一种基于离散小波变换的电气指纹识别方法技术

本发明专利技术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。本发明专利技术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。本发明专利技术利用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，本发明专利技术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。具有广泛的应用场景。具有广泛的应用场景。

【技术实现步骤摘要】
一种基于离散小波变换的电气指纹识别方法


[0001]本专利技术属于电气指纹识别
，具体涉及基于离散小波变换的电气指纹识别方法。

技术介绍

[0002]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。
[0003]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 Architecture for Detection,Feature Extraction and Multi
‑
Label Classification in NILM Signals》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。
[0004]本专利技术引入离散小波变换(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。

技术实现思路

[0005]针对电气负载高识别率的需求，本专利技术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。
[0006]本专利技术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：
[0007]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；
[0008]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…
I
1000
])，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；
[0009]步骤3：用步骤2中准备的训练数据集训练CNN模型；
[0010]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；
[0011]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。
[0012]进一步地：
[0013]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：
[0014]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；
[0015]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。
[0016]步骤2的具体流程为：
[0017](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…
I
1000
]；
[0018](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：
[0019][0020]其中，A
j,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；
[0021](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；
[0022](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。
[0023]步骤4的的具体流程为：
[0024](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；
[0025](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；
[0026](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。
[0027]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。
[0028]本专利技术使用瞬时电流经过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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：张珊珊，
申请(专利权)人：上海梦象智能科技有限公司，
类型：发明
国别省市：