[发明专利]一种基于滑动窗口的实时电器识别方法和系统

说明书

本发明公开了一种基于滑动窗口的实时电器识别方法和系统，其中方法的实现包括：采集样本电器组合的电表功率数据，提取样本上升沿向量，得到样本集，标定样本上升沿向量所属电器类型；计算得到边沿滑动窗口的长度W_e，利用边沿滑动窗口的长度进行约束，得到滑动窗口的长度W_t和边沿窗口滑动距离L；根据边沿滑动窗口的长度和滑动窗口的长度，从采集到的实时功率数据中提取上升沿向量，将上升沿向量的起点作为边沿滑动窗口的起点，滑动L‑1次，加上上升沿向量得到L个滑动上升沿向量，滑动上升沿向量和样本上升沿向量的距离最小时对应的样本上升沿向量的电器类型为滑动上升沿向量的电器类型。本发明实时电器识别准确率高，识别效率高。

技术领域

本发明属于电器识别领域，更具体地，涉及一种基于滑动窗口的实时电器识别方法和系统。

背景技术

随着社会经济的发展，电能已成为人们生活中必不可少的能源。由于科技日新月异的不断进步，电器的种类越来越多样化，人们不再满足于传统意义的总用电量这一单一的信息数据，而倾向于实时的掌握家庭用电设备的使用情况。随着智能电表的出现，电力信息已经不局限于用电量，还可以采集到实时的电流，电压，有功功率，无功功率等电力数据，使得我们进一步获得用电信息成为可能。电器使用信息的具体化有重要的意义，不仅能够帮助人们了解电器的运行状态还能够进一步挖掘出人们使用电器的行为特征，为人们的用电定制个性化方案，使居民生活更加舒适便捷；而且能够帮助用户了解电器的耗能情况进而有针对性的替换能耗大的用电器，实现节能减排，绿色环保。基于此目标，对电力数据的采集和处理变得至关重要，需要实现一种实时的电器识别方法，该方法能够准确的识别出用电器的种类。而要实现这一目标，对事件检测的准确度和算法的实时性要求很高。

广泛地，现有的电力数据处理方法是负荷分解，基于总功率序列，运用马尔科夫链，深度神经网络等算法得到各个电器的功率序列进而算出各用电器的用电情况，但是这些算法有一些不可避免的缺陷，比如事件检测不准确，因为电器的内部构造不同，有纯电阻电器，有电感电容的非纯电阻电器，使得功率的暂态变化多种多样，事件检测难以准确提取功率变化信息；模型复杂，训练时间过长，对于神经网络算法，要训练的参数成千上万，对硬件的要求很高，需要GPU有强大的运算能力；对电器的数量有限制，马尔科夫链的训练需要知道用户的电器数量有多少，一旦加入新的用电器就需要重新训练模型；没有实时性，负荷分解的算法都是离线检测，没有实现实时的检测。基于以上分析，这些现有的方法难以应用到实际的环境中去。

由此可见，现有技术存在检测不准确和检测结果滞后的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于滑动窗口的实时电器识别方法和系统，其目的在于利用滑动上升沿向量和样本上升沿向量的距离最小时，得到对应的样本上升沿向量的电器类型为滑动上升沿向量的电器类型，由此解决现有技术存在检测不准确和检测结果滞后的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于滑动窗口的实时电器识别方法，包括：

(1)采集样本电器组合的电表功率数据，提取样本上升沿向量，得到样本集，标定样本上升沿向量所属电器类型；

(2)计算样本集中每个样本上升沿向量的上升过程所用上升时间，利用上升时间的最大值与边沿滑动窗口的初始长度比较取较大值，得到边沿滑动窗口的长度W_e，利用边沿滑动窗口的长度进行约束，得到滑动窗口的长度W_t和边沿窗口滑动距离L；

(3)根据边沿滑动窗口的长度和滑动窗口的长度，从采集到的实时功率数据中提取上升沿向量，将上升沿向量的起点作为边沿滑动窗口的起点，滑动L-1次，加上上升沿向量得到L个滑动上升沿向量，滑动上升沿向量和样本上升沿向量的距离最小时对应的样本上升沿向量的电器类型为滑动上升沿向量的电器类型。

进一步的，样本集中每种电器的样本上升沿向量的提取量大于预设值。