CN115982618A - 一种基于离散小波变换的电气指纹识别方法 - Google Patents
一种基于离散小波变换的电气指纹识别方法 Download PDFInfo
- Publication number
- CN115982618A CN115982618A CN202211539247.1A CN202211539247A CN115982618A CN 115982618 A CN115982618 A CN 115982618A CN 202211539247 A CN202211539247 A CN 202211539247A CN 115982618 A CN115982618 A CN 115982618A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- electrical
- training
- vector
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于电气指纹识别技术领域，具体为一种基于离散小波变换的电气指纹识别方法。本发明首先采集待识别负载的瞬时电流，并将数据形式组织成1维向量，然后对其进行3层DWT，提取近似系数，作为当前时段采集数据的唯一待识别特征；送入预先训练好的CNN模型，进行特征分类；根据分类结果获得当前正在运行的负载类别，实现电气指纹的识别。本发明利用DWT强大的提取信息的能力，减少原始样本的数据长度，同时保留较多原始样本的特征信息，简化模型训练；相较于传统算法，本发明提高了电气负载的识别效率，实现了对负载的监控，从而对用电管理提出指导性意见，具有广泛的应用场景。
Description
技术领域
本发明属于电气指纹识别技术领域，具体涉及基于离散小波变换的电气指纹识别方法。
背景技术
不同负载由于自身电阻，电感，电容等参数以及工作环境的不同，产生的电气参数，诸如电流，功率等也不同。这些对于不同负载来说独一无二的数据，正如人类的指纹一样，能够区分出不同的电气负载。通过非入侵式监控的方法，实时采集到电路中的电气数据，识别和记录电路中工作的电气负载，达到合理分配用电的目的。
传统深度学习在电气指纹识别领域的应用通常需要较多的数据量来形成原始特征，使得模型参数较多，训练速度较慢。《DeepDFML-NILM:A New CNN-Based Architecturefor Detection,Feature Extraction and Multi-Label Classification in NILMSignals》中，利用了原始电流作为输入，样本包含的数据多达几十万，处理起来非常不方便。《Improving V-I Trajectory Load Signature in NILM Approach》中将电流电压处理成V-I轨迹曲线，需要同时使用电压和电流数据，数据量也很大。
本发明引入离散小波变换(以下简称DWT)，只需要采集瞬时电流数据，而且能够将较长的原始数据，在保留较多原始数据特征的前提下，减少数据的长度，从而减少模型参数，加快模型训练，提高模型的预测效率。
发明内容
针对电气负载高识别率的需求，本发明的目的在于提供一种电气负载识别效率高的基于离散小波变换(DWT)的电气指纹识别方法。
本发明提供的基于离散小波变换的电气指纹识别方法，首先采集待识别负载的瞬时电流，并将数据形式组织成1维向量，然后对其进行3层DWT，提取近似系数，作为当前时段采集数据的唯一待识别特征；送入预先训练好的CNN模型，进行特征分类；根据分类结果获得当前正在运行的负载类别，实现电气指纹的识别；具体步骤如下：
步骤1：采集用于训练CNN模型的训练数据集，数据为一系列单一负载的电气数据，包括一系列单一电气负载开关机以及档位切换时的瞬时电流，每个负载采集4组数据，每组采集1000个点；
步骤2：对步骤1采集的电气数据进行处理，将每组1000个瞬时电流点组织成1维向量形式(记为[I1,I2，I3…I1000])，然后将得到的向量进行3层DWT，获得近似系数向量；对所有采集到的数据进行相同的处理后，即可获得CNN模型的训练数据集；
步骤3：用步骤2中准备的训练数据集训练CNN模型；
所述CNN模型，包含五个卷积模块、全连接层以及softmax函数，每个卷积模块在经过卷积后还有最大池化，用于采样；CNN模型的损失函数采用交叉熵损失函数，通过误差反向传播以及梯度下降算法来更新模型参数，完成模型训练；训练时将步骤2获得的数据集作为输入，输出为预测标签的概率向量，即输入属于每一类别的概率，通过和实际标签计算交叉熵获得损失函数，然后利用梯度下降和误差反向传播，完成实际模型的训练；
步骤4：实时采集电路中的瞬时电流(采集长度1000个数据点)，组织成1维向量形式，然后进行3层DWT获得近似系数向量，输入训练好的CNN模型进行分类识别，得出目前电路中有哪些负载及负载运行状态。
进一步地：
步骤1中，所述采集用于训练CNN模型的一系列单一负载的电气数据，具体说明如下：
使用6个用于采集数据的负载，分别编号D1、D2、…、D6。在采集电气数据时，选定一个负载，从0时刻采集器开始采集，采集频率为1kHz，采集到的数据中，从t到(t+1000)ms这一段时间中，获取到一个长度为1000的向量；
获取用来训练CNN模型的目标负载状态数据时，以D1负载为例，D1的开机和关机都是需要检测的状态，在0ms处开始进行数据采集，在500ms处D1开机，1500ms处D1关机，2500ms处停止采集，取[100,1100]、[200,1200]、[300,1300]和[400,1400]四个时段的电流作为D1运行的原始数据，取[1100,2100]，[1200,2200]，[1300,2300]，[1400,2400]四个时段的电流作为D1关机的原始数据，同时需要给该部分数据进行标注，对应标签为“D1开机”或“D1关机”。其他负载同理，如果负载存在多种运行状态，则每种状态都要按前述采集并打上对应标签。
步骤2的具体流程为：
(1)将原始电气数据中，每一组瞬时电流包含1000个数据点，组织成1维向量的形式，记为[I1,I2，I3…I1000]；
(2)对上一步骤得到电流向量进行3层DWT，获得近似系数，每层近似系数计算式如下：
其中，Aj,k表示近似系数，N表示输入样本点个数，j表示尺度变换系数，k表示位置变换系数，f(n)为原始离散信号，
为小波基函数的共轭(若为实数域，则不用取共轭)；三层DWT计算时，第1层之后的近似系数计算用上一层计算得到的近似系数进行DWT后得到；
(3)将上述获得近似系数向量，作为待分类的特征向量，并与原始数据的标签对应，得到一个完整的特征；
(4)将所有的原始电气数据进行上述处理后，就得到CNN模型的训练集。
步骤4的的具体流程为：
(1)根据实时检测要求，待检测电路的电流和电压以1kHz的频率进行采样，假定待检测电路在0毫秒时刻接通开始工作，则每当采集到的数据达到1000个后，就将这1000个作为一个块取出，采集器继续采集，直到攒够下一组1000个后取出，持续循环处理，直至停止检测；
(2)每一个块取出后里边的数据是原始的电流数据，组织成1维向量，先经过3层DWT，获得近似系数向量，然后将其送入训练好的CNN模型中进行分类，根据分类结果获得当前原始数据所包含的电气负载的标签；
(3)电气负载标签中包含负载名称以及运行状态，至此可以从采集的总电气参数中分离得到正在运行的负载及状态。
经过以上步骤，我们可以实时地识别出被监测电路中出现的负载类别，以达到合理分配用电和保障用电安全的目的。
本发明使用瞬时电流经过DWT后提取的近似系数作为有效特征，缩短了不同负载在不同状态下的原始特征数据长度，降低了模型训练的难度。由于近似系数保留了原始数据较多的信息，加上CNN网络强大的分类能力，最终电气负载的识别率也较高。
本发明与现有技术相比，能降低模型训练难度的同时，保持较高准确度的电气负载识别率，有助于对电路进行监控、对危险用电进行警示，具有广泛的应用场景，为电能的合理分配以及用电安全提供了一种实时、高效，高准确率的技术方案。
附图说明
图1为本发明流程图。
具体实施方式
本发明包括训练集的构造、CNN模型的训练，以及实时数据的采集和分类等内容。本方法需提前采集一定量的电气数据，用来形成模型的训练集，训练CNN模型。利用瞬时电流经过3层DWT后提取的近似系数作为唯一特征，标识不同负载的不同状态。
下面通过具体实施例对本发明的技术方案作进一步详细描述。
参阅图1，本发明在采集到设备的瞬时电流数据点后，组织成1维向量的形式，然后经过3层DWT提取近似系数，将其送入训练好的CNN模型进行分类，从而识别电气负载及运行状态，其方法可分为如下几个步骤：
步骤1：采集用于训练CNN模型的一系列单一负载的电气数据；
此步骤需要采集本发明要检测的特定目标电器在特定状态(开关或切换档位)时的电气数据。本发明使用6个用于采集数据的电器，分别编号D1、D2、…、D6。获取用来训练CNN模型的目标负载状态切换数据的具体采集方法如下：
根据实时检测要求，本发明以1kHz的频率对待检测负载的瞬时电流进行采样，也就是每秒钟得到1000个电路中电流瞬时值。故而在电路开始正常工作后，本发明会以每秒钟1000组数据的速度接连不断的获取到当前电路中的电流数据。但是在实际的电气指纹检测过程中，为了方便检测，本发明将获取到的连续时序数据进行了分段，长度为1000，即从0ms开始，每过1000ms，本发明就获取到了1000个电流数据，然后将这1000个数据作为一个整体进行处理，也就是一个1维窗口向量；
取吸尘器作为一个目标负载时，吸尘器的开机和关机都是需要检测的状态变化，以吸尘器“打开”这一目标特征的形成为例子进行说明：假设吸尘器在500毫秒处打开开始工作，则本发明从2ms(包括)处开始，截取长度1000的电流数据，然后从3ms开始，每隔1ms重复之前的数据采集过程，直至399ms(包括)处结束，得到398个长度为1000的瞬时电流数据块，这些1维窗口向量就是对应于标签“吸尘器打开”的原始电气数据。
本发明中实验的目标负载使用6个用于采集数据的电器，其对应的所有状态如下：
(1)吸尘器：开机+关机；
(2)吹风机：开机到1档+切换到2档+切换到1档+关机；
(3)小电锅：开机到1档+切换到2档+从1档关闭，开机到2档+关机；
(4)鼓风机：开机+关机；
(5)暖风机：开机+关机；
(6)电熨斗：开机+关机；
最终得到的特征库中特征数量为：398*16＝6368个。
步骤2：将步骤1采集的电气数据看成1维向量，经过3层DWT后提取到近似系数，作为CNN模型的训练集；
CNN模型的基础训练数据中，每一个窗口向量有1000个电流瞬时值，其处理方式如下：
(1)经过3层DWT提取近似系数，近似系数计算公式如下：
其中A表示近似系数，N表示输入样本点个数，j表示尺度变换系数，k表示位置变换系数，f(n)为原始离散信号，
为小波基函数的共轭(若为实数域，则不用取共轭)；多层DWT计算时，第1层之后的近似系数计算用上一层计算得到的近似系数进行DWT后得到；
(2)将所有的原始数据进行上述处理后，就得到CNN模型的训练集。
步骤3：用步骤2中形成的训练集训练CNN模型；
构建CNN模型，首先是五层卷积模块，卷积核大小为9，卷积核数量为6，步长为1，每个卷积模块最后都有一个最大池化采样,。初始化学习率为0.001，将步骤2中的训练数据送入初始化后的网络来训练CNN模型。
步骤4：实时采集电路中的瞬时电流，组织成1维向量，再经过3层DWT提取近似系数，作为原石特征向量，之后将所得特征向量输入训练好的CNN模型进行识别分类；
(1)根据实时检测要求，待检测电路的电流和电压以1kHz的频率进行采样，假定待检测电路在0毫秒时刻接通开始工作，则每当采集到的数据达到1000个后，就将这1000个作为一个块取出，采集器继续采集，直到攒够下一个1000个后取出，持续循环处理，直至停止检测；
(2)每一个块取出后里边的数据是原始的电流数据，通过3层DWT提取近似系数作为原始特征向量，并将该特征向量送入训练好的CNN模型中进行分类，根据分类结果获得当前原始数据所包含的电气负载的标签；
(3)电气负载标签中包含负载名称以及运行状态，至此可以从采集的总电气参数中分离得到正在运行的负载及状态。
本实施例中，通过实时检测的方式，对所有负载的所有状态进行了多次的模拟实验，状态切换共进行了约500次，平均每个状态特征出现次数约100次，其实验结果详见下述表1。
表1各负载检测准确率(％)
| 吹风机 | 吸尘器 | 小电锅 | 鼓风机 | 暖风机 | 电熨斗 | ||
| 开启/开启到1档 | 98 | 98 | 97 | 98 | 98 | 96 | |
| 开启到2档/切换到2档 | 98 | -- | 97 | -- | -- | -- | |
| 从2档关闭/切换到1档 | 97 | -- | 96 | -- | -- | -- | |
| 关闭 | 98 | 96 | 96 | 98 | 97 | 96 | 平均准确率 |
| 均值 | 97.75 | 97.00 | 96.50 | 98.00 | 97.50 | 96.00 | 97.08 |
。
上述实验证明，本发明对负载状态切换特征检测的平均准确率有97.58％。
以上只是为本发明的一种实施方式，并非用以限制本发明，对于不脱离本发明构思前提下做出的变形与改进，都属于本发明的权利要求保护范围。
Claims (4)
1.一种基于离散小波变换的电气指纹识别方法，其特征在于，首先采集待识别负载的瞬时电流，并将数据形式组织成1维向量，然后对其进行3层DWT，提取近似系数，作为当前时段采集数据的唯一待识别特征；送入预先训练好的CNN模型，进行特征分类；根据分类结果获得当前正在运行的负载类别，实现电气指纹的识别；具体步骤如下：
步骤1：采集用于训练CNN模型的训练数据集，数据为一系列单一负载的电气数据，包括一系列单一电气负载开关机以及档位切换时的瞬时电流，每个负载采集4组数据，每组采集1000个点；
步骤2：对步骤1采集的电气数据进行处理，将每组1000个瞬时电流点组织成1维向量形式，然后将得到的向量进行3层DWT，获得近似系数向量；对所有采集到的数据进行相同的处理后，即可获得CNN模型的训练数据集；
步骤3：用步骤2中准备的训练数据集训练CNN模型；
所述CNN模型，包含五个卷积模块、全连接层以及softmax函数，每个卷积模块在经过卷积后还有最大池化，用于采样；CNN模型的损失函数采用交叉熵损失函数，通过误差反向传播以及梯度下降算法来更新模型参数，完成模型训练；训练时将步骤2获得的数据集作为输入，输出为预测标签的概率向量，即输入属于每一类别的概率，通过和实际标签计算交叉熵获得损失函数，然后利用梯度下降和误差反向传播，完成实际模型的训练；
步骤4：实时采集电路中的瞬时电流，采集长度1000个数据点，组织成1维向量形式，然后进行3层DWT获得近似系数向量，输入训练好的CNN模型进行分类识别，得出目前电路中有哪些负载及负载运行状态。
2.根据权利要求1所述的基于离散小波变换的电气指纹识别方法，其特征在于，步骤1中所述采集用于训练CNN模型的一系列单一负载的电气数据，具体如下：
对于6个用于采集数据的负载，分别编号D1、D2、…、D6；在采集电气数据时，选定一个负载，从0时刻采集器开始采集，采集频率为1kHz，采集到的数据中，从t到(t+1000)ms这一段时间中，获取到一个长度为1000的向量；
获取用来训练CNN模型的目标负载状态数据时，对于D1负载，D1的负载状态包括开机和关机，都是需要检测的状态；在0ms处开始进行数据采集，在500ms处D1开机，1500ms处D1关机，2500ms处停止采集，取[100,1100]、[200,1200]、[300,1300]和[400,1400]四个时段的电流作为D1运行的原始数据，取[1100,2100]，[1200,2200]，[1300,2300]，[1400,2400]四个时段的电流作为D1关机的原始数据，同时给该部分数据进行标注，对应标签为“D1开机”或“D1关机”；对于其他负载，同样处理；
对于负载存在多种运行状态，则每种状态都要按前述采集并打上对应标签。
3.根据权利要求2所述的基于离散小波变换的电气指纹识别方法，其特征在于，步骤2的具体流程为：
(1)将原始电气数据中，每一组瞬时电流包含1000个数据点，组织成1维向量的形式，记为[I1,I2，I3…I1000]；
(2)对上一步骤得到电流向量进行3层DWT，获得近似系数，每层近似系数计算公式如下：
其中，Aj,k表示近似系数，N表示输入样本点个数，j表示尺度变换系数，k表示位置变换系数，f(n)为原始离散信号，
为小波基函数的共轭，若为实数域，则不用取共轭；三层DWT计算时，第1层之后的近似系数计算用上一层计算得到的近似系数进行DWT后得到；
(3)将上述获得近似系数向量，作为待分类的特征向量，并与原始数据的标签对应，得到一个完整的特征；
(4)将所有的原始电气数据进行上述处理，就得到CNN模型的训练集。
4.根据权利要求3所述的基于离散小波变换的电气指纹识别方法，其特征在于，步骤4的具体流程为：
(1)根据实时检测要求，待检测电路的电流和电压以1kHz的频率进行采样，假定待检测电路在0毫秒时刻接通开始工作，则每当采集到的数据达到1000个后，就将这1000个作为一个块取出，采集器继续采集，直到攒够下一组1000个后取出，持续循环处理，直至停止检测；
(2)每一个块取出后里边的数据是原始的电流数据，组织成1维向量，先经过3层DWT，获得近似系数向量，然后将其送入训练好的CNN模型中进行分类，根据分类结果获得当前原始数据所包含的电气负载的标签；
(3)电气负载标签中包含负载名称以及运行状态，至此可以从采集的总电气参数中分离得到正在运行的负载及状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211539247.1A CN115982618A (zh) | 2022-12-01 | 2022-12-01 | 一种基于离散小波变换的电气指纹识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211539247.1A CN115982618A (zh) | 2022-12-01 | 2022-12-01 | 一种基于离散小波变换的电气指纹识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115982618A true CN115982618A (zh) | 2023-04-18 |
Family
ID=85972935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211539247.1A Pending CN115982618A (zh) | 2022-12-01 | 2022-12-01 | 一种基于离散小波变换的电气指纹识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115982618A (zh) |
-
2022
- 2022-12-01 CN CN202211539247.1A patent/CN115982618A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110514889A (zh) | 一种非侵入式家庭用电负载识别的方法及系统 | |
| CN110504679B (zh) | 一种基于km匹配算法的非侵入式负荷辨识方法 | |
| CN110244205A (zh) | 一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法 | |
| CN111582357B (zh) | 一种基于多维度集成的电力指纹识别方法 | |
| CN111563827B (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
| CN111242276B (zh) | 一种用于负荷电流信号识别的一维卷积神经网络构建方法 | |
| CN113408341A (zh) | 负荷识别方法、装置、计算机设备和存储介质 | |
| CN112819649A (zh) | 确定台区户变关系的方法及装置 | |
| CN113902183A (zh) | 基于bert的非侵入式台区充电桩状态监测与电价调整方法 | |
| CN115982618A (zh) | 一种基于离散小波变换的电气指纹识别方法 | |
| CN114359674A (zh) | 基于度量学习的非侵入式负荷识别方法 | |
| CN111881793B (zh) | 一种基于胶囊网络的非侵入式负荷监测方法与系统 | |
| CN115616280A (zh) | 一种基于注意力机制的事件检测方法 | |
| Xia et al. | A Switch State Recognition Method based on Improved VGG19 network | |
| Cheng et al. | Fault detection and isolation for chiller system based on deep autoencoder | |
| CN116561651A (zh) | 一种基于主动学习的电气指纹识别方法 | |
| CN115563583A (zh) | 基于多物理量融合的非侵入式负荷监测方法 | |
| CN116089881A (zh) | 一种基于树卷积神经网络的电气指纹识别方法 | |
| CN115204290A (zh) | 一种基于特征聚类的非侵入式电气指纹识别方法 | |
| CN118097238A (zh) | 一种基于v-i轨迹颜色编码的电气指纹识别方法 | |
| CN116881804A (zh) | 一种基于gsp算法的电气指纹识别方法 | |
| Aguiar et al. | Performance of scattering transform feature extraction for electrical load classification | |
| CN111626329A (zh) | 一种基于lda寻优多尺度纹理特征的绝缘管母故障诊断方法 | |
| CN115309784A (zh) | 一种基于中心损失的电气特征提取方法 | |
| CN118070114A (zh) | 一种基于马尔科夫转移场的电气指纹识别方法 |
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 |