技术领域
[0001] 本
发明涉及一种电表技术领域，尤其涉及一种用电器识别方法及装置。
背景技术
[0002] 目前，对于一些恶性负载以及限制使用的电器种类，需要通过电表采集到的一系列数据进行识别，从而保障用电的安全性。在智能
电网快速发展的今天，用电器的识别还有利于对电器的用电量监测，可以有针对性的做出节约用电的策略。传统的用电器识别是侵入式负荷监测，在用户的每个用电设备上安装
传感器用以采集其使用情况的数据。该方法的优点是监测数据准确可靠，缺点是经济成本高、实施性难度大、用户接受程度较低。
发明内容
[0003] 为了克服
现有技术的不足，本发明的目的之一在于提供一种用电器识别方法，其能解决用电器识别成本高、实施难度大以及识别
精度不高的技术问题。
[0004] 本发明的目的之二在于提供一种
电子设备，其能解决用电器识别成本高、实施难度大以及识别精度不高的技术问题。
[0005] 本发明的目的之三在于提供一种计算机可读存储介质，其能解决用电器识别成本高、实施难度大以及识别精度不高的技术问题。
[0006] 本发明的目的之一采用如下技术方案实现：一种用电器识别方法，包括如下步骤：
第一获取步骤：获取用电器识别所需的电气参数，所述电气参数包括单通道
电流波形数据；
转化步骤：将采集到的单通道电流波形数据转化为多通道的待分离特征矩阵；
分离步骤：采用
盲源分离算法将待分离特征矩阵分解成多个独立用电器的特征矩阵；
识别步骤：将所有独立用电器中的特征矩阵与用电器识别模型进行比对，以判断得到当前用电器的类型。
[0007] 进一步地，所述转化步骤具体包括如下子步骤：采集到的单通道电流波形数据经过变分模态方法进行分解得到N个不同的本征模态分量；
经过贝叶斯方法对N个不同的本征模态分量进行估计，以得到N维观测
信号矩阵，进而得到待分离特征矩阵。
[0008] 进一步地，所述电气参数还包括
电压波形数据、功率波形数据和功率因数，在得到N维观测信号矩阵之后，将所述N维观测信号矩阵与电气参数中的其余参量数据组合以形成待分离特征矩阵。
[0009] 进一步地，对分解得到的本征模态分量采用
小波变换和STFT来进行去噪处理。
[0010] 进一步地，在第一获取步骤之后转化步骤之前还包括第二获取步骤：将第一获取步骤中得到的单通道电流波形数据记为背景噪声，并持续获取运行过程中新加入的用电器所产生的波形数据。
[0011] 进一步地，在第一获取步骤之后还包括检测步骤：检测当前
电路中是否存在功率
波动，如果是，则执行转换步骤，如果否，则继续进行检测。
[0012] 进一步地，所述功率波动的检测通过对功率波形或者电压波形或者电流波形的幅值变化来实现。
[0013] 进一步地，所述分离步骤具体包括如下子步骤：将待分离特征矩阵分解至
原子库中的各基函数上以得到
叠加特征矩阵；
通过
迭代求解来对叠加特征矩阵进行计算以得到各个独立用电器的特征矩阵。
[0014] 进一步地，当存在有k个用电器时，且它们的波形各不相同，则所述叠加特征矩阵的具体表达方程为：；
其中， 表示t刻时间观测到的叠加特征矩阵， 表示第i个用电器的特征矩阵，
表示t刻时间第i个用电器工作状态。
[0015] 进一步地，所述迭代求解过程具体如下：随机初始化 ；
对每一个观测样本遍历最多的组合可能，再计算预测值和真实值的差作为损失值，然后计算损失函数的值对 的梯度，接着将 反
向梯度方向优化，然后将 小于0的
位置改为0；
计算收敛后的损失函数值，当损失函数值达到预设精度时，求解得到各个独立用电器的特征矩阵。
[0016] 进一步地，在分离步骤之后还包括传输步骤：将独立用电器的特征矩阵通过通信模
块传输至后台
服务器，以使得后台服务器执行识别步骤。
[0017] 进一步地，在识别步骤之后还包括预警步骤：判断所有当前用电器中是否存在有违规电器用电行为，如果是，则发送报警信息至后台服务器或者至对应的移动终端处。
[0018] 进一步地，所述用电器识别模型通过如下步骤构建：收集多种用电器种类，并获取各用电器种类对应的用电特征数据；
将所有的用电特征数据作为
训练数据，并将训练数据输入至预设训练模型中进行训练以得到用电器识别模型。
[0019] 本发明的目的之二采用如下技术方案实现：一种电子设备，包括
存储器、处理器以及存储在存储器上并可在处理器上运行的
计算机程序，所述处理器执行所述计算机程序时实现本发明目的之一中任意一项所述的一种用电器识别方法。
[0020] 本发明的目的之三采用如下技术方案实现：一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本发明目的之一中任意一项所述的一种用电器识别方法。
[0021] 相比现有技术，本发明的有益效果在于：本发明的用电器识别方法通过智能电表来对用电过程中各用电器产生的波形数据进行采集，通过对各个波形数据进行识别以判断当前用电器类型；本发明的方法能够降低用电器识别成本以及实施难度，提高了检测效率。
附图说明
[0022] 图1为
实施例一的用电器识别方法的
流程图；图2为实施例一的用电器识别方法的具体流程图。
具体实施方式
[0023] 下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
[0024] 为了解决侵入式的一些缺点，现有的研究者们提出了非侵入式负荷识别，但是目前仅利用智能电表采集到的数据对用电器进行识别，用电器识别方法的精确度还不够高，性能还不够好。目前针对只能够针对于特定用电器来进行识别，采用具体的传感器或者检测机构来对不同种类的用电器实现检测；当需要检测的用电器数量上升时，则对应需要安装的检测结构也增多，从而造成工程实施难度加大。在本实施例中，直接将电量特征识别直接内置于智能电表中，这样能够使得其不需要另外单独购买检测部件，因为电表这类产品本身也属于家家户户所必须的产品，将两者结合具备更高的融合度。
[0025] 如图1和图2示，本实施例提供了一种用电器识别方法，包括如下步骤：S1：通过智能电表获取用电器识别所需的电气参数，所述电气参数包括单通道电流波形数据；通过智能电表获取用电器识别要求的电气参数；这些电气参数包括电压、电流、功率、谐波、
频率等，只利用智能电表的
数据采集，解决了利用传统多采集器成本高的问题。能够通过本实施例的智能电表进行采集的原因是由于采用了本实施例中的方法来进行监测，如果在没有本实施例中的算法做
基础，也是无法单单通过上述数据采集来实现用电器的监测预警。
[0026] S11：将步骤S1中得到的单通道电流波形数据记为背景噪声，并持续获取运行过程中新加入的用电器所产生的波形数据。通过将S1中的数据记录为背景噪声，从而获取不断加入该电路中的电流数据波形，也即是采集当前的波形数据，通过将S1中的背景滤除，也即是可以得到新加入的波形数据；通过这样的步骤可以大大降低后续的运算量，因为如果直接对所有的用电器进行监测的话，则需要分解所有的用电器对应的波形，这样就会大大增加系统的运算量，通过记录背景噪声并进行消噪，从一定程度的上提高了运算效率。
[0027] S12：检测当前电路中是否存在功率波动，如果是，则执行转步骤S2，如果否，则继续进行检测。所述功率波动的检测通过对功率波形或者电压波形或者电流波形的幅值变化来实现。在进行功率波动检测的时候也是通过电表来进行的，电表通过检测功率和电流波形幅值变化来检测是否有功率波动。这一步检测的目的也是为了提高运算效率，省略这一步也是可以实现
电动车的预警，但是后续运算量会很高，不便于居民使用。也即是步骤S11和步骤S12这两步是为了完成对应的数据预处理，进行这样的数据预处理可以方便后续特征矩阵进行计算，不会损耗大量的时间在无意义的特征数据计算上。
[0028] S2：将采集到的单通道电流波形数据转化为多通道的待分离特征矩阵；所述智能电表利提取采集到的单通道数据经过改进的变分模态分解得到各个本征模态分量，经过贝叶斯等估计方法对信号源n进行估计，然后组成新的n维观测信号矩阵D，包括利用小波变换和STFT计算出多个
分辨率的电流谐波
频谱。这一步主要是为了将单通道数据映射成多通道数据，由于单通道数据直接进行分离的技术难度比较大，但是对于多通道数据的解决方法已经比较成熟，故而选择把单通道多用电器叠加数据通过改进的变分模态方法映射成多通道数据。
[0029] 具体的，所述步骤S2具体包括如下子步骤：采集到的单通道电流波形数据经过变分模态方法进行分解得到N个不同的本征模态分量；对分解得到的本征模态分量采用小波变换和STFT来进行去噪处理。
[0030] 经过贝叶斯方法对N个不同的本征模态分量进行估计，以得到N维观测信号矩阵，进而得到待分离特征矩阵。所述电气参数还包括电压波形数据、功率波形数据和功率因数，在得到N维观测信号矩阵之后，将所述N维观测信号矩阵与电气参数中的其余参量数据组合以形成待分离特征矩阵。这里的待分离特征矩阵包括有多个不同的用电器类型，这一步得到这样的特征矩阵是为了得到便于后续进行运算的内容，只有将波形转换为具体的矩阵，才使得后续的运算成为可能，并且由于单通道分离难度较大，故而将其变换为多通道的数据来进行后续计算。
[0031] 在本实施例中，其他参量数据指的是除去电流以外的功率、电压、功率因数等数据。组合即是在列向量中增加数行。比如，电流变换后得到的
特征向量是【1，2，3，4，5，6】，当进行叠加时，直接把功率P，功率因数φ，电压V加入后变成【1，2，3，4，5，6，P，φ，V】，就可以得到待分离特征矩阵，在进行实施的时候，也可以直接对S2中的不叠加的特征矩阵进行直接分解，但是直接进行分解的精度较低，只有当增加了其他的变量的时候，能够进一步提高计算结果的精度。
[0032] S3：采用盲源分离算法将待分离特征矩阵分解成多个独立用电器的特征矩阵；所述盲源分离（BSS: Blind Source Separation），又称为盲信号分离，是指在信号的理论模型和源信号无法精确获知的情况下，如何从混迭信号（观测信号）中分离出各源信号的过程。盲源分离和盲辨识是盲
信号处理的两大类型。盲源分离的目的是求得源信号的最佳估计，盲辨识的目的是求得传输通道的混合矩阵。盲信号分离研究的信号模型主要有线性混合模型和卷积混合模型，盲源分离源信号线性混合是比较简单的一种混合形式，典型的BSS/ICA问题就是源于对独立源信号的线性混合过程的研究。且目前的盲源分离算法有如下几种方式：1、传统的ICA/BSS方法，
独立分量分析是对相互统计独立的信源从混合信号中恢复出各个信号分量；2、变换域滤波，变换域滤波旨在将待分解的信号在各个域进行处理，各分量的特性将在各个变换域中体现出来，然后通过联合域对信号进行分离。3、基函数法，基函数法一般可分为两个阶段：第一阶段是训练阶段，该阶段把每个源信号分解为独立的基函数，用传统的盲信号分离算法从训练信号中学习得到基函数；第二阶段是分离阶段，基于得到的基函数，用最大似然函数估计的方法估计出每个源信号的过程。除了盲源分离算法外，还有多参数联合估计，稀疏分解算法等。
[0033] 在本实施例中采用构建原子库来进行盲源分离的方式，具体的方式如下：在进行盲源分离算法之前需要提前建立原子库，这里的原子库指的也即是基函数，所述原子库是假设要分离的信号为f，信号长度为N，若将信号分解在一组基上，基的构造必须使得基在信号组成的空间中足够的密，此时的基也称为原子，由这些原子组成的集合称为原子库。当原子库构建完成之后，也即是可以进行具体的矩阵的计算，所述步骤S3具体包括如下子步骤：将待分离特征矩阵分解至原子库中的各基函数上以得到叠加特征矩阵；
通过迭代求解来对叠加特征矩阵进行计算以得到各个独立用电器的特征矩阵。当存在有k个用电器时，且它们的波形各不相同，则所述叠加特征矩阵的具体表达方程为：
；
其中， 表示t刻时间观测到的叠加特征矩阵， 表示第i个用电器的特征矩阵，
表示t刻时间第i个用电器工作状态。也即是当前所要做的内容是现根据已知的(t)求和，进行上述计算主要采用的是迭代求解的方式，所述迭代求解过程具体如下：
随机初始化 ；
对每一个观测样本遍历最多的组合可能，再计算预测值和真实值的差作为损失值，然后计算损失函数的值对 的梯度，接着将 反
向梯度方向优化，然后将 小于0的位置改为0；
计算收敛后的损失函数值，当损失函数值达到预设精度时，求解得到各个独立用电器的特征矩阵。这样就可以得到对应用电器对应的特征矩阵，也即是将用电器从其中分离出来了。在进行迭代求解的时候，还需要进一步考虑如果才能够进行更快更优化的计算，所述迭代求解过程的还有进一步的优化，具体体现如下：在参数调优、参数一致性和算法复杂度上的进一步优化；对损失函数的选择必须考虑现实性和全局性；对于损失值异常大要考虑一些方面的影响，如新电器的加入、算法的复杂度高等；可以对用电器特征进行充分的挖掘，从多特征进行区别，充分利用电器间的差异性，减少运算时间。
[0034] 从上述获取用电器信号以及到后期分离得到对应的特征矩阵，这些步骤均是由智能电表来进行数据获取以及
数据处理的，但是后期进行具体信息比对可以有两种方式进行：一种是直接在智能电表处来进行数据比对，还有一种方式是在服务器处进行数据比对，两者各有其优点，在智能电表处进行数据比对，其不需要额外搭载通信模块来与服务器进行通信，这种方式可以直接面对消费者给消费者预警；在服务器处来进行数据比对的方式，首先，服务器端能够实现更快速的信息比对，并且在进行后期模型更新的时候也会更为的方便；其次，通过服务器获取不同的住户的数据，其可以更便于进行集群化管理，并且通过服务器其可以实现全方位的检测与预警，通过服务器更便于后期与其他的平台进行连接以进行进一步地
数据挖掘。
[0035] 在本实施例中，针对于在服务器端进行数据处理的方式进行详细的阐述：当获取到对应的特征矩阵之后，则需要执行步骤S31：将独立用电器的特征矩阵通过通信模块传输至后台服务器，以使得后台服务器执行识别步骤S4。
[0036] S4：将所有独立用电器中的特征矩阵与用电器识别模型进行比对，以判断得到当前用电器的类型。所述用电器识别模型通过如下步骤构建：收集多种用电器种类，并获取各用电器种类对应的用电特征数据；
将所有的用电特征数据作为训练数据，并将训练数据输入至预设训练模型中进行训练以得到用电器识别模型。
[0037] 具体的，
云端特征集合：通过
机器学习的方法采集到有限个用电器的特征矩阵，经过不断地学习对各个用电器的特征矩阵进行精确化，将所述用电器特征数据作为训练数据，并将所述训练数据输入至预设训练模型中进行训练，得到预设用电器特征矩阵识别集合模型。云端组成用电器特征矩阵集合从而构建出目前所有家电所对应的特征矩阵，通过不断学习所有家电对应的特征矩阵以生成对应的特征比对的内容，得到的预设训练模型为后期数据比对提供基础。
[0038] 用电器名称输出：通过分离求解得到的各个用电器的特征矩阵与云端特征矩阵集合的匹配，能够精确识别出已经学习过的用电器并输出用电器名称。在进行比对的时候，通过将得到的用电器特征矩阵与预设用电器识别模型中的特征矩阵进行比对以得到对应的用电器的名称。
[0039] 当所述用电器识别要求信息为识别用电器名称时，将所述特征数据上传至云端，云端将所述特征数据输入至预设用电器识别模型，所述预设违规电器识别模型输出用电器名称。通过基于智能电表采集和运算得到的各个用电器的特征数据，可以精准的识别用电器种类名称，具有普遍适用性，运算复杂度相对传统方法也比较低，具有很好的实时性。
[0040] 上述为更加通用性的识别方式，其是通过识别所有的用电器，然后再进一步判断类别。但是上述步骤更多的是对数据的收集，除了上述步骤之后，还包括报警步骤：判断所有当前用电器中是否存在有违规电器用电行为，如果是，则发送报警信息至后台服务器或者至对应的移动终端处。所述违规电器可以是电动车或者大功率
热水器或者是其他的危险电器等，当有检测到这样的电器的时候，则通知进行报警。
[0041] 本发明的基于智能电表的用电器识别，包括使用低成本智能电表获取用电器识别要求信息；智能电表通过采集和运算得到各个用电器的特征数据；智能电表对特征数据进行预判别；智能电表把得到的各个用电器特征数据上传至云端进行匹配。通过基于智能电表采集和运算得到的各个用电器的特征数据，可以精准的识别用电器种类名称，具有普遍适用性，运算复杂度相对传统方法也比较低，具有很好的实时性。
[0042] 实施例二实施例二公开了一种电子设备，该电子设备包括处理器、存储器以及程序，其中处理器和存储器均可采用一个或多个，程序被存储在存储器中，并且被配置成由处理器执行，处理器执行该程序时，实现实施例一的一种用电器识别方法。该电子设备可以是手机、电脑、
平板电脑等等一系列的电子设备。
[0043] 实施例三实施例三公开了一种计算机可读存储介质，该存储介质用于存储程序，并且该程序被处理器执行时，实现实施例一的一种用电器识别方法。
[0044] 当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的方法中的相关操作。
[0045] 通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助
软件及必需的通用
硬件来实现，当然也可以通过
硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的
软盘、
只读存储器（Read-Only Memory， ROM）、
随机存取存储器（Random Access Memory， RAM）、闪存（FLASH）、
硬盘或光盘等，包括若干指令用以使得一台电子设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
[0046] 值得注意的是，上述基于内容更新通知装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0047] 上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
