[发明专利]基于双次K-means聚类的设备类型识别方法及系统

说明书

本公开提供了基于双次K‑means聚类的设备类型识别方法及系统。基于双次K‑means聚类的设备类型识别方法，包括构建标准特征库；接收设备运行时谐波数据和电气参数相关数据并作为样本源数据；依据标准特征库筛选出设备运行时的有效数据，提取设备的谐波指标数据；采用K‑means聚类方法对谐波指标数据进行初步聚类，以区分设备的负载特性；对隶属同一负载特性的设备运行时的电气参数进行K‑means聚类，选取K值及最优的簇中心点和隶属此簇的样本源数据之间的距离阈值；将第二次K‑means聚类后的样本源数据与标准特征库进行相似性比对，标记中心点设备类型标签并评估聚类结果，完成设备识别分类模型的建立；将实时接收的数据输入至设备识别分类模型，识别出设备的类型。

技术领域

本公开属于设备类型识别领域，尤其涉及一种基于双次K-means聚类的设备类型识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

随着工业化与信息化两化融合的日益成熟，物联网技术成为人类社会与物理系统互联互通、万物互联的重要手段。物联网的大规模使用使接入其中的电器设备越来越多，目前物联网平台对设备确认大部分依靠人工录入，随着设备量和设备使用规模的不断增大，自动识别接入平台的设备类型将变得非常重要；物联网自识别设备类型不仅大大减少人力而且可以及时调整相关设备使用状态，使设备服务个性化、差异化，为设备智能化奠定基础，以期提供更加个性化的服务。

已有许多学者和专家在电器设备识别方面作了分析和研究。获取用户设备的相关规律与模式信息应用机器学习等算法挖掘电器设备参数数据的潜在特征建模，比对电器设备的负荷特性等因素和模型的相似性，识别设备。发明人发现，当前大部分的模型是基于特定电气设备的进行分析，针对性强、鲁棒性弱，实施方式复杂，不能灵活变通用于大量的电器设备，且对于特征明显的数据无法做到精确识别；另外，研究历史数据的设备识别时效性差，虽然能达到设备识别的目的，但在信息更迭迅速的物联网面前过于迟滞。

发明内容

为了解决上述问题，本公开的第一个方面提供一种基于双次K-means聚类的设备类型识别方法，其先后两次对数据聚类分簇，先将所有数据按照其设备的负载特性分类，再利用二次聚类及聚类后的样本源数据与标准特征库进行相似性比对，达到实时准确识别设备类型的目的。

为了实现上述目的，本公开采用如下技术方案：

一种基于双次K-means聚类的设备类型识别方法，包括：

基于已知设备类型的时间序列的谐波和电气参数模型，构建标准特征库；

接收设备运行时谐波数据和电气参数相关数据并作为样本源数据；

依据标准特征库筛选出设备运行时的有效数据，提取设备的谐波指标数据；

采用K-means聚类方法对谐波指标数据进行初步聚类，聚类设备的负载特性；

对隶属同一负载特性的设备运行时的电气参数进行K-means聚类，选取K值以及最优的簇中心点和隶属此簇的样本源数据之间的距离阈值；

将第二次K-means聚类后的样本源数据与标准特征库进行相似性比对，标记中心点设备类型标签，并评估聚类结果，完成设备识别分类模型的建立；

将实时接收的设备运行时谐波数据和电气参数相关数据输入至设备识别分类模型，识别出设备的类型。

其中，对隶属同一负载特性的设备运行时的电气参数进行K-means聚类时，欧式距离的计算采用改进的基于设备电气参数的加权欧式距离方法，将计算的样本点与中心点(或距离中心点最近的样本点)之间的电气参数比值作为欧式距离的加权值。