[发明专利]一种基于维度拆分的电器指纹识别方法

说明书

本发明属于电气指纹识别技术领域，具体为一种基于维度拆分的电器指纹识别方法。本发明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建模分类，再将结果进行综合，从而得到高准确率的电气指纹识别结果。与其它直接对特定设备状态进行分类判别的方法相比，有着更高的准确率以及更好的鲁棒性，从而更加适合该技术在工业、商业场景下的使用。

技术领域

本发明属于电气指纹识别技术领域，具体涉及一种基于维度拆分的电器指纹识别方法。

背景技术

像每个人都具有独一无二的指纹信息一样，不同的电器由于内部电容、电感、电阻等电气元件的不同而在接通电路进行工作时所产生的电流、电压等电气特征也都各不相同，这些各不相同的电气特征也就是每个电器的“电气指纹”。通过非侵入式监控的方法，实时监测电路中的用电状况，识别和记录电路中电器的工作状况，甚至是识别出危险用电（电瓶车非法充电、宿舍中违规电器的使用等），这对电能的合理分配以及用电安全具有重大意义。

传统的电气指纹识别方法，大多是综合性的“一次性识别”，假如输入实时采集的电气数据，送入模型判别，一次性直接得到一个具体到某个设备的某个状态的判别结果，例如“热水器打开”，但这样的方法对模型的能力有着极高的要求。本发明中提出的将设备与状态拆分判别的方法，降低了对模型的能力要求，在模型能力与“一次性识别”方法中模型的能力相同时，能达到更强的鲁棒性，从而也就有了更好的判别能力。故而，本发明方法与“一次性识别”方法相比，有着巨大的优越性。

发明内容

本发明的目的在于提供一种具有高准确度和高鲁棒性的电器指纹识别方法。

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。

进一步地：

步骤1的具体流程为：采集与电器状态切换所对应的电气数据，电气数据长度为400组，同时进行标注；

具体地，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，也就是每秒钟得到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。在实际的电气指纹检测过程中，为了方便检测，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组数据作为一个整体（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；设备标签用于区分不同的电器设备，状态标签用于区分设备的状态，例如，是开、关，如果是多个状态，还可以进一步分为：一档、二档、三档等等。

例如。目标电器设备是一个吸尘器，吸尘器的打开和关闭都是需要检测的状态变化，以吸尘器“打开”这一目标特征的形成为例子进行说明：假设吸尘器在400毫秒处打开开始工作，则从2毫秒（包括）处开始，399毫秒（包括）处结束，窗口为400，取数据块，得到398个长度为400的包含电流、电压数据的数据块，这些窗口向量就是对应于标签“吸尘器打开”的原始特征数据。