[发明专利]洗衣机模型构建方法及基于洗衣机模型的洗衣机辨识方法

权利要求书

1.洗衣机模型构建方法，其特征在于，包括以下步骤：

步骤1：数据采集：终端高频采集家用电器独立运行时设备的有功、无功、二次谐波和三次谐波数据，并将采集到的数据分割成固定窗长为W的数据序列；

步骤2：生成训练用特征样本：提取家用电器针对洗衣机特异性的多元特征，所述多元特征包括有功与无功、有功与二次谐波、有功与三次谐波的相似度最大值和最小值，有功、无功、三次谐波的标准差，有功、二次谐波、三次谐波的序列变化根和，利用多元特征形成特征矩阵，并贴附电器标签，构造训练用的特征样本；

步骤3：构建洗衣机分类模型：基于训练用特征样本与KNN算法生成洗衣机分类模型M，包括以下步骤：

步骤3.1：计算欧拉距离：计算未知样本到所有已知样本的欧拉距离，公式如（1）所示，

（1）

式中n是特征的维数，表示特征样本中两个样本点间的欧拉距离；

步骤3.2：预测未知样本标签：给定未知样本sample和附有标签的训练样本集A，选择训练集A与未知样本sample欧拉距离最近的k个训练用特征样本，k个训练样本中出现次数最多的标签作为未知样本sample的新标签；

步骤3.3：分类模型参数k值的选择：将步骤2构造的附有标签的训练用特征样本作为输入，将参数k由1到L进行循环赋值，使用交叉验证的方法计算对应k值下基于KNN算法的平均分类准确率，选取满足准确率阈值条件的最大k值，作为洗衣机分类模型的参数k值；

步骤3.4：构建分类模型M：附有标签的训练用特征样本、选定的参数k值、基于KNN算法的分类方法，构成洗衣机分类模型M。

2.根据权利要求1所述的洗衣机模型构建方法，其特征在于：所述多元特征包括相似度类特征、序列变化根和、平均值与最小值之差、标准差和平均波动程度，所述相似度类特征为有功与无功、二次谐波、三次谐波的相似度最大值和最小值，所述相似度公式如（2）所示，

（2）

式中，N 是数据序列x与y的长度，是x与y的相似度；所述序列变化根和为有功、二次谐波、三次谐波的序列变化根和，所述序列变化根和公式如（3）所示，

（3）

式中N是数据序列x的长度，RSS即是序列x的序列变化根和；所述平均值与最小值之差为有功、无功、三次谐波的平均值与最小值之差；所述标准差为有功、无功、三次谐波的标准差，所述标准差的公式如（4）所示，

（4）

式中N是数据序列x的长度，是数据序列x的均值，S是数据序列x的标准差；所述平均波动程度为有功、三次谐波平均波动程度，所述平均波动程度的公式如（5）所示，

（5）

式中N是数据序列x的长度，MCL是x的平均波动程度。

3.根据权利要求1所述的洗衣机模型构建方法，其特征在于：所述多元特征包括主要特征和次要特征，所述主要特征包括有功与无功、有功与二次谐波、有功与三次谐波的相似度最大值和最小值，有功、无功、三次谐波的标准差，有功、二次谐波、三次谐波的序列变化根和，所述次要特征包括有功、无功、三次谐波的平均值与最小值之差。

4.根据权利要求1所述的洗衣机模型构建方法，其特征在于：所述多元特征包括主要特征和次要特征，所述主要特征包括有功与无功、有功与二次谐波、有功与三次谐波的相似度最大值和最小值，有功、无功、三次谐波的标准差，有功、二次谐波、三次谐波的序列变化根和，所述次要特征包括有功、三次谐波平均波动程度。

5.根据权利要求1所述的洗衣机模型构建方法，其特征在于：所述多元特征包括主要特征和次要特征，所述主要特征包括有功与无功、有功与二次谐波、有功与三次谐波的相似度最大值和最小值，有功、无功、三次谐波的标准差，有功、二次谐波、三次谐波的序列变化根和，所述次要特征包括有功、无功、三次谐波的平均值与最小值之差，有功、三次谐波平均波动程度。

6.根据权利要求1所述的洗衣机模型构建方法，其特征在于：所述家用电器包括洗衣机、空调、冰箱、吸尘器、微波炉、电采暖、电磁炉和电饭煲。

7.基于洗衣机模型的洗衣机辨识方法，其特征在于，包括以下步骤：

步骤1：实时构建特征向量：洗衣机辨识现场利用非侵入式智能终端实时获取窗长为W的有功、无功、二次谐波、三次谐波数据，通过计算针对洗衣机特异性的多元特征，形成特征向量；

步骤2：获取辨识结果：将实时得到的特征向量，作为未知样本，输入基于权利要求1中构建的洗衣机分类模型M，分类模型M输出此未知样本的洗衣机决策标签，生成洗衣机辨识决策结果。