学习分享——基于深度学习的NILM负荷分解（二）电器数据提取

野性酷女 2022-12-14 08:49 175阅读 0赞

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][NILM_DL]）

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][NILM_ _ _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。

![在这里插入图片描述][20201013145112755.png_pic_center]

*  其中buildings包含5个房间的所用用电器的数据

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d3YjE5OTA_size_16_color_FFFFFF_t_70_pic_center]  
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，![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d3YjE5OTA_size_16_color_FFFFFF_t_70_pic_center 1]
 *  其中store是HDF格式的数据。![在这里插入图片描述][2020101315111392.png_pic_center]

# 提取数据 #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d3YjE5OTA_size_16_color_FFFFFF_t_70_pic_center 2]  
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  
用 **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  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d3YjE5OTA_size_16_color_FFFFFF_t_70_pic_center 3]  
之后可以看到我们保存出来的所有电器的数据  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d3YjE5OTA_size_16_color_FFFFFF_t_70_pic_center 4]  
**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.**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d3YjE5OTA_size_16_color_FFFFFF_t_70_pic_center 5]

[NILM_DL]: https://blog.csdn.net/wwb1990/article/details/107418806
[NILM_ _ _NILMTK Toolkit]: https://blog.csdn.net/wwb1990/article/details/103905371
[20201013145112755.png_pic_center]: /images/20221123/10590533549c41f3a179efd2e3722cb8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d3YjE5OTA_size_16_color_FFFFFF_t_70_pic_center]: /images/20221123/5bc414f0b86449b8964303d5a9711adb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d3YjE5OTA_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221123/4eb87af745b847548c1332393969ea33.png
[2020101315111392.png_pic_center]: /images/20221123/5a304ef0954149569c8edb0e07df6725.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d3YjE5OTA_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221123/6b5aa83cb21c4db29ba7bc4d1f7e286e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d3YjE5OTA_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221123/f329c0f0fc574d54b967d2371519dd3b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d3YjE5OTA_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221123/49b3f5b38b37465791e40808379de66b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d3YjE5OTA_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20221123/1aff8a20a23f4130940bd81df5df4318.png