【技术实现步骤摘要】
本专利技术属于用电器识别，具体为一种基于电气参数特征图的用电器识别方法。
技术介绍
1、随着对用电安全和电能精细化管理的要求不断提高，用电器准确识别愈发重要。基于深度学习的用电器识别方法具有一定的识别精度，但是现有技术仍存在以下问题：1、识别速度慢，难以适应对响应实时性要求高的场景；2、识别精度仍有较大提升空间；3、能够识别的用电器种类有限；4、对于电流特征相似的电器分辨、识别效果差；5、难以识别混合用电情况。
2、传统的电器识别技术在日益丰富的用电器种类、复杂的用电场景下识别率低，无法充分利用电流与电压信号中的特征，因此生成准确的电气特征值至关重要，也是目前本领域中的一个难题。
技术实现思路
1、本专利技术旨在针对现有技术的技术缺陷，提供一种基于电气参数特征图的用电器识别方法，以解决常规方法识别速度慢、识别精度低、能够识别的用电器种类有限、对电流特征相似的电器分辨识别效果差、难以识别混合用电情况等技术问题。
2、为实现以上技术目的，本专利技术采用以下技术方案：
3、基于电气参数特征图的用电器识别方法，包括：
4、1）采集用电器数据，将采集到的数据切割为5个电流周期长度的电流序列数据，同时截取与之相对应的电压序列数据；
5、2）经电流特征图生成模型，时间、电压二维数据构建，快速傅里叶变换，分别获得电流特征图、电流折线图和电流频域特征图；
6、3）将电流特征图与电压折线图合成为电气参数热力图，将其与电流频域特征图
7、4）将电气参数特征图，输入预先训练好的用电器识别模型；
8、5）用电器识别模型输出得到用电器种类、开关状态，包括开关发生时间。
9、作为优选，步骤2）中所述电流特征图生成模型的训练步骤包括：
10、2.1）采集包含单个用电器开关事件的电流序列；
11、2.2）在电路中添加其他用电器，采集包含多个用电器开关事件的电流序列；
12、2.3）将这两组序列截取成长度为5个电流周期的子序列，其中包含开关事件；
13、2.4）将这两组序列按时间-电流关系，分别绘制成单用电器电流折线图和多用电器电流折线图；将其共同输入到对抗神经网络进行训练，得到电流特征图生成模型。
14、作为优选，步骤3）中所述电气参数特征图的生成流程包括：
15、3.1）电流数据经预处理截取为5个电流周期，形成电流序列数据，并截取对应时刻的电压数据；
16、3.2）将电流序列数据按照时间-电流绘制为电流折线图，作为电流特征图生成模型的输入，计算后获得电流特征图；
17、3.3）电压序列按照时间-电压绘制为折线图；
18、3.4）将电流序列数据经过快速傅里叶变换得到电流频域特征图；
19、3.5）将电流特征图与电压折线图按照时间为横坐标生成二维热力图；
20、3.6）将电气参数热力图的r、g、b分别作为电气参数特征图的第1、2、3通道，电流频域特征图做第4通道，融合为4通道电气参数特征图。
21、作为优选，步骤4）中所述用电器识别模型的训练步骤包括：
22、4.1）构建训练用电气参数特征图集；
23、4.2）开展用电器种类切换，开、关状态，发生时间的标注，形成用电器识别模型训练集；
24、4.3）输入到残差网络进行训练；
25、4.4）得到用电器识别模型。
26、作为优选，本专利技术方法包括以下流程：
27、a数据采集；
28、对实时电流与电压数据进行采集；数据采样率表示为，数据为电流和电压数据序列，以时间为基准；数据含有个采样点，则原始电流数据表示为：
29、
30、其对应电压数据序列表示为：
31、
32、b去噪处理；
33、对原始信号使用连续小波变换算法，过滤掉噪声点，得到去噪后的数据，这一过程表示为：
34、
35、其中为尺度参数，为平移参数；
36、c数据切片；
37、在序列中以5个电流周期为界，截取时间窗口为到(5个电流周期)的电流片段与对应电压片段，其中为切片后每条数据包含的点数，表示为：
38、
39、d归一化处理；
40、采用最小-最大归一化法，将与中各样本值映射到[0，1]范围内，得到归一化后的数据及，其过程表示为：
41、
42、其中为原始数据，为输出后的数据，为序列数据中的最大值，为序列数据中的最小值；
43、e生成电气参数特征图；
44、1、对数据片段应用快速傅里叶变换，得到频域特征数据，其过程表示为：
45、
46、2、将使用时间-电流绘制为折线图，其中：
47、，，
48、3、将使用时间-电压绘制为折线图，其中：
49、，
50、4、通过训练好的电流特征图生成模型，对应用电流特征图像生成，生成只包含发生开关事件的电器电流特征图，其中：
51、，
52、5、映射处理；
53、将的数值大小映射到0-255区间，将裁切成长度为的个序列数据，并按照行堆叠得到频域特征矩阵，其中表示为：
54、，，
55、之后将与融合建立热力图像，得到三个通道的时域特征矩阵，其中，，；
56、6、构建图像构建形状为的 4通道图像，，，，: 第一个通道为矩阵，其余三个通道为矩阵，获得特征图像；
57、f电气识别模型识别；
58、1、特征提取；
59、利用残差网络提取图像的高级特征，输出长度为2048的特征向量；
60、2、结果分类；
61、1) 设置长度为300的全连接层，输入层为向量，经过relu激活，输出用电器类别；
62、2) 设置长度为200的全连接层，输入层为向量，经过sigmoid激活，输出用电器切换时刻；
63、3) 设置长度为50的全连接层，输入层为向量，经过softmax激活，输出用电器开关状态；
64、3、模型训练；
65、使用标注数据集训练模型，标注内容为真实的用电器类别、切换时刻和开关状态；采用交叉熵损失函数，以及adam优化算法。
66、作为优选，电流特征图生成模型训练包括以下流程：
67、2a数据采集；
68、1）对单个用电器电流数据进行采集；在电路中添加一个电器，完成由开到关的完整过程并进行采集；数据采样率表示为，数据为电流数据序列，以时间为基准；当有条数据、每条数据含有个采样点时，原始数据表示为：
69、
70、2）在电路中添加其他用电器，保证之前的电器一直处于开状态，开始本文档来自技高网...
【技术保护点】
1.基于电气参数特征图的用电器识别方法，其特征在于，包括：
2.根据权利要求1所述的基于电气参数特征图的用电器识别方法，其特征在于，步骤2）中所述电流特征图生成模型的训练步骤包括：
3.根据权利要求1所述的基于电气参数特征图的用电器识别方法，其特征在于，步骤3）中所述电气参数特征图的生成流程包括：
4.根据权利要求1所述的基于电气参数特征图的用电器识别方法，其特征在于，步骤4）中所述用电器识别模型的训练步骤包括：
5.根据权利要求1所述的基于电气参数特征图的用电器识别方法，其特征在于，该方法包括以下流程：
6.根据权利要求1所述的基于电气参数特征图的用电器识别方法，其特征在于，电流特征图生成模型训练包括以下流程：
7.根据权利要求1所述的基于电气参数特征图的用电器识别方法，其特征在于，电器参数特征图的生成包括以下流程：
8.根据权利要求1所述的基于电气参数特征图的用电器识别方法，其特征在于，用电器识别模型训练包括以下流程：
【技术特征摘要】
1.基于电气参数特征图的用电器识别方法，其特征在于，包括：
2.根据权利要求1所述的基于电气参数特征图的用电器识别方法，其特征在于，步骤2）中所述电流特征图生成模型的训练步骤包括：
3.根据权利要求1所述的基于电气参数特征图的用电器识别方法，其特征在于，步骤3）中所述电气参数特征图的生成流程包括：
4.根据权利要求1所述的基于电气参数特征图的用电器识别方法，其特征在于，步骤4）中所述用电器识别模型的训练步骤包括：
...【专利技术属性】
技术研发人员：冯为嘉，田怡，陈云熇，郭嘉，
申请(专利权)人：精为技术天津有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。