CN110146758B - 基于交叉熵的非侵入式电器识别方法 - Google Patents
基于交叉熵的非侵入式电器识别方法 Download PDFInfo
- Publication number
- CN110146758B CN110146758B CN201910453513.0A CN201910453513A CN110146758B CN 110146758 B CN110146758 B CN 110146758B CN 201910453513 A CN201910453513 A CN 201910453513A CN 110146758 B CN110146758 B CN 110146758B
- Authority
- CN
- China
- Prior art keywords
- value
- current
- solution
- list
- electric appliance
- 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.)
- Active
Links
Images
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出一种基于交叉熵的非侵入式电器识别方法,属于非侵入式检测系统下电器识别领域。本发明解决了传统的侵入式电器识别因过多线路的接入会对电器的正常运转造成干扰,以及目前的非侵入式电器识别方法不方便,训练数据过多,导致前期需花费大量的人力成本的问题。其技术方案要点为:选取常用的几类电器作为研究对象并对电器数量进行one‑hot编码;采集电流电压数据,通过算法得到多组电器数量预测值,计算权重得到组合电器的电流数据向量,然后与实测的电流数据向量分别进行softmax回归处理,最后通过交叉熵计算多组预测值和实测值的适应度函数值,获取适应度函数最小值对应的电器组合即为我们识别的电器组合。本发明非侵入式电器识别方式简单、有效。
Description
技术领域
本发明涉及非侵入式检测系统下电器识别技术,特别涉及基于交叉熵的非侵入式电器识别方法的技术。
背景技术
20世纪70年代,美国和一些欧洲国家为了提高家庭用电效率,实现节能减排,开始了对家庭能耗进行研究。近年来,随着传感技术、信息通信技术、控制技术的发展,特别是智能电网的兴起,家庭能源管理系统的任务也在增加,而实现这一任务的前提就是对各种电器进行有效的监测。电力负荷监测对家庭和电力公司等都具有重大的意义,对于家庭而言:可以清楚了解每类电器的用电情况,并据此调整用电习惯以达到节能的目的;对电力公司而言:可以了解各地区的用电,并据此制定不同的套餐,实现电力的合理配置,达到资源的最大化利用。
目前电力负荷监测可以分为两种:
1、传统的侵入式检测,通过给各类电器增加相应传感器分路实现计量,进而实现的总电器的功耗监测,其投入较大,容易对电器的正常运转造成干扰,过多的线路接入使得用户接受程度也不是很好。
2、早期提出的非侵入式检测功耗,基于电器类别单元电流,只能对类别进行分解,不能细化到具体电器。而且大多依赖于电器的暂态特征数据,对硬件要求高,成本也就相应的提高了,对不利于产品的推广;而且其中的一些算法过于复杂不方便集成到硬件设备中,训练数据过多前期需要花费大量的人力成本。
发明内容
本发明的目的是提供一种基于交叉熵的非侵入式电器识别方法,解决传统的侵入式电器识别因过多线路的接入会对电器的正常运转造成干扰,以及目前的非侵入式电器识别方法不方便,训练数据过多,导致前期需花费大量的人力成本的问题。
本发明解决其技术问题,采用的技术方案是:基于交叉熵的非侵入式电器识别方法,包括如下步骤:
步骤1、选取样本电器,设置采集时间周期T,并采集每种电器在周期内的电流电压数据以及电流有效值,对采集到的电流数据进行电压相位对齐,然后截取M个周期的电流幅值列表,并计算电流幅值的最大值、最小值、差值和均值,以及电流有效值的最大值和最小值作为样本数据库;
步骤2、获取实测数据,得到电压相位对齐之后的所述M个周期内的电流幅值列表以及电流幅值的最大值、最小值、差值和均值;
步骤3、对电器数量进行one-hot编码,并配置量子遗传算法参数,运行该量子遗传算法,通过解空间转换获得多组电器数量解列表;
步骤4、根据获得多组电器数量解列表对应的每组电器列表,计算每类电器的数量权重,然后利用权重值作为电流占比计算预测电器组合的电流幅值列表;
步骤5、对获取的实测数据的电流幅值列表和通过量子遗传算法得到的多组预测电流幅值列表分别进行softmax回归处理,然后采用交叉熵作为量子遗传算法的适应度函数,计算其适应度函数值;
步骤6、将计算得到的多组适应度函数值组成列表L,并对列表L进行排序,并进行比分标记,适应度函数值越高的比分越低,反之越高,最小比分为1,最大比分为列表L的长度,得到比分最高的适应度函数值作为最优解,与该最优解对应的电器组合作为需识别的电器组合。
具体的是,步骤1中,对每种电器N周期负荷进行电压相位对齐,找到电流起点,根据所述电流起点位置截取M周期的电流幅值,并计算得到电流有效值。
进一步的是,步骤3中,对电器数量进行one-hot编码时,电器种类顺序固定不变。
具体的是,步骤3中,需要对获得多组电器数量解列表中每个解判断是否有效,若有效,则进行下一个解的判断,否则对无效的解进行标记,所有解判断完成后,若存在至少一个有效解,则进入步骤4,否则返回步骤1,重新选取样本电器。
进一步的是,判断解有效时,需符合以下三个条件:首先找到解下面所有电器负荷电流幅值最大值max和最小值min,若实测负荷最大电流幅值大于max的百分之x倍且实测负荷最小电流幅值小于等于min,则该解符合条件一;该解下加权求和值与差值的绝对值小于等于阈值,则该解符合条件二;实测负荷电流有效值大于等于量子遗传算法解最小电流有效值加权和值,并且小于等于算法解最大电流有效值加权和值,则该解符合条件三;
当解同时符合条件一、二和三时,则该解有效,否则该解无效。
具体的是,步骤5中,把softmax回归处理后的实测数据的电流幅值列表作为交叉熵适应度函数的P(x)项,把softmax回归处理后的预测的电流幅值列表作为交叉熵适应度函数的Q(x)项,计算交叉熵适应度函数值,所述交叉熵适应度函数如下:
H(P,Q)=-∑P(x)logQ(x)。
本发明的有益效果是,通过上述基于交叉熵的非侵入式电器识别方法,能够在非侵入电器的情况下,简单、有效地识别出需要的电器。
附图说明
图1为本发明基于交叉熵的非侵入式电器识别方法的流程图。
具体实施方式
下面结合附图,详细描述本发明的技术方案。
本发明所述基于交叉熵的非侵入式电器识别方法,其流程图参见图1,该方法包括如下步骤:
步骤1、选取样本电器,设置采集时间周期T,并采集每种电器在周期内的电流电压数据以及电流有效值,对采集到的电流数据进行电压相位对齐,然后截取M个周期的电流幅值列表,并计算电流幅值的最大值、最小值、差值和均值,以及电流有效值的最大值和最小值作为样本数据库。
其中,对每种电器N周期负荷进行电压相位对齐,找到电流起点,根据所述电流起点位置截取M周期的电流幅值,并计算得到电流有效值。
步骤2、获取实测数据,得到电压相位对齐之后的所述M个周期内的电流幅值列表以及电流幅值的最大值、最小值、差值和均值。
步骤3、对电器数量进行one-hot编码,并配置量子遗传算法参数,运行该量子遗传算法,通过解空间转换获得多组电器数量解列表。
其中,对电器数量进行one-hot编码时,电器种类顺序固定不变。
并且,需要对获得多组电器数量解列表中每个解判断是否有效,若有效,则进行下一个解的判断,否则对无效的解进行标记,所有解判断完成后,若存在至少一个有效解,则进入步骤4,否则返回步骤1,重新选取样本电器。
这里,判断解有效时,需符合以下三个条件:首先找到解下面所有电器负荷电流幅值最大值max和最小值min,若实测负荷最大电流幅值大于max的百分之x倍且实测负荷最小电流幅值小于等于min,则该解符合条件一;该解下加权求和值与差值的绝对值小于等于阈值,则该解符合条件二;实测负荷电流有效值大于等于量子遗传算法解最小电流有效值加权和值,并且小于等于算法解最大电流有效值加权和值,则该解符合条件三;
当解同时符合条件一、二和三时,则该解有效,否则该解无效。
步骤4、根据获得多组电器数量解列表对应的每组电器列表,计算每类电器的数量权重,然后利用权重值作为电流占比计算预测电器组合的电流幅值列表。
步骤5、对获取的实测数据的电流幅值列表和通过量子遗传算法得到的多组预测电流幅值列表分别进行softmax回归处理,然后采用交叉熵作为量子遗传算法的适应度函数,计算其适应度函数值。
其中,把softmax回归处理后的实测数据的电流幅值列表作为交叉熵适应度函数的P(x)项,把softmax回归处理后的预测的电流幅值列表作为交叉熵适应度函数的Q(x)项,计算交叉熵适应度函数值,所述交叉熵适应度函数如下:
H(P,Q)=-∑P(x)logQ(x)。
步骤6、将计算得到的多组适应度函数值组成列表L,并对列表L进行排序,并进行比分标记,适应度函数值越高的比分越低,反之越高,最小比分为1,最大比分为列表L的长度,得到比分最高的适应度函数值作为最优解,与该最优解对应的电器组合作为需识别的电器组合。
Claims (6)
1.基于交叉熵的非侵入式电器识别方法,其特征在于,包括如下步骤:
步骤1、选取样本电器,设置采集时间周期T,并采集每种电器在周期内的电流电压数据以及电流有效值,对采集到的电流数据进行电压相位对齐,然后截取M个周期的电流幅值列表,并计算电流幅值的最大值、最小值、差值和均值,以及电流有效值的最大值和最小值作为样本数据库;
步骤2、获取实测数据,得到电压相位对齐之后的所述M个周期内的电流幅值列表以及电流幅值的最大值、最小值、差值和均值;
步骤3、对电器数量进行one-hot编码,并配置量子遗传算法参数,运行该量子遗传算法,通过解空间转换获得多组电器数量解列表;
步骤4、根据获得多组电器数量解列表对应的每组电器列表,计算每类电器的数量权重,然后利用权重值作为电流占比计算预测电器组合的电流幅值列表;
步骤5、对获取的实测数据的电流幅值列表和通过量子遗传算法得到的多组预测电器组合的电流幅值列表分别进行softmax回归处理,然后采用交叉熵作为量子遗传算法的适应度函数,计算其适应度函数值;
步骤6、将计算得到的多组适应度函数值组成列表L,并对列表L进行排序,并进行比分标记,适应度函数值越高的比分越低,反之越高,最小比分为1,最大比分为列表L的长度,得到比分最高的适应度函数值作为最优解,与该最优解对应的电器组合作为需识别的电器组合。
2.根据权利要求1所述的基于交叉熵的非侵入式电器识别方法,其特征在于,步骤1中,对每种电器N周期负荷进行电压相位对齐,找到电流起点,根据所述电流起点位置截取M周期的电流幅值,并计算得到电流有效值。
3.根据权利要求1所述的基于交叉熵的非侵入式电器识别方法,其特征在于,步骤3中,对电器数量进行one-hot编码时,电器种类顺序固定不变。
4.根据权利要求1所述的基于交叉熵的非侵入式电器识别方法,其特征在于,步骤3中,需要对获得多组电器数量解列表中每个解判断是否有效,若有效,则进行下一个解的判断,否则对无效的解进行标记,所有解判断完成后,若存在至少一个有效解,则进入步骤4,否则返回步骤1,重新选取样本电器。
5.根据权利要求4所述的基于交叉熵的非侵入式电器识别方法,其特征在于,判断解有效时,需符合以下三个条件:首先找到解下面所有电器负荷电流幅值最大值max和最小值min,若实测负荷最大电流幅值大于max的百分之x倍且实测负荷最小电流幅值小于等于min,则该解符合条件一;该解下加权求和值与差值的绝对值小于等于阈值,则该解符合条件二;实测负荷电流有效值大于等于量子遗传算法解最小电流有效值加权和值,并且小于等于算法解最大电流有效值加权和值,则该解符合条件三;
当解同时符合条件一、二和三时,则该解有效,否则该解无效。
6.根据权利要求1所述的基于交叉熵的非侵入式电器识别方法,其特征在于,步骤5中,把softmax回归处理后的实测数据的电流幅值列表作为交叉熵适应度函数的P(x)项,把softmax回归处理后的预测的电流幅值列表作为交叉熵适应度函数的Q(x)项,计算交叉熵适应度函数值,所述交叉熵适应度函数如下:
H(P,Q)=-∑P(x)logQ(x)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910453513.0A CN110146758B (zh) | 2019-05-28 | 2019-05-28 | 基于交叉熵的非侵入式电器识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910453513.0A CN110146758B (zh) | 2019-05-28 | 2019-05-28 | 基于交叉熵的非侵入式电器识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110146758A CN110146758A (zh) | 2019-08-20 |
CN110146758B true CN110146758B (zh) | 2021-02-09 |
Family
ID=67593618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910453513.0A Active CN110146758B (zh) | 2019-05-28 | 2019-05-28 | 基于交叉熵的非侵入式电器识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110146758B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859627B (zh) * | 2020-06-29 | 2023-09-22 | 珠海格力电器股份有限公司 | 一种元器件模型的参数优化方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201530959A (zh) * | 2014-01-20 | 2015-08-01 | Univ Nat Taipei Technology | 非侵入式負載監測系統及其方法 |
CN108345906A (zh) * | 2018-02-09 | 2018-07-31 | 无锡英臻科技有限公司 | 一种基于Boost模型的非侵入式用电器识别方法 |
CN108537385A (zh) * | 2018-04-12 | 2018-09-14 | 广东电网有限责任公司 | 一种非侵入式居民用电负荷识别方法 |
CN108616120A (zh) * | 2018-04-28 | 2018-10-02 | 西安理工大学 | 一种基于rbf神经网络的非侵入式电力负荷分解方法 |
CN109116100A (zh) * | 2018-07-09 | 2019-01-01 | 清华大学 | 一种基于编码-解码结构的电力负荷用电分解方法 |
CN109387712A (zh) * | 2018-10-09 | 2019-02-26 | 厦门理工学院 | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 |
CN109470957A (zh) * | 2018-11-12 | 2019-03-15 | 四川长虹电器股份有限公司 | 一种基于Fréchet distance的非侵入式电器识别方法 |
CN109541346A (zh) * | 2018-11-23 | 2019-03-29 | 四川长虹电器股份有限公司 | 一种稳态工况下的非侵入式电力负载识别提升方法 |
CN109613362A (zh) * | 2018-12-14 | 2019-04-12 | 四川长虹电器股份有限公司 | 非侵入式电器数量识别方法 |
CN109633301A (zh) * | 2018-12-03 | 2019-04-16 | 四川长虹电器股份有限公司 | 基于量子遗传优化的非侵入式电器负荷识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150285807A1 (en) * | 2012-06-11 | 2015-10-08 | The Brigham And Women's Hospital, Inc. | System and method for detecting cancer |
-
2019
- 2019-05-28 CN CN201910453513.0A patent/CN110146758B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201530959A (zh) * | 2014-01-20 | 2015-08-01 | Univ Nat Taipei Technology | 非侵入式負載監測系統及其方法 |
CN108345906A (zh) * | 2018-02-09 | 2018-07-31 | 无锡英臻科技有限公司 | 一种基于Boost模型的非侵入式用电器识别方法 |
CN108537385A (zh) * | 2018-04-12 | 2018-09-14 | 广东电网有限责任公司 | 一种非侵入式居民用电负荷识别方法 |
CN108616120A (zh) * | 2018-04-28 | 2018-10-02 | 西安理工大学 | 一种基于rbf神经网络的非侵入式电力负荷分解方法 |
CN109116100A (zh) * | 2018-07-09 | 2019-01-01 | 清华大学 | 一种基于编码-解码结构的电力负荷用电分解方法 |
CN109387712A (zh) * | 2018-10-09 | 2019-02-26 | 厦门理工学院 | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 |
CN109470957A (zh) * | 2018-11-12 | 2019-03-15 | 四川长虹电器股份有限公司 | 一种基于Fréchet distance的非侵入式电器识别方法 |
CN109541346A (zh) * | 2018-11-23 | 2019-03-29 | 四川长虹电器股份有限公司 | 一种稳态工况下的非侵入式电力负载识别提升方法 |
CN109633301A (zh) * | 2018-12-03 | 2019-04-16 | 四川长虹电器股份有限公司 | 基于量子遗传优化的非侵入式电器负荷识别方法 |
CN109613362A (zh) * | 2018-12-14 | 2019-04-12 | 四川长虹电器股份有限公司 | 非侵入式电器数量识别方法 |
Non-Patent Citations (2)
Title |
---|
"Information fusion-based method for distributed domain name system cache poisoning attack detection and identification";Hao Wu et al.;《IET Information Security》;20151228;第10卷(第01期);第37-44页 * |
"基于监督学习的非侵入式负荷监测算法比较";涂京;《电力自动化设备》;20181207(第12期);第128-134页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110146758A (zh) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109470957B (zh) | 一种基于弗雷歇距离的非侵入式电器识别方法 | |
CN109345409B (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
CN110956220B (zh) | 一种非侵入式家用电器负荷识别方法 | |
Lin et al. | Non-intrusive load monitoring by novel neuro-fuzzy classification considering uncertainties | |
CN105425079B (zh) | 基于实时平均功率频域分析的洗衣机运行非侵入辨识方法 | |
CN109633301B (zh) | 基于量子遗传优化的非侵入式电器负荷识别方法 | |
CN105823948A (zh) | 一种非干预式居民负荷识别方法 | |
CN110119545B (zh) | 一种基于栈式自编码器的非侵入式电力负荷识别方法 | |
CN113036759B (zh) | 一种电力用户负荷细粒度识别方法及识别系统 | |
CN112286063A (zh) | 一种基于非侵入量测的区域能耗监测系统及方法 | |
CN109299134B (zh) | 一种非侵入式监测系统下电器的识别方法 | |
CN111722028A (zh) | 一种基于高频数据的负荷识别方法 | |
CN109613362B (zh) | 非侵入式电器数量识别方法 | |
CN106532719A (zh) | 基于电流二次谐波与无功的非变频空调非侵入式辨识方法 | |
CN104319774A (zh) | 智能社区的监控方法和装置 | |
CN103018611B (zh) | 一种基于电流分解的非侵入式负载监测方法及系统 | |
CN110309984A (zh) | 一种非侵入式负荷识别与短期用户行为预测方法 | |
CN110146758B (zh) | 基于交叉熵的非侵入式电器识别方法 | |
CN107767037A (zh) | 一种用户用电构成解析方法 | |
Gurbuz et al. | Comprehensive non-intrusive load monitoring process: Device event detection, device feature extraction and device identification using KNN, random forest and decision tree | |
CN110244150B (zh) | 一种基于均方根和标准差的非侵入式电器识别方法 | |
CN108267637A (zh) | 一种基于混合频谱特性的洗衣机非侵入式运行检测方法 | |
CN116317096B (zh) | 基于人工智能的抽屉式采控柜系统 | |
CN112949563B (zh) | 基于变点检测和改进knn算法的非侵入式负荷识别方法 | |
Buchhop et al. | Residential load identification based on load profile using artificial neural network (ANN) |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |