一种非侵入式用电器识别方法、系统、介质、设备及终端技术方案

本发明专利技术属于家用电器识别技术领域，公开了一种非侵入式用电器识别方法、系统、介质、设备及终端，利用电流互感器和电压过零检测电路，同步取样用电器的电流；利用MCU对同步采样电流数据进行处理，得到电流的基波相位、各次谐波与基波幅度比和能量比的参数，并利用电流参数计算各用电器特征量；通过对变化的数据提取动态特征值，判断出变化的用电器种类，并结合累积和CUSUM智能识别出当前用电器的种类和数量。本发明专利技术兼顾低成本，低功耗，高识别精度为一体，易于工业化生产和推广使用；具有学习功能，可自主学习新用电器，识别用电器不局限于出厂时内置的用电器种类；针对单个用电器进行少量数据的训练即可对组合用电器实现准确的识别。数据的训练即可对组合用电器实现准确的识别。数据的训练即可对组合用电器实现准确的识别。

【技术实现步骤摘要】
一种非侵入式用电器识别方法、系统、介质、设备及终端


[0001]本专利技术属于家用电器识别
，尤其涉及一种非侵入式用电器识别方法、系统、介质、设备及终端。

技术介绍

[0002]近年来，随着社会经济的飞速发展，工业电力能源消耗和家庭电力能源使用量都在急剧上涨。面对新时代的电力压力，电力系统升级优化势在必行，在居民用电领域中，物联网电力控制系统具体落实为家用电器状况监控，用电情况通报，用电器智能调控等。
[0003]面对这些家庭电力监控需求，识别电器种类，检测电器使用状态，监测电力使用量等基本要求不断被人们所重视。在用电器识别和家庭负荷监测方面，主要有两种研究方法，即侵入式和非侵入式。非侵入式用电负荷监测技术相比于侵入式负荷监测技术而言，无需繁琐的硬件安装，只需要采集电力供给入口处的电压电流，通过特定算法便能得到用电器的类别状态和电能消耗。考虑到侵入式监控的高成本，非侵入式监控成为是家庭电力监控的主流方向。非侵入式监控旨在通过处理家庭聚合用电量信号来识别电器的被使用状况。但在非侵入式用电器监测识别方法中，单一的依靠稳态或瞬态参数无法准确的判断用电器种类，而一味的依靠高精度的谐波分析法又会产生数据冗余。
[0004]程春雨等提出了一种基于BP神经网络的用电器识别系统设计，系统采集单个用电器工作电流数据并传送给上位机存储留待处理。上位机将接收到的数据进行复合数字滤波，并基于BP神经网络通过叠加原理排列组合出多种情况，生成训练数据集，从而实现用电器识别。
[0005]曹以龙等提出了一种基于FFT与遗传算法的用电器识别方法，分析了典型用电器负荷的电流波形频谱，并以其谐波作为负荷识别的最优特征参量，通过快速傅里叶变换对波形数据进行处理，以欧式距离最小作为优化指标，采用遗传算法搜寻最优解，最终实现对用电器类别的精确识别。
[0006]周晓等提出了一种基于ELM的非侵入式电力负荷识别算法，从负荷特性出发，针对各电力负荷的暂态及稳态电气特性，提取并建立负荷特征标签。然后，采用极限学习机(ELM)神经网络模型，将输入特征非线性地映射到输入层，实现快速收敛至全局最优点。采用基于累积和(CUSUM)的双边事件检测方法，实现快速准确地检测出负荷投切事件，实时触发负荷识别。
[0007]以上方案都采用了神经网络或者人工智能的算法，实现了高精度的用电器识别，同时他们都需要复杂的训练以及复杂的计算，带来了系统功耗的增加以及成本的增加。
[0008]程春雨，曹以龙，周晓等人提出的用电器识别算法虽然采用的不同的具体识别方法，但是都是使用了神经网络或者人工智能的算法以达到用电器识别的高精度要求。虽然以及在一定程度上控制了成本，但是由于神经网络或者人工智能的算法本身固有的对于训练量和计算量的需求，系统功耗的增加以及成本的增加是不可避免的。在满足高精度需求的同时难以兼顾低成本的要求，而成本问题在家用设备的领域中由尤为重要，这无疑会限
制这些设备的实际推广使用，也不能完美的满足市场用户需求。
[0009]除了这些使用了神经网络或者人工智能的算法的系统，其他更低成本的识别装置就具有识别精度不足的明显问题。或是只能识别一些由厂商固定选定的用电器，使用范围非常局限，或是识别准确度不高，无法做到高准确率的实时识别显示。
[0010]现有技术一(专利号201710448867.7)公开了一种基于S_Kohonen非侵入式居民负荷识别方法，包括以下步骤：步骤一：根据家庭电力入口处有功功率的变化判断投切事件，当发生投切事件时，在家庭电力入口处采集发生投切事件的电器电流样本；步骤二：对采集到的电器电流样本进行频域分析，提取其频域谐波幅值作为各电器的负荷特征，形成负荷特征库；步骤三：设计适用于居民负荷识别的S_Kohonen神经网络，确定S_Kohonen神经网络输入层和输出层的神经元个数以及竞争层的规模，以确定获胜神经元的选择方式和权值调整的学习算法；步骤四：初始化参数；步骤五：训练集对S_Kohonen网络进行训练，测试集进行测试；步骤六：调整网络参数实现最佳网络性能。但是，该技术仅仅对20W以上的用电器有效，低于20W的不能正确的判断出投切事件，从而不能识别出该类用电器；仅仅采用功率变化为投切事件判断的依据，且采用人工智能算法，计算量更大，系统功耗更大。
[0011]现有技术二(专利号201810133757.6)公开了一种基于Boost模型的非侵入式用电器识别方法，包括以下步骤：一、采用无标签数据收集，对电表数据进行收集；二、指引用户对需要识别的用电器分别进行开关操作，并记录电表功率数据和对应的用电器标签；三、先利用Bootstrap算法扩展有标签集，与无标签集一起组合成训练集，再用建立分类模型；四、实时收集功率突变事件，用训练好的模型对其分类，并向用户显示识别出的用电器结果；五、通过预识别阶段的新样本和新标签，将其添加到原有的有标签数据集中，重复步骤三和步骤四；六、用达到精度要求的模型对用电器进行识别，并实时反馈给用户或需求方。但是，该技术采用功率变化为投切事件判断的依据，其适用的电气功率都是在几十瓦以上，即仅仅对大功率电气有效。
[0012]现有技术三(专利号202111501733.X)公开了一种基于非侵入智能终端的负荷识别方法，通过采集终端采集原始负荷数据；利用负荷事件检测算法定位到负荷投切点，并依据投切点提取稳定段数据；进行数据预处理，剔除不理想的数据；提取特征，构建负荷稳态特征集；根据熵权法，计算不同特征的特征权重；提取未知负荷的稳态特征，结合特征权重计算未知负荷与已知稳态特征集的改进特征加权欧式距离；取各类样本倒数作为表决权重，结合表决权重计算未知负荷与特征集的相似度，取最相似的负荷种类作为判别结果。
[0013]在如今大量使用电力能源的时代，电力监控是一个重要的话题。在家用电力领域，家用电器识别的要求不断被重视。现有的用电器识别算法与系统，往往不能兼顾低成本和高精度这两个重要需求，不适用于实际的家庭电器识别使用状况。现有非侵入用电器识别系统计算复杂度过高，不利于低功耗和产业化。
[0014]作为家用识别装置，目前市场上已有的多是成本相对较低的非侵入式电器监控装置，为了在节约成本的同时保证识别的准确性，如今的监控装置多采用一些神经网络或者人工智能的算法，需要复杂的训练以及复杂的计算，带来了系统功耗的增加以及成本的增加。当然同时也有一些采用简单识别方式的设备，但难以维持较好的识别效果，实际使用效果堪忧。总体来说，在家用电器识别这一领域，高精度和低成本的需求难以两全。因此，亟需设计一种新的、低复杂度、高精度的非侵入式用电器监测识别的方法和系统。
[0015]通过上述分析，现有技术存在的问题及缺陷为：
[0016](1)现有的用电器识别算法与系统，往往不能兼顾低成本和高精度这两个重要需求，不适用于实际的家庭电器识别使用状况；现有非侵入用电器识别系统计算复杂度过高，不利于低功耗和产业化。
[0017](2)现有用电器识别成本高，其他更低成本的识别装置则具有识别精度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非侵入式用电器识别方法，其特征在于，所述非侵入式用电器识别方法包括：利用电流互感器和电压过零检测电路，同步取样用电器的电流；利用MCU对500ms为一组的同步采样电流数据进行处理，得到电流的基波相位、各次谐波与基波幅度比和能量比的参数，并利用所述电流参数计算各用电器特征量；通过对变化的数据提取动态特征值，判断出变化的用电器种类，并结合累积和CUSUM智能识别出当前用电器的种类和数量。2.如权利要求1所述的非侵入式用电器识别方法，其特征在于，所述非侵入式用电器识别方法包括以下步骤：步骤一，进行ADC和MCU的初始化；步骤二，进行当前模式判断：判断是否进入学习模式；若进入学习模式，则输入用电器编号，执行步骤三；若未进入学习模式，则为进入检测模式，执行步骤五；步骤三，判断是否按下学习键：若按下学习键，则同步采集数据并计算和存储特征参数，提示学习完成并显示特征参数；若未按下学习键，则执行步骤四；步骤四，判断是否退出学习模式：若退出学习模式，则进入检测模式，执行步骤五；若未退出学习模式，则返回步骤三，重新进行学习操作；；步骤五，开始检测操作：定时采集数据，计算特征参数Vt，并判断Vt的变化是否超过门限；若否，代表当前被识别用电器数量和种类未发生变化，识别结果不变，返回步骤二；若是，代表当前被识别用电器数量和种类有变化，需要更新识别结果，执行步骤六；步骤六，计算动态特征参数，利用欧式距离识别变化的用电器，并基于累计和CUSUM更新当前用电器的种类和数量。3.如权利要求1所述的非侵入式用电器识别方法，其特征在于，所述非侵入式用电器识别方法还包括：系统启动时，OLED屏幕将显示系统功能菜单，通过矩阵键盘选择系统进入学习模式或检测模式；在学习模式下，用电器数量为1，将用电器启用后通过人机交互，依次采集和学习各个用电器的电流波形和计算出的特征参数，并存储这些特征参数；在监测模式下，系统将周期性地采集用电数据，计算出用电量的特征参数V
t
，并根据V
t
的变化判断是否有用电器状态发生改变，如果有，则利用变化的数据，计算出动态特征参数并利用欧式距离判断出变化的用电器种类；基于累积和更新识别出的当前的用电器种类和数量并通过OLED屏幕显示。4.如权利要求1所述的非侵入式用电器识别方法，其特征在于，所述非侵入式用电器识别方法中的用电器参数处理技术过程分为用电器参数获取与用电器变化状态的提取；用电器参数获取过程中，MCU通过读取ADS1256同步采集的电流和电压信息，进而分析得到有用数据；MCU通过串行外围设备接口SPI读取ADC模块的数据；采样率设置为7.5K，通过ADS1256的DRDY信号触发MCU中断，实现对信号的连续采集；每次以过零信号的上升沿触发ADC采集一组数据，并使用环形FIFO队列对电参数信息进行存储；用电器变化状态提取过程中，通过FFT运算实现电流频谱特征的提取，设第t组采样的电流采样数据为f
t
(k)，则N点的DFT的结果为：5.如权利要求1所述的非侵入式用电器识别方法，其特征在于，所述非侵入式用电器识别方法还包括：
定义多个用电器同时工作时，采集到的电流频谱中50Hz基频及各次谐波为：其中，fs为采样率，表示向下取整运算。定义Q
t
作为评价函数：采用间隔m组的数据的变化值ΔQ
t
作为初步判断用电器是否变化的依据：其中，H为门限，选取H＝50mA，m＝2；间隔m根据实际情况调整；采用差分法，且选取频谱在50Hz的幅值差ΔD
t
(1)作为额外的判断条件：ΔD
t
(1)＝|D
t
(1)|
‑
...

【专利技术属性】
技术研发人员：吴拨云，顾文杰，秦少阳，何先灯，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：