CN108548976A - 基于卷积神经网络的非入侵式家用用电设备类型检测方法 - Google Patents
基于卷积神经网络的非入侵式家用用电设备类型检测方法 Download PDFInfo
- Publication number
- CN108548976A CN108548976A CN201810519443.XA CN201810519443A CN108548976A CN 108548976 A CN108548976 A CN 108548976A CN 201810519443 A CN201810519443 A CN 201810519443A CN 108548976 A CN108548976 A CN 108548976A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- electrical equipment
- equipment type
- detection method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的非入侵式家用用电设备类型检测方法,包括如下步骤:步骤一、二维波形图构建;步骤二、卷积神经网络的模型训练;步骤三、电器设备类型的分类预测。本发明不需要人工的选取特征,避免了复杂的人工特征工程过程。
Description
技术领域
本发明属于家用用电设备类型检测领域,具体是一种基于卷积神经网络的非入侵式家用用电设备类型检测方法。
背景技术
目前,主流的用电设备类型判断方法,有两种主要方法,一种是在各个设备上安装独立的检测模块;另一种时只需要在电表处安装一个模块,被称为非侵入式检测的方法。第一种方法,成本非常高,并且安装复杂;第二种非侵入式的检测方法,有着巨大的成本和便捷度的优势。目前已经有人提出基于朴素贝叶斯、BP神经网络等监督式学习算法的电器识别方法。但这些方法有个共同的问题就是严重依赖于人工的特征工程,特征一旦选取不好会造成方案性能低下。
发明内容
为了解决现有技术中存在的上述技术问题,本发明提出了一种基于卷积神经网络的非入侵式用电设备检测方法,不需要人工的选取特征,避免了复杂的人工特征工程过程。其具体技术方案如下:
一种基于卷积神经网络的非入侵式家用用电设备类型检测方法,包括如下步骤:
步骤一、二维波形图构建;
步骤二、卷积神经网络的模型训练;
步骤三、电器设备类型的分类预测。
进一步的,所述步骤一、二维波形图构建具体如下:
(1)以10K采样频率进行电流和电压采样;
(2)接入常用的样本电器并在电压过0点的时刻进行电流采样,采样时间为一个工频周期;
(3)构建二维图,其中横轴为采样点次序,取值范围为0到999,一个周期会有200个采样点,则每5个单位对应1个采样点;纵轴为电流值,取值范围为0到999,则每个单位对应0.1A,其中500作为电流0点,取值范围即-50A到50A;
这样就构建了1个周期的1000x1000图像。
进一步的,所述步骤二、卷积神经网络的模型训练具体为:
设置卷积神经网络的参数如下,
a.7层结构的卷积神经网络,从左到右依次为卷积层C1(步长10),池化层P2(步长2),卷积层C3(步长1),池化层P4(步长2),卷积层C5(步长1),池化层P6(步长1),全连接层F7;
b.激活函数:reLu函数;
c.批尺寸(Batch size)大小为128;
d.初始学习率0.95;
训练模型并调优得到卷积神经网络的输出模型。
进一步的,所述步骤三、电器设备类型的分类预测具体如下:
在有电器接入时:
(1)进行电流差分,并对电流的差分波形进行二维图构建;
(2)将二维图输入训练好的卷积神经网络模型;
(3)由CNN的输出即可得到最大概率的电气类型。
附图说明
图1是本发明的基于卷积神经网络的非入侵式家用用电设备类型检测方法流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示,卷积神经网络又简称CNN,在图像处理领域已经证明了其强大的学习能力,其可以无需显示的特征抽取,而隐式地从训练数据中进行学习。本发明首先将电流采样值构建成图像,然后使用CNN的强大图像学习能力进行学习。
本发明的基于卷积神经网络的非入侵式家用用电设备类型检测方法,包括如下步骤:
1.二维波形图构建
(1)以10K采样频率进行电流和电压采样;
(2)接入常用的样本电器并在电压过0点的时刻进行电流采样,采样时间为一个工频周期(20ms);
(3)构建二维图,其中横轴为采样点次序,取值范围为0到999,一个周期会有200个采样点,则每5个单位对应1个采样点;纵轴为电流值,取值范围为0到999,则每个单位对应0.1A(其中500作为电流0点,取值范围即-50A到50A,常用家用电器不会超过此范围)。
这样就构建了1个周期的1000x1000图像。
2.卷积神经网络的模型训练
该部分进行网络结构的具体设计及参数训练:
e.7层结构的卷积神经网络,从左到右依次为卷积层C1(步长10),池化层P2(步长2),卷积层C3(步长1),池化层P4(步长2),卷积层C5(步长1),池化层P6(步长1),全连接层F7;
f.激活函数:reLu函数;
g.批尺寸(Batch size)大小为128;
h.初始学习率0.95;
训练模型并调优得到卷积神经网络的输出模型;
3.电器设备类型的分类预测
在有电器接入时:
(4)进行电流差分,并对电流的差分波形进行二维图构建;
(5)将二维图输入训练好的卷积神经网络模型;
(6)由CNN的输出即可得到最大概率的电气类型。
Claims (4)
1.一种基于卷积神经网络的非入侵式家用用电设备类型检测方法,包括如下步骤:
步骤一、二维波形图构建;
步骤二、卷积神经网络的模型训练;
步骤三、电器设备类型的分类预测。
2.如权利要求1所述的基于卷积神经网络的非入侵式家用用电设备类型检测方法,其特征在于:所述步骤一、二维波形图构建具体如下:
(1)以10K采样频率进行电流和电压采样;
(2)接入常用的样本电器并在电压过0点的时刻进行电流采样,采样时间为一个工频周期;
(3)构建二维图,其中横轴为采样点次序,取值范围为0到999,一个周期会有200个采样点,则每5个单位对应1个采样点;纵轴为电流值,取值范围为0到999,则每个单位对应0.1A,其中500作为电流0点,取值范围即-50A到50A;
这样就构建了1个周期的1000x1000图像。
3.如权利要求2所述的基于卷积神经网络的非入侵式家用用电设备类型检测方法,其特征在于:所述步骤二、卷积神经网络的模型训练具体为:
设置卷积神经网络的参数如下,
a.7层结构的卷积神经网络,从左到右依次为卷积层C1(步长10),池化层P2(步长2),卷积层C3(步长1),池化层P4(步长2),卷积层C5(步长1),池化层P6(步长1),全连接层F7;
b.激活函数:reLu函数;
c.批尺寸(Batch size)大小为128;
d.初始学习率0.95;
训练模型并调优得到卷积神经网络的输出模型。
4.如权利要求3所述的基于卷积神经网络的非入侵式家用用电设备类型检测方法,其特征在于:所述步骤三、电器设备类型的分类预测具体如下:
在有电器接入时:
(1)进行电流差分,并对电流的差分波形进行二维图构建;
(2)将二维图输入训练好的卷积神经网络模型;
(3)由CNN的输出即可得到最大概率的电气类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810519443.XA CN108548976A (zh) | 2018-05-25 | 2018-05-25 | 基于卷积神经网络的非入侵式家用用电设备类型检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810519443.XA CN108548976A (zh) | 2018-05-25 | 2018-05-25 | 基于卷积神经网络的非入侵式家用用电设备类型检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108548976A true CN108548976A (zh) | 2018-09-18 |
Family
ID=63495705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810519443.XA Pending CN108548976A (zh) | 2018-05-25 | 2018-05-25 | 基于卷积神经网络的非入侵式家用用电设备类型检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108548976A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084158A (zh) * | 2019-04-15 | 2019-08-02 | 杭州拓深科技有限公司 | 一种基于智能算法的用电设备识别方法 |
CN110516743A (zh) * | 2019-08-28 | 2019-11-29 | 珠海格力智能装备有限公司 | 用电设备的识别方法、装置、存储介质和处理器 |
CN111103477A (zh) * | 2019-10-31 | 2020-05-05 | 武汉旗云高科信息技术有限公司 | 一种基于3d卷积神经网络的电气负载监测方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679185A (zh) * | 2012-08-31 | 2014-03-26 | 富士通株式会社 | 卷积神经网络分类器系统、其训练方法、分类方法和用途 |
CN105678344A (zh) * | 2016-02-29 | 2016-06-15 | 浙江群力电气有限公司 | 一种电力仪表设备的智能分类方法 |
CN105759148A (zh) * | 2016-04-08 | 2016-07-13 | 湖南工业大学 | 一种用电器类型判断方法 |
CN106897739A (zh) * | 2017-02-15 | 2017-06-27 | 国网江苏省电力公司电力科学研究院 | 一种基于卷积神经网络的电网设备分类方法 |
CN107480432A (zh) * | 2017-07-27 | 2017-12-15 | 广州瓦良格机器人科技有限公司 | 一种基于云平台的负荷分解方法 |
CN107480730A (zh) * | 2017-09-05 | 2017-12-15 | 广州供电局有限公司 | 电力设备识别模型构建方法和系统、电力设备的识别方法 |
-
2018
- 2018-05-25 CN CN201810519443.XA patent/CN108548976A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679185A (zh) * | 2012-08-31 | 2014-03-26 | 富士通株式会社 | 卷积神经网络分类器系统、其训练方法、分类方法和用途 |
CN105678344A (zh) * | 2016-02-29 | 2016-06-15 | 浙江群力电气有限公司 | 一种电力仪表设备的智能分类方法 |
CN105759148A (zh) * | 2016-04-08 | 2016-07-13 | 湖南工业大学 | 一种用电器类型判断方法 |
CN106897739A (zh) * | 2017-02-15 | 2017-06-27 | 国网江苏省电力公司电力科学研究院 | 一种基于卷积神经网络的电网设备分类方法 |
CN107480432A (zh) * | 2017-07-27 | 2017-12-15 | 广州瓦良格机器人科技有限公司 | 一种基于云平台的负荷分解方法 |
CN107480730A (zh) * | 2017-09-05 | 2017-12-15 | 广州供电局有限公司 | 电力设备识别模型构建方法和系统、电力设备的识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084158A (zh) * | 2019-04-15 | 2019-08-02 | 杭州拓深科技有限公司 | 一种基于智能算法的用电设备识别方法 |
CN110516743A (zh) * | 2019-08-28 | 2019-11-29 | 珠海格力智能装备有限公司 | 用电设备的识别方法、装置、存储介质和处理器 |
CN111103477A (zh) * | 2019-10-31 | 2020-05-05 | 武汉旗云高科信息技术有限公司 | 一种基于3d卷积神经网络的电气负载监测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Remaining useful life prediction for supercapacitor based on long short-term memory neural network | |
Yang et al. | Remaining useful life prediction based on denoising technique and deep neural network for lithium-ion capacitors | |
CN108548976A (zh) | 基于卷积神经网络的非入侵式家用用电设备类型检测方法 | |
US20210357726A1 (en) | Fusion structure and method of convolutional neural network and spiking neural network | |
CN109543317B (zh) | 一种pemfc剩余使用寿命预测的方法及装置 | |
CN110135386B (zh) | 一种基于深度学习的人体动作识别方法和系统 | |
Jiang et al. | State of health estimation of lithium-ion battery with automatic feature extraction and self-attention learning mechanism | |
CN110687450B (zh) | 基于相空间重构和粒子滤波的锂电池剩余寿命预测方法 | |
CN106447033A (zh) | 神经元突触电路及神经元电路 | |
CN113970667B (zh) | 一种基于预测窗口中点值的非侵入式负荷监测方法 | |
Gong et al. | A data-driven model framework based on deep learning for estimating the states of lithium-ion batteries | |
CN111949707B (zh) | 一种基于影场的隐马尔可夫模型的非侵入式负荷分解方法 | |
CN116562464B (zh) | 一种基于深度强化学习的电力系统低碳优化调度方法 | |
Wu et al. | State of health estimation of lithium-ion batteries using Autoencoders and Ensemble Learning | |
CN109961184A (zh) | 基于dnn网络的模拟滤波器健康度估计方法 | |
CN104880992B (zh) | 基于Kriging代理模型的磁控电弧传感器参数优化方法 | |
CN114839540A (zh) | 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法 | |
Cai et al. | Prediction of lithium-ion battery remaining useful life based on hybrid data-driven method with optimized parameter | |
CN116679231A (zh) | 基于格拉姆角场和VGG16模型的锂电池SoH估计方法 | |
CN116054145A (zh) | 一种海洋牧场短期负荷预测方法及系统 | |
CN115795360A (zh) | 基于人工神经网络的电缆故障检测方法 | |
CN116008747A (zh) | 基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法与诊断系统 | |
CN109359650A (zh) | 目标检测方法及装置、嵌入式设备 | |
CN115130732A (zh) | 基于序列到点和残差连接的非侵入式负荷分解方法 | |
CN108362940A (zh) | 一种半周波畸变信号的动态谐波频率提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180918 |
|
RJ01 | Rejection of invention patent application after publication |