学习分享——基于深度学习的NILM负荷分解(二)电器数据提取

前一阵参加比赛,NILM就放了放,开始填坑、、、
GOGOGO~

数据准备

根据上一篇中提到的,我这里使用的是UK-DALE
没有下载的同学可以回到上一篇看一下(学习分享——基于深度学习的NILM负荷分解(一)对DL的看法&准备工作)

这里我直接用已经转好格式的ukdale.h5

读取数据还是用NILMTK

如何配置nilmtk,可以参照我另一篇博文,里面写的比较详细(NILM(非侵入式电力负荷监测)学习笔记 —— 准备工作(一)配置环境NILMTK Toolkit)

我们这次只需要用到其中读取data数据的方法就行了,之后我们自己来处理数据。

from nilmtk import DataSet

test = DataSet('E:\\Download\\UK-DALE-disaggregated\\ukdale.h5\\ukdale.h5')

加载数据只需要一句代码就行了,可以读到五间房子中几年的电器用电数据。

可以看到数据包含3项。

学习分享——基于深度学习的NILM负荷分解(二)电器数据提取_第1张图片

  • 其中buildings包含5个房间的所用用电器的数据

学习分享——基于深度学习的NILM负荷分解(二)电器数据提取_第2张图片
上图可见第一间房子中包含了69个电器,53个计量表。
我们之后读取计量表的信息为用电总功率。

  • 其中metadata里面是这份数据的介绍,学习分享——基于深度学习的NILM负荷分解(二)电器数据提取_第3张图片

  • 其中store是HDF格式的数据。学习分享——基于深度学习的NILM负荷分解(二)电器数据提取_第4张图片

提取数据

学习分享——基于深度学习的NILM负荷分解(二)电器数据提取_第5张图片
我这边使用第一个房子的数据来进行试验,上图可以看到第一间房子的信息是从2012到2015,数据量对于测试来讲还是比较多,还考虑到测试所选取的五个电器的共存时间,我们这里选取18-03-2013之后的数据。

building = 1  ## 选择家庭house
test.set_window(start="18-03-2013") ## 2013年3月18号之后的作为数据集

test_elec = test.buildings[building].elec

取出第一个房子的电器列表后,我们遍历所有电表
电器名称+电器序号 作为文件名,保存每个电器的数据(一些电器,例如灯,会有多个,就是序号)

gt= {}
for meter in test_elec.submeters().meters:
    gen = next(meter.load())
    values = gen.values
    index = gen.index
    label = meter.label()
    i = 0;
    while(1):
        name = label+str(i)
        if name not in gt:
            break
        else:
            i += 1
    np.save('UKData/'+name,values)
    gt[name] = 1
    print(values.shape,'   ',index.shape)
    print('saving...', name)

我这保存的路径是当前py目录下的UKData文件夹里面,自行修改。

运行中如下
学习分享——基于深度学习的NILM负荷分解(二)电器数据提取_第6张图片
之后可以看到我们保存出来的所有电器的数据
学习分享——基于深度学习的NILM负荷分解(二)电器数据提取_第7张图片
今天就先到这,
下一文从电器中挑选五个典型电器,
来生成训练数据和标签,以及训练。

To be continued.
学习分享——基于深度学习的NILM负荷分解(二)电器数据提取_第8张图片

你可能感兴趣的:(深度学习,神经网络,数据挖掘,python)