[發(fā)明專利]一種基于電力指紋的電器設(shè)備識別方法

有效

• 申請?zhí)枺?/td>: 202010132869.7
• 申請日: 2020-02-29
• 公開（公告）號: CN111368904B
• 公開（公告）日: 2023-05-23
• 發(fā)明（設(shè)計）人: 黃曉明;余濤
• 申請（專利權(quán)）人: 華南理工大學(xué)
• 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(biāo)代理有限公司 44102
• 代理人: 何淑珍;陳偉斌

本發(fā)明公開了一種基于電力指紋的電器設(shè)備識別方法，包括以下步驟：S1、采集電器設(shè)備的電力指紋信息，構(gòu)建特征數(shù)據(jù)庫，并劃分訓(xùn)練集、驗證集和測試集；S2、選取若干種現(xiàn)有的分類學(xué)習(xí)模型，利用訓(xùn)練集，選定的各個分類模型進(jìn)行訓(xùn)練，生成初級學(xué)習(xí)器和次級訓(xùn)練集；S3、選取另一種分類學(xué)習(xí)模型，利用步驟S2中得到的次級訓(xùn)練集對該分類模型進(jìn)行訓(xùn)練；S4、將步驟S3中訓(xùn)練得到的分類模型作為次級學(xué)習(xí)器，與步驟S2中訓(xùn)練得到的初級學(xué)習(xí)器結(jié)合，得到電器設(shè)備識別模型，使用驗證集驗證電器設(shè)備識別模型性能，調(diào)整參數(shù)后使用測試集進(jìn)行測試；S5、將待識別電器設(shè)備的電力指紋數(shù)據(jù)，輸入電器設(shè)備識別模型進(jìn)行設(shè)備類型的識別。

技術(shù)領(lǐng)域

本發(fā)明涉及電器設(shè)備識別技術(shù)領(lǐng)域，特別是涉及一種基于電力指紋的電器設(shè)備識別方法。

背景技術(shù)

近年來，隨著國民經(jīng)濟(jì)的持續(xù)高速發(fā)展，全社會的電力需求也在不斷增加，對電能質(zhì)量的要求也越來越高，提高電能質(zhì)量對于電網(wǎng)及電器設(shè)備的安全運行、保障工業(yè)產(chǎn)品質(zhì)量以及降低能耗等均有重要意義。電力負(fù)荷的分類識別有助于了解電力系統(tǒng)的負(fù)荷組成，有利于掌握電力負(fù)荷的變化規(guī)律和發(fā)展趨勢，也有利于對電力負(fù)荷的科學(xué)管理，在建設(shè)智能電網(wǎng)等方面具有重要意義。

目前負(fù)荷識別的研究對象大多以家用電器為主，不同的電器設(shè)備運行時，其電氣特性不盡相同，呈現(xiàn)出每個電器設(shè)備獨特的電力指紋。智能量測技術(shù)和信號處理技術(shù)可以快速獲取電器設(shè)備的電力指紋信息，如何利用設(shè)備電力指紋信息對設(shè)備進(jìn)行識別以及進(jìn)一步提高識別精度是當(dāng)前負(fù)荷識別研究的關(guān)鍵?，F(xiàn)有的文獻(xiàn)[Y.Lin?and?M.Tsai,Development?of?an?Improved?Time–Frequency?Analysis-Based?Nonintrusive?LoadMonitor?for?Load?Demand?Identification,in?IEEE?Transactions?onInstrumentation?and?Measurement,vol.63,no.6,pp.1470-1483,June?2014.]使用數(shù)學(xué)優(yōu)化算法解決問題時存在著求解效率低的問題，而[耿赫男,劉莉,龐新富.基于人工神經(jīng)網(wǎng)絡(luò)的非侵入式居民用電負(fù)荷識別方法[J].沈陽工程學(xué)院學(xué)報(自然科學(xué)版),2019,15(03):236-240.]利用智能優(yōu)化算法進(jìn)行電器設(shè)備識別時也沒有考慮將多種模型進(jìn)行結(jié)合以提高識別效果。

發(fā)明內(nèi)容

本發(fā)明提供了一種基于電力指紋的電器設(shè)備識別方法。該方法首先構(gòu)建電器設(shè)備電力指紋特征數(shù)據(jù)庫，然后基于此特征庫，采用集成學(xué)習(xí)的思路和方法訓(xùn)練得到識別模型，用于識別各種電器設(shè)備。

本發(fā)明至少通過如下技術(shù)方案之一實現(xiàn)。

一種基于電力指紋的電器設(shè)備識別方法，包括以下步驟：

步驟S1、采集電器設(shè)備的電力指紋信息，構(gòu)建用于識別電器設(shè)備的特征數(shù)據(jù)庫，并劃分訓(xùn)練集、驗證集和測試集；

步驟S2、選取若干種現(xiàn)有的分類學(xué)習(xí)模型，利用步驟S1中得到的訓(xùn)練集，通過交叉驗證的方法分別對選定的各個分類模型進(jìn)行訓(xùn)練，生成初級學(xué)習(xí)器和次級訓(xùn)練集；

步驟S3、選取另一種分類學(xué)習(xí)模型，利用步驟S2中得到的次級訓(xùn)練集對該分類模型進(jìn)行訓(xùn)練；

步驟S4、集成電器設(shè)備識別模型，使用步驟S1中劃分的驗證集驗證電器設(shè)備識別模型性能，調(diào)整參數(shù)后使用測試集進(jìn)行測試；

步驟S5、將待識別電器設(shè)備的電力指紋數(shù)據(jù)，輸入電器設(shè)備識別模型進(jìn)行設(shè)備類型的識別。

進(jìn)一步地，步驟S1所述的電力指紋信息包括電器設(shè)備的電壓電流有效值、有功功率、無功功率、功率因數(shù)、各次電流諧波含量。

進(jìn)一步地，所述初級學(xué)習(xí)器選取神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、梯度提升樹、隨機(jī)森林4種分類模型。

進(jìn)一步地，所述次級學(xué)習(xí)器選取邏輯回歸模型。

進(jìn)一步地，步驟S2的訓(xùn)練過程如下：