一种非入侵式家用电器负荷识别方法、装置及存储介质与流程
本申请涉及电力系统识别领域，尤其涉及一种非入侵式家用电器负荷识别方法、装置及存储介质。
背景技术：
电器负荷检测识别的方法通常有两种，即入侵式负荷检测和非入侵式负荷检测识别。传统的入侵式负荷识别的实现主要是通过在每一个家用电器上安装检测传感器获取家庭电器的用电数据，然后通过网络将数据传送到终端，终端统一对数据进行分析和处理。这种方法虽然技术难度比较低，而且易于实现，但是布线复杂，实施和维护成本高，是一种很不经济的方案。非入侵式负荷检测识别技术是直接在用户总线测设置回路检测装置，在该装置上利用软硬件技术，对家庭用电数据进行分析，识别不同用电设备的种类，目前在对家用电器的负荷进行识别时，并没有对与家用电器相关的数据进行处理，识别准确性较低。
由此可见，如何提高家用电器负荷识别的准确性问题是本领域技术人员亟待解决的问题。
技术实现要素：
本申请提供了一种非入侵式家用电器负荷识别方法，解决了现有技术中如何提高家用电器负荷识别的准确性问题。
为解决上述技术问题，本申请提供了一种非入侵式家用电器负荷识别方法，包括：
依据获取的第一目标参数计算出第二目标参数；
对所述第二目标参数进行归一化处理；
对归一化处理后的所述第二目标数据进行fft变换以得出谐波频谱和幅值，并将所述频谱和幅值作为样本数据；
依据所述样本数据构建神经网络模型，并对所述神经网络模型进行训练；
根据训练后的所述神经网络模型对家用电器的负荷进行识别。
优选地，在所述依据获取的第一目标参数计算出第二目标参数之后，还包括：
对所述第二目标数据进行去重处理。
优选地，所述对所述神经网络模型进行训练具体为：
将所述样本数据分为训练数据和测试数据；
利用所述训练数据对所述神经网络模型进行训练，利用所述测试数据对所述神经网络模型进行测试。
优选地，所述利用所述训练数据对所述神经网络模型进行训练包括：
确定所述神经网络模型的隐含层的节点数目、权值以及阈值；
通过遗传算法对所述权值和所述阈值进行优化，使所述神经网络模型的输出误差最小。
优选地，所述隐含层的神经元采用s型正切函数。
为解决上述技术问题，本申请还提供了一种与非入侵式家用电器负荷识别方法对应的非入侵式家用电器负荷识别装置，包括：
计算模块，用于依据获取的第一目标参数计算出第二目标参数；
处理模块，用于对所述第二目标参数进行归一化处理；
fft变换模块，用于对归一化处理后的所述第二目标数据进行fft变换以得出谐波频谱和幅值，并将所述频谱和幅值作为样本数据；
构建模块，用于依据所述样本数据构建神经网络模型，并对所述神经网络模型进行训练；
识别模块，用于根据训练后的所述神经网络模型对家用电器的负荷进行识别。
为解决上述技术问题，本申请还提供了另一种与非入侵式家用电器负荷识别方法对应的非入侵式家用电器负荷识别装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算程序以实现上述任意一项所述的非入侵式家用电器负荷识别方法的步骤。
为解决上述技术问题，本申请还提供了一种与非入侵式家用电器负荷识别方法对应的计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现上述任意一种所述的非入侵式家用电器负荷识别方法的步骤。
相比于现有技术，本申请所提供的一种非入侵式家用电器负荷识别方法，包括依据获取的第一目标参数计算出第二目标参数；对第二目标参数进行归一化处理；对归一化处理后的第二目标数据进行fft变换以得出谐波频谱和幅值，并将频谱和幅值作为样本数据；依据样本数据构建神经网络模型，并对神经网络模型进行训练；根据训练后的神经网络模型对家用电器的负荷进行识别。由此可见，应用本识别方法，在计算出第二目标数据之后，不仅对第二目标数据进行归一化处理，之后还对归一化处理后的第二目标数据进行fft变换，可以确保样本数据的准确性，得出准确性较高的神经网络模型，进而可以提高家用电器的负荷识别准确性。另外，本申请还提供了一种非入侵式家用电器负荷识别装置及存储介质，效果如上。
附图说明
为了更清楚的说明本申请的技术方案，下面将对实施例中所需要使用的附图作简要的介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种非入侵式家用电器负荷识别方法流程图；
图2为本发明实施例所提供的一种非入侵式家用电器负荷识别装置组成示意图；
图3为本发明实施例所提供的另一种非入侵式家用电器负荷识别装置组成示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合附图，对本申请实施例中的技术方案进行清楚完整的描述。
本申请的核心是提供一种非入侵式家用电器负荷识别方法，可以解决现有技术中如何提高家用电器负荷识别的准确性问题。
图1为本发明实施例所提供的一种非入侵式家用电器负荷识别方法流程图，如图1所示，该方法包括以下步骤：
s101：依据获取的第一目标参数计算出第二目标参数。
s102：对第二目标参数进行归一化处理。
s103：对归一化处理后的第二目标数据进行fft变换以得出谐波频谱和幅值，并将频谱和幅值作为输入样本数据。
具体就是在家用电器的配电总线处安装相关检测设备，通过采样获取家用电器的电流、电压(第一目标参数)等参数，计算出有功功率、无功功率、非活性电流(第二目标参数)等这些特征量，然后对计算出的第二目标参数进行归一化处理，即转化为[0，1]之间的数字，可以避免由于不同家用电器的功率等参数差别较大，对识别结果产生影响的问题。接着对归一化处理后的第二目标参数进行fft变换，具体就是将时域参数转化为频域参数，得到谐波频谱和幅值，并将频谱和幅值作为输入样本数据。作为优选地实施方式，在步骤s101之后，还包括：对第二目标数据进行去重处理。具体就是对步骤s101中的数据(第二目标参数)进行筛选，根据基础数据筛选法筛选出能代表家用电器负荷特征的数据组，对每种家电的特征数据集，包括有功功率、无功功率、电流谐波、非活性电流谐波四种特征数据集去重处理。处理方法是通过差值比较，比较数据矩阵相邻两行基波数据的差值d，若d≥0.1，则认为数据是有效的。最后，将上述得到的特征值进行归一化处理。
s104：依据输入样本数据和家用电器负荷构建神经网络模型，并对神经网络模型进行训练。
s105：根据训练后的神经网络模型对家用电器的负荷进行识别。
具体就是根据确定出的输入样本数据和家用电器负荷构建神经网络模型，然后对神经网络模型进行训练；最后根据训练后的神经网络模型对家用电器的负荷进行识别，即只要获取到家用电器的电流、电压(第一目标参数)等参数，就可利用训练后的神经网络模型得出家用电器的负荷。
作为优选地实施方式，对神经网络模型进行训练具体为：
将样本数据分为训练数据和测试数据；
利用训练数据对神经网络模型进行训练，利用测试数据对神经网络模型进行测试。作为优选地实施方式，利用训练数据对神经网络模型进行训练包括：确定神经网络模型的隐含层的节点数目、权值以及阈值；通过遗传算法对权值和阈值进行优化，使神经网络模型的输出误差最小。
具体地，确定神经网络隐含层的节点数目，本实施例中设置2n+1个隐含层节点数，其中n为特征种类数目。利用拟随机halton序列产生m个初始种群
sc＝[f(t)1,f(t)2,f(t)3…f(t)n]
其中，n为特征的种类数，也就是神经网络的输出层的个数，c为输入数据集的组数。神经网络第i个输入节点的输入值为f(t)i，则相应的隐含层节点输出为
从而可得出隐含层神经元j的输出值为：
设置隐含层共有神经元个数为k，本实施例中输出神经元个数与负荷识别的电器种类数相同，设置电器种类数为r，同时设置输出层的神经元传递函数为s型对数函数，即：
由此获得输出神经元k的期望输出值为：
最终获得神经网络的输出误差为：
将采样获得的所有特征值定义为一组，神经网络的输入数据集包含了500组定义的特征值，采样数据速率为10k，保证能够提取到明显的特征数据，以每一个电器的运行周期为采样周期。以便获取电器运行的各个状态特征。
本实施例中的遗传算法为：设置种群大小为100，迭代次数为50，算子采用轮盘赌选择，交叉算子采用单点交叉，交叉概率为0.8，变异概率为0.02，神经网络的训练速率为0.01，迭代次数设置为20在完成设定的迭代次数或者目标值小于0.0001时停止训练。
选择算子采用轮盘赌选择算法，个体被选中的概率为：
计算每个的个体的累积概率，并且产生一个[0,1]之间的随机数，若随机数的值在两个个体之间或者等于某个个体，则该个体被遗传到下一代。
每个个体的适应度函数为
采用单点交叉操作，群体中两个随机配对的个体在个体基因中随机的选择交叉位置，此时若产生的随机数小于设定的交叉概率，则之后产生新的个体被加入到新种群中去。
同样变异还是采用随机选取一个基本位变异，同理当产生的随机数小于变异概率时个体加入新的种群中去。
神经网络输入数据集300组负荷特征采样数据，每次实验取十次运行结果的平均值，通过遗传算法不断迭代，优化神经网络的权值和阈值，使网络的输出误差最小。
本申请所提供的一种非入侵式家用电器负荷识别方法，包括依据获取的第一目标参数计算出第二目标参数；对第二目标参数进行归一化处理；对归一化处理后的第二目标数据进行fft变换以得出谐波频谱和幅值，并将频谱和幅值作为样本数据；依据样本数据构建神经网络模型，并对神经网络模型进行训练；根据训练后的神经网络模型对家用电器的负荷进行识别。由此可见，应用本识别方法，在计算出第二目标数据之后，不仅对第二目标数据进行归一化处理，之后还对归一化处理后的第二目标数据进行fft变换，可以确保样本数据的准确性，得出准确性较高的神经网络模型，进而可以提高家用电器的负荷识别准确性。
上文中对于一种非入侵式家用电器负荷识别方法的实施例进行了详细描述，基于上述实施例描述的一种非入侵式家用电器负荷识别方法，本发明实施例还提供了一种与该方法对应的一种非入侵式家用电器负荷识别装置。由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参照方法部分的实施例描述，这里不再赘述。
图2为本发明实施例所提供的一种非入侵式家用电器负荷识别装置组成示意图，如图2所示，该装置包括计算模块201，处理模块202，fft变换模块203，构建模块204以及识别模块205。
计算模块201，用于依据获取的第一目标参数计算出第二目标参数；
处理模块202，用于对第二目标参数进行归一化处理；
fft变换模块203，用于对归一化处理后的第二目标数据进行fft变换以得出谐波频谱和幅值，并将频谱和幅值作为样本数据；
构建模块204，用于依据样本数据构建神经网络模型，并对神经网络模型进行训练；
识别模块205，用于根据训练后的神经网络模型对家用电器的负荷进行识别。
本申请所提供的一种非入侵式家用电器负荷识别装置，在依据获取的第一目标参数计算出第二目标参数之后；就对第二目标参数进行归一化处理；然后对归一化处理后的第二目标数据进行fft变换以得出谐波频谱和幅值，并将频谱和幅值作为样本数据；依据样本数据构建神经网络模型，并对神经网络模型进行训练；根据训练后的神经网络模型对家用电器的负荷进行识别。由此可见，应用本识别装置，在计算出第二目标数据之后，不仅对第二目标数据进行归一化处理，之后还对归一化处理后的第二目标数据进行fft变换，可以确保样本数据的准确性，得出准确性较高的神经网络模型，进而可以提高家用电器的负荷识别准确性。
上文中对于一种非入侵式家用电器负荷识别方法的实施例进行了详细描述，基于上述实施例描述的一种非入侵式家用电器负荷识别方法，本发明实施例还提供了另一种与该方法对应的一种非入侵式家用电器负荷识别装置。由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参照方法部分的实施例描述，这里不再赘述。
图3为本发明实施例所提供的另一种非入侵式家用电器负荷识别装置组成示意图，如图3所示，该装置包括存储器301以及处理器302。
存储器301，用于存储计算机程序；
处理器302，用于执行计算程序以实现上述任意一个实施例所提供的非入侵式家用电器负荷识别方法的步骤。
本申请所提供的另一种非入侵式家用电器负荷识别装置，在计算出第二目标数据之后，不仅对第二目标数据进行归一化处理，之后还对归一化处理后的第二目标数据进行fft变换，可以确保样本数据的准确性，得出准确性较高的神经网络模型，进而可以提高家用电器的负荷识别准确性。
上文中对于一种非入侵式家用电器负荷识别方法的实施例进行了详细描述，基于上述实施例描述的非入侵式家用电器负荷识别方法，本发明实施例还提供了一种与该方法对应的计算机可读存储介质。由于计算机可读存储介质部分的实施例与方法部分的实施例相互对应，因此计算机可读存储介质部分的实施例请参照方法部分的实施例描述，这里不再赘述。
一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行以实现上述任意一个实施例提供的非入侵式家用电器负荷识别方法的步骤。
本发明所提供的一种计算机可读存储介质，处理器可以读取可读存储介质中存储的程序，即可以实现上述任意一个实施例所提供的非入侵式家用电器负荷识别方法，可以确保样本数据的准确性，得出准确性较高的神经网络模型，进而可以提高家用电器的负荷识别准确性。
本领域技术人员在考虑说明书及实践这里公开的申请后，将容易想到本申请的其他实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包含本申请公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为实例性的，本申请的正真范围由权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。以上所述的本申请实施方式并不构成对本申请保护范围的限定。
- 还没有人留言评论。精彩留言会获得点赞！