一种基于主动学习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，具体为一种基于主动学习的电气指纹识别方法。本发明专利技术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，实现电气指纹的准确识别。本发明专利技术采用主动学习算法，是介于有监督算法和无监督算法之间，不需要标注全部数据，仅利用有限标注数据即可提高分类准确率，从而降低标注成本，具有广泛的应用前景。广泛的应用前景。广泛的应用前景。

【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：
[0007]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；
[0008]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；
[0009]步骤3：用步骤2中准备的训练数据集训练CNN模型；
[0010]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；
[0011]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。
[0012]本专利技术包括训练集的构造、CNN模型的训练，以及实时数据的采集和分类等。
[0013]下面对各个步骤作进一步的具体说明：
[0014]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，是采集本专利技术要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D1、D2、
…
、D6；在采集电气数据时，选定一个负载，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。
[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“打开”，1000ms处D1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D1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D1关机时的初始样本数据；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。
[0016]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：
[0017](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，形如[I1，I2，I3…
I
500
]；
[0018](2)将上述获得一维向量，作为待分类的特征向量，与原始数据的标签对应，得到一个完整的带标签的特征向量，形如[label，I1，I2，I3…
I
500
]，其中label为分类结果的数字映射，例如D1设备开机状态这一分类结果映射成0，D2设备关机这一分类结果映射成1，以此类推；
[0019](3)将所有的初始样本数据进行上述处理后，得到CNN模型的训练集。
[0020]步骤3中所述用训练数据集训练CNN模型，其中，CNN模型的具体结构，从输入到输出依次经过的模块为：1层一维卷积，relu，maxpooling，4个残差模块，relu，maxpooling，全连接层，softmax。
[0021]将训练集输入到CNN模型，根据模型的预测结果，结合输入数据的标签，利用交叉熵损失函数计算损失，并做梯度下降和误差反向传播来更新模型参数，直到模型收敛，即完成模型的训练。
[0022]步骤4中所述根据预测结果，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，具体过程如下：
[0023]假设当前CNN模型能够预测10类数据，那么其softmax层输出结果的形式为y＝[y0，y1，y2…
y8，y9]，其中y为类别概率预测向量，y
i
(i＝0,1
…
9)代表当前输入数据属于类别i的概率；所有未标注数据输入后都能得到形如前述的长度10的类别概率预测向量，其中值最大的即为模型的预测结果，比如y2最大，则预测类别为2(2为实际分类的数字映射结果)。
[0024]所有预测为同一类别的未标注数据，对他们属于当前类别的概率值做如下运算：
[0025][0026]其中，x
L
为需要标注的样本，θ为训练好的模型参数集合，为属于当前类别的概率值，argmin
x
表示公式取最小值时x的取值。
[0027]按照该公式即可获得那些预测为同类的数据中，实际预测概率比较小的数据(概率较小代表其比概率较大的数据更难区分)。
[0028]对其余同类未标注数据进行上述处理，即可进一步筛选出有价值的数据(实质为CNN模型比较难分类的数据)。
[0029]步骤5中所述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，具体流程为：
[0030](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500个后，本文档来自技高网...

【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：