[发明专利]基于卷积神经网络的用电器识别方法

说明书

本发明公开了一种基于卷积神经网络的家用电器识别方法，属于深度学习神经网络下电器识别领域。本发明对传统的电器识别因基本电参数存在非线性变化造成的多用电器同时使用识别困难提出了改进方案。其技术方案要点为：选取常用的几类电器作为研究对象并进行人工编码，通过波形叠加获得多用电器同时使用的数据，将数据放入卷积神经网络进行训练获得模型，最后利用重新测量的数据进行预测来验证实验可行性。本发明识别电器高效准确。

技术领域

本发明涉及深度学习技术领域，具体涉及一种基于卷积神经网络的用电器识别方法。

背景技术

传统的电器识别基本从对各电参数之间的关系进行比较得出。在多电器同时使用时，电参数不会简单叠加，基本电参数存在非线性变化，会造成多用电器同时使用识别困难，从而使得通过电参数识别电器使用的方法失效。

发明内容

为了解决现有技术中存在的上述技术问题，本发明为了对接入电源的电器进行识别，提供了一种基于卷积神经网络的家用电器识别方法。其具体技术方案如下：

一种基于卷积神经网络的用电器识别方法，包括以下步骤：

步骤一：选取样本电器，设置采样周期为T，先进行电压采样，对采样得到的电压进行分析可得电压最低点，将该点设置为电流采样起始点；等待下一个电流采样起始点，开始采样电流值，采样时长为H，将离散的采样值转换为波形图；连续上述步骤电流采样N次，获得一种电器的数据集；对各个电器进行上述操作可获得所有单个电器的数据集；

步骤二：对上述数据集中不同电器进行标号；

步骤三：等所有数据收集完毕，进行模型训练；采用CNN神经网络，其网络结构包含卷积层、池化层、全连接层与softmax函数；

步骤四：得到训练模型，重新采集一种电器或者一组电器的波形图，将该波形放入模型中进行预测可得到电器种类。

进一步的，步骤二中，根据基尔霍夫电流定律可知，当多个电器共同使用时，采集到的波形是多种在用电器波形的叠加；利用上述单个电器的数据集排列组合可的多个用电器同时使用时的数据，在对数据进行标号。

进一步的，步骤三中，利用卷积层提取相应特征，利用池化层过滤掉不需要的特征，利用全连接层进行分类，利用softmax层得到不同种类的概率分布。

进一步的，步骤三中，网络搭建完成后，对网络模型进行多次训练，将训练好的网络模型进行验证；对于精确率大于95%的模型，完成模型模型训练；否则，返回步骤三，重新对网络结构进行调整，并重新设置batch_size和学习率等参数。

本发明的有益效果是：本发明可以对多种电器进行单个识别和组合识别，电器种类不限并可以多次更换，并且识别准确率高。

附图说明

图1是本发明的基于卷积神经网络的用电器识别方法流程图。

具体实施方式

下面结合附图，详细描述本发明的技术方案。

如图1所示，本发明所述基于卷积神经网络的家用电器识别方法，该方法包括如下步骤：

步骤一：选取样本电器，设置采样周期为T，先进行电压采样，对采样得到的电压进行分析可得电压最低点，将该点设置为电流采样起始点。等待下一个电流采样起始点，开始采样电流值，采样时长为H，将离散的采样值转换为波形图。连续上述步骤电流采样N次，获得一种电器的数据集。对各个电器进行上述操作可获得所有单个电器的数据集。

步骤二：对上述数据集中不同电器进行标号。根据基尔霍夫电流定律可知，当多个电器共同使用时，采集到的波形是多种在用电器波形的叠加。利用上述单个电器的数据集排列组合可的多个用电器同时使用时的数据，再对数据进行标号。

步骤三：所有数据收集完毕，下面进行模型训练。采用CNN神经网络，其网络结构包含卷积层、池化层、全连接层与softmax函数。