一种基于多维度集成的电力指纹识别方法与流程

本发明涉及电气负荷识别领域，特别是涉及一种基于多维度集成的电力指纹识别方法。

背景技术：

目前所提出的众多电力负荷识别方法，主要集中在用不同的机器学习算法和人工规则对电器的暂态特征、稳态特征或者用户行为特征来进行识别。

如唐璐等人提出的基于卷积神经网络的非侵入式负荷识别方法(唐璐,颜钟宗,温和,唐立军.基于卷积神经网络的非侵入式负荷识别方法[j].云南电力技术,2019,47(02):2-4+10.)，通过采集离散的功率点，然后用卷积神经网络来训练识别模型；刘恒勇等人提出的一种基于lstm模型的电力负荷辨识方法(刘恒勇,刘永礼,邓世聪,史帅彬,闵若琳,周东国.一种基于lstm模型的电力负荷辨识方法[j].电测与仪表,2019,56(23):62-69.)，利用高斯窗移动变点寻优算法监测负荷事件，再提取谐波分量作为负荷特征标签作为lstm模型的输入来识别负荷；华亮亮等人提出基于dtw算法的非侵入式家居负荷行为识别方法(华亮亮,黄伟,杨子力,王钰,张可佳.基于dtw算法的非侵入式家居负荷行为识别方法[j].电测与仪表,2019,56(14):17-22.)，通过采集设备突变的稳态功率波形，利用动态时间弯曲算法与数据库匹配来识别负荷。这几类方法总体而言有以下两大特点：识别率高但是个别电器识别率低、自身样本识别率高但是泛化能力差的问题，从本质上来讲这些方法都是利用单一维度数据来进行负荷识别，没有考虑负荷在不同的维度上存在不同的辨识度。电力指纹识别技术从电力负荷识别技术发展而来，通过综合多个维度特征的识别结果，来弥补不同算法、不同特征下识别模型的缺陷问题，实现可以保持较高总体的识别率，又可以解决部分电器识别率低的问题。

技术实现要素：

基于此，本发明提出一种基于多维度集成的电力指纹识别方法。该方法基于贝叶斯原理，可以解决多个维度特征识别结果的综合问题，并具备一定的灵活性和扩展性；同时将概率的放大倍数作为识别结果的评判依据，既能够体现上述方法对正确结果概率的提升作用，又能够解决某类电器初始概率较小导致识别不出的问题；最后提出了将结果代入到查全率较高的分类器中观察的新型检验方式。

一种基于多维度集成的电力指纹识别方法，包括以下步骤：

步骤s1、获取用电器的电力指纹数据；

步骤s2、将步骤s1获取的时间维度数据集d1训练分类器c1，并计算出每个用电器的概率矩阵m1；

步骤s3、将步骤s1获取的暂态维度数据集d2训练分类器c2，并计算出每个用电器的概率矩阵m2；

步骤s4、将步骤s1获取的稳态维度数据集d3训练分类器c3，并计算出每个用电器的概率矩阵m3；

步骤s5、将待识别电器的数据输入分类器c1、分类器c2、分类器c3中，依次得到分类结果r1、r2、r3；

步骤s6、根据步骤s5得到的分类结果查询概率矩阵m1、m2、m3相应的数据，依次校正每个电器类别i的初始概率pi⁰，得到每个电器的后验概率pi¹；

步骤s7、根据步骤s5得到的pi¹，对比于初始概率pi⁰，选取放大倍数α最大的作为识别结果；

步骤s8、检验步骤s7得到的结果，若通过检验，则完成识别，否则检验不通过。

进一步地，步骤s1获取的电力指纹数据包括：包含n种电器类别的电器类别集合a、电器类别对应的初始概率pi⁰以及集合a中所有电器类别的时间维度数据集d1、暂态维度数据集d2、稳态维度数据集d3。

进一步地，所述时间维度数据集d1的特征包括但不限于：电器的类型ai、电器的开启时刻t、电器的持续时间t1、电器的日开启频率f，其中t和t1为任意的时间格式，ai表示为第i个类别；

所述暂态维度数据集d2的特征包括但不限于：电器的类型ai、电器开启时刻暂态波形s1、电器关闭时刻暂态波形s2、电器的暂态持续时间t2、暂态过电流倍数β，其中电器开启时刻暂态波形s1和电器关闭时刻暂态波形s2以任意采样频率采集；

所述的稳态维度数据集d3的特征包括但不限于：电器的类型ai、电器稳定运行时的有功功率p、无功功率q、视在功率s、功率因素电压谐波hv、电流谐波hc，其中电压谐波、电流谐波为相量形式，谐波次数为2-11次或者更多。

进一步地，步骤s2所述分类器c1通过时间维度数据集d1训练得到，分类器c1的具体形式为贝叶斯分类器、bp(backpropagation)神经网络或者决策树；概率矩阵m1为n×n矩阵，其中第j行第k列的元素代表训练过程中，分类器c1对训练数据的识别结果为j，但实际为k的比率。

进一步地，步骤s3所述分类器c2通过暂态维度数据集d2训练得到，分类器c2具体形式为卷积神经网络或者bp神经网络；概率矩阵m2为n×n矩阵，其中第j行第k列的元素代表训练过程中，分类器c2对训练数据的识别结果为j，但实际为k的比率。

进一步地，步骤s4所述分类器c3通过时间维度数据集d3训练得到，分类器c3具体形式为深度神经网络、随机深林、长短记忆网络或者支持向量机；概率矩阵m3为n×n矩阵，其中第j行第k列的元素代表训练过程中，分类器c3对训练数据的识别结果为j，但实际为k的比率。

进一步地，步骤s5将待识别的电器的数据输入分类器c1～c3，依次得到分类结果r1～r3，其中分类结果r1、r2、r3为电器类别集合a中的类别。

进一步地，步骤s6根据步骤s5得到的分类结果以及概率矩阵m1、m2、m3校正每个电器类别i的初始概率pi⁰，得到每个电器的后验概率pi¹：

其中：pi'、pi”为经过概率矩阵m1、概率矩阵m2校正之后电器类别i的后验概率，为校正过程的中间量，m1(r1,i)、m2(r2,i)、m3(r3,i)分别为概率矩阵m1、m2、m3的第rn行第i列元素,n＝1,2,3。

进一步地，步骤s7根据步骤s5得到的pi¹，对比初始概率pi⁰，选取放大倍数α最大的作为识别结果r：

进一步地，步骤s8根据步骤s7得到结果，代入到查全率rei最高的分类器cl,l＝1,2,3中，输出结果r'，若识别结果r与识别结果r'结果一致，则通过检验，查全率rei计算如下：

其中，m1(j,i)、m2(i,i)、m3(i,i)分别为概率矩阵m1、m2、m3的第j行第i列元素。

上述一种基于多维度集成的电力指纹识别方法。该方法基于贝叶斯原理，可以解决多个维度特征识别结果的综合问题，并具备一定的灵活性和扩展性；同时将概率的放大倍数作为识别结果的评判依据，既能够体现上述方法对正确结果概率的提升作用，又能够解决某类电器初始概率较小导致识别不出的问题；最后提出了将结果代入到查全率r较高的分类器中观察的新型检验方式。

相对于现有技术具，本发明有如下的优点及效果：

(1)本发明所提出的方法考虑了多个数据维度共同参与识别，可以综合多个维度分类模型的优点，解决了单一维度分类模型无法分类两个相似电器的问题。

(2)本发明以现实中每种电器数量占所有电器数量的比率作为初始概率，把实际识别过程中每种电器出现的概率考虑进去，更具备实用性。

(3)本发明将概率的放大倍数作为识别结果的评判依据，既能够体现上述方法对正确结果概率的提升作用，又能够解决某类电器初始概率较小导致识别不出的问题。

(4)本发明提出了将结果代入到查全率r较高的分类器中观察的新型检验方式，利用查全率高的模型来进一步确认结果，降低错误识别率。

附图说明

图1为本实施例的一种基于多维度集成的电力指纹识别方法流程图。

具体实施方式

下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

本发明提出的一种基于多维度集成的电力指纹识别方法，基于贝叶斯原理，可以解决多个维度特征识别结果的综合问题，并具备一定的灵活性和扩展性；同时将概率的放大倍数作为识别结果的评判依据，既能够体现上述方法对正确结果概率的提升作用，又能够解决某类电器初始概率较小导致识别不出的问题；最后提出了将结果代入到查全率r较高的分类器中观察的新型检验方式。该方法包括以下步骤：

步骤s1、通过家庭入户的智能电表以及家庭内部的智能插座获取数据，包括：包含n种电器类别的电器类别集合a、电器类别对应的初始概率pi⁰以及集合a中所有电器类别的时间维度数据集d1、暂态维度数据集d2、稳态维度数据集d3。

a＝{风扇，电脑，电吹风}，n＝1，2，3，a1即表示风扇，其他同理。风扇的初始概率p1⁰＝0.5，电脑的初始概率p2⁰＝0.2，电吹风的初始概率p3⁰＝0.3。

时间维度数据集d1～d3为包含风扇、电脑、电吹风标签的数据集，d1的特征有电器的开启时刻、电器的持续时间、电器的日开启频率，d2的特征有电器开启时刻暂态波形s1、电器关闭时刻暂态波形s2、电器的暂态持续时间t2、暂态过电流倍数β，d3的特征有电器稳定运行时的有功功率p、无功功率q、视在功率s、功率因素电压谐波hv、电流谐波hc，其中电压谐波、电流谐波为相量形式，谐波次数为2-11次。

步骤s2、将步骤s1获取的时间维度数据集d1训练分类器c1，并计算出每个用电器的概率矩阵m1；

步骤s3、将步骤s1获取的暂态维度数据集d2训练分类器c2，并计算出每个用电器的概率矩阵m2：

步骤s4、将步骤s1获取的稳态维度数据集d3训练分类器c3，并计算出每个用电器的概率矩阵m3：

步骤s5、将待识别电器的数据输入分类器c1～c3中，依次得到分类结果r1～r3；

待识别电器的数据如下：

时间维度：

d1＝{开启时刻＝12h、电器的持续时间＝2h、电器的日开启频率＝1}

暂态维度：

d2＝{开启暂态波形s1、关闭暂态波形s2、暂态持续时间＝0.05s、过电流倍数＝2.5}稳态维度：

d3＝{有功功率＝40w、无功功率＝30w、视在功率＝50w、功率因素＝0.8}；

将d1输入分类器c1，输出结果r1＝a1；将d2输入分类器c2，输出结果r2＝a2；将d3输入分类器c3，输出结果r3＝a2。

步骤s6、根据步骤s5得到的分类结果查询概率矩阵m1、m2、m3相应的数据，依次校正每个电器类别i的初始概率pi⁰，得到每个电器的后验概率pi¹

计算得p1¹＝85.263％，同理计算得p2¹＝0.271％，p3¹＝0.051％

步骤s7、步骤s7根据步骤s5得到的每个电器的后验概率pi¹，对比初始概率pi⁰，选取放大倍数αi最大的电器类型ai作为识别结果r。

计算得α1＝1.7053，α2＝0.0135，α2＝0.00170，则r＝ai电风扇。

步骤s8、步骤s8根据步骤s7得到结果ai，代入到结果ai的查全率rei最高的分类器cl(l＝1,2,3)中，输出结果r'，若识别结果r与输出结r'结果一致，则通过检验。

结果a1的查全率最高为c1分类器，即r'＝r1＝a1，且r＝ai，对比识别结果r与输出结r'，结果一致，输出结果为电风扇。

通过以上步骤就可以求解在考虑电器的初始概率同时，结合多个维度的数据，综合每个维度分类模型的优点，对每种电器的初始概率进行校正得到后验概率，进而推断出最具可能的电器类别作为识别结果。将概率的放大倍数作为识别结果的评判依据，既能够体现上述方法对正确结果概率的提升作用，又能够解决某类电器初始概率较小导致识别不出的问题；最后提出了将结果代入到查全率r较高的分类器中观察的新型检验方式。

以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。