[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

说明书

本发明涉及一种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。洗衣机模型构建方法：首先，终端高频采集家用电器设备的有功、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；其次，提取家用电器针对洗衣机特异性的多元特征，构造训练用特征样本；然后，生成洗衣机分类模型M。基于洗衣机模型的洗衣机辨识方法：首先，实际现场终端实时采集数据，计算特征；然后，基于洗衣机分类模型M，生成洗衣机辨识决策结果。本发明使用更多元的特征量，构造相似度、序列变化根和、标准差等特征，结合KNN算法，以机器学习的方式辨识洗衣机的运行，提升滚筒类洗衣机的辨识率，降低其他电器引起的洗衣机的误辩率。

技术领域

本发明涉及一种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，属于智能用电技术领域。

背景技术

居民电力负荷监测分解技术是一门新兴的智能电网基础支撑技术，与目前智能电表仅量测用户总功率不同，它以监测并分解出居民户内所有电器的启动时间、工作状态、能耗情况为目标，从而实现更加可靠、精确的电能量管理。电力负荷监测分解技术使用户的电费清单像电话费清单一样，各类家用电器的用电量一目了然，从而使用户及时了解自己的用电情况，为合理分配各个电器的用电时间及相应的用电量提供参考，最终能够有效减少电费支出和电能浪费。Google统计数据显示，如果家庭用户能够及时了解住宅电器的详细用电信息，就能使每月电费开支下降5％～15％。如果全美国有一半家庭每个月节省这么多开支，减少的碳排放量相当于减少800万辆汽车的使用。

当前居民用户使用的洗衣机，分为滚筒洗衣机与涡轮洗衣机两类，随着技术与居民消费水平的提升，滚筒洗衣机越来越普及。目前用于辨识洗衣机的方法，使用特征大多较单一，特征量以有功功率、无功功率居多。涡轮洗衣机有功形态相对规则，功率在漂洗、脱水时虽有区别，但模式固定时，功率也是比较稳定的，使用有功相关的判据进行辨识，尚可行；但滚筒洗衣机的有功形态很不规则，首先，不同的滚筒洗衣机型号，其有功形态也存在着较大的差别，而且不同的工作模式（清洗、脱水等）下形态差异也很大，即便在同一种工作模式下，先后功率也呈现较明显的起伏变化，所以当前的辨识技术，辨识滚筒洗衣机仍是一个难点，而本发明，不仅可以正常辨识涡轮洗衣机，也可以正常辨识出滚筒类洗衣机。

当前技术对于洗衣机的辨识方法，大部分局限在设定一些阈值，通过阈值判定是否存在洗衣机，这样辨识的准确率并不理想，本发明使用更多元化的特征量（使用有功、无功、谐波分量构造多元特征量），使用KNN算法，以机器学习的方式辨识洗衣机的运行，不仅可以有效提升滚筒类洗衣机的辨识率，也可以有效降低其他电器（如变频空调）引起的洗衣机的误辩率（涡轮类及滚筒类误辩率均可降低）。

发明内容

为了解决上述技术问题，本发明提供一种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，其具体技术方案如下：

洗衣机模型构建方法，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；