一种基于LSTM的非侵入式用电器识别方法、系统及设备技术方案

本发明专利技术属于用电器识别技术领域，公开了一种基于LSTM的非侵入式用电器识别方法、系统及设备，利用电流互感器和电压过零检测电路，同步取样用电器的电流数据，通过电流数据提取特征参数并判断出用电器的投切事件后，再利用长短期记忆(LSTM)神经网络判断出投切的用电器种类，最后结合累积和(CUSUM)智能识别出当前用电器的种类和数量。本发明专利技术兼顾低成本，低功耗，高识别精度为一体，易于工业化生产和推广使用；具有学习功能，可自主学习新用电器，并识别用电器不局限于出厂时内置的用电器种类。在嵌入式微控制器芯片上部署了LSTM神经网络，用于识别用电器；微控制器芯片相对微处理器芯片在成本上有显著优势，本发明专利技术所提出的多参数的检测方法能够更准确的判断出用电器的投切事件。件。件。

【技术实现步骤摘要】
一种基于LSTM的非侵入式用电器识别方法、系统及设备


[0001]本专利技术属于用电器识别
，尤其涉及一种非侵入式用电器识别方法、系统及设备。

技术介绍

[0002]目前，在如今大量使用电力能源的时代，电力监控是一个重要的话题。在家用电力领域，家用电器识别的要求不断被重视。已有的电器监控设备往往无法兼顾高精度和低成本这两个需求。作为家用识别装置，目前市场上已有的多是成本相对较低的非侵入式电器监控装置，为了在节约成本的同时保证识别的准确性，如今的监控装置多采用一些神经网络或者人工智能的算法，需要电脑参与训练和识别过程，带来了系统功耗的增加以及成本的增加。当然同时也有一些采用简单识别方式的设备，但难以维持较好的识别效果，实际使用效果堪忧。总体来说，在家用电器识别这一领域，高精度和低成本的需求难以两全。
[0003]近年来，随着社会经济的飞速发展，工业能源消耗和家庭能源使用量都在急剧上涨。在社会生产力能力持续增强，人民物质生活水平不断提高的同时，能源需求量也同步提升，这给能源供应系统提出了巨大的挑战，尤其是诸如电能等传统能源。来自多方面的，多种类的能源接入量给电力系统提供了大量的资源供应压力。对于如何提高能源使用效率这一课题，物联网技术正处于研究的最前端，它可以灵活地感知电力系统状态，面对变化的负载用电情况及时进行智能通信、控制和调整。而在居民用电领域中，物联网电力控制系统具体落实为家用电器状况监控、用电情况通报和用电器智能调控等。
[0004]面对这些家庭电力监控需求，识别电器种类、检测电器使用状态、监测电力使用量等基本要求不断被人们所重视。在用电器识别和家庭负荷监测方面，主要有两种研究方法，即侵入式和非侵入式。非侵入式用电负荷监测技术相比于侵入式负荷监测技术而言，无需繁琐的硬件安装，只需要采集电力供总线处的电压电流，通过特定算法便能得到用电器的类别状态和电能消耗。考虑到侵入式监控的高成本，非侵入式监控应该是家庭电力监控的更优解。非侵入式监控旨在通过处理家庭聚合用电量信息来识别电器的被使用状况。但在非侵入式用电器监测识别方法中，单一的依靠稳态或瞬态参数无法准确的判断用电器种类，而一味的依靠高精度的谐波分析法又会产生数据冗余。
[0005]程春雨等提出了一种基于BP神经网络的用电器识别系统设计，系统采集单个用电器工作电流数据并传送给上位机存储留待处理。上位机将接收到的数据进行复合数字滤波，并基于BP神经网络通过叠加原理排列组合出多种情况，生成训练数据集，从而实现用电器识别。
[0006]周明等提出了一种基于S_Kohonen非侵入式居民负荷识别方法，分析了典型用电器负荷的电流数据频谱，并以其谐波作为负荷识别的最优特征参量，使用预先采集的负荷特征库训练S_Kohonen神经网络，最终实现对用电器类别的精确识别。
[0007]周晓等提出了一种基于ELM的非侵入式电力负荷识别算法，从负荷特性出发，针对各电力负荷的暂态及稳态电气特性，提取并建立负荷特征标签。然后，采用极限学习机
(ELM)神经网络模型，将输入特征非线性地映射到输入层，实现快速收敛至全局最优点。采用基于累积和(CUSUM)的双边事件检测方法，实现快速准确地检测出负荷投切事件，实时触发负荷识别。
[0008]他们都采用了神经网络或者人工智能的算法，实现了用电器的识别，但是他们都需要复杂的训练以及复杂的计算，并且需要借助电脑来实现神经网络识别，带来了系统功耗的增加以及成本的增加。
[0009]综上所述，现有的用电器识别算法与系统中，往往不能兼顾低成本和高精度这两个重要需求，不适用于实际的家庭电器识别使用状况。现有非侵入用电器识别系统计算复杂度过高，不利于低功耗和产业化。
[0010]程春雨，周明，周晓等人提出的用电器识别算法虽然采用的不同的具体识别方法，但是都是使用了神经网络或者人工智能的算法以达到用电器识别的高精度要求。虽然已经在一定程度上控制了成本，但是由于其所用神经网络或者人工智能的算法本身固有的对于训练量和计算量的需求，并没有实现在嵌入式微控制芯片上部署神经网络进行识别，系统功耗的增加以及成本的增加是不可避免的。在满足高精度需求的同时难以兼顾低成本的要求，而成本问题在家用设备的领域中由尤为重要，这无疑会限制这些设备的实际推广使用，也不能完美的满足市场用户需求。
[0011]除了这些使用了神经网络或者人工智能的算法的系统，其他更低成本的识别装置就具有识别精度不足的明显问题。或是只能识别一些由厂商固定选定的用电器，使用范围非常局限，或是识别准确度不高，无法做到高准确率的实时识别显示。
[0012]通过上述分析，现有技术存在的问题及缺陷为：
[0013](1)现有的用电器识别算法与系统中，往往不能兼顾低成本和高精度这两个重要需求，不适用于实际的家庭电器识别使用状况；现有非侵入用电器识别系统计算复杂度过高，不利于低功耗和产业化。
[0014](2)现有的采用神经网络或人工智能算法实现用电器识别的方法中，都需要复杂的训练以及复杂的计算，并且需要借助计算机来实现神经网络识别，带来了系统功耗的增加以及成本的增加。
[0015](3)现有的非侵入式用电器识别方法针对的大多是几十瓦及以上的用电器，针对十瓦以内的小用电器(比如台灯，LED等待灯)不具备识别能力或者识别性能很差。
[0016](4)现有的非侵入式用电器识别方法采用功率变化为投切事件判断的依据，其适用的电气功率都是在几十瓦以上，即仅仅对大功率电气有效。

技术实现思路

[0017]针对现有技术存在的问题，本专利技术提供了一种非侵入式用电器识别方法、系统、及设备，尤其涉及一种基于LSTM(长短期记忆)神经网络的非侵入式用电器识别方法、系统及设备。
[0018]本专利技术是这样实现的，一种非侵入式用电器识别方法，所述非侵入式用电器识别方法包括：
[0019]利用电流互感器和电压过零检测电路，同步取样用电器的电流；利用获取的电流数据，对LSTM神经网络进行训练；利用获取的电流数据得到电流的基波相位、各次谐波与基
波幅度比和能量比等特征参数，并利用这些特征参数判断出用电器的投切事件；利用训练好的LSTM神经网络对变化的电流数据进行识别，判断出投切的用电器种类；最后结合累积和(CUSUM)智能识别出当前用电器的种类和数量。
[0020]进一步，所述非侵入式用电器识别方法包括以下步骤：
[0021]步骤一，进行用电器参数获取并缓冲在MCU的内存中；
[0022]步骤二，进行LSTM神经网络的训练；
[0023]步骤三，进行用电器特征特征参数提取，并利用这些特征判断用电器的投切事件；
[0024]步骤四，利用训练好的LSTM神经网络进行用电器识别；
[0025]步骤五，基于累计和(CUSUM)智能识别出当前用电器的种类和数量。
[0026]进一步，所述步骤一中的用电器参数获取包括：
[0027]获取的用电器参数是电流数据，通过电流互感器和电压过零检测电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非侵入式用电器识别方法，其特征在于，所述非侵入式用电器识别方法包括：利用电流互感器和电压过零检测电路，同步取样用电器的电流，通过对电流数据提取特征参数并判断出投切事件后，再对变换的电流数据利用长短时记忆神经网络识别出投切的用电器种类，最后结合累积和智能识别出当前用电器的种类和数量。2.如权利要求1所述非侵入式用电器识别方法，其特征在于，所述非侵入式用电器识别方法包括以下步骤：步骤一，进行用电器参数获取并缓冲在MCU的内存中；步骤二，进行LSTM神经网络的训练；步骤三，进行用电器特征特征参数提取，并利用这些特征判断用电器的投切事件；步骤四，利用训练好的LSTM神经网络进行用电器识别；步骤五，基于累计和(CUSUM)智能识别出当前用电器的种类和数量。3.如权利要求2所述非侵入式用电器识别方法，其特征在于，所述步骤一中的用电器参数获取包括：获取的用电器参数是电流信息，通过电流互感器和电压过零检测电路，在电压过零点，同步取样用电器的电流数据；取样通过MCU控制ADC模块实现；取样得到的数据缓冲在MCU的内存中。4.如权利要求2所述非侵入式用电器识别方法，其特征在于，所述步骤二中的神经网络训练包括：(1)LSTM神经网络采用LSTM神经网络实现用电器的识别；基于LSTM神经网络，以单个用电器自身电流数据为训练数据，通过迭代训练的方法建立用电器学习模型；LSTM单元结构包含遗忘门f
t
，输入门i
t
和输出门o
t
三个对信息进行筛选的门神经元和一个内部记忆神经元其中，σ表示sigmoid函数，tanh表示双曲正切函数，h
t
表示该单元结构的输出，C
t
为该细胞状态；在神经网络学习过程中，历史学习信息将由遗忘门f
t
筛选出对下一次学习有用的信息；当前时刻t的输入x
t
与上一时刻输出h
t
‑1拼接后，经过激活函数sigmoid后的结果与上一时刻的细胞输出C
t
‑1点乘，从而实现对上一时刻的学习信息进行筛选；其中决定遗忘门的公式为：f
t
＝σ(W
f
[h
t
‑1；x
t
]+b
f
)；式中，W
f
为遗忘门权重矩阵，b
f
为遗忘门偏置向量；输入门i
t
用于决定输入x
t
中被加入与细胞状态中的信息；输入x
t
经过激活函数sigmoid得到结果i
t
用于决定被更新的信息；输入x
t
经过函数tanh的结果代表当前时刻的信息，计算公式为：i
t
＝σ(W
i
[h
t
‑1；x
t
]+b
i
)；式中，W
i
，W
c
为输入门权重矩阵，b
i
，b
c
为输入门偏置向量；
根据当前时刻输入得到的i
t
和c
t
点乘结果与遗忘门对上一时刻细胞状态的筛选结果相加，得到当前细胞状态C
t
：式中，
⊙
表示按元素相乘；输出门o
t
由当前时刻输入x
t
、上一时刻单元结构的输出h
t
‑1以及当前细胞状态C
t
决定，单元结构的输出h
t
由o
t
与C
t
运算得到：o
t
＝σ(W
o
[h
t
‑1；x
t
]+b0)；h
t
＝o
t
⊙
tanh C
t
；式中，W
o
为输出门权重矩阵，b0为输出门偏置向量；(2)ND
‑
LSTM模型结构ND
‑
LSTM采用单层LSTM网络，并加入丢弃层防止对训练数据过拟合，实现部署至嵌入式控制芯片的轻量级神经...

【专利技术属性】
技术研发人员：顾文杰，吴拨云，秦少阳，何先灯，
申请(专利权)人：陕西溪麓电子科技有限公司，
类型：发明
国别省市：