[发明专利]基于ARM的家用电器运行状态非侵入式检测装置及方法

说明书

本发明公开了一种基于ARM的家用电器运行状态非侵入式检测方法，包括以下步骤：采集预测电器的消耗功率，然后根据消耗功率对电器运行状态进行标注；将标注过的数据进行归一化处理；搭建LSTM神经网络模型，对LSTM神经网络模型进行训练和优化、测试；搭建嵌入式开发交叉编译环境，进行嵌入式Linux系统的移植；读取用户家庭的用电总功率；量化LSTM神经网络模型，预测家用电器运行状态并将结果显示。本发明对家用电器的运行状态识别具有良好的效果，并且利用了tensorflow lite量化工具降低了在ARM上执行深度学习推理的硬件需求，经过量化后的模型具有更小的二进制可执行文件，可以实现在低成本的情况下实时地对家用电器的运行状态进行监测。

技术领域

本发明涉及家庭用电监测领域，特别涉及一种基于ARM的家用电器运行状态非侵入式检测装置及方法。

背景技术

随着人民生活水平的不断提高，城乡居民用电量快速增长，已成为电网高峰负荷乃至尖峰负荷的重要组成，给电网安全运行带来了挑战。随着国家电网公司号召建立泛在电力物联网，经数十年的研发投入与建设，国家电网在网侧已基本达到了泛在物联网的要求，但在电网的用户终端，近四亿台智能电表产生的数据，没有得到充分有效的利用。利用智能电表采集的家庭用电功率数据对居民用电行为进行精细化分析，可得到家庭主要用电器的运行状态及详细的功率消耗情况，能够为电力系统进行需求侧管理和分析提供依据，如可以提供详细的电费清单，帮助用户节约用电和检测故障电器，监测居民行为来照看容易发生危险的人群，以及帮助电网公司提高电力负荷分配的决策准确性等，为实现更有效的电力能源管理及价值服务提供保障。

非侵入式电力负荷监测(Non-intrusive load monitoring，NILM)是指在用户主电路上安装智能电表获取总功率和总电流等数据，根据这些信息识别用户各类用电设备的工作状态。NILM具有安全经济，易于推广等优点，近年来，NILM成为电力负荷分解方向的主流研究方向。随着深度学习的崛起，多种深度学习算法都被用于NILM领域，长短期记忆网络(LSTM)作为一种改进后的循环神经网络，他可以解决长距离的依赖的问题，对时序输入的数据具有良好的识别效果。为了应对深度学习算法在硬件上运行算力不足的缺点，谷歌公司推出了基于Tensorflow框架的量化工具tensorflow lite，tensorflow lite是针对移动设备和嵌入式设备进行深度学习推理的轻量化解决方案，经tensorflow lite量化后的模型具有占用空间小，低延迟等优点。为了应对深度学习在移动端部署的问题，采用tensorflow lite工具将深度学习模型量化，可以实现在低成本的基础下实现高效率和高准确率的深度学习模型的推理预测。

发明内容

为了解决上述技术问题，本发明提供一种结构简单的基于ARM的家用电器运行状态非侵入式检测装置，并提供一种算法检测、检测精度高的基于ARM的家用电器运行状态非侵入式检测方法。

本发明解决上述问题的技术方案是：一种基于ARM的家用电器运行状态非侵入式检测装置，包括PC上位机和嵌有Linux的ARM微处理器目标板，所述PC上位机用于将操作系统、驱动程序以及交叉编译后的检测程序移植到ARM微处理器目标板上；所述ARM微处理器目标板用于运行家用电器运行状态检测程序；ARM微处理器目标板包括核心板和扩展底板；核心板上搭载4个ARMCortex-A9内核、4片512M的64位双通道DDR3内存芯片K4B2G1646F-BYMA、1片8G eMMC芯片KLM8G1GETF、1片电源管理芯片S5M8767A；扩展底板上设有通信模块、数据采集模块、RGB-LCD显示模块、TF卡模块、电源模块。

一种基于ARM的家用电器运行状态非侵入式检测装置的检测方法，包括以下步骤：

步骤一、数据采集及标注：采集预测电器的消耗功率，然后根据电器的消耗功率对电器运行状态进行标注；

步骤二、数据预处理：将标注过的数据进行归一化处理；