【技术实现步骤摘要】
一种基于主动学习的电气指纹识别方法
[0001]本专利技术属于电气指纹识别
,具体涉及基于主动学习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]目前常见的电气指纹识别算法,需要采集大量训练样本(通常超过20000),并且基于有监督算法,需要对所有样本进行标注,标注成本高。本专利技术所采用的主动学习算法,本质是介于有监督算法和无监督算法之间,既有不需要标注全部数据的优点,也有利用有标注数据提高分类准确率的优点。
[0004]电气负载的识别关键在与识别的准确率。本专利技术提出的方法,利用主动学习算法,不需要对采集的全部数据进行标注,降低标注成本。同时又能通过筛选有价值样本进行标注,重新训练CNN模型,提高模型识别准确率,达到降低训练成本又能保证准确识别电气负载的目的。
技术实现思路
[0005]本专利技术针对电气负载低成本、高识别率的需求,提供一种基于主动学习的电气指纹识别方法,以实现实时、高效、低成本、高准确率的电气指纹识别。
[0006]本专利技术提供的基于主动学习的电气指纹识别方法,以非入侵式负载监控方式获得瞬时电流数据,组织成一维向量数据,作为待识别特征;然后基于训练好的神 ...
【技术保护点】
【技术特征摘要】
1.一种基于主动学习的电气指纹识别方法,其特征在于,以非入侵式负载监控方式获得瞬时电流数据,组织成一维向量数据,作为待识别特征;然后用训练好的神经网络深度学习模型,即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,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,每个负载每种状态采集100组数据,每组数据采集500个点;步骤2:对步骤1采集的电气数据进行处理,每个负载每种状态的100组数据中,随机选择10组数据,组成初始训练集;步骤3:用步骤2中准备的训练数据集训练CNN模型;步骤4:将步骤2随机选择后余下的未标注数据送入CNN模型,得到预测结果;根据预测结果,利用主动学习的最低置信度策略,进一步从这些余下的数据中筛选有价值的数据;对该进行标注后和步骤2随机筛选的数据集合并,作为新的训练集,并重新训练CNN模型;步骤5:实时采集电路中的瞬时电流,组织成一维向量,输入重新训练好的CNN模型,进行分类识别,即可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所述的电气指纹识别方法,其特征在于,步骤1中所述采集电气数据,是采集待检测的特定目标负载的瞬时电气数据;具体确定6个需要采集数据的负载,分别编号为D1、D2、
…
、D6;采集电气数据时,选定某一个负载,采集器从0时刻开始采集,采集频率为1kHz,采集到的数据中,从t到(t+500ms)这一段时间中,得到一个长度为500的向量;获取用来训练CNN模型的目标负载状态数据时,负载的开机和关机都是需要检测的状态;具体地,在0ms处开始进行数据采集,在500ms处该负载“打开”,1000ms处该负载关闭,1500ms处停止采集,取[200,700]、[202,702]、[204,704]
…
[398,898],即从200ms开始,每隔2ms取一组500长度的数据,总共100个时段的电流作为该负载开机时的初始样本数据,取[700,1200],[702,1202],[704,1204]
…
[898,1398]总共100个时段的电流作为该负载关机时的初始样本数据;如果负载存在多种运行状态,则每种状态都要按上述方式采集。3.根据权利要求2所述的电气指纹识别方法,其特征在于,步骤2中所述对采集的电气数据进行处理,每个负载每种状态的100组数据中,随机选择10组数据,组成初始训练集;具体作法如下:(1)从每个设备的每种状态的数据中随机选择10组数据,每组数据以长为500的一维向量表示,其形式为[I1,I2,I3…
I
500
];(2)将上述获得...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。