一种基于用电特性的用电安全监测方法及系统与流程

本发明属于用电安全监测技术领域，尤其涉及一种基于用电特性的用电安全监测方法及系统。

背景技术：

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

现有的传统监测方法是在每个用电设备终端安装数据采集与传输装置，实现对用户每个用电设备的在线实时监测，例如加装漏电流监测仪器等，经济性差且不便于维修管理。

通过在电源入口处安装监测装置，从监测到的用户用电信息中识别出各电器的用电信息来获取家用电器能耗等信息，可以有效解决经济型差的问题。对于此种监测方式，通常采用数学优化求解的方式识别用电设备，例如黎鹏等利用启发式算法求解基于稳态电流的分解模型，但其考虑的用电设备种类较少，负荷分解偏差较大。linyh等采用的模型虽然考虑了用电设备功率接近的情况，但识别精度不高。数学优化算法总体上存在着求解效率低的问题。

技术实现要素：

为克服上述现有技术的不足，本发明提供了一种基于用电特性的用电安全监测方法及系统，适用于家庭或工厂等小区域场景，能够基于实时采集的用电数据识别当前用电设备的开闭，并对处于工作状态的用电设备进行安全监测。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

一种基于用电特性的用电安全监测方法，包括以下步骤：

接收用电数据并进行预处理，生成用电参数矩阵；

根据所述用电参数矩阵，基于预先训练的用电设备识别模型，识别当前处于工作状态的用电设备；

对于处于工作状态的用电设备，基于预先训练的用电设备状态诊断模型进行状态监测。

进一步地，所述用电数据包括电压数据、电流数据和漏电流数据。

进一步地，生成用电参数矩阵包括：

对用电数据的波形数据进行修正；

基于修正后的波形数据，根据用电数据计算用电参数；

将各用电参数按时间排序，且每一类用电参数作为一行，得到用电参数矩阵。

进一步地，所述用电设备识别模型构建方法包括：

对于各类用电设备，采集启动或停止过程的用电数据；

计算各类用电设备的启动或停止过程的用电参数矩阵作为训练数据，基于人工神经网络，训练用电设备识别模型。

进一步地，所述用电设备状态诊断模型构建过程如下：

对于各类用电设备，分别采集其在正常工作状态和异常工作状态下的用电数据；

计算各类用电设备在正常工作状态和异常工作状态下的用电参数矩阵作为训练数据，基于人工神经网络，训练用电设备识别模型。

进一步地，处于工作状态的用电设备后，还将启停事件相应时间段的数据排除，再基于预先训练的用电设备状态诊断模型进行状态监测。

一个或多个实施例提供了一种基于用电特性的用电安全监测系统，包括用电数据采集终端和云端服务器；其中，

所述用电数据采集终端，用于接收用电数据并进行预处理，生成用电参数矩阵；根据所述用电参数矩阵，基于预先训练的用电设备识别模型，识别当前处于工作状态的用电设备；

云端服务器，用于对处于工作状态的用电设备，基于预先训练的用电设备状态诊断模型进行状态监测。

进一步地，所述系统还包括客户端；云端服务器在监测到用电设备异常工作状态时，生成报警信息发送至客户端。

以上一个或多个技术方案存在以下有益效果：

本发明提供的用电安全监测方法通过基于多类用电数据构建用电参数矩阵，能够很大程度上还原用电设备的真实用电，有助于后续模型的训练和识别精度；通过从用电数据中识别启停状态来判断运行的设备类型，识别准确度更高；

本发明提供的用电安全监测系统引入边缘计算，将用电设备类型的识别应用于前端用电数据采集终端，向云平台传输的数据量小，数据交换量少，因而传输速率高，系统的整体工作效率高，实现了用电设备监测的实时性，实时监测用电设备的用电特性，能够保证及时发现安全隐患，实现安全预警。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明一个或多个实施例中一种基于用电特性的用电安全监测方法流程图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

本实施例公开了适用于家庭、工厂等小区域场景的一种基于用电特性的用电安全监测方法，能够基于实时采集的用电数据识别当前用电设备的开闭，并对处于工作状态的用电设备进行安全监测。所述方法具体包括：

步骤1：定时接收多种用电数据，并进行预处理，得到各用电数据的波形数据。

用电设备大致分为：电阻类，包括电热器、热水器、饮水机、白炽灯等；电机类，包括电冰箱、洗衣机等电器；电子类，有电脑、电视机等；电力电子控制类，包括空调、手机充电器等。

所述多种用电数据包括电压、电流和漏电流。所述步骤1具体包括：

步骤1.1：将电压信号、电流信号、漏电流信号分别经过电压变换模块、电流变换模块、漏电流变换模块，得到电压毫伏信号、电流毫伏信号、漏电流毫伏信号。

步骤1.2：电压毫伏信号、电流毫伏信号、漏电流毫伏信号分别经抗混叠滤波电路，得到滤波后的电压毫伏信号、电流毫伏信号、漏电流毫伏信号。

步骤1.3：模拟/数字采样电路每经过时间t(t＝1/f/n，其中f为电网频率，n为每周波采样点数)对滤波后的电压毫伏信号、电流毫伏信号、漏电流毫伏信号进行采样，得到数字化电压信号，数字化电流信号，数字化漏电流信号。

步骤1.4：每经过时间t(t＝1/f)，分别将n个数字化电压信号，n个数字化电流信号，n个数字化漏电流信号按采样顺序排列，得到电压信号波形、电流信号波形、漏电流信号波形。

步骤2：根据各用电数据的波形数据，计算得到至当前时刻一段时间的用电参数。

所述步骤2具体包括：

步骤2.1：对用电数据的波形数据进行修正。具体地，对采集的电压波形数据、电流波形数据及漏电流波形数据进行修正，修正包括去噪、滤波、增益补偿等，得到修正的波形数据。

步骤2.2：基于修正后的波形数据，根据用电数据计算用电参数。预处理包括傅里叶变换、计算有效值、计算有功功率、无功功率、谐波功率、功率因数等。

步骤2.3：将各用电参数按时间排序，得到用电参数矩阵。

本实施例用矩阵反映一段时间内各个用电参数的变化趋势，所述一段时间包含多个电压周期，本实施例中为一个定值(20s)。所述矩阵每一列表示某时刻各用电参数的值，每一行表示一个用电参数的值随时间的变化趋势。

每次接收并处理得到一个电压周期的用电参数时，所述用电参数矩阵执行一次更新，将得到的新的电压周期内的用电参数填充到矩阵末尾，并删除最初填入矩阵的电压周期的用电参数数据。

步骤3：根据所述一段时间内的用电参数，基于预先训练的用电设备识别模型，识别当前处于工作状态的用电设备。

本实施例通过识别用电设备的启停来识别处于工作状态的用电设备。

用电设备识别模型构建过程如下：

(1)对于各类用电设备，采集启动或停止过程的用电数据；

作为一种实现方式，由于不同的工作状态用电参数变化趋势有区别，可获取用电设备长期的用电数据，基于聚类算法，得到表示不同工作状态的类簇，从而从用电数据中划分出启停事件相关的数据，以便于后续模型的训练。

(2)采用步骤1-2同样的方法，生成启停用电参数矩阵；

(3)根据不同用电设备的启停用电参数矩阵，基于神经网络模型，训练用电设备识别模型。

基于该用电设备识别模型，能够识别启动或停止的用电设备类型，以及相应时间。

以电水壶为例，其用电模型近似于纯电阻电路，不产生谐波电流因此其电压与电流相位相同，谐波电压与谐波电流相位相同。加热管电阻随温度变化而产生变化(绝大多数金属电阻率随温度上升而增大)，因此其开机过程电流与电压的比值应呈现下降趋势并在温度稳定后趋于平稳。用电参数矩阵可详细记录电水壶开机过程中电压变化趋势，电流变化趋势，电压电流比值的趋势。人工神经网络经过对以上用电参数矩阵进行训练后即可识别该电水壶的开机过程。

对于两种以上用电设备同时开机的情况，可将其同时开机的用电参数矩阵，送神经网络训练，即可识别该两种设备同时开机的情况。

将上述步骤2得到的用电参数矩阵输入用电设备识别模型，能够识别用电设备的启动和停止时间，以及该用电设备的类型。

基于上述步骤3得到处于工作状态的用电设备后，将启停事件相应时间段的数据排除，进行下一步状态监测。

步骤4：对于处于工作状态的用电设备，基于预先训练的状态诊断模型进行状态监测。

本实施例预先训练了针对各类用电设备进行状态监测的神经网络，在识别出处于工作状态的用电设备后，基于相应神经网络进行状态诊断。排除掉启动事件相关的用电数据，将用电参数矩阵送预先训练的用电设备识别模型计算分析。神经网络根据矩阵特征识别特定用电设备的运行工作状态。

用电设备状态诊断模型构建过程如下：

(1)对于具有代表性的已知用电设备，分别采集其在正常工作状态和异常工作状态下的用电数据；其中，异常工作状态可通过模拟试验得到。

(2)采用步骤1-2同样的方法，获取各用电设备在不同工作状态下的用电参数矩阵作为训练数据。

(3)对于各用电设备，分别基于不同工作状态下的用电参数矩阵训练神经网络。通过神经网络可得到已知用电设备在指定工作状态的电参数特征，所用人工神经网络不限于卷积神经网络或循环神经网络。使用所得特征更新上述人工神经网络的权重参数。经训练过的神经网络即具备了识别已知用电设备的已知工作状态的能力。更改用电设备的工作状态或使用不同的用电设备并重复以上步骤即可增加该神经网络的识别能力。

除了上述基于神经网络进行状态诊断以外，为了防止用电设备故障识别的遗漏，对于大功率设备(例如电水壶、吹风机等)，本实施例还记录用电设备启动的时间，并设定最长工作时间(如电水壶单次最长工作时间为15分钟)，若超出其设定的最长工作时间仍在工作则判断该用电设备处于异常情况；若用电设备启动期间漏电流有明显升高，可判断为该用电设备产生漏电流。

实施例二

本实施例的目的是提供一种用电安全监测系统。

一种用电安全监测系统，包括：用电数据采集终端、云端服务器和客户端。

用电数据采集终端，包括：

用电数据采集模块，用于采集各类用电数据；

用电数据预处理模块，用于对各类用电数据进行预处理，得到用电参数矩阵；

用电设备识别模块，基于用电参数矩阵，识别当前处于工作状态的用电设备。

本领域技术人员可以理解，本实施例中所述用电数据采集终端可以为智能电表、配变终端等现有设备，在此不做限定。

云端服务器，包括：

状态监测模块，基于预先训练的神经网络，根据用电设备类型和相应用电数据进行状态监测；

报警模块，当状态监测模块监测到状态异常时，向客户端发送报警信息。

本领域技术人员可以理解，所述报警信息包括但不限于语音、文字等形式。

客户端，包括：

数据查询模块，用于从云端服务器获取当前处于工作状态的设备类型和工作状态；

报警模块，接收云端服务器发送的报警信息，根据识别到的异常工作状态预警，可就地产生声光报警亦可以推送app或短信等。

上述用电数据采集终端向云端服务器发送数据的传输手段包括但不限于3g、4g、5g、wifi、以太网。

终端使用5g通讯将矩阵数据传输至云端，云端的神经网络根据存储在云端的海量特征库精准识别用电设备的正常运行及异常状态。

该系统引入边缘计算，将用电设备类型的识别应用于前端用电数据采集终端，向云平台传输的数据量小，数据交换量少，因而传输速率高，系统的整体工作效率高，有助于实现用电设备监测的实时性。

以上实施例二中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。

本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。