一种基于注意力机制的事件检测方法与流程

1.本发明属于电气指纹识别技术领域，具体涉及一种基于注意力机制的事件检测方法。


背景技术：

2.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。
3.电气指纹识别的关键地方在于对电器状态切换识别的准确率。本发明提出的方法，利用循环神经网络优秀的识别能力，构建出回归子网络，将一定时间量的电气数据提取特征后，送入网络进行识别，从而得到高准确率的识别结果，从而也就进一步提高了电气指纹识别的准确率。


技术实现要素：

4.本发明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部分，提供一种基于注意力机制的事件检测方法，为电能的合理分配以及用电安全提供实时、高效，高准确率的技术方案。
5.本发明提供的基于注意力机制的事件检测方法，以非侵入式负载监控方式获得待识别的电器的电流、电压数据，对电器在状态切换时的数据进行特征提取，形成时间序列向量，作为窗口向量的唯一特征，标识单个设备的不同事件发生状态，送入预先训练好的回归子网络模型，进行特征分类，从而得到当前电器投切事件发生的结果（发生时间及目前状态）。具体步骤如下。
6.步骤1：采集用于训练回归子网络模型的特定电器状态切换时的电气数据，并进行数据预处理，根据预设定的采样频率，确定采样窗口阈值大小。
7.步骤2：对步骤1采集的电气数据进行处理，提取特征，生成基于时间序列的n维向量，作为回归子网络模型的训练集。
8.步骤3：构建回归子网络模型，用上一步骤中形成的训练集训练；具体流程为：（1）根据设备采样数据，确定不同阈值大小的采样窗口；（2）加入注意力单元，以前馈神经网络构建回归子网络；回归子网络主要由三部分组成：网络层、前馈神经网络、全连接层，根据数据的输入输出关系来构建回归子网络。网络层由四个一维卷积层的卷积神经网络（cnn）以及一个双向lstm构成的循环神经网络（rnn）构成；网络层的四个一维卷积层均具有x个过滤器、k个卷积核、步长为1，同时均使用relu激活函数；双向lstm的输入输出单元数同为h，且都采用
切向双曲激活函数。
9.所述cnn用于处理输入的预处理电信号，提取出单一设备不同状态下的签名作为一组特征图，所述rnn以cnn形成的特征图作为输入，双向lstm从两个方向来获取所有信息的隐藏状态，包含事件发生时前后信息隐藏状态的序列。
10.进一步地，构建的网络组成为：网络层：第一层，一维卷积，卷积核大小10，滤波器数30，步长1，后接relu激活函数；第二层，一维卷积，卷积核大小8，滤波器数40，步长1，后接relu激活函数；第三层，一维卷积，卷积核大小6，滤波器数50，步长1，后接relu激活函数；第四层，一维卷积，卷积核大小5，滤波器数50，步长1，后接relu激活函数；第五层，双向lstm，单元数5，后接正切双曲激活函数；前馈神经网络：第六层，注意力单元，单元数5，后接正切双曲激活函数；全连接层：第七层，全卷积层，输入神经元节点数为1024，输出神经元节点数为1024，后接relu激活函数；第八层，全卷积层，输入神经元节点数为1024，输出神经元节点数为l，后接线性激活函数。
11.步骤4：实时采集电路中的电气数据并提取特征，形成时间序列向量，之后将所得特征向量一一输入训练好的回归子网络模型进行识别。
12.步骤5：根据回归子网络模型的预测结果，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。
13.本发明还包括训练集的构造、回归子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。
14.下面对各个步骤作进一步的具体说明：步骤1：采集用于训练回归子网络模型的特定电器状态切换时的电气数据；此步骤需要采集本发明要检测的特定目标电器在状态切换时的电气数据。采集的的电气数据使用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），具体采集包括：用于形成训练回归子网络模型的需要检测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，任选一个可采集的电器，从0时刻采集器开始采集，采集频率为1khz，采，设定总采集时间为60s，则采集数据为60000组时间序列向量，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。
15.获取用来训练回归子网络模型的目标设备状态切换数据时，对于dw作为目标设备，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，同时需要给该部分数据进行标注，对应标签为“dw挡位1”。其余目标设备作同样处理。
16.步骤2：对步骤1采集的电气数据进行处理，提取特征，生成基于时间序列的n维向
量，作为回归子网络模型的训练集；回归子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特征提取，获得一个（x
t1
，x
t2
，
…
，x
t2000
）的时间序列向量（x为这个时间点瞬间的有功功率值，t为某个时间窗口）；（3）将上述获得n维向量，作为待识别的目标数值，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，就得到回归子网络模型的训练集。
17.步骤4：实时采集电路中的电气数据并提取特征，形成时间序列向量，之后将所得特征向量一一输入训练好的回归子网络模型进行识别；（1）待检测电路的电流和电压以1khz的频率进行采样，当待检测电路在0秒时刻接通开始工作，则每当采集到的数据达到2000组后，就将这前面的2000组作为一个块取出，采集器继续采集，直到攒够下一个2000组后取出，持续循环处理，直至停止检测；（2）每一个块取出后里边的数据是原始的电流电压数据，通过特征提取步骤得到待匹配的特征数据，并将该特征图像送入训练好的回归子网络模型中进行识别，根据识别结果获得当前数据对应的投切事件标签。
18.步骤5：根据回归子网络模型的预测结果，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。
19.根据上一步骤中得到的识别结果，就得到了当前数据段中出现的电器状态的变化情况，例如，对于dw打开，或者dw关闭，或者dw一直处于待机状态无其他状态变化等等。如果监测到dw打开这个电器状态的切换，那么，直到检测到dw关闭状态的出现，在这之前dw设备都是处于开启工作的状态。其余目标设备作同样分析处理。
20.基于以上步骤，在非侵入式负载监控的场景下，可以在一定时间内判别出被监测电路中出现的待检测电器设备投切事件的发生与切换。从而监测到当前电路中正在工作的电器的身份，实现了“电气指纹识别”的目标，以达到合理用电和保障用电安全的目的。
21.本发明使用基于注意力机制的前馈神经网络，将单个设备在不同状态下“电气指纹”信息较为精确的从网络层传输到全连接层，从而放大对某些隐秘事件（小功率换挡等）的“注意力”，同时也对某些数据激凸进行过滤，达到降低了特征类别的区分难度，提高了判别模型进行识别的准确性。
22.本发明与现有技术相比，具有高准确度地对电路中电器设备的工作状态变化进行识别，从而达到对电路进行监控、对危险用电进行警示等目的，具有广泛的应用场景，为电能的合理分配以及用电安全提供了一种实时、高效，高准确率的技术方案。
附图说明
23.图1为本发明流程图。
具体实施方式
24.本发明包括训练集的构造、回归子网络模型的构造和初始化、模型的训练，以及实
时数据的采集和识别等内容。本方法需提前采集一定量的电气数据，用来形成模型的训练集，训练回归子网络模型。利用有功功率功率的时间序列作为唯一特征，标识单设备的不同状态。
25.实施例1参阅图1，本发明以非侵入式负载监控方式获得的电流、电压数据为输入，经过特征提取，送入训练好的回归子网络进行识别，从而得到该设备电气投切事件，具体步骤为：步骤1：采集用于训练回归子网络模型的特定电器状态切换时的电气数据。
26.此步骤需要采集本发明要检测的特定目标电器在状态切换时的电气数据。采集的的电气数据使用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），具体采集包括：在采集电气数据时，任选一个可采集的电器，从0时刻采集器开始采集，采集频率为1khz，采，设定总采集时间为60s，则采集数据为60000组的电流与电压瞬时值，在设备开始工作时，本发明会以每秒钟1000组数据的速度不断地获取到当前电路中电流与电压数据。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。
27.以洗碗机作为一个目标设备时，该设备从打开时候一直到关闭时刻内的所有状态变化值均为待识别的检测对象，以洗碗机打开为例子进行说明：假设洗碗机在2秒处开始工作，则本发明从第1秒（时刻）至第3秒（时刻）处开始，窗口为2000，取数据块，得到2000组包含电流电压的事件序列，这些窗口向量为对应标签“洗碗机打开”的原始特征数据。
28.本发明中实验的目标设备使用5个可采集数据的电器，其对应的所有状态如下：（1）洗碗机（dw）：打开+ 关闭；（2）冰箱（fr）：打开 +关闭；（3）水壶（ke）：打开（加热） + 从加热到保温+ 从保温到加热+ 关闭；（4）微波炉（mw）：打开(一档) + 从一档到二挡+ 关闭；（5）洗衣机（wm）：打开（一档）+打开（二档）+ 关闭；最终得到的特征库中特征数量为：2000*14=28000个。
29.步骤2：对步骤1采集的电气数据进行处理，提取特征，形成向量序列，作为回归子网络模型的训练集。
30.回归子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特征提取，获得一个（x
t1
，x
t2
，
…
，x
t2000
）的时间序列向量（x为这个时间点瞬间的有功功率值，t为某个时间窗口）；（3）将上述获得n维向量，作为待识别的目标数值，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，就得到回归子网络模型的训练集。
31.步骤3：构建回归子网络模型，用上一步骤中形成的训练集训练；（1）根据设备采样数据，确定不同阈值大小的采样窗口；（2）加入注意力单元，以前馈神经网络构建回归子网络。
32.回归子网络主要由三部分组成，网络层、前馈神经网络、全连接层，根据数据的输入输出关系来构建回归子网络。网络层由四个一维卷积层的卷积神经网络（cnn）以及一个双向lstm构成的循环神经网络（rnn）构成；网络层的四个一维卷积层均具有30个过滤器、10个卷积核、步长为1，同时均使用relu激活函数；双向lstm的输入输出单元数同为5，且都采用切向双曲激活函数。
33.cnn处理输入的预处理电信号，提取出单一设备不同状态下的签名作为一组特征图，rnn以cnn形成的特征图作为输入，双向lstm从两个方向来获取所有信息的隐藏状态，包含事件发生时前后信息隐藏状态的序列。
34.搭建网络搭建组成如前所述。
35.步骤4，实时采集电路中的电气数据并提取特征，形成时间序列向量，之后将所得特征向量一一输入训练好的回归子网络模型进行识别，其中：（1）待检测电路的电流和电压以1khz的频率进行采样，当待检测电路在0秒时刻接通开始工作，则每当采集到的数据达到6000组后，就将这前面的6000组作为一个块取出，采集器继续采集，直到攒够下一个6000组后取出，持续循环处理，直至停止检测；（2）每一个块取出后里边的数据是原始的电流电压数据，通过特征提取步骤得到待匹配的特征数据，并将该特征图像送入训练好的回归子网络模型中进行识别，根据识别结果获得当前数据对应的投切事件标签。
36.步骤5：根据回归子网络模型的预测结果，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。
37.根据上一步骤中得到的识别结果，就得到了当前数据段中出现的电器状态的变化情况，例如说dw打开，或者dw关闭，或者dw一直处于待机状态无其他状态变化等等。如果监测到dw打开这个电器状态的切换，那么，直到检测到dw关闭状态的出现，在这之前dw设备都是处于开启工作的状态。
38.对待检测电路的电流和电压以1khz的频率进行采样，假设待检测电路在0毫秒时刻接通开始工作，则每当采集到的数据达到2000组后，就将这前面的2000组作为一个块取出，采集器继续采集，直到攒够下一个2000组，然后取出，持续循环处理，直至所有的数据采集完毕。
39.当一个块取出后，里边的数据是原始的电流电压数据，提取特征得，计算有功功率，将结果根据事件发生的时间段形成时间序列。将该特征送入训练好的回归子网络中进行识别，结果就是当前数据块中包含的电器投切事件发生状态，例如：冰箱打开、洗衣机关闭、洗衣机切换到第二档等。实时检测过程中，如果出现“冰箱打开”，则说明冰箱已经被打开工作，并且接下来一段时间内，在检测到“冰箱关闭”之前，冰箱都是处于工作状态。
40.本实施例中，通过实时检测的方式，对所有设备的所有状态进行了多次的模拟实验，状态切换共进行了约2400次，平均每个状态特征出现次数约200次，其实验结果详见下述表1。
41.表1各设备检测准确率（%）
。
42.上述实验证明，本发明对设备状态切换特征检测的平均准确率有97.09%。
43.以上只是为本发明的一种实施方式，并非用以限制本发明，对于不脱离本发明构思前提下做出的变形与改进，都属于本发明的权利要求保护范围。