本發(fā)明屬于用電器識別，具體為一種基于電氣參數(shù)特征圖的用電器識別方法。

背景技術(shù)：

1、隨著對用電安全和電能精細化管理的要求不斷提高，用電器準確識別愈發(fā)重要。基于深度學習的用電器識別方法具有一定的識別精度，但是現(xiàn)有技術(shù)仍存在以下問題：1、識別速度慢，難以適應(yīng)對響應(yīng)實時性要求高的場景；2、識別精度仍有較大提升空間；3、能夠識別的用電器種類有限；4、對于電流特征相似的電器分辨、識別效果差；5、難以識別混合用電情況。

2、傳統(tǒng)的電器識別技術(shù)在日益豐富的用電器種類、復(fù)雜的用電場景下識別率低，無法充分利用電流與電壓信號中的特征，因此生成準確的電氣特征值至關(guān)重要，也是目前本領(lǐng)域中的一個難題。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在針對現(xiàn)有技術(shù)的技術(shù)缺陷，提供一種基于電氣參數(shù)特征圖的用電器識別方法，以解決常規(guī)方法識別速度慢、識別精度低、能夠識別的用電器種類有限、對電流特征相似的電器分辨識別效果差、難以識別混合用電情況等技術(shù)問題。

2、為實現(xiàn)以上技術(shù)目的，本發(fā)明采用以下技術(shù)方案：

3、基于電氣參數(shù)特征圖的用電器識別方法，包括：

4、1）采集用電器數(shù)據(jù)，將采集到的數(shù)據(jù)切割為5個電流周期長度的電流序列數(shù)據(jù)，同時截取與之相對應(yīng)的電壓序列數(shù)據(jù)；

5、2）經(jīng)電流特征圖生成模型，時間、電壓二維數(shù)據(jù)構(gòu)建，快速傅里葉變換，分別獲得電流特征圖、電流折線圖和電流頻域特征圖；

6、3）將電流特征圖與電壓折線圖合成為電氣參數(shù)熱力圖，將其與電流頻域特征圖融合為三通道的電氣參數(shù)特征圖；

7、4）將電氣參數(shù)特征圖，輸入預(yù)先訓練好的用電器識別模型；

8、5）用電器識別模型輸出得到用電器種類、開關(guān)狀態(tài)，包括開關(guān)發(fā)生時間。

9、作為優(yōu)選，步驟2）中所述電流特征圖生成模型的訓練步驟包括：

10、2.1）采集包含單個用電器開關(guān)事件的電流序列；

11、2.2）在電路中添加其他用電器，采集包含多個用電器開關(guān)事件的電流序列；

12、2.3）將這兩組序列截取成長度為5個電流周期的子序列，其中包含開關(guān)事件；

13、2.4）將這兩組序列按時間-電流關(guān)系，分別繪制成單用電器電流折線圖和多用電器電流折線圖；將其共同輸入到對抗神經(jīng)網(wǎng)絡(luò)進行訓練，得到電流特征圖生成模型。

14、作為優(yōu)選，步驟3）中所述電氣參數(shù)特征圖的生成流程包括：

15、3.1）電流數(shù)據(jù)經(jīng)預(yù)處理截取為5個電流周期，形成電流序列數(shù)據(jù)，并截取對應(yīng)時刻的電壓數(shù)據(jù)；

16、3.2）將電流序列數(shù)據(jù)按照時間-電流繪制為電流折線圖，作為電流特征圖生成模型的輸入，計算后獲得電流特征圖；

17、3.3）電壓序列按照時間-電壓繪制為折線圖；

18、3.4）將電流序列數(shù)據(jù)經(jīng)過快速傅里葉變換得到電流頻域特征圖；

19、3.5）將電流特征圖與電壓折線圖按照時間為橫坐標生成二維熱力圖；

20、3.6）將電氣參數(shù)熱力圖的r、g、b分別作為電氣參數(shù)特征圖的第1、2、3通道，電流頻域特征圖做第4通道，融合為4通道電氣參數(shù)特征圖。

21、作為優(yōu)選，步驟4）中所述用電器識別模型的訓練步驟包括：

22、4.1）構(gòu)建訓練用電氣參數(shù)特征圖集；

23、4.2）開展用電器種類切換，開、關(guān)狀態(tài)，發(fā)生時間的標注，形成用電器識別模型訓練集；

24、4.3）輸入到殘差網(wǎng)絡(luò)進行訓練；

25、4.4）得到用電器識別模型。

26、作為優(yōu)選，本發(fā)明方法包括以下流程：

27、a數(shù)據(jù)采集；

28、對實時電流與電壓數(shù)據(jù)進行采集；數(shù)據(jù)采樣率表示為，數(shù)據(jù)為電流和電壓數(shù)據(jù)序列，以時間為基準；數(shù)據(jù)含有個采樣點，則原始電流數(shù)據(jù)表示為：

29、

30、其對應(yīng)電壓數(shù)據(jù)序列表示為：

31、

32、b去噪處理；

33、對原始信號使用連續(xù)小波變換算法，過濾掉噪聲點，得到去噪后的數(shù)據(jù)，這一過程表示為：

34、

35、其中為尺度參數(shù)，為平移參數(shù)；

36、c數(shù)據(jù)切片；

37、在序列中以5個電流周期為界，截取時間窗口為到(5個電流周期)的電流片段與對應(yīng)電壓片段，其中為切片后每條數(shù)據(jù)包含的點數(shù)，表示為：

38、

39、d歸一化處理；

40、采用最小-最大歸一化法，將與中各樣本值映射到[0，1]范圍內(nèi)，得到歸一化后的數(shù)據(jù)及，其過程表示為：

41、

42、其中為原始數(shù)據(jù)，為輸出后的數(shù)據(jù)，為序列數(shù)據(jù)中的最大值，為序列數(shù)據(jù)中的最小值；

43、e生成電氣參數(shù)特征圖；

44、1、對數(shù)據(jù)片段應(yīng)用快速傅里葉變換，得到頻域特征數(shù)據(jù)，其過程表示為：

45、

46、2、將使用時間-電流繪制為折線圖，其中：

47、，，

48、3、將使用時間-電壓繪制為折線圖，其中：

49、，

50、4、通過訓練好的電流特征圖生成模型，對應(yīng)用電流特征圖像生成，生成只包含發(fā)生開關(guān)事件的電器電流特征圖，其中：

51、，

52、5、映射處理；

53、將的數(shù)值大小映射到0-255區(qū)間，將裁切成長度為的個序列數(shù)據(jù)，并按照行堆疊得到頻域特征矩陣，其中表示為：

54、，，

55、之后將與融合建立熱力圖像，得到三個通道的時域特征矩陣，其中，，；

56、6、構(gòu)建圖像構(gòu)建形狀為的?4通道圖像，，，，:?第一個通道為矩陣，其余三個通道為矩陣，獲得特征圖像；

57、f電氣識別模型識別；

58、1、特征提??；

59、利用殘差網(wǎng)絡(luò)提取圖像的高級特征，輸出長度為2048的特征向量；

60、2、結(jié)果分類；

61、1)?設(shè)置長度為300的全連接層，輸入層為向量，經(jīng)過relu激活，輸出用電器類別；

62、2)?設(shè)置長度為200的全連接層，輸入層為向量，經(jīng)過sigmoid激活，輸出用電器切換時刻；

63、3)?設(shè)置長度為50的全連接層，輸入層為向量，經(jīng)過softmax激活，輸出用電器開關(guān)狀態(tài)；

64、3、模型訓練；

65、使用標注數(shù)據(jù)集訓練模型，標注內(nèi)容為真實的用電器類別、切換時刻和開關(guān)狀態(tài)；采用交叉熵損失函數(shù)，以及adam優(yōu)化算法。

66、作為優(yōu)選，電流特征圖生成模型訓練包括以下流程：

67、2a數(shù)據(jù)采集；

68、1）對單個用電器電流數(shù)據(jù)進行采集；在電路中添加一個電器，完成由開到關(guān)的完整過程并進行采集；數(shù)據(jù)采樣率表示為，數(shù)據(jù)為電流數(shù)據(jù)序列，以時間為基準；當有條數(shù)據(jù)、每條數(shù)據(jù)含有個采樣點時，原始數(shù)據(jù)表示為：

69、

70、2）在電路中添加其他用電器，保證之前的電器一直處于開狀態(tài)，開始采集電路中的電流數(shù)據(jù)，完成由開到關(guān)的完整過程，采集包含多個用電器開關(guān)事件的電流序列；數(shù)據(jù)采樣率表示為，數(shù)據(jù)為電流數(shù)據(jù)序列，以時間為基準；當有條數(shù)據(jù)、每條數(shù)據(jù)含有個采樣點時，原始數(shù)據(jù)表示為：

71、

72、2b去噪處理；

73、對原始信號以及使用連續(xù)小波變換算法，過濾掉噪聲點，得到去噪后的數(shù)據(jù)和，這一過程表示為：

74、

75、其中為尺度參數(shù)，為平移參數(shù)；

76、2c數(shù)據(jù)切片；

77、在序列和中以5個電流周期為界，截取出個時間窗口為到(5個電流周期)的電流片段和，其中為切片后每條數(shù)據(jù)包含的點數(shù)，表示為：

78、

79、其中為切片后的信號條數(shù)，表示為：

80、

81、2d歸一化處理；

82、采用最小-最大歸一化法，將和中各樣本值映射到[0，1]范圍內(nèi)，得到歸一化后的數(shù)據(jù)及，其過程表示為：

83、

84、其中為原始數(shù)據(jù)，為輸出后的數(shù)據(jù)，為序列數(shù)據(jù)中的最大值，為序列數(shù)據(jù)中的最小值；

85、2e生成電流特征圖訓練集；

86、1、將與使用時間-電流繪制為折線圖和，其中：

87、，，

88、2、構(gòu)建電流特征圖生成模型訓練用數(shù)據(jù)集，為單個電器的電流折線圖數(shù)據(jù)集，為多個用電器的電流折線圖數(shù)據(jù)集，將與一一對應(yīng)，即為一組，一共有組數(shù)據(jù)；

89、2f訓練電流特征圖生成模型；

90、1、搭建對抗神經(jīng)網(wǎng)絡(luò)，其應(yīng)包含生成器網(wǎng)絡(luò)與判別器網(wǎng)絡(luò)；

91、2、將輸入生成器網(wǎng)絡(luò)，輸入判別器網(wǎng)絡(luò)，進行訓練得到電流特征圖生成模型。

92、作為優(yōu)選，電器參數(shù)特征圖的生成包括以下流程：

93、3a將切割為5個電流周期并且去噪后以及歸一化后的電流序列數(shù)據(jù)與對應(yīng)電壓序列數(shù)據(jù)作為生成電氣參數(shù)特征圖的原始輸入；

94、3b對數(shù)據(jù)片段應(yīng)用快速傅里葉變換，得到頻域特征數(shù)據(jù)，其過程表示為：

95、

96、3c將使用時間-電流繪制為折線圖，其中：

97、，，

98、3d將使用時間-電壓繪制為折線圖，其中：

99、，

100、3e通過訓練好的電流特征圖生成模型，對應(yīng)用電流特征圖像生成，生成只包含發(fā)生開關(guān)事件的電器電流特征圖，其中：

101、，

102、3f映射處理；

103、將的數(shù)值大小映射到0-255區(qū)間，將裁切成長度為的個序列數(shù)據(jù)，并按照行堆疊得到頻域特征矩陣，其中表示為：

104、，，

105、之后將與融合建立熱力圖像，得到三個通道的時域特征矩陣，其中，，；

106、3g構(gòu)建圖像；

107、構(gòu)建形狀為的?4通道圖像，，，，:?第一個通道為矩陣，其余三個通道為矩陣，獲得特征圖像。

108、作為優(yōu)選，用電器識別模型訓練包括以下流程：

109、4a數(shù)據(jù)采集；

110、對單個用電器電流與電壓數(shù)據(jù)進行采集；在電路中添加一個電器，完成由開到關(guān)的完整過程并進行采集，記錄下用電器開與關(guān)發(fā)生的時間點，用電器種類與開關(guān)類別；數(shù)據(jù)采樣率表示為，數(shù)據(jù)為電流與電壓數(shù)據(jù)序列，以時間為基準；當有條數(shù)據(jù)、每條數(shù)據(jù)含有個采樣點時，原始數(shù)據(jù)表示為：

111、

112、

113、4b去噪處理；

114、對原始信號使用連續(xù)小波變換算法，過濾掉噪聲點，得到去噪后的數(shù)據(jù)，這一過程表示為：

115、

116、其中為尺度參數(shù)，為平移參數(shù)；

117、4c數(shù)據(jù)切片；

118、在序列中以5個電流周期為界，截取出個時間窗口為到(5個電流周期)的電流片段和；其中為切片后每條數(shù)據(jù)包含的點數(shù)，表示為：

119、

120、其中為切片后的信號條數(shù)，表示為：

121、

122、4d歸一化處理；

123、采用最小-最大歸一化法，將和中各樣本值映射到[0，1]范圍內(nèi)，得到歸一化后的數(shù)據(jù)及，其過程表示為：

124、

125、其中為原始數(shù)據(jù)，為輸出后的數(shù)據(jù)，為序列數(shù)據(jù)中的最大值，為序列數(shù)據(jù)中的最小值；

126、4e構(gòu)建訓練用數(shù)據(jù)集；

127、對及應(yīng)用電器參數(shù)特征圖生成方法，生成電氣參數(shù)特征圖數(shù)據(jù)集，并進行數(shù)據(jù)集標注，標注對應(yīng)的用電器開與關(guān)發(fā)生的時間點，用電器的種類與開關(guān)類別，得到訓練用電氣參數(shù)特征圖訓練集；其中表示為?：

128、

129、為在時間窗口到中，用電器的開關(guān)發(fā)生時間點；

130、4f用電器識別模型訓練；

131、1）構(gòu)建resnet50模型；

132、2）使用訓練用電氣參數(shù)特征圖訓練集進行訓練；

133、3）得到訓練好的用電器識別模型。

134、本發(fā)明提出了一種基于電氣參數(shù)特征圖的用電器識別方法，屬于用電器識別技術(shù)領(lǐng)域。該方法首先基于對抗神經(jīng)網(wǎng)絡(luò)訓練而成的電流特征圖生成模型，生成電流特征圖；然后采用快速傅里葉變換處理電流折線圖，獲得電流頻域特征圖；將電壓折線圖與電流特征圖融合，得到二維熱力圖；融合電流頻域特征圖與二維熱力圖，構(gòu)建三通道電氣參數(shù)特征圖；最后，基于殘差網(wǎng)絡(luò)訓練得到的用電氣識別模型，對電氣參數(shù)特征圖進行分析，實現(xiàn)用電器的準確識別。針對電器設(shè)備開關(guān)事件發(fā)生時的暫態(tài)電氣特征變化，本方法能夠同時識別用電器的種類、開關(guān)狀態(tài)和開關(guān)發(fā)生時間，以此來整體判斷線路中的電器使用情況。為了提升復(fù)雜用電場景下電器識別的精度，本發(fā)明基于對抗神經(jīng)網(wǎng)絡(luò)訓練獲得電流特征圖生成模型，可以有效去除影響，確保識別準確率。相比現(xiàn)有技術(shù)，本發(fā)明響應(yīng)速度更快，識別準確度更高。

135、本發(fā)明的創(chuàng)新點在于：

136、1、提出了基于電氣參數(shù)特征圖的用電器識別方法，相比于傳統(tǒng)基于時間序列分析的方法，能夠大幅提高識別速度，響應(yīng)高頻數(shù)據(jù)。

137、2、通過對電流信號的快速傅立葉變換和圖像處理，生成電流頻域特征圖?？梢猿浞纸Y(jié)合時域和頻域的電流信號特征，提高特征表達的豐富性。

138、3、應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)實現(xiàn)端到端的用電器識別。相比傳統(tǒng)方法分類效果更好，支持識別范圍更廣的用電器類別。

139、4、輸出識別結(jié)果包含用電器類別、切換時刻和開關(guān)狀態(tài)三個維度信息，識別細節(jié)更豐富。

140、5、基于對抗網(wǎng)絡(luò)生成電流特征圖，對復(fù)合電器的識別率更高。

141、6、提出的技術(shù)路線具有泛化性強的特點，可基于大量標注數(shù)據(jù)進行系統(tǒng)優(yōu)化和性能提升。

142、7、對于電流特征相似的用電器，由于阻性、容性、感性用電器之間其電壓與電流會有不同的相位出現(xiàn)，本發(fā)明提出的技術(shù)通過融合特征圖像考慮了電壓和電流的不同相位，提升了識別的精度。

143、本發(fā)明具有以下有益技術(shù)效果：

144、1、實時處理能力得到大幅提升

145、實時處理數(shù)據(jù)的能力顯著提高?？梢詫崿F(xiàn)對高頻數(shù)據(jù)的響應(yīng)。

146、2、識別準確度明顯提高

147、通過電流信號的頻域和時域特征的融合，提取了更豐富的特征值。同時，使用卷積神經(jīng)網(wǎng)絡(luò)進行端到端識別，充分發(fā)揮深度學習的優(yōu)勢，分類效果顯著優(yōu)于傳統(tǒng)方法。

148、3、支持識別更多用電器類別

149、本發(fā)明輸出結(jié)果包含用電器類別、切換時刻和開關(guān)狀態(tài)三個維度信息，識別效果更加全面和豐富，可支持識別更多類型的用電器。

150、4、減少計算資源消耗，降低部署使用成本

151、由于計算量大幅減少，計算資源和內(nèi)存占用下降，部署本發(fā)明系統(tǒng)所需要的硬件成本也會降低，更適合實際應(yīng)用和推廣。

152、5、系統(tǒng)拓展性好，易于升級迭代。

153、本方法通過獲取更多標注數(shù)據(jù)、調(diào)整模型結(jié)構(gòu)等可以不斷優(yōu)化和提高識別效果,持續(xù)適應(yīng)新出現(xiàn)的用電器類型，系統(tǒng)拓展性強。