一种基于LSTM模型的实时电气状态判别方法与流程

一种基于lstm模型的实时电气状态判别方法
技术领域
1.本发明属于电气指纹识别技术领域，具体涉及一种实时电气状态判别方法。


背景技术：

2.因全球气候变暖，以及2015年巴黎气候大会上所达成的共识规定每个国家都有责任减少能源消耗和co2排放，因此为了推动全球迈向低碳与可持续发展，基于大数据与人工智能技术的智能电网目前受到了国内外相关研究人员的高度关注。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。
3.电气指纹识别的关键在于对电器状态切换识别的准确率。本发明利用lstm预测推断能力，将分段的电气数据提取特征后，送入网络进行分类，得到高准确率的预测结果，从而高准确率地判断投切事件的发生。


技术实现要素：

4.本发明针对电气指纹中投切事件识别高准确率的需求提供一种基于lstm模型的实时电气状态判别方法。
5.本发明提供的基于lstm模型的实时电气状态判别方法，是将预先采集到的待识别的电器在状态切换时的数据进行特征提取，形成特征向量，标识不同设备的不同状态，送入预先训练好基于长短期记忆人工神经网络模型(longshort-term memory,lstm)进行分类，得到处于何种投切事件结果；具体步骤如下：
6.步骤1：采集用于训练lstm模型的特定电器状态切换时的电气数据；
7.步骤2：对步骤1采集的电气数据进行处理，提取特征，并改变数据形式形成特征矩阵，作为lstm模型的训练集；
8.步骤3：构建lstm模型，用上一步骤中形成的训练集进行训练；
9.步骤4：实时采集电路中的电气数据并提取特征，形成特征矩阵并展开得到特征向量，然后将所得特征数据一一输入训练好的lstm模型进行预测；
10.步骤5：根据lstm模型的预测结果，判断当前数据段所存在的电器状态的切换。
11.本发明包括训练集的构造、lstm模型的构造和初始化、模型的训练，以及实时数据的采集和分类等。
12.下面对各个步骤作进一步的具体说明。
13.步骤1：采集用于训练lstm模型的特定电器状态切换时的电气数据；
14.此步骤需要采集待检测的特定目标电器在状态切换时的电气数据。具体使用6个可采集数据的电器，分别编号d1、d2、
…
、d6；在采集电气数据时，任选一个可采集的电器，从0时刻采集器开始采集。
15.获取用来训练lstm模型的目标设备状态切换数据时；选取d1作为目标设备，d1的
打开和关闭都是需要检测的状态变化，在0s处开始进行设备电流的数据采集，在第5s处d1“打开”，第10s处d1进入稳态，第15s处d1关闭，第20s处停止采集，共采集；对应标签为“d1打开”以及“d1关闭”；然后对d2、
…
、d6等其余设备进行相应的电流电压数据采集。
16.本发明对待检测电路的电流以50hz的频率进行采样，也就是每秒钟得到50个周期的电路中电流的瞬时值。故在电路开始正常工作后，以每秒钟50组数据的速度接连不断的获取到当前电路中的电流数据。但是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了分段，长度为500，即从0秒开始，每过10秒，本发明就获取到了500组电流数据，然后将这500组数据作为一个整体进行处理，称其为一个窗口向量；
17.目标设备的打开和关闭都是需要检测的状态变化，假设目标设备在5秒处打开，开始工作，则本发明从0秒处开始，10秒(包括)处结束，窗口为500，作为数据块，得到10个长度为50的包含电流的数据块，这些窗口向量就是对应于标签“目标设备打开”的原始特征数据。
18.步骤2：对步骤1采集的电气数据进行处理，提取特征，并改变数据形式形成特征矩阵，作为lstm模型的训练集；
19.lstm模型的基础训练数据中，每一个窗口向量包含着500组一一对应的电流与周期数值，其处理方式如下：
20.(1)把投切事件发生(例如：电器开、关以及挡位的切换)前的电流稳态信号作为分离的基准信号，将投切事件发生时刻及前后一段时间(一般为20秒，共1000个周期)内的信号与基准信号做差，得到事件独立信号；
21.(2)假设投切事件发生在第t3个周期，那么基准电流的计算方式为：选取事件发生前的t1到t2，t1到t2时间段基于用电标准220v、50hz得到m个完整周期的电流采样信号，对不同周期相同位置采样值计算平均周期，得到事件前稳态平均电流采样周期向量作为基准电流，记为i
base
；
22.(3)设i
l
为投切事件发生后的第一个周期的电流采样信号，l的取值范围是1到l，其中l在此处为1000-t3；l的长度需要覆盖整个投切事件发生后的暂态与稳态。单周期的i
base
与i
l
做差得到i
el
，整个窗口内的结果为ie；
23.(4)设置特征提取窗口，长度l为500个周期，对应在50hz的基础频率下对应时长为10s，所有特征的提取都在单个周期内完成，共提取八个特征，分别为：利用多个周期的电流信号i得到电流均值i
avg
、电流绝对值的平均值i
mean
、均方差i
std
、有效值i
rms
、峰值i
pp
、偏度i
skew
、峰度i
kurt
；其中，偏度是样本的三阶标准矩，峰度是四阶标准矩；得到一个500
×
8的特征矩阵，并通过归一化消除模型可能会依赖功率“幅值”的影响，以1s、50个周期为一组分段，将500
×
8分成步长为50周期的10个50
×
8特征矩阵；
24.(5)将所有的原始特征进行上述处理后，就得到lstm模型的训练集。
25.步骤3：构建lstm模型，用上一步骤中形成的训练集进行训练；
26.构建初始的lstm模型，调用python torch.nn中的module，lstm，liner进行lstm初始化，设置参数如下：
27.seq_len＝50，50周期的数据为一组；
28.batch_size＝10，一次性输入lstm的样本个数；
29.input_size＝8，输入特征数量；
30.hidden_size＝500，lstm中神经元节点个数；
31.num_layers＝1，默认值为1，重复层数。
32.将步骤2中用提取的特征形成的训练数据送入初始化后的网络来训练lstm模型，得到训练好的lstm模型。
33.步骤4：实时采集电路中的电气数据并提取特征，形成数据集，然后将所得特征数据一一输入训练好的lstm模型进行预测；具体流程为：
34.(1)待检测电路的电流以50hz的频率进行采样，当待检测电路在0毫秒时刻接通开始工作，则每当采集到的数据达到10s后，就将这前面的500组作为一个块取出，采集器继续采集，直到攒够下一个500组后取出，持续循环处理，直至停止检测；
35.(2)每一个块取出后，里边的数据是原始的电流数据，通过特征提取步骤得到待匹配的特征矩阵，并将该特征矩阵送入训练好的lstm模型中进行预测，根据结果获得当前数据对应的电气投切状态。
36.步骤5：根据lstm模型的预测结果，判断当前特征分属于哪个特征类别，从而判断当前数据段所存在的电器状态的切换，具体做法为：
37.根据上一步骤中得到的结果，就得到了当前数据段中出现的电器状态的变化情况，例如，d1打开，或者d2关闭，或者没有状态变化等等。如果监测到d1打开这个电器状态的切换，那么，直到检测到d1关闭状态的出现，在这之前d1设备都是处于开启工作的状态。
38.本发明中，对于特定目标电器在状态切换时的电气数据采集具体操作如下：
39.(1)选取d1作为目标设备，d1的打开和关闭都是需要检测的状态变化，在0s处开始进行数据采集，在5s处d1“打开”，10s处d1进入稳态，15s处于d1关闭，20s处停止采集；
40.(2)取开启时5s到10s处的250组特征向量作为d1开启的训练数据，取关闭时15s到20s处的250组特征向量作为d1向量作为d1关闭的训练数据。
41.本发明方法，在非侵入式负载监控的场景下，可以实时地识别出被监测电路中出现的电器设备状态的切换，从而监测到当前电路中正在工作的电器的身份，实现“电气指纹识别”的目标，达到合理用电和保障用电安全的目的。
42.本发明与现有技术相比，具有高准确度地对电路中电器设备的工作状态变化进行识别，从而达到对电路进行监控、对危险用电进行警示等目的，具有广泛的应用场景，为电能的合理分配以及用电安全提供了一种实时、高效，高准确率的技术方案。
附图说明
43.图1为本发明发放流程图示。
具体实施方式
44.本发明包括训练集的构造、lstm模型的构造和初始化、模型的训练，以及实时数据的采集和分类等内容。本方法需提前采集一定量的电气数据，用来形成模型的训练集，训练lstm模型。利用电流波形统计特征(利用多个周期的电流信号i，得到电流均值(i
avg
)、电流绝对值的平均值(i
mean
)、均方差(i
std
)、有效值(i
rms
)、峰值(i
pp
)、偏度(i
skew
)、峰度(i
kurt
)共八种统计特征，标识不同设备的不同状态。
45.下面以具体实施例对本发明的技术方案作进一步详细描述。
46.实施例1
47.参阅图1，本发明以非侵入式负载监控方式获得的电流数据为输入，经过特征提取，送入训练好的lstm进行分类，从而识别电气投切状态，其方法可分为如下几个步骤：
48.步骤1：采集用于训练lstm模型的特定电器状态切换时的电气数据。
49.此步骤需要采集本发明要检测的特定目标电器在状态切换时的电气数据。本发明使用6个可采集数据的电器，分别编号d1、d2、
…
、d6。获取用来训练lstm模型的目标设备状态切换数据的具体采集方法如下：
50.本发明对待检测电路的电流以50hz的频率进行采样，也就是每秒钟得到50个周期的电路中电流的瞬时值。故而在电路开始正常工作后，本发明会以每秒钟50组数据的速度接连不断的获取到当前电路中的电流数据。但是在实际的电气指纹检测过程中，为了方便检测，本发明将获取到的连续时序数据进行了分段，长度为500，即从0秒开始，每过10秒，本发明就获取到了500组电流电压的数据，然后将这500组数据作为一个整体进行处理，也就是一个窗口向量。
51.取吸尘器作为一个目标设备时，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5秒处打开开始工作，则本发明从0秒(包括)处开始，10秒(包括)处结束，窗口为500，取数据块，得到10个长度为50的包含电流的数据块，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。
52.本发明中实验的目标设备使用6个可采集数据的电器，其对应的所有状态如下：
53.(1)吸尘器：打开 关闭；
54.(2)吹风机：打开到1档 切换到2档 切换到1档 关闭；
55.(3)小电锅：打开到1档 打开到2档 从1档关闭从2档 关闭；
56.(4)鼓风机：打开 关闭；
57.(5)暖风机：打开 关闭；
58.(6)电熨斗：打开 关闭；
59.最终得到的特征库中特征数量为：500*16＝8000个。
60.步骤2：对步骤1采集的电气数据进行处理，提取特征，并改变数据形式形成特征矩阵，作为lstm模型的训练集。
61.lstm模型的基础训练数据中，每一个窗口向量包含着10组长度为50的一一对应的电流与周期数的值，其处理方式如下：
62.(1)把事件发生前的电流稳态信号作为分离的基准信号，将投切事件发生时刻及前后一段时间(20秒，共1000个周期)内的信号与基准信号做差，以得到事件独立信号；
63.(2)假设投切事件发生在第t3个周期，那么基准电流的计算方式：选取事件发生前的t1到t2，m个完整周期的电流采样信号，对不同周期相同位置采样值计算平均周期得到事件前稳态平均电流采样周期向量作为基准电流，记为i
base
；
64.(3)i
l
为投切事件发生后的第一个周期的电流采样信号，l的取值范围是1到l，其中l在此处为1000-t3；l的长度需要覆盖整个投切事件发生后的暂态与稳态；单周期的i
base
与i
l
做差得到i
el
，整个窗口内的结果为ie；
65.(4)设置特征提取窗口，长度l为500个周期，对应在50hz的基础频率下对应时长为10s，所有特征的提取都在单个周期内完成，共提取八个特征，可以得到一个500
×
8的特征
矩阵，并通过归一化消除模型可能会依赖功率“幅值”的影响，以1s、50个周期为一组分段，将500
×
8分成步长为50周期的10个50
×
8特征矩阵；
66.(5)将所有的原始特征进行上述处理后，就得到lstm模型的训练集。
67.步骤3：构建lstm模型，用上一步骤中形成的训练集训练。
68.构建初始的lstm模型，调用python torch.nn中的module，lstm，liner进行lstm初始化，设置参数，将步骤2中用提取的特征形成的训练数据送入初始化后的网络来训练lstm模型，从而得到训练好的lstm模型。
69.步骤4：时采集电路中的电气数据并提取特征，形成数据集，之后将所得特征数据一一输入训练好的lstm模型进行预测。
70.(1)待检测电路的电流以50hz的频率进行采样，当待检测电路在0毫秒时刻接通开始工作，则每当采集到的数据达到10s后，就将这前面的500组作为一个块取出，采集器继续采集，直到攒够下一个500组后取出，持续循环处理，直至停止检测；
71.(2)每一个块取出后里边的数据是原始的电流数据，通过特征提取步骤得到待匹配的特征矩阵，并将该特征矩阵送入训练好的lstm模型中进行预测，根据结果获得当前数据对应的电气投切状态。
72.步骤5：根据lstm模型的预测结果，判断当前特征分属于哪个特征类别，从而判断当前数据段所存在的电器状态的切换。
73.对待检测电路的电流进行采样，假设待检测电路在0秒时刻接通开始工作，则每当采集到的数据达到500组后，就将这前面的500组作为一个块取出，采集器继续采集，直到攒够下一个500组，然后取出，持续循环处理，直至所有的数据采集完毕。
74.当一个块取出后，里边的数据是原始的电流数据，提取特征得，计算电流特征值，得到八个特征向量，构建500
×
8特征矩阵，分成10组；将该特征送入训练好的lstm中进行预测，预测的结果就是当前数据块中包含的电器状态变化，例如：吸尘器打开、鼓风机关闭、电饭锅切换到“保温”等；实时检测过程中，如果出现“吸尘器打开”，则说明吸尘器已经被打开工作，并且接下来一段时间内，在检测到“吸尘器关闭”之前，吸尘器都是处于工作状态。
75.本实施例中，通过实时检测的方式，对所有设备的所有状态进行了多次的模拟实验，状态切换共进行了约1600次，平均每个状态特征出现次数约100次，其实验结果详见下述表1。
76.表1各设备检测准确率(％)
[0077] 吹风机吸尘器小电锅鼓风机暖风机电熨斗 开启/开启到1档989999979998 开启到2档/切换到2档99
‑‑
99
‑‑
97
‑‑ꢀ
从2档关闭/切换到1档98
‑‑
98
‑‑
98
‑‑ꢀ
关闭989696989697平均准确率均值97.3098.0098.0097.0096.0098.0097.38
。
[0078]
上述实验证明，本发明对设备状态切换特征检测的平均准确率有97.38％。
[0079]
以上只是为本发明的一种实施方式，并非用以限制本发明，对于不脱离本发明构思前提下做出的变形与改进，都属于本发明的权利要求保护范围。