏有效的方案对用电设备进行监控，其原因为：一方面，用电设备的数量过于庞大，并不是所有的用电设备自身都设有监控系统；另一方面，需临时构建用于监控各个用电设备的通信链路，这将耗费巨大的成本。
4.因此，期待一种用于监控智能电网中用电设备的方案。


技术实现要素：

5.本发明所要解决的技术问题在于，提供一种数据中心用智能电网监测系统及其控制方法，以对用电设备的用电状态是否正常进行智能监控。
6.为解决上述技术问题，本发明提供一种数据中心用智能电网监测系统，包括：
7.电量获取单元，用于通过无线通信从待监控的各个用电设备所对应的各个智能电表获取用电电量信息；
8.用电设备状态监控单元，用于获取所述待监控的各个用电设备的运行状态信息，所述运行状态信息以二元数据表示；
9.输入数据矩阵生成单元，用于从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵，其中，所述输入数据矩阵的每个位置的值表示所述多个智能电表之一与所述多个用户设备之一之间的关系；
10.神经网络特征提取单元，用于将所述输入数据矩阵输入卷积神经网络以获得第一特征图；
11.信号空间信息计算单元，用于基于所述各个智能电表的无线发射功率计算用于补偿所述智能电表的无线通信串扰的权值；
12.特征信息加权修正单元，用于基于所述权值对所述第一特征图按照每个特征值对应的关联关系进行加权以获得第二特征图；以及
13.用电电量信息分类单元，用于将所述第二特征图通过分类器以获得用于表示各个用电设备的用电状态是否正常的分类结果。
14.进一步地，所述运行状态信息以0和1表示，其中1表示用电设备的运行状态为开启，且0表示用电设备的运行状态为关闭。
15.进一步地，所述运行状态信息以0和1表示，其中1表示用电设备的运行状态发生变
化，且0表示用电设备的运行状态未发生变化。
16.进一步地，所述输入数据矩阵生成单元包括：
17.向量生成子单元，用于从所述各个智能电表的用电电量信息生成第一向量，和从所述各个用电设备的运行状态信息生成第二向量；
18.矩阵生成子单元，用于将所述第一向量乘以所述第二向量的转置以获得所述输入数据矩阵。
19.进一步地，所述用于补偿所述智能电表的无线通信串扰的权值为：
[0020][0021]
其中，α
i,
表示第i智能电表与第j智能电表之间的权值，ti和tj分别表示第i智能电表和第j智能电表的无线发射功率，λ代表无线电波的波长，且r
i,
代表第i智能电表与第j智能电表之间的距离。
[0022]
进一步地，所述第一特征图和第二特征图分别表示为f
1n
×n×c和f
2n
×n×c，
[0023]
其中，n为所述智能电表或者所述用电设备的数目，c为所述卷积神经网络的通道数；且
[0024]
所述特征信息加权修正单元对所述第一特征图进行加权以获得第二特征图表示为：
[0025][0026]
其中，所述权值用于对所述第一特征图在通道c维度上的每个n
×
n的特征矩阵进行点乘。
[0027]
进一步地，所述用电电量信息分类单元，进一步用于：将所述第二特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述第二特征图进行编码以获得分类特征向量；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各个用电设备的用电状态正常的第一概率和所述分类特征向量归属于各个用电设备的用电状态不正常的第二概率；以及，基于所述第一概率和所述第二概率之间的比较，生成所述分类结果。
[0028]
本发明还提供一种数据中心用智能电网监测系统的控制方法，包括：
[0029]
通过智能电表电量获取单元通过无线通信从待监控的各个用电设备所对应的各个智能电表获取用电电量信息；
[0030]
通过用电设备状态监控单元获取所述待监控的各个用电设备的运行状态信息，所述运行状态信息以二元数据表示；
[0031]
通过输入数据矩阵生成单元从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵，其中，所述输入数据矩阵的每个位置的值表示所述多个智能电表之一与所述多个用户设备之一之间的关系；
[0032]
通过神经网络特征提取单元将所述输入数据矩阵输入卷积神经网络以获得第一特征图；
[0033]
通过信号空间信息计算单元基于所述各个智能电表的无线发射功率计算用于补偿所述智能电表的无线通信串扰的权值；
[0034]
通过特征信息加权修正单元基于所述权值对所述第一特征图按照每个特征值对应的关联关系进行加权以获得第二特征图；以及
[0035]
通过用电电量信息分类单元将所述第二特征图通过分类器以获得用于表示各个用电设备的用电状态是否正常的分类结果。
[0036]
进一步地，通过输入数据矩阵生成单元从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵，包括：
[0037]
通过向量生成子单元从所述各个智能电表的用电电量信息生成第一向量，和从所述各个用电设备的运行状态信息生成第二向量；
[0038]
通过矩阵生成子单元将所述第一向量乘以所述第二向量的转置以获得所述输入数据矩阵。
[0039]
进一步地，所述用于补偿所述智能电表的无线通信串扰的权值为：
[0040][0041]
其中，α
i,j
表示第i智能电表与第j智能电表之间的权值，ti和tj分别表示第i智能电表和第j智能电表的无线发射功率，λ代表无线电波的波长，且r
i,j
代表第i智能电表与第j智能电表之间的距离。
[0042]
实施本发明具有如下有益效果：本发明采用无线通信方式从各个智能电表获取用电电量数据，无需敷设线缆，避免增加数据中心的空间杂乱，降低成本；本发明采用卷积神经网络挖掘各个用电设备的用电电量与其运动状态之间的高维关联信息，从而能够更准确地判断用电设备的用电状态是否正常；本发明基于各个智能电表的无线发射功率计算用于补偿无线通信串扰的权值，从而使得第二特征图中的数据能够包含用于补偿无线串扰的信息，使得分类结果更准确。
附图说明
[0043]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0044]
图1为本发明实施例一一种数据中心用智能电网监测系统的结构框图。
[0045]
图2为本发明实施例一一种数据中心用智能电网监测系统的应用场景示意图。
[0046]
图3为本发明实施例中的输入数据矩阵生成单元的结构框图。
[0047]
图4为本发明实施例二一种数据中心用智能电网监测系统的控制方法的流程示意图。
[0048]
图5为本发明实施例二一种数据中心用智能电网监测系统的控制方法的架构示意图；
[0049]
图6为本发明实施例中，通过输入数据矩阵生成单元从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵的流程示意图。
具体实施方式
[0050]
以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。
[0051]
本发明考虑到在智能电网中使用智能电表来测量每个用电设备的用电电量，用电设备与智能电表之间存在可用的通信链路,且智能电表与数据中心存在通信链路，因此，发明人尝试基于智能电表的用电电量数值来判断用电设备的用电状态是否正常,即在监控端基于待监控的各个用电设备向智能电表传输的用电电量信息和各个用电设备自身的运行状态信息来对各个用电设备的用电状态是否正常进行智能监控。
[0052]
基于此，请参照图1所示，本发明实施例一提供一种数据中心用智能电网监测系统100，包括：
[0053]
智能电表电量获取单元110，用于通过无线通信从待监控的各个用电设备所对应的各个智能电表获取用电电量信息；
[0054]
用电设备状态监控单元120，用于获取所述待监控的各个用电设备的运行状态信息，所述运行状态信息以二元数据表示；
[0055]
输入数据矩阵生成单元130，用于从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵，其中，所述输入数据矩阵的每个位置的值表示所述多个智能电表之一与所述多个用户设备之一之间的关系；
[0056]
神经网络特征提取单元140，用于将所述输入数据矩阵输入卷积神经网络以获得第一特征图；
[0057]
信号空间信息计算单元150，用于基于所述各个智能电表的无线发射功率计算用于补偿所述智能电表的无线通信串扰的权值；
[0058]
特征信息加权修正单元160，用于基于所述权值对所述第一特征图按照每个特征值对应的关联关系进行加权以获得第二特征图；以及
[0059]
用电电量信息分类单元170，用于将所述第二特征图通过分类器以获得用于表示各个用电设备的用电状态是否正常的分类结果。
[0060]
进一步地，如图2所示，在本实施例的数据中心用智能电网监测系统100的应用场景中，首先通过无线通信从待监控的各个用电设备(如图2中所示意的t)所对应的各个智能电表(如图2中所示意的m)获取用电电量信息，以及，获取所述待监控的各个用电设备的运行状态信息。在该应用场景中，在所述智能电网的数据中心(如图2中所示意的s)部署有数据中心用智能电网监测算法，这样在获得所述各个用电设备的用电电量信息和运行状态信息后，所述数据中心的服务器能够基于数据中心用智能电网监测算法对这些数据进行处理，以生成各个用电设备的用电状态是否正常的分析结果。
[0061]
相应地，在所述数据中心用智能电网监测系统100的运行中，首先所述智能电表电量获取单元110通过无线通信从待监控的各个用电设备所对应的各个智能电表获取用电电量信息。应可以理解，在智能电网中，使用智能电表来测量每个用电设备的用电电量，并且，智能电表与数据中心(例如，数据中心的服务器)存在通信链路以将各个智能电表所采集的信息通过上行链路传输至数据中心。因此，在本实施例中，首先通过所述智能电表电量获取单元110从待监控的各个用电设备所对应的各个智能电表获取各个用电设备的用电电量信息。
[0062]
优选地，在本实施例中，所述智能电表与数据中心之间通过无线通信链路进行通
信。应可以理解，在智能电表通过有线连接与数据中心连接的情况下，由于数据中心内的设备量巨大，将需要很多线缆，使得数据中心空间杂乱，且增加了成本，而采用无线通信能有效地解决上述问题。
[0063]
接着，在所述数据中心用智能电网监测系统100的运行中，所述用电设备状态监控单元120获取所述待监控的各个用电设备的运行状态信息，所述运行状态信息以二元数据表示。要判断各个用电设备的用电状态是否正常，不仅需考虑各个用电设备的用电电量信息，还需要结合各个用电设备的用电状态。
[0064]
在本发明一个具体的示例中，所述运行状态信息以0和1表示，其中1表示用电设备的运行状态为开启，且0表示用电设备的运行状态为关闭。应可以理解，通过以分别用于表示用电设备的开启和关闭状态的1和0来作为运行状态信息，可以考虑用电设备的实际用电电量与用户设备的运行模式，比如正常模式、休眠模式的对应信息，从而使得输入数据矩阵包含用于表示用电设备的运行状态的信息。
[0065]
当然，在本发明的其他示例中，所述用电设备的运行状态信息还可以通过其他数据形式来表征。例如，在本发明又一个具体的示例中，所述运行状态信息以0和1表示，其中1表示用电设备的运行状态发生变化，且0表示用电设备的运行状态未发生变化。应可以理解，通过以用于表示用电设备的状态变化的1和0来代替用户设备的静态状态信息，可以获取在时间维度上的动态信息，从而叠加卷积神经网络在关联信息提取方面的优点，可以使得第一特征图在其特征空间内包含时间维度上的关联信息，进一步丰富数据维度，关于此部分的优势会在关于所述神经网络特征提取单元140的描述中详细说明。
[0066]
接着，在所述数据中心用智能电网监测系统100的运行中，所述输入数据矩阵生成单元130从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵，其中，所述输入数据矩阵的每个位置的值表示所述多个智能电表之一与所述多个用户设备之一之间的关系。这里，在本实施例中，本发明发明人尝试采用卷积神经网络来挖掘各个用电设备的用电电量与其运动状态之间的高维关联信息，从而能够更准确地判断用电设备的用电状态是否正常。
[0067]
具体地，在本发明实施例中，如图3所示，所述输入数据矩阵生成单元130包括：向量生成子单元131和矩阵生成子单元132，其中，所述向量生成子单元131用于从所述各个智能电表的用电电量信息生成第一向量，和从所述各个用电设备的运行状态信息生成第二向量；所述矩阵生成子单元132，用于将所述第一向量乘以所述第二向量的转置以获得所述输入数据矩阵。也就是，在本发明实施例中，所述输入数据矩阵生成单元130从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵的过程，包括：首先通过所述向量生成子单元131从所述各个智能电表的用电电量信息生成第一向量以及从所述各个用电设备的运行状态信息生成第二向量；接着，通过所述矩阵生成子单元132将所述第一向量乘以所述第二向量的转置以获得所述输入数据矩阵。
[0068]
应可以理解，通过首先构造用电电量信息的第一向量和运行状态信息的第二向量再进行向量与向量转置的相乘，可以使得所获得矩阵的每个位置代表一个智能电表和一个用电设备之间的关系，例如，矩阵的第二行第三列代表第二智能电表与第三用电设备之间的关系。并且，因为智能电表与用电设备之间实质上是一一对应的，因此也可以认为矩阵的每个位置对应于各个智能电表或者各个用电设备之间的关系。
[0069]
接着，在所述数据中心用智能电网监测系统100的运行中，所述神经网络特征提取单元140将所述输入数据矩阵输入卷积神经网络以获得第一特征图。也就是，采用卷积神经网络来挖掘各个用电设备的用电电量与其运动状态之间的高维关联信息，从而能够更准确地判断用电设备的用电状态是否正常。
[0070]
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，充分挖掘出挖掘各个用电设备的用电电量与其运动状态之间的高维隐含特征。
[0071]
在本发明一个具体的示例中，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。
[0072]
进一步地，在采用所述智能电表和所述数据中心采用无线通信的情况下，需要考虑各个无线通信设备之间的串扰，因此，基于各个智能电表的无线发射功率计算用于补偿无线通信串扰的权值，从而使得第二特征图中的数据能够包含用于补偿无线串扰的信息，使得分类结果更准确。
[0073]
相应地，在所述数据中心用智能电网监测系统100的运行中，所述信号空间信息计算单元150基于所述各个智能电表的无线发射功率计算用于补偿所述智能电表的无线通信串扰的权值。
[0074]
具体地，在本发明实施例中，所述用于补偿所述智能电表的无线通信串扰的权值为：
[0075][0076]
其中，α
i,j
表示第i智能电表与第j智能电表之间的权值，ti和tj分别表示第i智能电表和第j智能电表的无线发射功率，λ代表无线电波的波长，且r
i,j
代表第i智能电表与第j智能电表之间的距离。
[0077]
应可以理解，通过该基于智能电表之间的无线发射功率的无线通信串扰补偿值，可以基于智能电表的无线发射功率和其之间的距离来补偿信号串扰，从而使得第二特征图中的数据能够包含用于补偿无线串扰的信息，使得分类结果更准确。
[0078]
相应地，在所述数据中心用智能电网监测系统100的运行中，所述特征信息加权修正单元160基于所述权值对所述第一特征图按照每个特征值对应的关联关系进行加权以获得第二特征图。
[0079]
具体地，在本发明实施例中，设定所述第一特征图和第二特征图分别表示为f
1n
×n×c和f
2n
×n×c，其中，n为所述智能电表或者所述用电设备的数目，c为所述卷积神经网络的通道数。特别地，在本发明实施例中，所述特征信息加权修正单元160对所述第一特征图进行加权以获得第二特征图表示为：
[0080][0081]
其中，所述权值用于对所述第一特征图在通道c维度上的每个n
×
n的特征矩阵进行点乘。
[0082]
应可以理解，通过点乘的方式以所述权值对所述第一特征图在通道c维度上的每个n
×
n的特征矩阵进行点乘，可以以所述权值来补偿智能电表之间的无线通信的信号串扰，从而使得第二特征图中的数据能够包含用于补偿无线通信中的串扰的信息，使得分类结果更准确。
[0083]
接着，在所述数据中心用智能电网监测系统100的运行中，所述用电电量信息分类单元170将所述第二特征图通过分类器以获得用于表示各个用电设备的用电状态是否正常的分类结果。
[0084]
具体地，所述用电电量信息分类单元170获得所述分类结果的过程，包括：首先将所述第二特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述第二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第二特征图中各个位置的信息，即，充分挖掘和提取所述第二特征图中的特征以生成所述分类特征向量。
[0085]
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各个用电设备的用电状态正常的第一概率和所述分类特征向量归属于各个用电设备的用电状态不正常的第二概率。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。
[0086]
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各个用电设备的用电状态正常；当所述第一概率小于第二概率时，所述分类结果为所述各个用电设备的用电状态不正常。
[0087]
综上，基于本发明实施例的数据中心用智能电网监测系统100被阐明，其在监控端基于待监控的各个用电设备向智能电表传输的用电电量信息和各个用电设备自身的运行状态信息来对各个用电设备的用电状态是否正常进行智能监控。
[0088]
如上所述，根据本发明实施例的数据中心用智能电网监测系统100可以实现在各种终端设备中，例如智能电网的数据中心等。在一个示例中，根据本发明实施例的数据中心用智能电网监测系统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，该数据中心用智能电网监测系统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，该数据中心用智能电网监测系统100同样可以是该终端设备的众多硬件模块之一。
[0089]
可替换地，在另一示例中，该数据中心用智能电网监测系统100与该终端设备也可以是分立的设备，并且该数据中心用智能电网监测系统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。
[0090]
请再参照图4所示，相应于前述本发明实施例一一种数据中心用智能电网监测系统，本发明实施例二提供一种数据中心用智能电网监测系统的控制方法，包括：
[0091]
步骤s110，通过智能电表电量获取单元通过无线通信从待监控的各个用电设备所对应的各个智能电表获取用电电量信息；
[0092]
步骤s120，通过用电设备状态监控单元获取所述待监控的各个用电设备的运行状态信息，所述运行状态信息以二元数据表示；
[0093]
步骤s130，通过输入数据矩阵生成单元从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵，其中，所述输入数据矩阵的每个位置的值表示所述多个智能电表之一与所述多个用户设备之一之间的关系；
[0094]
步骤s140，通过神经网络特征提取单元将所述输入数据矩阵输入卷积神经网络以获得第一特征图；
[0095]
步骤s150，通过信号空间信息计算单元基于所述各个智能电表的无线发射功率计算用于补偿所述智能电表的无线通信串扰的权值；
[0096]
步骤s160，通过特征信息加权修正单元基于所述权值对所述第一特征图按照每个特征值对应的关联关系进行加权以获得第二特征图；以及
[0097]
步骤s170，通过用电电量信息分类单元将所述第二特征图通过分类器以获得用于表示各个用电设备的用电状态是否正常的分类结果。
[0098]
图5图示了根据本实施例的数据中心用智能电网监测系统的控制方法的架构。如图5所示，在所述数据中心用智能电网监测系统的控制方法的网络架构中，首先，将获取的从待监控的各个用电设备所对应的各个智能电表获取用电电量信息(如图5中所示意的p1至pn)和所述待监控的各个用电设备的运行状态信息(如图5中所示意的s1至sn)构造为二维输入数据矩阵(如图5中所示意的m)；接着，将所述输入数据矩阵输入卷积神经网络(如图5中所示意的cnn)以获得第一特征图(如图5中所示意的f1)；然后，基于所述各个智能电表的无线发射功率计算用于补偿所述智能电表的无线通信串扰的权值(如图5中所示意的v1至vn)；接着，基于所述权值对所述第一特征图按照每个特征值对应的关联关系进行加权以获得第二特征图(如图5中所示意的f2)；接着，将所述第二特征图通过分类器(如图5中所示意的分类器)以获得用于表示各个用电设备的用电状态是否正常的分类结果。
[0099]
在一个示例中，在上述数据中心用智能电网监测系统的控制方法中，如图6所示，通过输入数据矩阵生成单元从所述各个智能电表的用电电量信息和所述各个用电设备的运行状态信息生成输入数据矩阵，包括：步骤s210，通过向量生成子单元从所述各个智能电表的用电电量信息生成第一向量，和从所述各个用电设备的运行状态信息生成第二向量；以及步骤s220，通过矩阵生成子单元将所述第一向量乘以所述第二向量的转置以获得所述输入数据矩阵。
[0100]
在一个示例中，在上述数据中心用智能电网监测系统的控制方法中，所述运行状态信息以0和1表示，其中1表示用电设备的运行状态为开启，且0表示用电设备的运行状态为关闭。
[0101]
在一个示例中，在上述数据中心用智能电网监测系统的控制方法中，所述运行状态信息以0和1表示，其中1表示用电设备的运行状态发生变化，且0表示用电设备的运行状态未发生变化。
[0102]
在一个示例中，在上述数据中心用智能电网监测系统的控制方法中，所述用于补偿所述智能电表的无线通信串扰的权值为：
[0103]
[0104]
其中，α
i,
表示第i智能电表与第j智能电表之间的权值，ti和tj分别表示第i智能电表和第j智能电表的无线发射功率，λ代表无线电波的波长，且r
i,j
代表第i智能电表与第j智能电表之间的距离。
[0105]
在一个示例中，在上述数据中心用智能电网监测系统的控制方法中，所述第一特征图和第二特征图分别表示为f
1n
×n×c和f
2n
×n×c，
[0106]
其中，n为所述智能电表或者所述用电设备的数目，c为所述卷积神经网络的通道数；且所述特征信息加权修正单元对所述第一特征图进行加权以获得第二特征图表示为：
[0107][0108]
其中，所述权值用于对所述第一特征图在通道c维度上的每个n
×
n的特征矩阵进行点乘。
[0109]
在一个示例中，在上述数据中心用智能电网监测系统的控制方法中，通过用电电量信息分类单元将所述第二特征图通过分类器以获得用于表示各个用电设备的用电状态是否正常的分类结果，包括步骤：将所述第二特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述第二特征图进行编码以获得分类特征向量；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各个用电设备的用电状态正常的第一概率和所述分类特征向量归属于各个用电设备的用电状态不正常的第二概率；以及，基于所述第一概率和所述第二概率之间的比较，生成所述分类结果。
[0110]
综上，本发明实施例的数据中心用智能电网监测系统的控制方法被阐明，在监控端基于待监控的各个用电设备向智能电表传输的用电电量信息和各个用电设备自身的运行状态信息来对各个用电设备的用电状态是否正常进行智能监控。
[0111]
通过上述说明可知，与现有技术相比，本发明的有益效果在于：本发明采用无线通信方式从各个智能电表获取用电电量数据，无需敷设线缆，避免增加数据中心的空间杂乱，降低成本；本发明采用卷积神经网络挖掘各个用电设备的用电电量与其运动状态之间的高维关联信息，从而能够更准确地判断用电设备的用电状态是否正常；本发明基于各个智能电表的无线发射功率计算用于补偿无线通信串扰的权值，从而使得第二特征图中的数据能够包含用于补偿无线串扰的信息，使得分类结果更准确。
[0112]
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明的权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。