[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

说明书

本发明属于非侵入式电气指纹识别技术领域，具体为一种基于高斯混合模型的非侵入式电气指纹识别方法。本发明包括：对目标电器进行状态切换时的电气数据采集，并进行标注；对得到的数据进行特征提取，并形成GMM的训练集；实时采集待测目标电器中的电气数据，并且提取特征，送入训练后的GMM；根据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。本方法中利用瞬时功率的梅尔频率倒谱系数作为帧向量的唯一特征，标识不同设备的不同状态，再利高斯混合模型，在仅仅使用少量数据作为训练集的情况下，实现高准确率的电气指纹的识别效果。

技术领域

本发明属于电气指纹识别技术领域，具体涉及非侵入式电气指纹识别方法。

背景技术

像每个人都具有独一无二的指纹信息一样，不同的电器由于内部电容、电感、电阻等电气元件的不同而在接通电路进行工作时所产生的电流、电压等电气特征也都各不相同，这些各不相同的电气特征也就是每个电器的“电气指纹”。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。

本发明提出的基于高斯混合模型的非侵入式电气指纹识别方，利用瞬时功率的梅尔频率倒谱系数（Mel-Frequency Cepstral Coefficients，MFCCs）作为帧向量的唯一特征，标识不同设备的不同状态，再利用通常被作为聚类算法的高斯混合模型(Gaussianmixture model,GMM)，实现了在仅仅使用少量数据作为训练集的情况下，就对电气指纹的识别具有极高准确率的效果。从而实现了高质量的非侵入式的实时电气指纹识别。

发明内容

本发明的目的在于提供一种实时、高效、高准确率的基于高斯混合模型的非侵入式电气指纹识别方法。

本发明将提取的瞬时功率的梅尔频率倒谱系数作为识别特征，提前训练好的高斯混合模型（GMM）作为输入特征的判别模型，两者结合从而实现“电气指纹识别”的目的。

本发明使用瞬时功率的梅尔频率倒谱系数作为有效特征，将不同设备在不同状态下“电气指纹”信息充分映射到高维空间的不同区域，从而降低了特征类别的区分难度，提高了判别模型进行分类判别的准确性；而本方法所使用的高斯混合模型，可以看成时k-means（另一个常见的聚类方法）方法的延伸，是一个更加强有力的工具，针对本方法所提取的梅尔频率倒谱系数（MFCCs）特征，有着良好的分类识别能力。把通过非侵入式传感器在电路中实时获取到的电流、电压数据处理后得到的MFCCs特征，送入提前用已知的特征数据训练好的高斯混合模型进行特征匹配，找到的最相似的特征所对应的标签，即为当前电路中所发生的状态变化。本发明能够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作用。

本发明提供的基于高斯混合模型的非侵入式电气指纹识别方法，以非侵入式负载监控方式获得的电流、电压数据为输入与特征库中特征进行匹配从而识别电气指纹，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：对上一步骤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：实时采集电路中的电气数据，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。

下面对各个步骤作进一步的具体说明：

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；