CN116028853A - 一种基于知识图谱的家庭电器识别方法与系统 - Google Patents
一种基于知识图谱的家庭电器识别方法与系统 Download PDFInfo
- Publication number
- CN116028853A CN116028853A CN202310111912.5A CN202310111912A CN116028853A CN 116028853 A CN116028853 A CN 116028853A CN 202310111912 A CN202310111912 A CN 202310111912A CN 116028853 A CN116028853 A CN 116028853A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- household
- appliance
- data
- extraction
- 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.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于知识图谱的家庭电器识别方法与系统,方法包括:采用侵入式技术,获取家庭电器的多源数据;基于多源数据,进行家庭电器实体特征提取以及家庭电器知识抽取;采用嵌入表示技术,对家庭电器知识抽取的结果以及提取的实体特征,进行知识融合;基于知识融合,进行家庭电器的本体构建以及质量评估;基于本体构建、质量评估以及知识推理,构建家庭电器知识图谱;基于知识图谱,获得特征矩阵;采用非侵入式技术,获取待识别家庭电器数据;对待识别家庭电器数据进行预处理,并进行待识别家庭电器特征提取;将待识别家庭电器特征提取的结果与特征矩阵进行匹配,实现家庭电器的识别。增强了家庭电器识别系统的精准性、鲁棒性和可解释性。
Description
技术领域
本发明属于电力系统电器识别技术领域,具体涉及一种基于知识图谱的家庭电器识别方法与系统。
背景技术
随着科技迅速发展和人们生活水平的不断提高,家庭中使用电器的种类和数量不断增加,使得电力系统出现超负荷现象,严重时会出现电网中断的情况,影响人们的正常生活和工作。因此,若能实现对家庭用户各种电器进行全方位监测,对家庭、电网和社会将是一件非常有意义的事情。对家庭来说,若能随时得到家庭中每种电器的运行情况和电能消耗,将能够有效提高家庭的节能意识;对于电网而言,通过对家庭电器的有效识别,分析它们的运行和能耗等,能够为每个家庭提供更精准的服务,也可从不同维度了解电力负荷分布情况,从而提高了电网规划的科学性、运行的安全性以及铺设的经济性;对社会而言,每个家庭的智慧用电将有助于实现整个社会的节能减排和可持续发展。有关研究表明,在不考虑电价和优惠的情况下,电力企业若向每个家庭提供其内部电器的运行和用电情况则可以为每个家庭节约12%的电能消耗。因此,获取、存储家庭电器信息并进行家庭电器识别和管理成为了目前研究的热点。
纵观电器识别领域的技术方法,大多都是提取电器本身的电气特征进行识别,而忽视电器的使用者、环境因素以及这些特征、因素间的相互关系等。特别是家庭电器识别中除了电器本身的特性外其它的环境因素也是非常重要的,而这些家庭电器及其因素间又存在千丝万缕的关系,为了能够更精准地识别和管理家庭电器,需要一种合适的技术方法把这些电器及其关系因素存储和管理起来,而知识图谱技术正好符合我们的这种需求。要构建知识图谱,我们就需要获取大量的家庭电器数据信息及其相关资料。在目前的研究中,获取家庭电器数据的技术主要有侵入式和非侵入式技术两种,前者是通过在家庭中的每个电器上安装采集器并用家庭集中器(如网关)连接各个采集器,从而获取家庭中各种电器的电气特征,这种技术在家庭电器较少时比较可行,但是随着电器数量的增多,对各个电器的安装、维护成本等会不断上升,故这种技术目前使用的很少;后者只需要在家庭的总供电线路处安装一个电器信息采集器实现对家庭内部各个电器信息进行采集,这大大降低了安装和维护的成本,故成为了目前使用的主流技术。对比两种技术,侵入式技术能够非常简单地获取各个电器的特性,对电器识别方法要求低且识别准确度较高;而非侵入式技术大大减少了采集器的安装难度和硬件开销,但电器特性的获取比较困难、电器识别算法的复杂度上升、识别准确率下降,特别是非侵入式技术对小功率电器、功率相近的电器以及具有多种运行模式电器的识别非常困难。
总而言之,为了解决上述问题,在权衡技术方法、性能和成本基础上,我们采用以非侵入式技术为主、侵入式技术为辅的策略获取家庭电器的数据信息,且联合结构化数据、半结构化和非结构化家庭电器数据资料通过深度学习技术来构建家庭电器知识图谱,并在此基础上构造一种基于知识图谱的家庭电器识别方法和系统。
发明内容
本发明旨在解决现有技术的不足,提出一种基于知识图谱的家庭电器识别方法与系统,增强了家庭电器识别系统的精准性、鲁棒性和可解释性。
为实现上述目的,本发明提供了如下方案:
一种基于知识图谱的家庭电器识别方法,包括以下步骤:
采用侵入式技术,获取家庭电器的多源数据;
基于所述多源数据,进行家庭电器实体特征提取以及家庭电器知识抽取;
采用嵌入表示技术,对所述家庭电器知识抽取的结果以及提取的所述实体特征,进行知识融合;
基于所述知识融合,进行家庭电器的本体构建以及质量评估;
基于所述本体构建、所述质量评估以及知识推理,构建家庭电器知识图谱;
基于所述知识图谱,获得特征矩阵;
采用非侵入式技术,获取待识别家庭电器数据;
对所述待识别家庭电器数据进行预处理,并进行待识别家庭电器特征提取;
将所述待识别家庭电器特征提取的结果与所述特征矩阵进行匹配,实现家庭电器的识别。
优选的,所述多源数据,包括:特征数据、结构化数据、半结构化数据以及非结构化数据。
优选的,实现所述家庭电器知识抽取的方法为:
对所述结构化数据进行映射;
对所述半结构化数据以及所述非结构化数据进行实体抽取、关系抽取以及属性抽取。
优选的,实现所述知识融合的方法为:
预设实体对象;
采用所述嵌入表示技术,基于所述实体抽取、所述关系抽取以及所述属性抽取,进行实体对齐、属性对齐以及属性值合并,并将所述实体特征链接到所述实体对象上,实现所述知识融合。
优选的,所述特征矩阵为包括典型特征和辅助特征的特征矩阵。
优选的,所述典型特征的提取方法为:
获取家庭电器的功率数据,提取功率波形;
将所述功率波形,转换为功率矩阵;
基于所述功率矩阵,获取家庭电器的多状态;
基于所述家庭矩阵的多状态,获取对应的功率矩阵以及状态标签;
将所述对应的功率矩阵以及所述状态标签,存储到所述知识图谱上,实现典型特征的提取。
优选的,所述家庭电器的识别方法为:
将所述典型特征和所述辅助特征表示成向量形式,获得特征向量;
基于所述特征向量,获得所述特征矩阵;
基于所述特征矩阵,计算所述特征向量欧式距离的最小值;
设置阈值,将所述欧式距离的最小值与所述阈值进行比较,实现家庭电器的识别。
本发明还提供一种基于知识图谱的家庭电器识别系统,包括:侵入模块、知识抽取模块、知识融合模块、本体构建模块、知识图谱模块、特征矩阵模块、非侵入模块、待识别数据处理模块以及识别模块;
所述侵入模块,用于采用侵入式技术,获取家庭电器的多源数据;
所述知识抽取模块,用于基于所述多源数据,进行家庭电器实体特征提取以及家庭电器知识抽取;
所述知识融合模块,用于采用嵌入表示技术,对所述家庭电器知识抽取的结果以及提取的所述实体特征,进行知识融合;
所述本体构建模块,用于基于所述知识融合,进行家庭电器的本体构建以及质量评估;
所述知识图谱模块,用于基于所述本体构建、所述质量评估以及知识推理,构建家庭电器知识图谱;
所述特征矩阵模块,用于基于所述知识图谱,获得特征矩阵;
所述非侵入模块,用于采用非侵入式技术,获取待识别家庭电器数据;
所述待识别数据处理模块,用于对所述待识别家庭电器数据进行预处理,并进行待识别家庭电器特征提取;
所述别模块,用于将所述待识别家庭电器特征提取的结果与所述特征矩阵进行匹配,实现家庭电器的识别。
与现有技术相比,本发明的有益效果为:
通过对家庭电器的相关数据进行特征提取、知识抽取、知识融合和质量评估等构建的家庭知识图谱,可降低单个家庭电器特征的散度、提高各家庭电器特征间的散度,也就是提高了家庭电器间的可区分性和可判别性。基于家庭电器的多状态及其功率波形的典型特征可提高功率相近电器及多种运行模式电器的识别正确率,再加上一些必要的辅助特征也为小功率电器识别增加了识别正确的砝码;基于嵌入表示的知识融合为构建高质量图谱奠定了良好的基础;家庭电器知识图谱的特征矩阵表示降低了识别时计算复杂度、提高了计算效率,也在一定程度上解决了家庭电器知识图谱结构稀疏问题。总之,本发明中的技术方法在一定程度上解决了小功率电器、功率相近电器及多种运行模式电器的识别问题,增强了家庭电器识别系统的精准性、鲁棒性和可解释性。
附图说明
为了更清楚地说明本发明的技术方案,下面对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例一基于知识图谱的家庭电器识别架构图;
图2为本申请实施例一本体与实体的映射框图;
图3本申请实施例一多状态获取流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示,一种基于知识图谱的家庭电器识别方法,包括以下步骤:
采用侵入式技术,获取家庭电器的多源数据;
基于多源数据,进行家庭电器实体特征提取以及家庭电器知识抽取;
采用嵌入表示技术,对家庭电器知识抽取的结果以及提取的实体特征,进行知识融合;
基于知识融合,进行家庭电器的本体构建以及质量评估;
基于本体构建、质量评估以及知识推理,构建家庭电器知识图谱;
基于知识图谱,获得特征矩阵;
采用非侵入式技术,获取待识别家庭电器数据;
对待识别家庭电器数据进行预处理,并进行待识别家庭电器特征提取;
将待识别家庭电器特征提取的结果与特征矩阵进行匹配,实现家庭电器的识别。
多源数据,包括:特征数据、结构化数据、半结构化数据以及非结构化数据。具体的,本实施例中获取的家庭电器数据有结构化数据(如关系数据库中的数据)、半结构化数据(如JSON、XML格式的数据)、非结构化数据(如文本、图像、视频)以及随时采集的家庭电器各式数据等。
实现家庭电器知识抽取的方法为:
对结构化数据进行映射;
对半结构化数据以及非结构化数据进行实体抽取、关系抽取以及属性抽取。
实现知识融合的方法为:
预设实体对象;
采用嵌入表示技术,基于实体抽取、关系抽取以及属性抽取,进行实体对齐、属性对齐以及属性值合并,并将实体特征链接到实体对象上,实现知识融合。
基于本体构建、质量评估以及知识推理,构建家庭电器知识图谱;具体的,初步获取的家庭电器的实体、关系和属性大多都是残缺不全的,需要通过质量评估对它们进一步优化和补全,然后再存储或更新到知识图谱中,并通过知识推理从已有的知识图谱推断出新知识来完善知识图谱。也就是说,在不断地更新本体、实体、关系和属性的过程中逐步完善、扩展和丰富家庭电器知识图谱。本发明中本体层与实体层的映射如下图2所示,我们抽取的概念(本体/类型)包括开关型电器、有限工作模式电器、连续变化型电器、常开型电器、储能型电器,家庭、天气、时间等;实体包括如白炽灯、电冰箱、微波炉、空调、洗衣机、路由器、充电器等等。
特征矩阵为包括典型特征和辅助特征的特征矩阵。
具体的,有关研究表明,由于家庭用电行为使得家庭电器状态在时间上具有一定的统计学规律,而在家庭电器识别过程中电器特征提取又是最重要的一环,因此我们提取基于家庭电器的多状态及其功率波形的典型特征和影响家庭用电的辅助特征作为识别的主要依据。为了提高家庭电器识别的效率和精准率,我们把知识图谱表示成基于典型特征和辅助特征的特征矩阵,以方便电器的匹配识别。家庭电器的典型特性主要包括有功功率和无功功率,计算它们的基本公式如下:
典型特征的提取方法为:
(1)获取家庭电器的功率数据,提取功率波形;具体的,首先从采集的电器数据中获取功率数据;然后对其进行周期波形分割,假设分割得到的周期波形集合记为W;再根据动态时间规划(Dynamic Time Warping)思想计算两两周期波形间相似度,把相似度较高的波形从W中去除,最后W中剩余的波形就是我们要提取的波形,记为
(3)基于功率矩阵,获取家庭电器的多状态;具体的,首先,根据电器的功率矩阵得到其初步状态序列S,如电器A的S可表示为:
其次,使用滑行窗口扫描S获取多状态
如下图3所示,长度为ω、步长为ξ(ξ=1)的滑行窗口在状态序列S上滑行,则会得到很多长度为ω的状态向量。
因此,根据上多状态提取流程就可以得到家庭电器A的多状态(状态向量集合)如下:
由于每个状态向量是通过长度为ω的窗口滑行得到的,在多状态中可能出现状态向量重复现象。因此,对这些重复值要被剔除,如家庭电器A剔除重复值的多状态可以表示为:
(4)基于家庭矩阵的多状态,获取对应的功率矩阵以及状态标签;
辅助特征提取:由于家庭电器的运行情况取决于家庭用电行为,而家庭用电行为又与季节、气候、环境以及用电习惯等有一定的关联。在信息化的今天,家庭中的每个人的活动决定了家庭电器的的启动、运行和关闭的时刻,而这些时刻与家庭成员的行为习惯是高度关联的。因此,为了更好地识别出家庭电器,要把包括家庭人口数量/住房面积、外部气象数据、年份/季度/日期或时间等在内的辅助特征也要存储到知识图谱中相关的电器实体上。
实现知识融合的方法具体包括:
具体的,由于采集数据提取的实体(电器)特征,结构化数据及从半结构化和非结构化数据中抽取的实体、关系和属性等多源数据缺乏层次性、逻辑性,可能会存在冗余和错误,因此需要进行实体对齐(实体消歧和共指消解)等操作。本实施例中我们使用嵌入表示技术等来完成实体对齐等相关工作,并把从各数据源获取到的实体特征等链接到知识库中已有的实体对象上,从而完成各种数据源的知识融合。由于家庭电器识别主要是根据电器的电气特性进行的,而家庭电器的图片和视频等数据对识别的影响不大,因此我们主要是对有关家庭电器的文本数据以浙江大学开源工具“DeepKE”为基础进行实体抽取、关系抽取和属性抽取。
由于构建知识图谱的数据源是多样的,那么获取的概念、实体、关系和属性等会参差不齐,有很多冗余的信息。因此,需要对它们进行对齐和合并。具体地说,主要包括概念融合、实体对齐、属性对齐、属性值合并等,由于本发明只涉及到家庭电器领域相关的概念不太多采用人工方式融合,而实体对齐、属性对齐和属性值合并采用嵌入表示的方式进行,实体对齐主要解决实体歧义和共指等问题。由于在家庭电器知识图谱中实体比关系更加重要,因此我们在对齐时使用是以实体为中心进行的。
假设结构化数据映射、半结构化数据和非结构化数据知识抽取以及家庭电器提取特征等表示为实体-关系-实体三元组集合如下式子(10)和实体-属性-属性值三元组集合如下式子(11):
Ne表示实体的个数,Nk表示关系的个数,Mr表示属性的个数,Lv表示属性值的个数;hi表示头实体,tj表示尾实体,rk表示hi与tj间的关系;lr表示属性,vm表示属性值。
1)实体对齐
第一步,Ghrt的嵌入表示Jhrte
f(tr)=||h+r-t|| (13)
Tr={<h,r,t>|<h,r,t>∈Ghrt} (14)
T′r={<h‘,r,t>|h‘∈Ehrt}∪{<h,r,t′>|t′∈Ehrt} (15)
其中,||·||表示L1-范数,θ是参数,f(·)是基于头实体或尾实体嵌入的可信分数;Tr是有效的实体-关系-实体的三元组集合,T′r是通过随机替换实体-关系-实体三元组的头实体或尾实体而形成的负样本,Ehrt是Ghrt中实体的集合。
第二步,Ghlv的嵌入表示Jhlve
f(tv)=||h+l-fv(v)|| (17)
Tv={<h,l,v>|<h,l,v>∈Ghlv} (19)
T′v={<h′,l,v>|h′∈Ehlv}∪{<h,l,v′>|v′∈Vhlv} (20)
其中,||·||表示向量的L1-范数,θ是参数,f(·)是基于实体或属性值嵌入的可信分数;fv(v)是基于N-gram组合的属性值求和的向量表示,ve是属性值的字符嵌入,N表示N-gram组合中使用的n的最大值,t是属性值的长度;Tv是有效的实体-属性-属性值的三元组集合,T′v是通过随机替换实体-属性-属性值三元组的实体或属性值而形成的负样本,Ehlv是Ghlv中实体的集合,Vhlv是Ghlv属性值的集合。
第三步,Jhrte和Jhlve联合表示
设hhrte是通过Jhrte得到的实体向量,hhlve是通过Jhlve得到的实体向量,我们通过如下公式(21)把hhrte和helve映射到同一向量空间中。
其中,Ehrt是Ghrt中实体的集合,Ehlv是Ghlv中实体的集合,cos(hhrte,hhlve)是向量hhrte和hhlve的余弦相似性。于是,我们就可得到最终的联合嵌入表示Je如下:
Je=Jhrte+Jhlve+Jhrt_elve (22)
第四步,根据阈值完成实体对齐
通过嵌入联合表示就使得相似实体具有相似的嵌入表示,于是就可以设定相似性阈值来去除或合并重复的实体,保留相似度很低而无法对齐的实体。
2)属性对齐
属性对齐主要是解决概念融合后,同一概念下属性歧义和共指问题,对于有歧义的属性要进行重新命名消除歧义,对于共指属性要进行合并成一个属性。具体做法类似于实体对齐,我们先把属性进行嵌入表示,然后计算它们的相似度,通过阈值方式决定去除、保留和合并的属性。
3)属性值合并
对齐属性后,需要对来自不同数据源的相同实体的同一属性值进行合并。对于单值属性采用投票的方法确保属性值的唯一;对于多值属性我们以可信度高的属性的属性值作为基准,对其它属性值通过启发方式进行加入。
家庭电器的识别方法为:
将典型特征和辅助特征表示成向量形式,获得特征向量;
基于特征向量,获得特征矩阵;
基于特征矩阵,计算特征向量欧式距离的最小值;
设置阈值,将欧式距离的最小值与阈值进行比较,实现家庭电器的识别。具体的,首先需要采集待识别电器的数据并预处理,然后提取家庭电器的电气特征,结合一些辅助特征与通过对家庭电器知识图谱学习得到的特征矩阵进行匹配识别,若识别成功,则输出电器名称,否则输出不存在。在这整个过程中,电器特征提取、家庭电器知识图谱的特征矩阵和识别是关键,因为它们关系到识别的效率和成败。家庭电器特征提取的方法前面已阐述完成,因此这里主要介绍知识图谱的特征矩阵表示和识别。
1)家庭电器知识图谱的特征矩阵表示
我们从家庭电器知识图谱中获取每个电器的典型特征和辅助特征,并把它们表示成向量的形式,而这些特征向量构成家庭电器的特征矩阵(EFM),如家庭电器的特征矩阵表示如下:
2)计算欧式距离
假设我们提取到某α电器的第i个状态的特征向量为
其中,(θ,i)表示特征矩阵EFM中任意θ电器及其第i个状态,它要遍历知识图谱中所有电器及其状态;N1表示典型特征的个数,N2表示辅助特征的个数。
3)匹配识别家庭电器
通过比较最小的欧式距离D与阈值τ的大小来决定家庭电器识别的结果,如果D≥τ则识别正确,并输出电器的名称;否则,识别错误,并输出不存在,可考虑把相关信息加入知识图谱。
特别的,本申请还包括识别性能评价指标
合理的评价指标对家庭电器识别效果及算法间进行性能比较非常重要,因此为了更好地评估我们提议方法的性能,我们采用流行的评价指标正确率(AR)、精确率(PR)、召回率(RR)和精确率与召回率的调和平均数(Favg)来进行度量。具体计算公式如下:
其中,NTP是知识图谱中存在的家庭电器能被识别出来的次数,NTN是知识图谱中存在的家庭电器不能被识别出来的次数;NFP是知识图谱中不存在的家庭电器被识别出来的次数,NFN是知识图谱中不存在的家庭电器不能被识别出来的次数。
实施例二
本发明还提供一种基于知识图谱的家庭电器识别系统,包括:侵入模块、知识抽取模块、知识融合模块、本体构建模块、知识图谱模块、特征矩阵模块、非侵入模块、待识别数据处理模块以及识别模块;
侵入模块,用于采用侵入式技术,获取家庭电器的多源数据;
知识抽取模块,用于基于多源数据,进行家庭电器实体特征提取以及家庭电器知识抽取;
知识融合模块,用于采用嵌入表示技术,对家庭电器知识抽取的结果以及提取的实体特征,进行知识融合;
本体构建模块,用于基于知识融合,进行家庭电器的本体构建以及质量评估;
知识图谱模块,用于基于本体构建、质量评估以及知识推理,构建家庭电器知识图谱;
特征矩阵模块,用于基于知识图谱,获得特征矩阵;
非侵入模块,用于采用非侵入式技术,获取待识别家庭电器数据;
待识别数据处理模块,用于对待识别家庭电器数据进行预处理,并进行待识别家庭电器特征提取;
识别模块,用于将待识别家庭电器特征提取的结果与特征矩阵进行匹配,实现家庭电器的识别。
多源数据,包括:特征数据、结构化数据、半结构化数据以及非结构化数据。
实现家庭电器知识抽取的方法为:
对结构化数据进行映射;
对半结构化数据以及非结构化数据进行实体抽取、关系抽取以及属性抽取。
实现知识融合的方法为:
预设实体对象;
采用嵌入表示技术,基于实体抽取、关系抽取以及属性抽取,进行实体对齐、属性对齐以及属性值合并,并将实体特征链接到实体对象上,实现知识融合。
特征矩阵为包括典型特征和辅助特征的特征矩阵。
典型特征的提取方法为:
获取家庭电器的功率数据,提取功率波形;
将功率波形,转换为功率矩阵;
基于功率矩阵,获取家庭电器的多状态;
基于家庭矩阵的多状态,获取对应的功率矩阵以及状态标签;
将对应的功率矩阵以及状态标签,存储到知识图谱上,实现典型特征的提取。
家庭电器的识别方法为:
将典型特征和辅助特征表示成向量形式,获得特征向量;
基于特征向量,获得特征矩阵;
基于特征矩阵,计算特征向量欧式距离的最小值;
设置阈值,将欧式距离的最小值与阈值进行比较,实现家庭电器的识别。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种基于知识图谱的家庭电器识别方法,其特征在于,包括以下步骤:
采用侵入式技术,获取家庭电器的多源数据;
基于所述多源数据,进行家庭电器实体特征提取以及家庭电器知识抽取;
采用嵌入表示技术,对所述家庭电器知识抽取的结果以及提取的所述实体特征,进行知识融合;
基于所述知识融合,进行家庭电器的本体构建以及质量评估;
基于所述本体构建、所述质量评估以及知识推理,构建家庭电器知识图谱;
基于所述知识图谱,获得特征矩阵;
采用非侵入式技术,获取待识别家庭电器数据;
对所述待识别家庭电器数据进行预处理,并进行待识别家庭电器特征提取;
将所述待识别家庭电器特征提取的结果与所述特征矩阵进行匹配,实现家庭电器的识别。
2.根据权利要求1所述的基于知识图谱的家庭电器识别方法,其特征在于,所述多源数据,包括:特征数据、结构化数据、半结构化数据以及非结构化数据。
3.根据权利要求2所述的基于知识图谱的家庭电器识别方法,其特征在于,实现所述家庭电器知识抽取的方法为:
对所述结构化数据进行映射;
对所述半结构化数据以及所述非结构化数据进行实体抽取、关系抽取以及属性抽取。
4.根据权利要求3所述的基于知识图谱的家庭电器识别方法,其特征在于,实现所述知识融合的方法为:
预设实体对象;
采用所述嵌入表示技术,基于所述实体抽取、所述关系抽取以及所述属性抽取,进行实体对齐、属性对齐以及属性值合并,并将所述实体特征链接到所述实体对象上,实现所述知识融合。
5.根据权利要求1所述的基于知识图谱的家庭电器识别方法,其特征在于,所述特征矩阵包括典型特征和辅助特征的特征矩阵。
6.根据权利要求5所述的基于知识图谱的家庭电器识别方法,其特征在于,
所述典型特征的提取方法为:
获取家庭电器的功率数据,提取功率波形;
将所述功率波形,转换为功率矩阵;
基于所述功率矩阵,获取家庭电器的多状态;
基于所述家庭矩阵的多状态,获取对应的功率矩阵以及状态标签;
将所述对应的功率矩阵以及所述状态标签,存储到所述知识图谱上,实现典型特征的提取。
7.根据权利要求5所述的基于知识图谱的家庭电器识别方法,其特征在于,所述家庭电器的识别方法为:
将所述典型特征和所述辅助特征表示成向量形式,获得特征向量;
基于所述特征向量,获得所述特征矩阵;
基于所述特征矩阵,计算所述特征向量欧式距离的最小值;
设置阈值,将所述欧式距离的最小值与所述阈值进行比较,实现家庭电器的识别。
8.一种基于知识图谱的家庭电器识别系统,其特征在于,包括:侵入模块、知识抽取模块、知识融合模块、本体构建模块、知识图谱模块、特征矩阵模块、非侵入模块、待识别数据处理模块以及识别模块;
所述侵入模块,用于采用侵入式技术,获取家庭电器的多源数据;
所述知识抽取模块,用于基于所述多源数据,进行家庭电器实体特征提取以及家庭电器知识抽取;
所述知识融合模块,用于采用嵌入表示技术,对所述家庭电器知识抽取的结果以及提取的所述实体特征,进行知识融合;
所述本体构建模块,用于基于所述知识融合,进行家庭电器的本体构建以及质量评估;
所述知识图谱模块,用于基于所述本体构建、所述质量评估以及知识推理,构建家庭电器知识图谱;
所述特征矩阵模块,用于基于所述知识图谱,获得特征矩阵;
所述非侵入模块,用于采用非侵入式技术,获取待识别家庭电器数据;
所述待识别数据处理模块,用于对所述待识别家庭电器数据进行预处理,并进行待识别家庭电器特征提取;
所述识别模块,用于将所述待识别家庭电器特征提取的结果与所述特征矩阵进行匹配,实现家庭电器的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310111912.5A CN116028853B (zh) | 2023-02-14 | 2023-02-14 | 一种基于知识图谱的家庭电器识别方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310111912.5A CN116028853B (zh) | 2023-02-14 | 2023-02-14 | 一种基于知识图谱的家庭电器识别方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116028853A true CN116028853A (zh) | 2023-04-28 |
CN116028853B CN116028853B (zh) | 2023-09-12 |
Family
ID=86073920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310111912.5A Active CN116028853B (zh) | 2023-02-14 | 2023-02-14 | 一种基于知识图谱的家庭电器识别方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116028853B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150309092A1 (en) * | 2012-11-16 | 2015-10-29 | Tianjin University | Current Pattern Matching Method for Non-Intrusive Power Load Monitoring and Disaggregation |
CN106093630A (zh) * | 2016-06-02 | 2016-11-09 | 华北电力大学 | 一种非侵入式家用电器辨识方法 |
CN110674311A (zh) * | 2019-09-05 | 2020-01-10 | 国家电网有限公司 | 一种基于知识图谱的电力资产异构数据融合方法 |
CN111858972A (zh) * | 2020-07-28 | 2020-10-30 | 山东大学 | 一种基于家庭知识图谱的电影推荐方法 |
CN114091474A (zh) * | 2021-10-22 | 2022-02-25 | 青岛海尔科技有限公司 | 智能家电的问答系统构建方法和装置,及问答方法和装置 |
CN114239762A (zh) * | 2022-02-28 | 2022-03-25 | 华北电力大学 | 基于结构化负荷特征图谱的非侵入式负荷辨识方法及系统 |
WO2023273182A1 (zh) * | 2021-06-29 | 2023-01-05 | 北京邮电大学 | 面向多源知识图谱融合的实体对齐方法、装置与系统 |
-
2023
- 2023-02-14 CN CN202310111912.5A patent/CN116028853B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150309092A1 (en) * | 2012-11-16 | 2015-10-29 | Tianjin University | Current Pattern Matching Method for Non-Intrusive Power Load Monitoring and Disaggregation |
CN106093630A (zh) * | 2016-06-02 | 2016-11-09 | 华北电力大学 | 一种非侵入式家用电器辨识方法 |
CN110674311A (zh) * | 2019-09-05 | 2020-01-10 | 国家电网有限公司 | 一种基于知识图谱的电力资产异构数据融合方法 |
CN111858972A (zh) * | 2020-07-28 | 2020-10-30 | 山东大学 | 一种基于家庭知识图谱的电影推荐方法 |
WO2023273182A1 (zh) * | 2021-06-29 | 2023-01-05 | 北京邮电大学 | 面向多源知识图谱融合的实体对齐方法、装置与系统 |
CN114091474A (zh) * | 2021-10-22 | 2022-02-25 | 青岛海尔科技有限公司 | 智能家电的问答系统构建方法和装置,及问答方法和装置 |
CN114239762A (zh) * | 2022-02-28 | 2022-03-25 | 华北电力大学 | 基于结构化负荷特征图谱的非侵入式负荷辨识方法及系统 |
Non-Patent Citations (1)
Title |
---|
祁兵;程媛;武昕;: "基于Fisher有监督判别的非侵入式居民负荷辨识方法", 电网技术, no. 08, pages 248 - 255 * |
Also Published As
Publication number | Publication date |
---|---|
CN116028853B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113723632B (zh) | 一种基于知识图谱的工业设备故障诊断方法 | |
CN113312447A (zh) | 基于概率标签估计的半监督日志异常检测方法 | |
CN101989302A (zh) | 一种基于多层位图颜色特征的图像检索方法 | |
CN106919663A (zh) | 电力调控系统多源异构数据融合中的字符串匹配方法 | |
Jiao et al. | A context-aware multi-event identification method for nonintrusive load monitoring | |
CN112308341A (zh) | 电力数据的处理方法和装置 | |
CN105160046A (zh) | 基于文本的数据检索方法 | |
Yang et al. | Multi-source heterogeneous information fusion of power assets based on knowledge graph | |
CN116028853B (zh) | 一种基于知识图谱的家庭电器识别方法与系统 | |
CN114358367A (zh) | 一种非侵入式负荷分解方法及装置 | |
CN116862318B (zh) | 基于文本语义特征提取的新能源项目评价方法和装置 | |
Senarathna et al. | An image based approach of energy signal disaggregation using artificial intelligence | |
CN113505465A (zh) | 完全无监督的非侵入式电器状态模型自适应构建方法 | |
CN116596574A (zh) | 电网用户画像构建方法及系统 | |
Ni et al. | Research on semantic annotation based image fusion algorithm | |
Lamirel et al. | A new efficient and unbiased approach for clustering quality evaluation | |
CN106816871B (zh) | 一种电力系统状态相似性分析方法 | |
Tomazzoli et al. | Machine learning for energy efficiency: Automatic detection of electric loads from power consumption | |
CN113361263A (zh) | 基于属性值分布的人物实体属性对齐方法及系统 | |
Zheng | Individualized Recommendation Method of Multimedia Network Teaching Resources Based on Classification Algorithm in a Smart University | |
Chen et al. | An infectious disease prediction method based on K-nearest neighbor improved algorithm | |
Chen et al. | LPR‐MLP: A Novel Health Prediction Model for Transmission Lines in Grid Sensor Networks | |
Zhang et al. | ICFC: a method for computing semantic similarity among fuzzy concepts in a fuzzy ontology | |
Jian et al. | Abnormal detection of power consumption based on a stacking ensemble model | |
Wu et al. | An Extended Factorial Hidden Markov Model for Non-Intrusive Load Monitoring Based on Density Peak Clustering |
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 |