[发明专利]一种基于高斯混合模型的非侵入式电气指纹识别方法

权利要求书

1.一种基于高斯混合模型的非侵入式电气指纹识别方法，其特征在于，具体步骤为：

步骤1：对目标电器进行状态切换时的电气数据采集，长度为400，同时进行标注；

步骤2：对步骤1得到的数据进行特征提取处理，并形成训练集；

步骤3：构建并初始化高斯混合模型（GMM），并用步骤2中所得训练集进行训练；

步骤4：实时采集待测目标电器中的电气数据，并且提取特征，将所得特征送入训练后的高斯混合模型（GMM）；

步骤5：根据高斯混合模型（GMM）所给出的最相近的特征的标签，判断当前数据段所存在的电器状态的切换，进行逻辑处理，得到当前工作的设备信息，实现电气指纹识别。

2.根据权利要求1所述的方法，其特征在于，步骤1所述对目标电器进行状态切换时的电气数据采集，长度为400，同时进行标注，具体包括：

在做非侵入式负载监控时，对待检测目标设备电路的电流和电压以1kHz的频率进行采样，即每秒钟得到1000个电路中电流和电压的瞬时值；在电路开始正常工作后，以每秒钟1000组数据的速度连续不断的获取到当前电路中的电流电压时序数据；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组电流电压的数据，然后将这400组数据作为一个数据块进行处理，也就是一个窗口向量；该数据块即为对应于目标设备状态切换时的原始特征数据块；

用同样的方法，获取其它所有目标设备的所有状态切换时的原始特征数据块，并且给与对应的标签，就获得基础的特征库。

3.根据权利要求2所述的方法，其特征在于，步骤2中所述对步骤1 得到的数据进行特征提取处理并形成训练集，具体流程为：

（1）将对应的电流和电压相乘，得到对应每个时刻的瞬时功率；

（2）对上一步骤得到的400个连续的瞬时功率进行特征提取，获得这个窗口向量的梅尔频率倒谱系数（MFCCs），即为需要特征，具体作法：

调用python的python_speech_features库的mfcc方法进行特征提取，该方法调用时，设置的特征提取参数包括：

sample_rate ，用来工作的信号的采样率，设置为1000；

winlen ，分析窗口的长度，按秒计，默认0.025s，设置为0.4；

winstep ，连续窗口之间的步长，按秒计，默认0.01s，设置为0.1；

numcep ，倒频谱返回的数量，默认13，设置为默认；

nfilt ，滤波器组的滤波器数量，默认26，设置为默认；

nfft ， FFT的大小，默认512，设置为256；

lowfreq ，梅尔滤波器的最低边缘，单位赫兹，默认为0，设置为默认；

highfreq ，梅尔滤波器的最高边缘，单位赫兹，默认为采样率/2，设置为默认；

preemph ， 应用预加重过滤器和预加重过滤器的系数，0表示没有过滤器，默认0.97，设置为0.95；

ceplifter ，将升降器应用于最终的倒谱系数； 0没有升降机，默认值为22；设置为默认；

appendEnergy ，如果是true，则将第0个倒谱系数替换为总帧能量的对数，设置为默认；

（3）将上述步骤中得到梅尔频率倒谱系数作为特征的数据，原始特征的标签作为对应的标签，则得到一个完整的特征；

将所有的原始特征进行上述处理后，就得到所需要的训练集。

4.根据权利要求3所述的方法，其特征在于，步骤3中所述构建并初始化GMM，并用步骤2中所得训练集进行训练，具体包括：

使用sklearn.mixture库中的Gaussian_mixture类来获取初始化的高斯混合模型，初始参数设置为：n_components设置为所要识别的不同状态的总数量，表示模型所要将所有的训练数据所进行分类的类别总数；covariance_type设置为“full”,即将每个类别建模为具有任意方向的椭圆，获取更好的匹配识别效果；于是得到初始化的GMM；然后用fit函数将训练的数据和标签送入模型进行训练，得到训练好的高斯混合模型。