一种基于图像特征与检索的非侵入式事件检测方法技术

本发明专利技术属于电气指纹识别技术领域，具体为一种基于图像特征与检索的非侵入式事件检测方法。本发明专利技术通过多层全卷积网络判断某个电器设备在一段时间内所处的事件或状态，并在网络提取特征后添加注意力分数机制，将图像分解成若干个关键点，同时对关键点的局部特征赋予注意力分数；通过网络提取的特征，并结合注意力分数，对电路图中所发生的电压、电流变化段所发生的事件重新调整权重，最后通过检索特征库中相匹配的事件特征，识别出事件类别。本发明专利技术提高了投切事件识别的准确率，同时由于模型量级轻，方法简便，使用灵活，训练简易、高效，检测准确率高，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，该数据为多个已知的电器设备(标签)，在正常运行、切换挡位等状态时的电气数据(电压、电流)；按照预先设定的采样时间、频率(例如单个设备在60秒内1kHz的采样频率下)规定为一组，每种事件状态(n个状态)下采集m组，得到了由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；
[0007]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(或单一特殊设备)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(测试集可根据训练集按比例分配)；
[0008]步骤3：构建DeLF模型，并利用上述步骤中形成的训练集训练；DeLF模型根据完全卷积网络FCN以及CNN来构建得到；
[0009]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；
[0010]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。
[0011]本专利技术包括训练集的构造、DeLF网络模型的构造和初始化、模型的训练，以及实时数据的采集和分类等。
[0012]下面对各个步骤作进一步的具体说明：
[0013]步骤1中所述采集用于训练DeLF模型的特定电器状态切换时的电气数据；具体为：
[0014]此步骤需要采集本专利技术要检测的特定目标电器在状态切换时的电气数据；采集的电气数据使用5个已知用电且用电量较高的电器，其编号分别为：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，如2s窗口内含2000组数据，以窗口进行滑动(方便后续数据形成图像进入模型)。
[0015]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，比如，在0ms处开始进行数据采集，在第一时段(如5s)处目标设备“打开”，在第二时段(如55s)处目标设备关闭，60s处停止采集；其中取某一时段(例如在15s时调整状态取14s至16s)内共2000组窗口向量，作为目标设备挡位1的训练数据。
[0016]以DW作为目标设备为例，DW的打开和关闭都是需要检测的状态变化，在0ms处开始进行数据采集，在5s处DW“打开”，55s处DW关闭，60s处停止采集，其中在15s时调整状态取14s至16s内共2000组窗口向量，作为DW挡位1的训练数据。
[0017]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DW设备的打开、关闭以及14s至16s时的投切事件发生，在步骤2中生成的二维图像数据上进行标注；其余设备依次按照步骤2进行操作，最终形成图像数据集作为DeLF模型的训练集。
[0018]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：
[0019](1)将对应的电流和电压通过计算得到有功功率；
[0020](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(X为这个时间点瞬间的有功功率值，t为某个时间窗口)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；
[0021](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；
[0022](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。
[0023]步骤3中所述构建DeLF模型，用上一步骤中形成的训练集训练，具体流程为：
[0024](1)根据实际应用中设备采样数据，确定不同阈值大小的采样窗口；
[0025](2)以前馈神经网络来构建DeLF网络，并加入注意力分数单元；
[0026](3)DeLF主要由根据完全卷积网络FCN以及CNN来构建；先使用ResNet[50]中的全连接层进行提取密集的局部特征，以Conv4
×
作为输出，输出14
×
14大小的特征；输出后接入注意力机制模块，以此来获得局部特征表达的相关得分；随后构造具有七层FCN的图像金字塔，来达到处理每一层上下文图像尺度变化；首先对输入图像进行中心裁剪，得到一个正方形图像，随后将正方形图像继续中心裁剪，调整大小为250
×
250，最后使用224
×
224本文档来自技高网...

【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：