[发明专利]基于卷积神经网络的非入侵式家用用电设备类型检测方法

说明书

本发明公开了一种基于卷积神经网络的非入侵式家用用电设备类型检测方法，包括如下步骤：步骤一、二维波形图构建；步骤二、卷积神经网络的模型训练；步骤三、电器设备类型的分类预测。本发明不需要人工的选取特征，避免了复杂的人工特征工程过程。

技术领域

本发明属于家用用电设备类型检测领域，具体是一种基于卷积神经网络的非入侵式家用用电设备类型检测方法。

背景技术

目前，主流的用电设备类型判断方法，有两种主要方法，一种是在各个设备上安装独立的检测模块；另一种时只需要在电表处安装一个模块，被称为非侵入式检测的方法。第一种方法，成本非常高，并且安装复杂；第二种非侵入式的检测方法，有着巨大的成本和便捷度的优势。目前已经有人提出基于朴素贝叶斯、BP神经网络等监督式学习算法的电器识别方法。但这些方法有个共同的问题就是严重依赖于人工的特征工程，特征一旦选取不好会造成方案性能低下。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提出了一种基于卷积神经网络的非入侵式用电设备检测方法，不需要人工的选取特征，避免了复杂的人工特征工程过程。其具体技术方案如下：

一种基于卷积神经网络的非入侵式家用用电设备类型检测方法，包括如下步骤：

步骤一、二维波形图构建；

步骤二、卷积神经网络的模型训练；

步骤三、电器设备类型的分类预测。

进一步的，所述步骤一、二维波形图构建具体如下：

(1)以10K采样频率进行电流和电压采样；

(2)接入常用的样本电器并在电压过0点的时刻进行电流采样，采样时间为一个工频周期；

(3)构建二维图，其中横轴为采样点次序，取值范围为0到999，一个周期会有200个采样点，则每5个单位对应1个采样点；纵轴为电流值，取值范围为0到999，则每个单位对应0.1A，其中500作为电流0点，取值范围即-50A到50A；

这样就构建了1个周期的1000x1000图像。

进一步的，所述步骤二、卷积神经网络的模型训练具体为：

设置卷积神经网络的参数如下，

a.7层结构的卷积神经网络，从左到右依次为卷积层C1(步长10)，池化层P2(步长2)，卷积层C3(步长1)，池化层P4(步长2)，卷积层C5(步长1)，池化层P6(步长1)，全连接层F7；

b.激活函数:reLu函数；

c.批尺寸(Batch size)大小为128；

d.初始学习率0.95；

训练模型并调优得到卷积神经网络的输出模型。

进一步的，所述步骤三、电器设备类型的分类预测具体如下：

在有电器接入时：

(1)进行电流差分，并对电流的差分波形进行二维图构建；

(2)将二维图输入训练好的卷积神经网络模型；

(3)由CNN的输出即可得到最大概率的电气类型。

附图说明

图1是本发明的基于卷积神经网络的非入侵式家用用电设备类型检测方法流程图。

具体实施方式

下面结合附图对本发明作进一步说明。