【技术实现步骤摘要】
一种基于图像特征与检索的非侵入式事件检测方法
[0001]本专利技术属于电气指纹识别
,具体涉及基于图像特征与检索的非侵入式事件检测方法。
技术介绍
[0002]像每个人都具有独一无二的指纹信息一样,不同的电器由于内部电容、电感、电阻等电气元件的不同而在接通电路进行工作时所产生的电流、电压等电气特征也都各不相同,这些各不相同的电气特征也就是每个电器的“电气指纹”。通过非侵入式监控的方法,实时监测电路中的用电状况,识别和记录电路中电器的工作状况,甚至是识别出危险用电(电瓶车非法充电、宿舍中违规电器的使用等),这对电能的合理分配以及用电安全具有重大意义。
[0003]电气指纹识别的关键之处在于对电器状态切换识别的准确率,即对于电气指纹识别过程中的事件检测准确率。目前,在事件检测方面少有满意的方法。
技术实现思路
[0004]针对电气指纹识别高准确率的需求,对于电气指纹识别过程中的事件检测,本专利技术提供一种基于图像特征与检索的非侵入式事件检测方法,以提高电气指纹识别的准确率。
[0005]本专利技术提供的基于图像特征与检索的非侵入式事件检测方法,对于提取的单个电器某段时间内电压与电流数据,计算有功功率,通过matlibplot库绘制成折线图;将绘制的折线图送入训练好的带有注意力分数的局部特征检索网络(DeLF)中,进行电气事件识别,得到识别结果,根据识别结果获得当前电器事件发生时间及目前状态;具体步骤如下:
[0006]步骤1:采集用于训练DeLF网络模型的数据,该数据为多个 ...
【技术保护点】
【技术特征摘要】
1.一种基于图像特征与检索的非侵入式事件检测方法,其特征在于,包括对于提取的单个电器某段时间内电压与电流数据,计算有功功率,通过matlibplot库绘制成折线图;将绘制的折线图送入训练好的带有注意力分数的局部特征检索网络DeLF中,进行电气事件识别,得到识别结果,根据识别结果获得当前电器事件发生时间及目前状态;具体步骤如下:步骤1:采集用于训练DeLF网络模型的数据,该数据为多个已知的电器设备,在正常运行、切换挡位状态时的电气数据,包括电压、电流;按照预先设定的采样时间、频率规定为一组,每种事件状态下采集m组,得到由n个状态下m
×
60000对电流、电压的瞬时值组成的时间序列,随后计算得到有功功率;这里频率为单个设备在60秒内1kHz的采样频率;步骤2:对步骤1采集的有功功率进行处理,通过matlibplot库绘制成折线图,横轴为时间轴,纵轴为有功功率值,生成二维图像数据;随后在数据上根据步骤1中已知的设别类型以及该设备在该时间下所处的已知状态,对这段时间内图像上的有功功率值进行标注;标注完成后的图像数据集作为DeLF模型的训练集;步骤3:构建DeLF模型,并利用上述步骤中形成的训练集进行训练;DeLF模型根据完全卷积网络FCN以及CNN来构建得到;步骤4:实时采集电路中的电气数据形成图像数据,输入训练好的DeLF网络模型,DeLF进行特征提取,形成特征图,随后进行特征检索,最终得出该时段某设备所发生的的投切事件;步骤5:根据DeLF模型的预测结果,判断当前特征分属于哪个特征类别,从而判断当前数据段所存在的电器状态的切换,实现电器投切事件的判断。2.根据权利要求1所述的基于图像特征与检索的非侵入式事件检测方法,其特征在于,步骤1所述采集用于训练DeLF网络模型的电器设备在正常运行、切换挡位状态时的电气数据,其中电器设备为5个已知用电且用电量较高的电器,分别为:洗碗机(DW)、冰箱(FR)、水壶(KE)、微波炉(MW)和洗衣机(WM),随后采集用于训练DeLF模型的特定目标电器在正常工作时的电气数据;在采集电气数据时,应选用任意一个可采集的电器,从0时刻采集器开始采集,采集频率为1kHz,设定总采集时间为60s,则采集数据为60000对以时间序列排列好的瞬时电压、电流;从采集到的数据中选取指定阈值范围内的数值作为一个窗口,以窗口进行滑动;获取用来训练DeLF模型的目标设备状态切换数据;目标设备的打开和关闭都是需要检测的状态变化,即需要检测的事件;具体为,在0ms处开始进行数据采集,在第一时段5s处目标设备“打开”,在第二时段55s处目标设备关闭,60s处停止采集;其中取某一时段内共2000组窗口向量,作为目标设备挡位1的训练数据。3.根据权利要求2所述的基于图像特征与检索的非侵入式事件检测方法,其特征在于,步骤2中所述对步骤1采集的电气数据进行处理,首先将其计算为以时间序列排列好的有功功率序列,随后通过matlibplot库将该序列绘制成折线图,将时间轴作为横轴,将有功功率值作为竖轴,生成二维图像数据;并根据步骤1中的记录,为电气设备的打开、关闭以及14s至16s时的投切事件发生,在生成的二维图像数据上进行标注;最终形成图像数据集作为DeLF模型的训练集;DeLF网络模型的基础训练数据中,每一个窗口向量包含着2000组一一对应的电流和电压的瞬时值,其处理方式如下:(1)将对应的电流和电压通过计算得到有功功率;
(2)对上一步骤得到的2000个连续的有功功率进行图像绘制,获得一个(X
t1
,X
t2
,
…
,X
t2000
)的时间序列通过matlibplot库绘制成以时间为横坐标有功功率为纵坐标的折线图;(3)将上述获得图像数据,作为待识别的目标图像,将其与原始特征的标签作为对应的标签,得到一个完整的特征;(4)将所有的原始特征进行上述处理后,就得到DeLF模型的训练集。4.根据权利要求3所述的基于图像特征与检索的非侵入式事件检测方法,其特征在于,步骤3中所述构建DeLF模型,用训练集进行训练,具体流程为:(1)根据实际应用电气设备采样数据,确定不同阈值大小的采样窗口;(2)以前馈神经网络来构建DeLF网络,并加入注意力分数单元;(3)根据完全卷积网络FCN以及CNN构建DeLF模型;先使用ResNet[50]中的全连接层提取密集的局部特征,以Conv4<...
【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。