【技术实现步骤摘要】
本专利技术涉及高频电器识别，尤其涉及基于多门控专家网络的高频电器识别模型构建方法及系统。
技术介绍
1、近年来，非侵入式电器识别发挥着极为重要的积极作用，它有助于提高能源效率、降低碳排放、优化电力系统，并鼓励用户更加积极地参与和理解能源消耗。目前，非侵入式高频电器识别技术在国内外已经有部分学者进行了一定的研究。现有大部分研究均是在总线处采集电器数据，通过事件检测和混叠分解的方法得到单体电器数据，再利用识别算法判断电器信息。但是，现有高频电器识别方法在真实用电场景中识别准确率低，实用性差，具体的不足有：
2、1、在实际环境中，用电设备运行状况复杂，现有事件检测方法难以准确捕捉电器的投切事件，进而使得高频数据混叠分解的波形畸变率大，难以提取到与高频电器对应的有效特征，导致高频电器识别的准确率较低。
3、2、目前大部分电器识别均采用单任务学习模型，不同的电器识别任务需要构建不同的模型，存在着部署运行后计算资源需求大，实用性差的问题，并且忽视了不同电器识别任务之间存在的关联信息。
4、3、用于训练高频电器识别模型的数据集大多只包含有对应电器一种或少数几种运行特性下的高频电器功率数据，并未考虑真实用电场景中多种电器在不同运行特性下组合运行的可能，模型泛化性较弱。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术
2、鉴于上述现有存在的问题，提出了本专利技术。
3、因此，本专利技术提供了基于多门控专家网络的高频电器识别模型构建方法及系统，能够解决
技术介绍
中提到的问题。
4、为解决上述技术问题，本专利技术提供如下技术方案，基于多门控专家网络的高频电器识别模型构建方法，包括：
5、获取高频电器功率数据，并进行电器种类划分，同时对所述高频电器功率数据进行预处理；
6、对所述预处理后的数据按周期进行切片，分别对各电器种类的片段数据集合进行聚类，得到各电器种类的典型功率波形库，对所述各电器种类的典型功率波形库进行抽样，生成总线功率数据集；
7、将门控网络和时序卷积神经网络作为专家网络，结合建立共享模块与多个并行的子任务模块构成的多任务学习模型，并且基于所述总线功率数据集以及对应的电器种类标签数据完成对该多任务学习模型的训练。
8、作为本专利技术所述的基于多门控专家网络的高频电器识别模型构建方法的一种优选方案，其中：所述获取高频电器功率数据，并进行电器种类划分，同时对所述高频电器功率数据进行预处理包括：
9、所述的高频功率数据指功率数据的采样频率不低于7.5khz；
10、记采集到的高频电器功率数据为l，高频电器功率数据为l包含m种电器数据其中为需要进行电器识别的高频电器功率数据集合，nclass为数据集中需要进行电器识别的电器种类个数，nclass＜m，第i种电器的功率数据集合li中存储有第i种电器在不同运行特性下的高频电器功率数据；
11、所述预处理包括异常值检测和归一化处理；
12、所述异常值检测的判据的计算如下式所示：
13、abn＝i(|xi+1-xi|＞t),i＝1,2,...,w
14、其中，i(·)为指示函数，若括号内的条件满足则返回1，否则返回0；xi+1与xi分别表示单条片段数据中的第i+1和第i个功率采样点；t表示相邻功率采样点绝对差分值的阈值；若abn等于1则判定为存在异常值，删除该条片段数据；
15、所述归一化是指将各电器种类的片段数据减去片段数据自身的均值，再除以片段数据自身的标准差。
16、作为本专利技术所述的基于多门控专家网络的高频电器识别模型构建方法的一种优选方案，其中：所述对所述预处理后的数据按周期进行切片，分别对各电器种类的片段数据集合进行聚类，得到各电器种类的典型功率波形库包括：
17、所述切片包括将预处理后的各电器种类的高频功率数据按采样周期tsamp进行截取，截成采样周期长度的片段功率数据；
18、所述聚类包括分别对不同种类电器的片段功率数据集合进行k-means聚类，对于第i种电器做聚类，其目标函数如下式所示：
19、
20、其中，为第i种电器所有片段功率数据的总数；为第i种电器聚类簇的个数；xiv为第i种电器的第v条片段功率数据；centerij为第i种电器的第j个聚类簇中心；
21、在聚类过程中根据肘部法则确定最佳的聚类中心的个数；
22、所述肘部法则包括对第i种电器的条数据，聚类中心个数ρ从1到遍历，每次聚类完成后计算每个数据到其所属的聚类簇中心的误差平方和，误差平方和会随着聚类中心个数ρ的增大而减小，误差平方和的计算方法如下式所示
23、
24、其中，ρi为第i种电器的聚类中心个数；niγ为第i种电器第γ个聚类簇所包含的数据个数；uiγη为第i种电器第γ个聚类簇中的第η个数据；为第i种电器第γ个聚类簇中心的数据。
25、作为本专利技术所述的基于多门控专家网络的高频电器识别模型构建方法的一种优选方案，其中：所述肘部法则还包括：
26、当聚类中心个数ρ从1到遍历完成后，使聚类中心个数ρ从2到遍历，计算聚类中心个数为ρ-1与聚类中心个数为ρ时对应的误差平方和的变化率kρ-1,ρ以及聚类中心个数为ρ与聚类中心个数为ρ+1时对应的误差平方和的变化率kρ,ρ+1，误差平方和的变化率的计算方法如下式所示：
27、ka,b＝(ssea-sseb)/(a-b)
28、其中，a,b为聚类中心个数的两个取值；ka,b为聚类中心个数为a与聚类中心个数为b时对应的误差平方和的变化率；ssea为当聚类中心个数为a时的误差平方和；sseb为当聚类中心个数为b时的误差平方和，当kρ-1,ρ/kρ,ρ+1＜thr时，取此时的聚类中心个数为ρ为最佳的聚类中心个数，thr表示第一阈值；
29、按照上述聚类方法得到的聚类簇构建典型功率波形库其中，为需要进行电器识别的电器的数据库，为不需要进行电器识别的电器的数据库；第i种电器的数据库存储的是第i种电器按数据归一化后的聚类结果得到的个聚类簇中心的典型波形数据。
30、作为本专利技术所述的基于多门控专家网络的高频电器识别模型构建方法的一种优选方案，其中：所述对所述各电器种类的典型功率波形库进行抽样，生成总线功率数据集包括：
31、所述抽样包括对所述典型功率波形库进行有放回的抽取；
32、选取参与组合过程的电器类别，总共有种抽样方案，其中，表示从m种电器中抽取0种电器，表示从m种电器中抽取1种电器，依此类推；
33、遍历这2m种抽样方案，再对于每一种抽样方案抽样出来的电器进一步抽取，在每一种电器中随机选择本文档来自技高网...
【技术保护点】
1.基于多门控专家网络的高频电器识别模型构建方法，其特征在于，包括：
2.如权利要求1所述的基于多门控专家网络的高频电器识别模型构建方法，其特征在于，所述获取高频电器功率数据，并进行电器种类划分，同时对所述高频电器功率数据进行预处理包括：
3.如权利要求2所述的基于多门控专家网络的高频电器识别模型构建方法，其特征在于，所述对所述预处理后的数据按周期进行切片，分别对各电器种类的片段数据集合进行聚类，得到各电器种类的典型功率波形库包括：
4.如权利要求3所述的基于多门控专家网络的高频电器识别模型构建方法，其特征在于，所述肘部法则还包括：
5.如权利要求4所述的基于多门控专家网络的高频电器识别模型构建方法，其特征在于，所述对所述各电器种类的典型功率波形库进行抽样，生成总线功率数据集包括：
6.如权利要求5所述的基于多门控专家网络的高频电器识别模型构建方法，其特征在于，所述将门控网络和时序卷积神经网络作为专家网络，结合建立共享模块与多个并行的子任务模块构成的多任务学习模型包括：
7.如权利要求6所述的基于多门控专家网
8.基于多门控专家网络的高频电器识别模型构建系统，其特征在于，包括：预处理模块、数据集获取模块以及模型建立与训练模块，
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.基于多门控专家网络的高频电器识别模型构建方法，其特征在于，包括：
2.如权利要求1所述的基于多门控专家网络的高频电器识别模型构建方法，其特征在于，所述获取高频电器功率数据，并进行电器种类划分，同时对所述高频电器功率数据进行预处理包括：
3.如权利要求2所述的基于多门控专家网络的高频电器识别模型构建方法，其特征在于，所述对所述预处理后的数据按周期进行切片，分别对各电器种类的片段数据集合进行聚类，得到各电器种类的典型功率波形库包括：
4.如权利要求3所述的基于多门控专家网络的高频电器识别模型构建方法，其特征在于，所述肘部法则还包括：
5.如权利要求4所述的基于多门控专家网络的高频电器识别模型构建方法，其特征在于，所述对所述各电器种类的典型功率波形库进行抽样，生成总线功率数据集包括：
6.如权利要求5所述的基于多门控专家网络的高频电...
【专利技术属性】
技术研发人员：谈竹奎，邓松，刘斌，唐赛秋，徐长宝，杨尹青，党林，林呈辉，张后谊，王扬，张历，杨一帆，代奇迹，丁超，
申请(专利权)人：贵州电网有限责任公司，
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。