[发明专利]一种用电器种类识别方法

说明书

技术领域

本发明涉及一种设备识别方法，尤其是涉及一种用电器种类识别方法，属于电器识别技术领域。

背景技术

目前，在用电器识别领域中，能够应用到实际产品中的，低成本和快速的用电器识种类别方法很少。在传统用电器识别方法领域中，需要对用电器用电过程进行高精度或较高精度的感知和监测，记录多维数据，建立详细用电曲线和用电模式以用于分析、分解和识别，因此，对用于监测用电器用电情况的硬件和由此采集到的用电器用电数据要求较高，由此带来的成本随之升高，导致用电器识别技术难以集成到能被市场广泛接受的普通消费电子产品中。

发明内容

为了解决上述技术问题，本发明目的在于，提供了一种基于简单的、粗粒度的用电器用电数据基础之上、识别用电器种类的方法。所述用电器种类识别方法包括获取未知用电器工作时周期性的电流数值，以时间为序，构成用电器工作电流数值序列；处理、分析和提取电流数值序列的数据特征序列；将此数据特征序列作为此未知用电器工作电流特征向量，并且与数据库中的大量已知样本用电器特征向量进行逐一匹配；把匹配到的几组最相似的样本取出，统计这几组样本中占比最高的那一类用电器种类，将这一种类认定为此未知用电器的种类，完成识别。

所述获取未知用电器工作时周期性的电流数值，用于获取电流数值的设备为其他感知设备，不做限定；周期的大小不作限定，一般为一秒；

数据库中的已知样本数据的获取方式和周期大小需要与未知电器的用电数据获取方式和感知周期一致；

所述处理、分析和提取电流数值序列的数据特征序列，包括：处理数据时剔除了空置和异常值，分析数据实现截取数值序列的典型平稳的部分，数据特征序列包括这组数值序列的平均值、最大值、最小值、最大值和最小值之差、梯度上升的数据比例、梯度下降数据的比例、极大值的比例、极小值的比例、极大值的均值、极小值的均值、利群点的比例、除了利群点之外的均值和除了利群点之外的数据波动范围；

所述数据库中的大量已知样本用电器特征向量，其特征为特征向量的每一个维度的定义与上述13个维度的定义相同。

所述特征向量匹配，其特征在于，匹配前需要将特征向量的各个值归一化，所谓匹配即为计算未知特征向量和已知样本特征向量的欧式距离，距离越小，表明匹配度越高；

所述几组最相似的样本，此处“几组”的具体数字一般为不超过样本总数的1％，不小于1，且必须为奇数，或者取最近的奇数，“相似”指欧式距离小，匹配度高。

所述的数据特征序列项不仅仅包括列出的13项，还包括通过其他方法定义的特征。特征序列项数即特征维度可以多于列出的13项，也可以少于13项，也可以不同于这13项，但是项目的数量必须与样本库中的特征向量维度一致。

有益效果

所需采集到的用电器用电数据结构简单，数据精度要求不高，因此对数据采集的设备要求不高，降低了数据采集成本；对用电器用电数据的特征提取方式简单可行，算法效率高；特征匹配方式简单高效，易于集成到小型硬件内部或者集成到云端数据处理分析模块；综上，本发明即一种用电器种类识别方法，其实现难度低，识别准确度较高，可行性高，易于集成进实际的相关产品中。

附图说明

图1是本发明一种用电器种类识别方法所需要的用电数据画出的曲线图；

图2是本发明一种用电器种类识别方法的步骤流程图；

图3是本发明一种用电器种类识别方法之步骤“特征匹配”的步骤流程图；

具体实施方式

下面结合附图对本发明的具体实施方式作进一步详细说明：

参考图1、图2和图3，一种用电器种类识别方法，主要步骤如下：

第一步：获取未知用电器工作时周期性的电流数值，以时间为序，构成用电器工作电流数值序列；

第二步：处理、分析和提取电流数值序列的数据特征序列；

第三步：将此数据特征序列作为此未知用电器工作电流特征向量，并且与数据库中的大量已知样本用电器特征向量进行逐一匹配；

第四步：把匹配到的几组最相似的样本取出，统计这几组样本中占比最高的那一类用电器种类，将这一种类认定为此未知用电器的种类，完成识别。