[發明專利]一種基于電力指紋的電器設備識別方法

有效

• 申請號: 202010132869.7
• 申請日: 2020-02-29
• 公開（公告）號: CN111368904B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 黃曉明;余濤
• 申請（專利權）人: 華南理工大學
• 主分類號: G06F18/2411
• 分類號: G06F18/2411;G06F18/214;G06F18/2431;G06F18/27;G06N3/02;G06N20/20
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 何淑珍;陳偉斌

1.一種基于電力指紋的電器設備識別方法，其特征在于，包括以下步驟：

步驟S1、采集電器設備的電力指紋信息，構建用于識別電器設備的特征數據庫，并劃分訓練集、驗證集和測試集；

步驟S2、選取若干種分類學習模型，利用步驟S1中的訓練集，通過交叉驗證的方法分別對選定的各個分類學習模型進行訓練，生成初級學習器和次級訓練集；訓練過程如下：

對選定的每一個種分類學習模型，采用k折交叉驗證的方法進行訓練，初始訓練集其中N_train為初始訓練集樣本容量，x_i表示初始訓練集的樣本特征向量，y_i表示當前樣本的設備類型標記，i＝1,2,…,N_train，將訓練集D隨機劃分為K個大小相似的集合D₁,D₂,…,D_k，令D_j表示第j折的測試集，則表示第j折的訓練集，j＝1,2,…,K；選定T個分類學習模型，則各初級學習器通過在訓練集上使用第t個分類學習模型得到，其中t＝1,2,…,T；對D_j中每個樣本特征向量x_i，次級訓練集中每個樣本特征向量的元素則由初級訓練集各樣本特征向量x_i所產生的次級訓練集為z_i＝(z_i1,i2,…,_iT)，z_it(t＝1,2,…,T)為次級訓練集每個樣本特征向量的元素，標記部分仍為y_i，則當整個交叉驗證訓練過程結束后，這T個分類學習模型產生的次級訓練集為其中z_i(i＝1,2,…,N_train)為次級訓練集的樣本特征向量；此訓練過程實際上起到了特征轉換的過程，將電器設備的電氣特征向量轉換為一個T維的特征向量，向量中的元素為T種初始學習器預測結果的輸出；

步驟S3、選取另一種分類學習模型，利用步驟S2中得到的次級訓練集對該分類學習模型進行訓練，得到次級學習器；

步驟S4、集成電器設備識別模型，使用步驟S1中劃分的驗證集驗證電器設備識別模型性能，調整參數后使用測試集進行測試；

步驟S5、將待識別電器設備的電力指紋數據輸入測試后的電器設備識別模型進行設備類型的識別。

2.根據權利要求1所述的一種基于電力指紋的電器設備識別方法，其特征在于，步驟S1所述的電力指紋信息包括電器設備的電壓電流有效值、有功功率、無功功率、功率因數、各次電流諧波含量。

3.根據權利要求1所述的一種基于電力指紋的電器設備識別方法，其特征在于，所述初級學習器選取神經網絡、支持向量機、梯度提升樹和隨機森林這4種分類學習模型。

4.根據權利要求1所述的一種基于電力指紋的電器設備識別方法，其特征在于，次級學習器選取邏輯回歸模型。

5.根據權利要求1所述的一種基于電力指紋的電器設備識別方法，其特征在于，步驟S4的集成是將步驟S3中訓練得到的分類學習模型作為次級學習器與步驟S2中訓練得到的初級學習器結合，得到輸入→初級學習器→次級學習器→輸出結構的電器設備識別模型。