CN116089881A - 一种基于树卷积神经网络的电气指纹识别方法 - Google Patents
一种基于树卷积神经网络的电气指纹识别方法 Download PDFInfo
- Publication number
- CN116089881A CN116089881A CN202211193856.6A CN202211193856A CN116089881A CN 116089881 A CN116089881 A CN 116089881A CN 202211193856 A CN202211193856 A CN 202211193856A CN 116089881 A CN116089881 A CN 116089881A
- Authority
- CN
- China
- Prior art keywords
- data
- treecnn
- load
- current
- model
- 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
Classifications
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明属于电气负载识别技术领域,具体为一种基于树卷积神经网络的电气负载识别方法。本发明以非入侵式负载监控方式获得待识别的电器状态数据,包括电流、电压数据,经过处理得到功率,经过特征提取,形成二维向量形式,作为当前采集窗口数据段的唯一特征;标识不同设备的不同状态;然后送入训练好的TreeCNN模型进行分类,根据分类结果获得当前电器状态,从而监测到当前电路中正在工作的电器身份,实现电气设备的识别。本发明利用TreeCNN高效的识别以及分类能力,大大提高了电气设备的识别准确率,实现了对负载的监控管理,从而达到用电管理,减少能耗以及检测恶性负载的目的,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,具体设计基于树卷积神经网络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。
电气负载的识别关键在与识别的准确率。本发明提出的方法,利用树卷积神经网络强大的分类能力,将电气数据处理后送进模型进行分类,从而得到高准确率的识别结果,达到准确识别电气负载的目的。
发明内容
本发明的目的在于提供一种基于树卷积神经网络(以下简称TreeCNN)的电气设备识别方法,以满足电气设备高识别率的需求。
本发明提供基于TreeCNN的电气设备识别方法,以非入侵式负载监控方式获得待识别的电器状态数据,包括电流、电压数据,经过处理得到功率,经过特征提取,形成二维向量形式,作为当前采集窗口数据段的唯一特征;标识不同设备的不同状态;然后送入训练好的TreeCNN模型进行分类,根据分类结果获得当前电器状态,从而监测到当前电路中正在工作的电器身份,实现电气设备的识别。具体步骤如下。
步骤1:采集用于训练TreeCNN模型的特定电器运行时的电流与电压数据;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与瞬时电压,每个负载采集4组数据,每组采集400个点;
具体地,本发明对6个电器设备采集数据,6个电器设备分别编号D1、D2、…、D6。在采集电气数据时,任选一个电器设备,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+400)ms这一段时间中,就获取到一个长度为400的窗口向量。
进一步地,采集用来训练TreeCNN模型的目标电器设备状态数据,具体以电器设备D1为例,D1的运行和关闭都是需要检测的状态,在0ms处开始进行数据采集,在500ms处D1“打开”,900ms处D1关闭,1400ms处停止采集,取[200,600]、[250,650]、[300,700]和[350,750]四个窗口向量作为D1运行的训练数据,取[700,1100]、[750,1150]、[800,1200]和[850,1250]四个窗口向量作为D1关闭的训练数据,同时需要给该部分数据所对应的状态进行标注,对应标签为“D1运行”或“D1关闭”。对其他电器设备作同样处理;如果设备存在多种运行状态,则每种状态都要按前述采集并打上对应标签。所述多种状态,包括“开启”、“关闭”,此外,对于开启,还可分为一档、二档、三档,等等。
步骤2:对步骤1采集的电气数据进行预处理,提取特征,并改变数据形式,形成二维向量,作为TreeCNN模型的训练集;
具体预处理过程如下:
(1)将对应的电流和电压相乘,得到对应每个时刻的瞬时功率;
(2)对上一步骤得到的400个离散的瞬时功率进行特征提取,变形成为(20,20)的二维向量;
(3)将上述获得的宽与高相同的二维向量,作为待分类的特征向量,将其与原始特征的标签对应,得到一个完整的特征;
(4)将所有的原始特征进行上述处理后,就得到TreeCNN模型的训练集。
步骤3:构建和训练TreeCNN模型;
本发明中,所述TreeCNN模型为UNet结构,主要有两部分,分别为卷积与反卷积。其中,卷积部分用于特征提取,该部分为四层堆叠结构,每层具体包含1维卷积、Relu、Maxpooling;反卷积部分用于特征重构,该部分也为四层堆叠结构,每层具体包含1维反卷积、特征拼接、1维卷积。
首先,用单一负载的电气数据训练集训练TreeCNN模型;然后将训练好的TreeCNN模型以哈夫曼树的方式连接,非叶节点中都有一个CNN模型,叶节点代表CNN模型的预测结果。叶节点预测结果依据贪心策略,即经常能检测到的负载对应叶节点深度较浅,离根节点较近。除根节点外的非叶节点的输入,还需要去除上一层已经预测出并重构好的特征。
步骤4:实时采集电路中的电气数据并提取特征,形成二维特征向量,然后将所得特征向量输入训练好的TreeCNN模型进行分类识别;
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400组后,就将这400组作为一个块取出,采集器继续采集,直到攒够下一个400组后取出,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电压数据,通过预处理步骤得到待匹配的特征向量,并将该特征向量送入训练好的TreeCNN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。
根据步骤4得到的分类结果,得到当前数据段中出现的电器类别,例如说当前运行设备有D1,D2,D3等等。对于已经识别出在运行的设备,直到检测到其关闭状态的出现,在这之前D1设备都是处于运行状态。
本发明包括训练集的构造、TreeCNN模型的构造和模型的训练,以及实时数据的采集和分类等。
本发明方法,在非侵入式负载监控的场景下,可以实时地识别出被监测电路中出现的电器设备类别,以达到合理用电和保障用电安全的目的。
本发明使用瞬时功率作为有效特征,将不同设备在不同状态下的特征信息映射到二维空间,降低了特征类别的区分难度,借助TreeCNN强大的分类能力,从而得到高准确率的分类结果,也就是电气设备识别结果,从而达到对目标电器状态的高准确率识别。
基于以上步骤,在非侵入式负载监控的场景下,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。
本发明使用瞬时功率作为有效特征,将不同负载在不同状态下的特征信息映射到二维空间,降低了特征类别的区分难度,借助TreeCNN强大的分类以及识别能力,从而得到高准确率的电气指纹识别结果。
本发明与现有技术相比,能高准确度地对电路中负载的工作状态进行识别,从而达到对电路进行监控、对危险用电进行警示等目的,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、TreeCNN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TreeCNN模型。利用瞬时功率作为唯一特征,标识不同负载的不同状态。
下面以具体实施为例对本发明的技术方案作进一步详细描述。
实施例1
参阅图1,本发明以非侵入式负载监控方式获得瞬时电流、电压数据,经过预处理后,送入训练好的TreeCNN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TreeCNN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TreeCNN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电流和电压进行采样,也就是每秒钟得到1000个电路中电流和电压的瞬时值。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电压数据。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400,即从0毫秒开始,每过400毫秒,本发明就获取到了400组电流电压的数据,然后将这400组数据作为一个整体进行处理,也就是一个窗口向量。
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400毫秒处打开开始工作,则本发明从2毫秒(包括)处开始,399毫秒(包括)处结束,窗口为400,取数据块,得到398个长度为400的包含电流、电压数据的数据块,这些窗口向量就是对应于标签“吸尘器打开”的原始数据。
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:对步骤1采集的电气数据进行预处理,并改变数据形式形成二维特征向量,作为TreeCNN模型的训练集。
TreeCNN模型的基础训练数据中,每一个窗口向量包含着400组一一对应的电流和电压的瞬时值,其处理方式如下:
(1)将对应的电流和电压相乘,得到对应每个时刻的瞬时功率;
(2)对上一步骤得到的400个连续瞬时功率数据的表示形式进行变形,获得一个对应的(20,20)形状的向量;
(3)将上述获得的宽高相同的二维向量,作为待分类的特征向量,与原始数据的标签对应,得到一个完整的特征;
(4)将所有的原始数据进行上述处理后,就得到TreeCNN模型的训练集。
步骤3:用步骤2中形成的训练集训练TreeCNN模型。
构建初始的CNN模型,初始化学习率为0.001,batchsize设定为512,epoch设定为1000。卷积核和反卷积核大小为9,步长设定为1。Maxpolling中核大小设定为4,步长为1。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,然后再将训练好的CNN模型以哈夫曼树的方式连接,置于非叶节点,叶节点为预测结果,基于贪心策略选择各负载预测结果位于哪个叶节点。
步骤4:实时采集电路中的电气数据并预处理,形成二维特征向量,之后将所得特征向量输入训练好的TreeCNN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400组后,就将这400组作为一个块取出,采集器继续采集,直到攒够下一个400组后取出,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电压数据,通过预处理步骤得到待匹配的特征向量,并将该特征向量送入训练好的TreeCNN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1600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(%)
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 (2)
1.一种基于TreeCNN的电气设备识别方法,其特征在于,以非入侵式负载监控方式获得待识别的电器状态数据,包括电流、电压数据;经过处理得到功率,经过特征提取,形成二维向量形式,作为当前采集窗口数据段的唯一特征;标识不同设备的不同状态;然后送入训练好的TreeCNN模型进行分类,根据分类结果获得当前电器状态,从而监测到当前电路中正在工作的电器身份,实现电气设备的识别;具体步骤如下:
步骤1:采集用于训练TreeCNN模型的特定电器运行时的电流与电压数据;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与瞬时电压,每个负载采集4组数据,每组采集400个点;
具体对6个电器设备采集数据,6个电器设备分别编号D1、D2、…、D6;在采集电气数据时,任选一个电器设备,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+400)ms这一段时间中,获取到一个长度为400的窗口向量;
步骤2:对步骤1采集的电气数据进行预处理,提取特征,并改变数据形式,形成二维向量,作为TreeCNN模型的训练集;
具体预处理过程如下:
(1)将对应的电流和电压相乘,得到对应每个时刻的瞬时功率;
(2)对上一步骤得到的400个离散的瞬时功率进行特征提取,变形成为(20,20)的二维向量;
(3)将上述获得的宽与高相同的二维向量,作为待分类的特征向量,将其与原始特征的标签对应,得到一个完整的特征;
(4)将所有的原始特征进行上述处理后,就得到TreeCNN模型的训练集;
步骤3:构建和训练TreeCNN模型;
所述TreeCNN模型为UNet结构,有两部分,分别为卷积与反卷积;其中,卷积部分用于特征提取,该部分为四层堆叠结构,每层具体包含1维卷积、Relu、Maxpooling;反卷积部分用于特征重构,该部分也为四层堆叠结构,每层具体包含1维反卷积、特征拼接、1维卷积;
首先,用单一负载的电气数据训练集训练TreeCNN模型;然后将训练好的TreeCNN模型以哈夫曼树的方式连接,非叶节点中都有一个CNN模型,叶节点代表CNN模型的预测结果;叶节点预测结果依据贪心策略,即经常能检测到的负载对应叶节点深度较浅,离根节点较近;除根节点外的非叶节点的输入,还要去除上一层已经预测出并重构好的特征;
步骤4:实时采集电路中的电气数据并提取特征,形成二维特征向量,然后将所得特征向量输入训练好的TreeCNN模型进行分类识别;
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400组后,就将这400组作为一个块取出,采集器继续采集,直到攒够下一个400组后取出,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电压数据,通过预处理步骤得到待匹配的特征向量,并将该特征向量送入训练好的TreeCNN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。
2.根据权利要求1所述的基于TreeCNN的电气设备识别方法,其特征在于,步骤(1)中,所述采集用来训练TreeCNN模型的目标电器设备状态数据,对于电器设备D1,D1的运行和关闭都是需要检测的状态,在0ms处开始进行数据采集,在500ms处D1“打开”,900ms处D1关闭,1400ms处停止采集,取[200,600]、[250,650]、[300,700]和[350,750]四个窗口向量作为D1运行的训练数据,取[700,1100]、[750,1150]、[800,1200]和[850,1250]四个窗口向量作为D1关闭的训练数据;同时给该部分数据所对应的状态进行标注,对应标签为“D1运行”或“D1关闭”;对其他电器设备作同样处理;
对于设备存在多种运行状态的情形,每种状态都要按前述采集并打上对应标签;所述多种状态,包括“开启”、“关闭”,此外,对于开启,还分为一档、二档、三档。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211193856.6A CN116089881A (zh) | 2022-09-28 | 2022-09-28 | 一种基于树卷积神经网络的电气指纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211193856.6A CN116089881A (zh) | 2022-09-28 | 2022-09-28 | 一种基于树卷积神经网络的电气指纹识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116089881A true CN116089881A (zh) | 2023-05-09 |
Family
ID=86203177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211193856.6A Pending CN116089881A (zh) | 2022-09-28 | 2022-09-28 | 一种基于树卷积神经网络的电气指纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116089881A (zh) |
-
2022
- 2022-09-28 CN CN202211193856.6A patent/CN116089881A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112383052B (zh) | 基于电力物联网的电网故障修复方法和装置 | |
CN110221200A (zh) | 一种基于深度学习的万能式断路器附件故障诊断方法 | |
CN108345889B (zh) | 一种利用树莓派对通信机柜进行示数识别的应用方法 | |
CN116521904B (zh) | 一种基于5g边缘计算的船舶制造数据云融合方法及系统 | |
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 | |
CN116089881A (zh) | 一种基于树卷积神经网络的电气指纹识别方法 | |
Sun et al. | Fault diagnosis of steam turbine-generator sets using an EPSO-based support vector classifier | |
CN115758234A (zh) | 一种基于多特征融合的电瓶车负荷辨识方法及其相关装置 | |
CN111898694B (zh) | 一种基于随机树分类的非入侵式负荷识别方法及装置 | |
CN111999591A (zh) | 一种配电网一次设备异常状态的识别方法 | |
Nan et al. | Classification of press plate image based on attention mechanism | |
CN118097238A (zh) | 一种基于v-i轨迹颜色编码的电气指纹识别方法 | |
CN115982618A (zh) | 一种基于离散小波变换的电气指纹识别方法 | |
CN118070114A (zh) | 一种基于马尔科夫转移场的电气指纹识别方法 | |
CN115687902A (zh) | 一种基于maml的新负荷小样本识别方法 | |
CN116561651A (zh) | 一种基于主动学习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 | |
CN114676722A (zh) | 一种基于特征匹配的非侵入式电气指纹识别方法 | |
CN117909812A (zh) | 一种基于谐波次数二维化的电气指纹识别方法 | |
CN110824930B (zh) | 家电设备的控制方法、装置及系统 | |
Qiu et al. | Automatic classification of power quality disturbances via weighted convolutional neural network | |
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 | |
CN106815774A (zh) | 基于cep引擎的变电站运行监控信号规范化处理方法 |
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 |