【技术实现步骤摘要】
本专利技术属于电流识别领域，具体为一种基于长短时记忆网络的非侵入式家电状态识别方法及介质。
技术介绍
1、家电负荷辨识方法中，传统的侵入式方法主要有以下缺点：(1)传统的侵入式方法需要在家电中安装采集传感装置，具有成本高、安装维护复杂等缺点，而本专利技术只需在电力入口采集用户用电总信息，再对总用电数据进行数据分析和预测，具有成本低、便于安装维护等优点。(2)目前的家电状态识别算法多采用时域法和时频法，时域法和时频法多选择家电的稳态或暂态电气参数如稳态电压、电流、功率参数等高频率信号作为负荷标签，具有采集数据量大、占用存储空间大等缺点，而本专利技术只采集家电的低频电流信号作为负荷标签，具有采集过程简便，数据量小等优点。(3)传统的家电状态识别算法多采用k-近邻算法、lmd(局部平均分解)、hht(希尔伯特变换)、小波变换等传统聚类和分解算法实现家电开关状态判断，存在运算空间、时间复杂度较高、在多家电、复杂多稳态和瞬态信号的环境下识别准确率不理想等缺点，而本专利技术采用cnn-lstm模型，能在多家电、复杂多稳态和瞬态信号的环境下取得理想的识别精度，并且可以通过模型压缩方法大幅降低算法复杂度，在保证识别准确率的同时提高推理速度。
2、随着人工智能和智能家居的发展，家电状态识别研究已经成为用电行为分析、家庭用电安全和合理配电用电等领域重要的研究课题。基于已有的负荷辨识研究，用户可以监控电器运行状态，自主优化用电能耗。进一步地，根据不同的家电状态数据可以分析、预测用户的用电行为。但是，过多的传感器会带来侵犯用户隐私、安装维护
技术实现思路
1、本专利技术提出了一种基于长短时记忆网络的非侵入式家电状态识别方法。
2、实现本专利技术目的的技术方案为：一种基于长短时记忆网络的非侵入式家电状态识别方法，具体步骤为：
3、采集单电器电流值并构建训练数据集；
4、利用训练数据集对基于cnn-lstm的感知模型进行训练，所述感知模型采用cnn模块作为特征提取器，采用lstm模块将每个电器的电气信号从总信号中分离出，采用全连接层根据分离出的电气信号确定电器开关状态的概率；
5、采用知识蒸馏和模型量化方法对训练好的感知模型进行压缩，获得轻量级模型；
6、将轻量级模型部署到移动端，对电器状态进行实时识别。
7、优选地，采集单电器电流值并构建训练数据集的具体方法为：
8、采集单电器的电流值，根据基尔霍夫定律组合单电器电流，n种电器组合为2n中混合电流作为训练数据集。
9、优选地，根据训练数据集的均值和方差对训练数据集添加高斯分布的随机噪声，通过设定均值和标准差，生成高斯噪声并添加到电流信号中。
10、优选地，所述cnn模块包括级联的三层cnn、relu激活函数以及池化层增强网络，每层cnn包括由一系列卷积操作，用于提取电流数据中的时间模式、频率信息和幅度变化特征，通过relu激活函数以及池化层增强网络的非线性特性减少特征维度。
11、优选地，所述lstm模块用于对cnn模块提取的特征进行时间序列的演变分析，获得电流信号中的重要时间动态和关键事件，所述重要时间动态包括电流信号的周期性波动、尖峰或下降，所述关键事件包括电器的开启或关闭。
12、优选地，采用二元交叉熵损失函数作为基于cnn-lstm的感知模型训练的损失函数。
13、优选地，采用知识蒸馏和模型量化方法对训练好的感知模型进行压缩，获得轻量级模型的具体方法为：
14、将训练好的基于cnn-lstm的感知模型作为教师模型，采用知识蒸馏技术将教师模型的关键信息传递给学生模型并对学生模型进行训练，所述学生模型的cnn层和lstm层数量比教师模型少；
15、将学生模型的权重转化为整数，将训练好的，权重为整数的学生模型作为轻量级模型。
16、优选地，采用知识蒸馏技术将教师模型的关键信息传递给学生模型并对学生模型进行训练的具体方法为：
17、将感知模型的训练数据集及其对应的标签、感知模型对相同训练数据集概率分布形式的软目标输出输入学生模型进行训练，直至模型收敛。
18、本专利技术与现有技术相比，其显著优点为：本专利技术提出了一种基于cnn-lstm模型的非侵入式家电状态识别算法，具有低能耗、低成本、配置简单、识别精度高和推理速度快等优点；
19、本专利技术提出了一种利用单家电电流构造数据集的方法，基于基尔霍夫定律将全部单家电电流值排列组合生成数据集，并且可以通过基于用户反馈的在线学习即时生成新数据集。
20、本专利技术考虑到算法运行复杂度问题，采用知识蒸馏和模型量化结合的模型压缩方法，在保证算法识别精度无明显下降的情况下大幅度提升了模型的推理速度。
21、下面结合附图对本专利技术做进一步详细的描述。
本文档来自技高网...【技术保护点】
1.一种基于长短时记忆网络的非侵入式家电状态识别方法，其特征在于，具体步骤为：
2.根据权利要求1所述的基于长短时记忆网络的非侵入式家电状态识别方法，其特征在于，采集单电器电流值并构建训练数据集的具体方法为：
3.根据权利要求2所述的基于长短时记忆网络的非侵入式家电状态识别方法，其特征在于，根据训练数据集的均值和方差对训练数据集添加高斯分布的随机噪声，通过设定均值和标准差，生成高斯噪声并添加到电流信号中。
4.根据权利要求1所述的基于长短时记忆网络的非侵入式家电状态识别方法，其特征在于，所述CNN模块包括级联的三层CNN、ReLU激活函数以及池化层增强网络，每层CNN包括由一系列卷积操作，用于提取电流数据中的时间模式、频率信息和幅度变化特征，通过ReLU激活函数以及池化层增强网络的非线性特性减少特征维度。
5.根据权利要求1所述的基于长短时记忆网络的非侵入式家电状态识别方法，其特征在于，所述LSTM模块用于对CNN模块提取的特征进行时间序列的演变分析，获得电流信号中的重要时间动态和关键事件，所述重要时间动态包括电流信号的周期性波动、
6.根据权利要求1所述的基于长短时记忆网络的非侵入式家电状态识别方法，其特征在于，采用二元交叉熵损失函数作为基于CNN-LSTM的感知模型训练的损失函数。
7.根据权利要求1所述的基于长短时记忆网络的非侵入式家电状态识别方法，其特征在于，采用知识蒸馏和模型量化方法对训练好的感知模型进行压缩，获得轻量级模型的具体方法为：
8.根据权利要求1所述的基于长短时记忆网络的非侵入式家电状态识别方法，其特征在于，采用知识蒸馏技术将教师模型的关键信息传递给学生模型并对学生模型进行训练的具体方法为：
9.根据权利要求1所述的基于长短时记忆网络的非侵入式家电状态识别方法，其特征在于，将轻量级模型实时识别的电器状态结果与用户反馈进行比较，若与用户反馈结果不一致，则在线学习更新训练集，并重新训练基于CNN-LSTM的感知模型。
10.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的基于长短时记忆网络的非侵入式家电状态识别方法。
...【技术特征摘要】
1.一种基于长短时记忆网络的非侵入式家电状态识别方法，其特征在于，具体步骤为：
2.根据权利要求1所述的基于长短时记忆网络的非侵入式家电状态识别方法，其特征在于，采集单电器电流值并构建训练数据集的具体方法为：
3.根据权利要求2所述的基于长短时记忆网络的非侵入式家电状态识别方法，其特征在于，根据训练数据集的均值和方差对训练数据集添加高斯分布的随机噪声，通过设定均值和标准差，生成高斯噪声并添加到电流信号中。
4.根据权利要求1所述的基于长短时记忆网络的非侵入式家电状态识别方法，其特征在于，所述cnn模块包括级联的三层cnn、relu激活函数以及池化层增强网络，每层cnn包括由一系列卷积操作，用于提取电流数据中的时间模式、频率信息和幅度变化特征，通过relu激活函数以及池化层增强网络的非线性特性减少特征维度。
5.根据权利要求1所述的基于长短时记忆网络的非侵入式家电状态识别方法，其特征在于，所述lstm模块用于对cnn模块提取的特征进行时间序列的演变分析，获得电流信号中的重要时间动态和关键事件，所述重要时间动态包括电流信号的周期...
【专利技术属性】
技术研发人员：张星洲，潘郑，彭晓晖，
申请(专利权)人：中科南京信息高铁研究院，
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。