[发明专利]一种基于维度拆分的电器指纹识别方法

权利要求书

1.一种基于维度拆分的电器指纹识别方法，其特征在于，以机器学习模型的分类能力为基础，将电器指纹识别这一任务从设备类别和状态类型两个维度进行拆分，各自由一个机器学习模型进行学习和判别，得到两个维度上的判别结果，再将判别结果进行结合，得到电器指纹的识别结果；具体步骤为：

本发明提供的基于维度拆分的电器指纹识别方法，基于机器学习模型的分类能力，将电器指纹识别这一任务从设备类别和状态类型两个维度进行拆分，各自由一个机器学习模型进行学习和判别，得到两个维度上的判别结果，再将判别结果进行结合，得到电器指纹的识别结果，从而达到电器指纹识别的目的；具体步骤为：

步骤1：采集与电器状态切换所对应的电气数据，同时进行标注，获得基础特征数据库；

步骤2：对步骤1的数据进行预处理，并形成训练集；

步骤3：构建并初始化用来进行识别状态类别的状态判别模型和用来进行识别设备类型的设备识别模型；

步骤4：分别对状态分类模型和设备分类模型进行训练；

步骤5：使用逻辑的方法结合处理两个模型的输出结果，进行电气指纹的识别。

2.根据权利要求1所述的基于维度拆分的电器指纹识别方法，其特征在于，步骤1所述采集与电器状态切换所对应的电气数据，同时进行标注，获得基础特征数据库，具体流程为：

在做非侵入式负载监控时，对待检测目标电器电路的电流和电压以1kHz的频率进行采样，即每秒钟得到1000个电路中电流和电压的瞬时值；在目标电器电路开始正常工作后，以每秒钟1000组数据的速度连续获取到当前电路中的电流、电压数据；将获取到的连续时序数据进行分段，长度为400，即从0毫秒开始，每过400毫秒，就获取到400组电流、电压数据；然后将这400组数据作为一个数据块进行处理，即作为一个窗口向量，并标注相应目标电器标签，这些窗口向量就是对应于该目标电器标签的原始特征数据；以同样的方式，获取其它所有目标电器设备的原始特征数据块，并且对应的标注标签，即获得基础的特征库；其中，所述标签分为设备标签和状态标签。

3.根据权利要求2所述的基于维度拆分的电器指纹识别方法，其特征在于，步骤2所述对数据进行预处理，并形成训练集，具体流程为：

（1）将对应的电流和电压相乘，得到对应每个时刻的瞬时功率；

（2）将得到的瞬时功率进行小波变换，变换结果长度与输入长度相同，都是400，得到的变换结果就是本发明的数据预处理结果；

（3）对上述得到的小波变换结果，以原始特征的标签作为对照，分别标注对应的设备标签和状态标签，从而得到一条完整的数据，即数据，设备标签，状态标签；

（4）将所有待训练数据都组织成数据，设备标签，状态标签的形式，并在每个标签类别上都按照6:1:3的比例进行划分，得到训练集、验证集、测试集。

4.根据权利要求3所述的基于维度拆分的电器指纹识别方法，其特征在于，步骤3所述构建并初始化用来进行识别状态类别的状态判别模型和用来进行识别设备类型的设备识别模型；具体流程为：

（1）所述设备判别模型和状态判别模型均采用XGBoost，利用python原生的xgboost库进行初始化；

（2）同时初始化两个原始模型，分别执行状态分类任务和设备分类任务；

（3）两个模型的输入均为步骤2中预处理的小波变换后的数据，但输出不相同；即两个模型都是多分类任务，而分类目标不相同：状态分类模型的分类数量是所有设备所具有的不同投切状态的数量；设备分类模型的多分类数量与待监测设备的个数相同；

网络构建完成后，模型所具有的初始值直接使用。