CN114511007B - 一种基于多尺度特征感知的非侵入式电气指纹识别方法 - Google Patents
一种基于多尺度特征感知的非侵入式电气指纹识别方法 Download PDFInfo
- Publication number
- CN114511007B CN114511007B CN202210049795.XA CN202210049795A CN114511007B CN 114511007 B CN114511007 B CN 114511007B CN 202210049795 A CN202210049795 A CN 202210049795A CN 114511007 B CN114511007 B CN 114511007B
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- network
- input
- convolution
- 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
- 230000008447 perception Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 5
- 238000011049 filling Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 210000002364 input neuron Anatomy 0.000 claims description 6
- 210000004205 output neuron Anatomy 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000000137 annealing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000001932 seasonal effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明属于电气指纹识别技术领域,具体为一种基于多尺度特征感知的非侵入式电气指纹识别方法。本发明包括:对目标电器进行电气数据采集,并按照特定长度进行分块处理,同时进行标注,划分训练集、验证集和测试集;对采集的数据进行预处理;构建多尺度感知的卷积神经网络,确定网络的输入输出格式;训练网络,选取合适的超参,获得最好的训练效果;将训练好的网络模型接入电气指纹识别任务,以聚合电流、电压为输入,进行实时的电气指纹监控;本发明通过构建并训练多尺度特征感知的卷积神经网络,从而检测出对应电路的电器工作状态。本发明实现了端到端一体化工作,减少了任务分解后各部分协同工作的误差累积,从而达到更好的电气指纹识别效果。
Description
技术领域
本发明属于电气指纹识别技术领域,具体涉及非侵入式电气指纹识别方法。
背景技术
每个人都有指纹,且被认为是独一无二的“身份证”,而电气指纹也是如此,每个电器都有属于自己的“画像”。电气指纹则是通过电器在用电时的电压、电流的各种特征,结合深度学习的方法去识别某种设备的工作状态,甚至是对危险供电(电瓶车非法充电、宿舍中违规电器的使用等)进行警示,从而确保用电安全。本发明提出的基于多尺度感知的卷积神经网络,基于原始的电流电压数据,进行多尺度下的卷积操作,从而获取到多尺度、多维度的时序数据特征,再利用卷积神经网络的高维特征提取能力,对数据特征进行“画像”,由此识别出数据段中属于特定设备的特征信息,进而识别出对应的电器身份。将本发明运用于实时的电路监控,则可以得到电路中设备的详细工作状态,实现电路功耗的详细信息监控,亦或者是危险用电的警示提醒。
发明内容
本发明的目的在于提供一种对电器设备工作状态识别高准确率的非侵入式电气指纹识别方法。
本发明提供的非侵入式电气指纹识别方法,是基于多尺度特征感知神经网络模型技术的,通过非侵入式传感器实时采集到电路的电流电压数据而识别出当前电路中电器工作状态,以达到对电器设备工作状态高准确率的识别效果。
本发明提出的神经网络模型,对现有的用于非侵入式负载监控(Non-IntrusiveLoad Monitoring, NILM)任务的神经网络进行了改进,通过对预处理后的采集到的原始数据进行不同尺度的特征提取,从而对属于不同电器、不同工作状态的特殊特征具有更强的分辨识别能力。能够更高准确率地对电路中电器设备地工作状态进行识别,并对对电路进行监控、对危险用电进行警示。
本发明提供的基于多尺度特征感知的非侵入式电气指纹识别方法,具体步骤为:
步骤1:对目标电器进行电气数据采集,并按照特定长度进行分块处理,同时进行标注,划分训练集、验证集和测试集;
步骤2:对上一步骤中得到的数据进行预处理;
步骤3:构建多尺度感知的卷积神经网络,确定网络的输入输出格式;
步骤4:训练网络,选取合适的超参,获得最好的训练效果;
步骤5:将训练好的网络模型接入电气指纹识别任务,以聚合电流、电压为输入,进行实时的电气指纹监控。
下面对各个步骤作进一步的具体说明:
步骤1:对目标电器进行电气数据采集,并按照特定长度进行分块处理,同时进行标注,划分训练集、验证集和测试集。
非侵入式负载监控领域现有的公共数据集不多,而且存在缺少统一标准化、最大并发负载数较少等问题,因此,本发明根据自身网络特性,以自己的需求为目标自行采集数据集。采集方式为:首先划定特定数量和种类的待识别电器,以这些电器为目标,固定采样频率,首先分别采集单设备各工作状态下的电流、电压数据;再对所有设备进行排列组合,进行多设备不同时启动但工作状态叠加的数据采集。然后对采集到的数据进行分割:以滑动窗口的方式将采集到的连续时间序列划分成多个数据段,窗口大小固定(W),步伐固定(S),假定时间序列数据长度为L,则可得到的分割数据块数为:(L - W) / S。对于划分后的数据,根据其包含的电器状态进行标注,例如:无负载、无负载+吹风机启动、无负载+吹风机启动+吹风机一档等。然后按照特定比例将数据集进行划分,得到训练集、验证集和测试集三部分。
步骤2:对上一步骤中得到的数据进行预处理
步骤一中得到的数据集,其内容只是包含原始的连续电流、电压数值以及该数据块对应的标签,为了对数据特征进行更深层次的挖掘,我们对数据进行了多角度、多层次的预处理。具体包括:计算有功功率、进行频谱分解(傅里叶变换)和时间序列分解(STL分解)季节趋势分解等。将这些预处理后的结果同原始数据一起作为网络的输入数据,进行训练和预测。
数据进行预处理具体为:
(1)根据实时电流和电压计算对应的有功功率;
(2)以一段数据为单位,对电流和电压数据进行傅里叶变换;
(3)以一段数据为单位,进行频域信息提取以及时间序列分解。
步骤3:构建多尺度感知的卷积神经网络,确定网络的输入输出格式
本发明中所构建网络模型一共包含三个部分,第一部分是多尺度特征感知网络模块,用来实现多尺度特征感知;第二部分是全局特征感知网络模块,用来实现全局特征感知;第三部分是多标签分类网络,用来完成分类任务,具体是将上一部分所提取到的特征进行映射,最终得到对电器身份的预测。
网络各部分的具体结构和输入输出格式如下:
(一)多尺度特征感知网络模块
该模块有两层结构:
第一层:由3个一维卷积块构成,各块之间的卷积核大小不同,分别为1、5、9,以及对应卷积核的填充长度不同,分别为0、2、4;各块卷积步长均为1,输入通道数为6,输出通道数为8;
第二层:二维卷积,卷积核大小为3*3,步长为1,填充为1*1,输入通道数24,输出通道数32,后接ReLU层。
(二)全局特征感知网络模块
该模块有九层网络:
第一层:二维卷积,卷积核大小为3*3,步长为1,填充为1*1,输入通道数32,输出通道数64,后接ReLU层;
第二层:二维卷积,卷积核大小为3*3,步长为1,填充为1*1,输入通道数64,输出通道数64,后接ReLU层;
第三层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数64,输出通道数64,后接ReLU层;
第四层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数64,输出通道数64,后接ReLU层;
第五层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数64,输出通道数128,后接全局最大池化层,然后接ReLU层;
第六层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数128,输出通道数64,后接ReLU层;
第七层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数64,输出通道数32,后接ReLU层;
第八层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数32,输出通道数16,后接ReLU层;
第九层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数16,输出通道数4,后接ReLU层。
(三)多标签分类网络
该网络将上一部分所提取到的特征进行映射,最终得到对电器身份的预测;该网络包含两层:
第一层:全连接层,输入神经元节点数为900(4*15*15),输出神经元节点数为256,后接ReLU激活函数;
第二层:全连接层,输入神经元节点数为256,输出神经元节点数为onehot结果的数组长度,后接Sigmoid激活函数。
步骤4:训练网络,选取合适的超参,获得最好的训练效果
本发明在网络的训练中,选用随机梯度下降算法SGD作为网络的优化器,用余弦退火算法动态调整网络的学习率大小,选用交叉熵损失函数对网络的预测结果进行损失计算并反向传播;
步骤5:将训练好的网络模型接入电气指纹识别任务,以聚合电流、电压为输入,进行实时的电气指纹监控。
以一栋楼的电器工作状态识别为目标举例:在该楼的总供电线路上安装非侵入式的电流、电压传感设备,让该传感器特定频率采集电路中的电流电压设备,并将采集到的数据按照时间顺序实时传输给数据一个数据缓存模块,该模块实时维护两秒内的最新时序数据,并用特定的间隔将数据发送给模型的数据处理模块。模型的数据处理模块接到特定长度的数据后,按照与训练集一致的窗口大小对数据进行不重复的划分,然后将划分好的数据进行预处理,最后送入模型的预测模块进行预测,将得到的预测结果实时送给可视化模块,将预测的设备状态标签转换成为对应的设备状态并进行展示,从而实现对工作电器状态的实时监控。
本发明通过构建并训练一个多尺度特征感知的卷积神经网络,从而检测出对应电路的电器工作状态。本发明实现了端到端(传感器原始数据到对应的电器身份)一体化工作,减少了任务分解后各部分协同工作的误差累积,从而达到更好的电气指纹识别效果。
附图说明
图1为本发明基于多尺度特征感知的非侵入式负载监控电气指纹识别方法的流程图。
图2为本发明的网络模型结构图。
具体实施方式
以下结合附图和实施例对本发明的技术方案进行详细阐述。
实施例
本发明提供的以非侵入式负载监控方式获得电流、电压聚合数据为输入提取电气指纹特征的方法,具体步骤为:
步骤1:对目标电器进行电气数据采集,并按照特定长度进行分块处理,同时进行标注,划分训练集、验证集和测试集;
步骤2:对上一步骤中得到的数据进行特定方式的预处理;
步骤3:构建多尺度感知的卷积神经网络,确定网络的输入输出格式;
步骤4:训练网络,选取合适的超参,获得最好的训练效果;
步骤5:将训练好的网络模型接入电气指纹识别任务,以聚合电流、电压为输入,进行实时的电气指纹监控。
下面对各个步骤作进一步的具体说明:
步骤1:对目标电器进行电气数据采集,并按照特定长度进行分块处理,同时进行标注,划分训练集、验证集和测试集。
首先划定特定数量和种类的待识别电器,具体包括:电吹风、电熨斗、吸尘器、小电锅、暖风机以及鼓风机,以这些电器为目标,首先分别采集单设备各工作状态下的电流、电压数据,采集频率为1KHz,待采集设备从关闭状态到开启,再到稳态工作,然后关闭,整个流程大约20s到40s不等;然后对所有设备进行排列组合,进行多设备不同时启动但工作状态叠加的数据采集,时长40s到140s不等。然后对采集到的数据进行分割:以滑动窗口的方式将采集到的连续时间序列划分成多个数据段,窗口大小固定为900,步伐固定为3。对于划分后的数据,根据其包含的电器状态进行标注,例如:无负载([1, 0, 0, 0, 0, 0, 0, 0, 0,0])、无负载+吹风机启动([1, 1, 0, 0, 0, 0, 0, 1, 0, 0])、无负载+吹风机启动+吹风机一档等([1, 1, 0, 0, 0, 0, 0, 1, 1, 0])。然后按照比例6 : 1 : 3将数据集进行划分,得到训练集、验证集和测试集三部分。
步骤2:对上一步骤中得到的数据进行特定方式的预处理。
步骤一中得到的数据集,其内容只是包含原始的连续电流、电压数值以及该数据块对应的标签,为了对数据特征进行更深层次的挖掘,我们对数据进行了多角度、多层次的预处理。具体包括:根据数据段计算对应的有功功率,得到有功功率数据序列;分别对电流和电压数据进傅里叶变换,得到对应的频谱信息;分别对电流和电压数据进行STL分解,得到对应的季节、趋势和残差信息。将这些预处理后的结果同原始数据一起作为网络的输入数据,进行训练和预测,数据的最终格式为:(8, 900)。
步骤3:构建多尺度感知的卷积神经网络,确定网络的输入输出格式。
本发明中所构建网络模型一共包含三个部分,第一部分是用来实现多尺度特征感知的一维卷积部分,第二部分是用来实现全局特征感知的二维卷积神经网络,第三部分是用来完成分类任务的全连接网络。本网络的输入长度900、通道数为8,网络各部分的具体实现和输入输出格式如下:
(一)多尺度特征感知网络模块
该模块有两层结构:
第一层:由3个一维卷积块构成,各块之间的卷积核大小不同,分别为1、5、9,以及对应卷积核的填充长度不同,分别为0、2、4;各块卷积步长均为1,输入通道数为6,输出通道数为8(该层输入为(8,900),则各块输出为(8, 900),三个块的输出进行拼接,得到(24,900),再将该输出变形成为24通道的30*30大小的特征矩阵,则最终输出为(24,30,30));
第二层:二维卷积,卷积核大小为3*3,步长为1,填充为1*1,输入通道数24,输出通道数32,后接ReLU层(最终输出(32,30,30))。
(二)全局特征感知网络模块
该模块有九层网络:
第一层:二维卷积,卷积核大小为3*3,步长为1,填充为1*1,输入通道数32,输出通道数64,后接ReLU层(最终输出(64,30,30));
第二层:二维卷积,卷积核大小为3*3,步长为1,填充为1*1,输入通道数64,输出通道数64,后接ReLU层(最终输出(64,30,30));
第三层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数64,输出通道数64,后接ReLU层(最终输出(64,30,30));
第四层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数64,输出通道数64,后接ReLU层(最终输出(64,30,30));
第五层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数64,输出通道数128,后接全局最大池化层,然后接ReLU层(最终输出(128,15,15));
第六层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数128,输出通道数64,后接ReLU层(最终输出(64,15,15));
第七层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数64,输出通道数32,后接ReLU层(最终输出(32,15,15));
第八层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数32,输出通道数16,后接ReLU层(最终输出(16,15,15));
第九层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数16,输出通道数4,后接ReLU层(最终输出(4,15,15))。
(三)多标签分类网络
该网络将上一部分所提取到的特征进行映射,最终得到对电器身份的预测;该网络包含两层:
第一层:全连接层,输入神经元节点数为900(4*15*15),输出神经元节点数为256,后接ReLU激活函数;
第二层:全连接层,输入神经元节点数为256,输出神经元节点数为onehot结果的数组长度,后接Sigmoid激活函数。
步骤4:训练网络,选取合适的超参,获得最好的训练效果
本发明在网络的训练中,选用了随机梯度下降算法SGD作为网络的优化器,用余弦退火算法动态调整网络的学习率大小,选用交叉熵损失函数对网络的预测结果进行损失计算并反向传播;
其中,是模型的预测结果,y是样本对应的真实标签,CrossEntropyLoss是pytorch的nn.functional模块中自带的交叉熵损失计算函数;通过实验,本发明提出的模型在150个EPOCH时逐渐收敛,初始学习率设置为0.1,batch size为64。
步骤5:将训练好的网络模型接入电气指纹识别任务,以聚合电流、电压为输入,进行实时的电气指纹监控。
本发明中,以一间屋子的供电为检测目标:在该屋子的总供电线路上安装了非侵入式的电流、电压传感设备,让该传感器以1KHz的频率采集电路中的电流、电压数据,并将采集到的数据按照时间顺序实时传输给数据缓存模块,该模块实时维护两秒内的最新时序数据,并用1s的间隔将1100个时序数据(有100个重复数据数据)发送给模型的数据处理模块。模型的数据处理模块接到特定长度的数据后,按照窗口大小900对数据进行划分,步长为11,然后将划分好的数据进行预处理,最后送入模型的预测模块进行预测,将得到的多个预测进行投票处理,选出最终的预测结果,结果通过可视化模块,转换成为对应的设备状态。
本发明中,以对检测时间段内,多段数据中设备状态的检测结果的正确率为指标进行评估。表1中给出了模型对于选定的各设备在验证集、测试集以及实际实验的检测准确率。
表1各设备检测准确率(%)
Claims (1)
1.一种基于多尺度特征感知的非侵入式电气指纹识别方法,其特征在于,具体步骤为:
步骤1:对目标电器进行电气数据采集,并按照一定长度进行分块处理,同时进行标注,划分训练集、验证集和测试集;
步骤2:对采集到的电气数据进行预处理,包括:
计算有功功率、进行频谱分解和时间序列分解;将这些预处理后的结果同原始数据一起作为网络的输入数据,进行训练和预测;
步骤3:构建多尺度感知的卷积神经网络,确定网络的输入输出格式
构建的多尺度感知的卷积神经网络模型包含三个部分:多尺度特征感知网络模块,用来实现多尺度特征感知;全局特征感知网络模块,用来实现全局特征感知;多标签分类网络,用来完成分类任务,具体是将上一部分所提取到的特征进行映射,最终得到对电器身份的预测;
步骤4:训练网络,选取合适的超参,获得最好的训练效果
选用随机梯度下降算法SGD作为网络的优化器,用余弦退火算法动态调整网络的学习率大小,选用交叉熵损失函数对网络的预测结果进行损失计算并反向传播;
步骤5:将训练好的网络模型接入电气指纹识别任务,以聚合电流、电压为输入,进行实时的电气指纹监控;
步骤1的流程为:
采集数据,采集方式为:首先划定特定数量和种类的待识别电器,以这些电器为目标,固定采样频率为1KHz,先分别采集单设备各工作状态下的电流、电压数据;再对所有设备进行排列组合,进行多设备不同时启动但工作状态叠加的数据采集;
然后对采集到的数据进行分割:以滑动窗口的方式将采集到的连续时间序列划分成多个数据段,窗口大小W固定,步伐S固定,假定时间序列数据长度为L,则得到的分割数据块数为:(L-W)/ S;对于划分后的数据,根据其包含的电器状态进行标注;
然后按照特定比例将数据集进行划分,得到训练集、验证集和测试集三部分;
步骤2中所述数据预处理,包括:计算有功功率、进行频谱分解即傅里叶变换和时间序列分解即STL季节趋势分解;具体为:
(1)根据实时电流和电压计算对应的有功功率;
(2)以一段数据为单位,对电流和电压数据进行傅里叶变换;
(3)以一段数据为单位,进行频域信息提取以及时间序列分解;
步骤3中所述多尺度感知的卷积神经网络的具体结构和网络的输入输出格式如下:
(一)多尺度特征感知网络模块,有两层结构:
第一层:由3个一维卷积块构成,各块之间的卷积核分别为1、5、9,对应卷积核的填充长度分别为0、2、4;各块卷积步长均为1,输入通道数为6,输出通道数为8;
第二层:二维卷积,卷积核大小为3*3,步长为1,填充为1*1,输入通道数24,输出通道数32,后接ReLU层;
(二)全局特征感知网络模块,有九层网络:
第一层:二维卷积,卷积核大小为3*3,步长为1,填充为1*1,输入通道数32,输出通道数64,后接ReLU层;
第二层:二维卷积,卷积核大小为3*3,步长为1,填充为1*1,输入通道数64,输出通道数64,后接ReLU层;
第三层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数64,输出通道数64,后接ReLU层;
第四层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数64,输出通道数64,后接ReLU层;
第五层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数64,输出通道数128,后接全局最大池化层,然后接ReLU层;
第六层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数128,输出通道数64,后接ReLU层;
第七层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数64,输出通道数32,后接ReLU层;
第八层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数32,输出通道数16,后接ReLU层;
第九层:二维卷积,卷积核大小为5*5,步长为1,填充为2*2,输入通道数16,输出通道数4,后接ReLU层;
(三)多标签分类网络,包含两层:
第一层:全连接层,输入神经元节点数为900,输出神经元节点数为256,后接ReLU激活函数;
第二层:全连接层,输入神经元节点数为256,输出神经元节点数为onehot结果的数组长度,后接Sigmoid激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210049795.XA CN114511007B (zh) | 2022-01-17 | 2022-01-17 | 一种基于多尺度特征感知的非侵入式电气指纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210049795.XA CN114511007B (zh) | 2022-01-17 | 2022-01-17 | 一种基于多尺度特征感知的非侵入式电气指纹识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114511007A CN114511007A (zh) | 2022-05-17 |
CN114511007B true CN114511007B (zh) | 2022-12-09 |
Family
ID=81550560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210049795.XA Active CN114511007B (zh) | 2022-01-17 | 2022-01-17 | 一种基于多尺度特征感知的非侵入式电气指纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511007B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
CN112435142A (zh) * | 2020-12-16 | 2021-03-02 | 北京航空航天大学 | 一种用电负荷识别方法及其负荷用电设施知识库构建方法 |
CN113807225A (zh) * | 2021-09-07 | 2021-12-17 | 中国海洋大学 | 一种基于特征融合的负荷识别方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU1330501A (en) * | 1999-10-07 | 2001-05-10 | Veridicom, Inc. | Spoof detection for biometric sensing systems |
US9104189B2 (en) * | 2009-07-01 | 2015-08-11 | Mario E. Berges Gonzalez | Methods and apparatuses for monitoring energy consumption and related operations |
CN106097353B (zh) * | 2016-06-15 | 2018-06-22 | 北京市商汤科技开发有限公司 | 基于多层次局部区域融合的物体分割方法及装置、计算设备 |
CN106199347B (zh) * | 2016-06-23 | 2019-02-22 | 福州大学 | 基于干扰指纹识别的故障电弧检测方法及检测装置 |
CN109376753B (zh) * | 2018-08-31 | 2022-06-28 | 南京理工大学 | 一种三维空谱空间维像元类属概率计算方法 |
CN109815339B (zh) * | 2019-01-02 | 2022-02-08 | 平安科技(深圳)有限公司 | 基于TextCNN知识抽取方法、装置、计算机设备及存储介质 |
CN111582007A (zh) * | 2019-02-19 | 2020-08-25 | 富士通株式会社 | 物体识别方法、装置和网络 |
CN113033633B (zh) * | 2021-03-12 | 2022-12-09 | 贵州电网有限责任公司 | 一种结合电力指纹知识和神经网络的设备类型识别方法 |
-
2022
- 2022-01-17 CN CN202210049795.XA patent/CN114511007B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
CN112435142A (zh) * | 2020-12-16 | 2021-03-02 | 北京航空航天大学 | 一种用电负荷识别方法及其负荷用电设施知识库构建方法 |
CN113807225A (zh) * | 2021-09-07 | 2021-12-17 | 中国海洋大学 | 一种基于特征融合的负荷识别方法 |
Non-Patent Citations (2)
Title |
---|
"基于数据增强和深度学习的非侵入式负荷分解方法";刘睿迪;《中国优秀高级论文全文数据库工程科技Ⅱ辑》;20210815(第08期);1-64页 * |
"基于机器学习理论的智能电网数据分析及算法研究";杨延东;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20210115(第01期);1-14、30-81页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114511007A (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612650B (zh) | 一种基于dtw距离的电力用户分群方法及*** | |
CN108681747B (zh) | 基于深度学习的旋转机械故障诊断与状态监测***及方法 | |
CN107229602B (zh) | 一种智能楼宇微网用电行为的识别方法 | |
CN109685314B (zh) | 一种基于长短期记忆网络的非侵入负荷分解方法和*** | |
CN110188920A (zh) | 一种锂电池剩余寿命预测方法 | |
CN111368904B (zh) | 一种基于电力指纹的电器设备识别方法 | |
CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及*** | |
CN112308124B (zh) | 一种面向用电信息采集***的智能防窃电方法 | |
CN112396087B (zh) | 基于智能电表的独居老人用电数据分析方法及装置 | |
CN104346503A (zh) | 一种基于人脸图像的情感健康监控方法及手机 | |
CN103268519A (zh) | 基于改进Lyapunov指数的电力***短期负荷预测方法及装置 | |
CN104616002A (zh) | 用于年龄段判断的面部识别设备 | |
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 | |
CN114201989A (zh) | 一种采用卷积神经网络和双向长短时记忆网络的交流电机轴承故障诊断方法 | |
CN116502175A (zh) | 一种图神经网络故障诊断方法、装置和存储介质 | |
CN112396098A (zh) | 非嵌入式公寓电器负荷识别分析方法、***及应用 | |
CN114693624A (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
CN114970841A (zh) | 电池状态预测模型的训练方法及相关装置 | |
CN113554361A (zh) | 一种综合能源***数据处理计算方法及处理*** | |
CN111007452A (zh) | 一种数据采集***的故障诊断方法及装置 | |
CN114511007B (zh) | 一种基于多尺度特征感知的非侵入式电气指纹识别方法 | |
CN116523681A (zh) | 电动汽车的负荷分解方法、装置、电子设备及存储介质 | |
CN117055726A (zh) | 一种脑机交互的微运动控制方法 | |
CN115983347A (zh) | 一种非侵入式负荷分解方法、装置及存储介质 | |
CN113780457B (zh) | 中医资源消耗的异常检测方法、装置、设备及介质 |
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 |