CN107179455B - 一种基于边沿特征向量模型的实时电器识别方法和系统 - Google Patents

Abstract

本发明公开了一种基于边沿特征向量模型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，提取功率数据的单边沿，将单边沿组合成连续边沿；根据连续边沿中单边沿数量和幅度，判定连续边沿是否包含非等幅震荡边沿、等幅震荡边沿、上升带回勾边沿、尖峰冲激边沿、普通上升边沿中的一种或多种，并提取对应的边沿特征向量；得到多个样本电器组合的功率数据与边沿特征向量之间映射关系的边沿特征向量模型；采集待识别电器的电表实时功率数据，利用边沿特征向量模型得到对应的实时特征向量，基于实时特征向量识别电器。本发明将电器识别从离线领域引申到实时识别，有了更好的实用性和可操作性。

Description

一种基于边沿特征向量模型的实时电器识别方法和系统

技术领域

本发明属于电器识别领域，更具体地，涉及一种基于边沿特征向量模型的实时电器识别方法和系统。

背景技术

电器识别可以根据智能电表采集到的电器运行时的电气数据，通过一系列的数学运算，最终获得电器的运行状态。电器识别可以分为离线识别和实时识别，现在普遍的方法是离线电器识别，该方法需要比较长的时间长度的数据采集，并且采集的数据越多，越有利于电器类型的识别精度的提升，从而导致该类方法对于电器识别的实时性不足，识别结果在一定程度上远远滞后于负载的工作状态。然而人们更倾向于实时的掌握家庭用电设备的使用情况。因此，采用实时电器识别方法来进行电器识别是迫切任务，通过实时获得的电器运行数据，可以为人们提供更好的用电安全防护，监测未关闭电器和电器异常，保证家庭用电安全；另外也可以帮助制定用电计划，做到更好的节能减排。

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边沿特征向量模型的实时电器识别方法和系统，其目的在于解决现有技术中离线电器识别的滞后性。

为实现上述目的，按照本发明的一个方面，提供了一种基于边沿特征向量模型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，提取功率数据的单边沿，将单边沿组合成连续边沿；

(2)根据连续边沿中单边沿数量和幅度，判定连续边沿是否包含非等幅震荡边沿、等幅震荡边沿、上升带回勾边沿、尖峰冲激边沿、普通上升边沿中的一种或多种，并提取对应的边沿特征向量；

(3)重复步骤(1)和步骤(2)，得到多个样本电器组合的功率数据与边沿特征向量之间映射关系的边沿特征向量模型；

(4)采集待识别电器的电表实时功率数据，利用边沿特征向量模型得到对应的实时特征向量，基于实时特征向量识别电器。

进一步的，提取样本电器组合的电表功率数据时，已知电器组合中各个电器的类别。

进一步的，步骤(2)包括：

(2-1)若连续边沿中单边沿数量大于3，奇数边沿的幅度大于0，偶数边沿的幅度小于0，且相邻边沿的幅度差与相邻边沿的平均幅度之比存在大于预设值的情况时，则连续边沿中有非等幅震荡边沿，提取非等幅震荡边沿特征向量；

(2-2)若连续边沿中单边沿数量大于3，奇数边沿的幅度大于0，偶数边沿的幅度小于0，且相邻边沿的幅度差与相邻边沿的平均幅度之比小于预设值时，则连续边沿中有等幅震荡边沿，提取等幅震荡边沿特征向量；

(2-3)若连续边沿中单边沿数量等于3，3个单边沿中第一个单边沿的幅度大于0、第二个单边沿的幅度小于0、第三个单边沿的幅度大于0，且3个单边沿的幅度之和大于0，则连续边沿中有上升带回勾边沿，提取上升带回勾边沿特征向量；

(2-4)若连续边沿中单边沿数量等于2，2个单边沿中第一个单边沿的幅度大于0、第二个单边沿的幅度小于0，且2个单边沿的幅度之和大于0，则连续边沿中有尖峰冲激边沿，提取尖峰冲激边沿特征向量；

(2-5)若连续边沿中单边沿数量等于1，且一个单边沿的幅度大于0，则连续边沿中有普通上升边沿，提取普通上升边沿特征向量。

进一步的，非等幅震荡边沿特征向量包括：非等幅震荡边沿的数量、非等幅震荡边沿中所有上升沿的平均幅度、非等幅震荡边沿中所有下降沿的平均幅度、非等幅震荡边沿中所有上升沿的平均宽度和非等幅震荡边沿中所有下降沿的平均宽度，

进一步的，等幅震荡边沿特征向量包括：等幅震荡边沿的数量、等幅震荡边沿中所有上升沿的平均幅度、等幅震荡边沿中所有下降沿的平均幅度、等幅震荡边沿中所有上升沿的平均宽度和等幅震荡边沿中所有下降沿的平均宽度，

进一步的，上升带回勾边沿特征向量包括：上升带回勾边沿的第一个单边沿的幅度、上升带回勾边沿的第一个单边沿的宽度、上升带回勾边沿的幅度和上升带回勾边沿的宽度，

进一步的，尖峰冲激边沿特征向量包括：尖峰冲激边沿的幅度、尖峰冲激边沿的宽度和尖峰冲激边沿的第一个单边沿的宽度，

进一步的，普通上升边沿特征向量包括：普通上升边沿的幅度和普通上升边沿的宽度。

按照本发明的另一方面，提供了一种基于边沿特征向量模型的实时电器识别系统，包括：

提取样本数据模块，用于采集样本电器组合的电表功率数据，提取功率数据的单边沿，将单边沿组合成连续边沿；

提取边沿特征向量模块，用于根据连续边沿中单边沿数量和幅度，判定连续边沿是否包含非等幅震荡边沿、等幅震荡边沿、上升带回勾边沿、尖峰冲激边沿、普通上升边沿中的一种或多种，并提取对应的边沿特征向量；

建立边沿特征向量模型模块，用于重复执行提取样本数据模块和提取边沿特征向量模块，得到多个样本电器组合的功率数据与边沿特征向量之间映射关系的边沿特征向量模型；

电器识别模块，用于采集待识别电器的电表实时功率数据，利用边沿特征向量模型得到对应的实时特征向量，基于实时特征向量识别电器。

进一步的，提取边沿特征向量模块包括：

非等幅震荡边沿子模块，用于判断非等幅震荡边沿，若连续边沿中单边沿数量大于3，奇数边沿的幅度大于0，偶数边沿的幅度小于0，且相邻边沿的幅度差与相邻边沿的平均幅度之比存在大于预设值的情况时，则连续边沿中有非等幅震荡边沿，提取非等幅震荡边沿特征向量；

等幅震荡边沿子模块，用于判断等幅震荡边沿，若连续边沿中单边沿数量大于3，奇数边沿的幅度大于0，偶数边沿的幅度小于0，且相邻边沿的幅度差与相邻边沿的平均幅度之比小于预设值时，则连续边沿中有等幅震荡边沿，提取等幅震荡边沿特征向量；

上升带回勾边沿子模块，用于判断上升带回勾边沿，若连续边沿中单边沿数量等于3，3个单边沿中第一个单边沿的幅度大于0、第二个单边沿的幅度小于0、第三个单边沿的幅度大于0，且3个单边沿的幅度之和大于0，则连续边沿中有上升带回勾边沿，提取上升带回勾边沿特征向量；

尖峰冲激边沿子模块，用于判断尖峰冲激边沿，若连续边沿中单边沿数量等于2，2个单边沿中第一个单边沿的幅度大于0、第二个单边沿的幅度小于0，且2个单边沿的幅度之和大于0，则连续边沿中有尖峰冲激边沿，提取尖峰冲激边沿特征向量；

普通上升边沿子模块，用于判断普通上升边沿，若连续边沿中单边沿数量等于1，且一个单边沿的幅度大于0，则连续边沿中有普通上升边沿，提取普通上升边沿特征向量。

进一步的，非等幅震荡边沿特征向量包括：非等幅震荡边沿的数量、非等幅震荡边沿中所有上升沿的平均幅度、非等幅震荡边沿中所有下降沿的平均幅度、非等幅震荡边沿中所有上升沿的平均宽度和非等幅震荡边沿中所有下降沿的平均宽度，

进一步的，等幅震荡边沿特征向量包括：等幅震荡边沿的数量、等幅震荡边沿中所有上升沿的平均幅度、等幅震荡边沿中所有下降沿的平均幅度、等幅震荡边沿中所有上升沿的平均宽度和等幅震荡边沿中所有下降沿的平均宽度，

进一步的，上升带回勾边沿特征向量包括：上升带回勾边沿的第一个单边沿的幅度、上升带回勾边沿的第一个单边沿的宽度、上升带回勾边沿的幅度和上升带回勾边沿的宽度，

进一步的，尖峰冲激边沿特征向量包括：尖峰冲激边沿的幅度、尖峰冲激边沿的宽度和尖峰冲激边沿的第一个单边沿的宽度，

进一步的，普通上升边沿特征向量包括：普通上升边沿的幅度和普通上升边沿的宽度。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，由于利用大量样本电器组合的电表功率数据，提取非等幅震荡边沿特征向量、等幅震荡边沿特征向量、上升带回勾边沿特征向量、尖峰冲激边沿特征向量和普通上升边沿特征向量，进而得到功率数据和边沿特征向量之间映射关系的边沿特征向量模型，实现了实时电器识别，将电器识别从离线领域引申到实时识别，有了更好的实用性和可操作性。

附图说明

图1是一种基于边沿特征向量模型的实时电器识别方法的流程图；

图2是电器边沿分类模式识别图；

图3是判断连续边沿类型和提取相应特征的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，一种基于边沿特征向量模型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，提取功率数据的单边沿，将单边沿组合成连续边沿；

(2)根据连续边沿中单边沿数量和幅度，判定连续边沿是否包含非等幅震荡边沿、等幅震荡边沿、上升带回勾边沿、尖峰冲激边沿、普通上升边沿中的一种或多种，并提取对应的边沿特征向量；

(3)重复步骤(1)和步骤(2)，得到多个样本电器组合的功率数据与边沿特征向量之间映射关系的边沿特征向量模型；

(4)采集待识别电器的电表实时功率数据，利用边沿特征向量模型得到对应的实时特征向量，基于实时特征向量识别电器。

步骤(1)的较佳实施方式为：

(1-1)从功率数据提取单边沿P，当出现相邻两个点的功率差值的绝对值大于阈值L_gate时，便认为此刻可能开始了一个持续上升或者下降过程，这两个点中的第一个点认为是单边沿起始点，该点功率为H_begin，时戳信息为W_begin；当后序点相邻两个点的功率差值小于L_gate时或者上升/下降的过程改为下降/上升时，认为单边沿可能在该点结束，该点功率为H_end，时戳信息为W_end，然后对检测到跳变沿进行幅度检测，当幅度大于阈值H_gate时则确定为跳变沿，即|H_begin-H_end|＞H_gate，优选的一组参数：L_gate＝20，H_gate＝100；

(1-2)计算单边沿P的幅度信息H和宽度信息W，其中，幅度信息H＝H_begin-H_end，即边沿开始点和结束点的功率值之差；宽度信息W＝W_begin-W_en，即边沿开始点和结束点的时间戳之差；

(1-3)获取单次采集时间内所有单边沿，确定单次采集时间，一方面为了保证识别的实时性要将单次采集时间缩短，另一方面为了保证获取到的单边沿组合包含电器的整个启动过程需要扩大单次采集时间，优选的，1Hz频率下单次采集时间为40s，即40个功率值；

(1-4)判断提取的单边沿集合中的相邻边沿是否为为连续边沿，连续边沿是指距离小于门限值G_min的相邻边沿，相邻边沿的距离是指相邻的两个单边沿的前一个边沿的结束点和后一个边沿的开始点之间的距离；以边沿P₁和P₂为例，当W_2begin-W_1end＜G_min时，可以认为这两个边沿是连续边沿，W_2begin表示连续边沿中第二个边沿的起始时戳信息，W_1end表示连续边沿中第一个边沿的终止时戳信息，优选的，当采集频率1Hz时，G_min＝4；

(1-5)所有连续的单边沿组合成连续边沿P_set，单次采集时间内获取的连续边沿P_set和对应的幅度信息H_set、宽度信息W_set可表示为：

P_set＝{P₁，P₂，...，P_N}，

H_set＝{H₁，H₂，...，H_N}，

W_set＝{W₁，W₂，...，W_N}，

其中，N为P_set中单边沿的数量，H_set中的H_i，W_set中的W_i和P_set中的P_i一一对应，比如P_i的幅度信息为H_i，宽度信息为W_i。

总结的基本电器边沿样式共有5种，如图2所示：普通上升边沿如图2(a)样式，尖峰冲激边沿如图2(b)样式，上升带回勾边沿如图2(c)样式，等幅震荡边沿如图2(d)样式，非等幅震荡边沿如图2(e)样式。非等幅震荡边沿的相邻边沿为上升沿、下降沿的次序依次出现，并且起始边沿为上升沿，所有相邻上升沿和下降沿的幅度差和边沿的比值中存在大于预设值；等幅震荡边沿的相邻边沿为上升沿、下降沿的次序依次出现，并且起始边沿为上升沿，所有相邻上升沿和下降沿的幅度差和边沿的比值中存在小于预设值；上升带回勾边由上升沿+下降沿+上升沿的形式组成；尖峰冲激边沿由上升沿+下降沿的形式组成；普通上升边沿仅由一个单边沿构成。

如图3所示，步骤(2)的较佳实现方式为：

(2-1)判断P_set中是否有非等幅震荡波形，判断条件为：

条件1.1：N＞3，N为单边沿的数量，构成非等幅震荡波形的单边沿数量要大于3个；

条件2.1：H_i＞0，i＝1，3，...，N-1，H_i＜0，i＝2，4，...，N，即奇数边沿的幅度大于0，偶数边沿的幅度小于0，这两个条件保证了相邻边沿为上升沿、下降沿的次序依次出现，并且起始边沿为上升沿；

条件3.1：H_i，H_i+1∈H_Set表示所有相邻上升沿和下降沿的幅度差和边沿的比值中存在大于e的情况，表示存在符号，e表示该相邻边沿跳变的变化趋势，优选的e取0.1即可。

当满足条件1.1、2.1和3.1，则连续边沿中有非等幅震荡边沿，提取非等幅震荡边沿特征向量N为非等幅震荡边沿的数量、为非等幅震荡边沿中所有上升沿的平均幅度、为非等幅震荡边沿中所有下降沿的平均幅度、为非等幅震荡边沿中所有上升沿的平均宽度、为非等幅震荡边沿中所有下降沿的平均宽度；

(2-2)判断P_set中是否有等幅震荡波形，判断条件为：

条件2.1：N＞3，N为单边沿的数量，构成等幅震荡波形的单边沿数量要大于3个；

条件2.2：H_i＞0，i＝1，3，...，N-1，H_i＜0，i＝2，4，...，N，即奇数边沿的幅度大于0，偶数边沿的幅度小于0，这两个条件保证了相邻边沿为上升沿、下降沿的次序依次出现，并且起始边沿为上升沿；

条件2.3：H_i，H_i+1∈H_Set表示所有相邻上升沿和下降沿的幅度差和边沿的比值中小于e，e表示该相邻边沿跳变的变化趋势，优选的e取0.1即可。

当满足条件2.1、2.2和2.3，则连续边沿中有等幅震荡边沿，提取等幅震荡边沿特征向量N为等幅震荡边沿的数量、为等幅震荡边沿中所有上升沿的平均幅度、为等幅震荡边沿中所有下降沿的平均幅度、为等幅震荡边沿中所有上升沿的平均宽度、为等幅震荡边沿中所有下降沿的平均宽度；

(2-3)判断P_set中是否有上升带回勾边沿，判断条件为：

条件3.1：N＝3，N为单边沿的数量，构成上升带回勾边沿的单边沿数量要等于3个；

条件3.2：H₁＞0，H₂＜0，H₃＞0，H₁，H₂，H₃是组成上升带回勾边沿的3个单边沿对应的幅度信息，上升带回勾边沿需要由上升沿+下降沿+上升沿的形式组成；

条件3.3：H₁+H₂+H₃＞0，保证上升带回勾边沿总幅度大于0；

当满足条件3.1、3.2和3.3，则确定该连续边沿为上升带回勾边沿，为该上升带回勾边沿提取特征向量，计算公式为：

{H₁，H₁+H₂+H₃，W₁，W₁+W₂+W₃}

其中，H₁为上升带回勾边沿的第一个上升沿的幅度，W₁是该边沿的第一个上升沿的宽度，H₁和W₁体现了回勾出现的位置，低频采集下，回勾的位置会出现的较准确，但是回勾大小会有比较大的影响，所以H₂不能作为定量特征；H₁+H₂+H₃为上升带回勾边沿的幅度，W₁+W₂+W为上升带回勾边沿的宽度；

(2-4)判断P_set中是否有尖峰冲激边沿，判断条件为：

条件4.1：N＝2，N为单边沿的数量，构成尖峰冲激边沿的单边沿数量要等于2个；

条件4.2：H₁＞0，H₂＜0，H₁，H₂是组成尖峰冲激边沿的2个单边沿对应的幅度信息，尖峰冲激边沿需要由上升沿+下降沿的形式组成；

条件4.3：H₁+H₂＞0，保证尖峰冲激边沿总幅度大于0；

当满足条件4.1、4.2和4.3，则确定提取的边沿为尖峰冲激边沿，为该尖峰冲激边沿提取特征向量，计算公式为：

{H₁+H₂，W₁，W₁+W₂}

其中，H₁+H₂为尖峰冲激边沿的幅度，因为使用的功率数据是在低频情况下采集的，所以同一个电器的冲激高度可能不一样，所以H₁，H₂不能单独作为定量特征；W是尖峰冲激边沿的第一个上升沿的宽度，体现了电器开启上升阶段的时间长短；W₁+W为尖峰冲激边沿的宽度；

(2-5)判断P_set中是否有普通上升沿，判断条件为：

条件5.1：N＝1，N为单边沿的数量，普通上升沿仅由一个单边沿构成；

条件5.2：H₁＞0，H₁∈H_Set，普通上升沿的幅度大于0。

当满足条件5.1、5.2，则确定提取的边沿普通上升边沿，为该普通上升边沿提取特征向量，计算公式为：

{H₁，W₁}

其中，因为普通上升边沿都由一个跳变边沿组成，H₁是普通上升边沿的幅度，W是普通上升边沿的宽度。

基于实时特征向量进行实时电器识别的较佳实现方式为：基于实时特征向量利用模式识别算法进行实时电器识别，模式识别算法为邻近算法、支持向量机、决策树、朴素贝叶斯、人工神经网络和马尔科夫中的任意一种。

优选地，模式识别算法为邻近算法。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于边沿特征向量模型的实时电器识别方法，其特征在于，包括：

(1)采集样本电器组合的电表功率数据，提取功率数据的单边沿，将单边沿组合成连续边沿；

(2)根据连续边沿中单边沿数量和幅度,判定连续边沿是否包含非等幅震荡边沿、等幅震荡边沿、上升带回勾边沿、尖峰冲激边沿、普通上升边沿中的一种或多种，并提取对应的边沿特征向量；

(3)重复步骤(1)和步骤(2)，得到多个样本电器组合的功率数据与边沿特征向量之间映射关系的边沿特征向量模型；

(4)采集待识别电器的电表实时功率数据，利用边沿特征向量模型得到对应的实时特征向量，基于实时特征向量识别电器；

所述步骤(2)包括：

(2-1)若连续边沿中单边沿数量大于3，奇数边沿的幅度大于0，偶数边沿的幅度小于0，且相邻边沿的幅度差与相邻边沿的平均幅度之比存在大于预设值的情况时，则连续边沿中有非等幅震荡边沿，提取非等幅震荡边沿特征向量；

(2-2)若连续边沿中单边沿数量大于3，奇数边沿的幅度大于0，偶数边沿的幅度小于0，且相邻边沿的幅度差与相邻边沿的平均幅度之比小于预设值时，则连续边沿中有等幅震荡边沿，提取等幅震荡边沿特征向量；

(2-3)若连续边沿中单边沿数量等于3，3个单边沿中第一个单边沿的幅度大于0、第二个单边沿的幅度小于0、第三个单边沿的幅度大于0，且3个单边沿的幅度之和大于0，则连续边沿中有上升带回勾边沿，提取上升带回勾边沿特征向量；

(2-4)若连续边沿中单边沿数量等于2，2个单边沿中第一个单边沿的幅度大于0、第二个单边沿的幅度小于0，且2个单边沿的幅度之和大于0，则连续边沿中有尖峰冲激边沿，提取尖峰冲激边沿特征向量；

(2-5)若连续边沿中单边沿数量等于1，且一个单边沿的幅度大于0，则连续边沿中有普通上升边沿，提取普通上升边沿特征向量。

2.如权利要求1所述的一种基于边沿特征向量模型的实时电器识别方法，其特征在于，

所述非等幅震荡边沿特征向量包括：非等幅震荡边沿的数量、非等幅震荡边沿中所有上升沿的平均幅度、非等幅震荡边沿中所有下降沿的平均幅度、非等幅震荡边沿中所有上升沿的平均宽度和非等幅震荡边沿中所有下降沿的平均宽度，

所述等幅震荡边沿特征向量包括：等幅震荡边沿的数量、等幅震荡边沿中所有上升沿的平均幅度、等幅震荡边沿中所有下降沿的平均幅度、等幅震荡边沿中所有上升沿的平均宽度和等幅震荡边沿中所有下降沿的平均宽度，

所述上升带回勾边沿特征向量包括：上升带回勾边沿的第一个单边沿的幅度、上升带回勾边沿的第一个单边沿的宽度、上升带回勾边沿的幅度和上升带回勾边沿的宽度，

所述尖峰冲激边沿特征向量包括：尖峰冲激边沿的幅度、尖峰冲激边沿的宽度和尖峰冲激边沿的第一个单边沿的宽度，

所述普通上升边沿特征向量包括：普通上升边沿的幅度和普通上升边沿的宽度。

3.一种基于边沿特征向量模型的实时电器识别系统，其特征在于，包括：

提取样本数据模块，用于采集样本电器组合的电表功率数据，提取功率数据的单边沿，将单边沿组合成连续边沿；

提取边沿特征向量模块，用于根据连续边沿中单边沿数量和幅度,判定连续边沿是否包含非等幅震荡边沿、等幅震荡边沿、上升带回勾边沿、尖峰冲激边沿、普通上升边沿中的一种或多种，并提取对应的边沿特征向量；

建立边沿特征向量模型模块，用于重复执行提取样本数据模块和提取边沿特征向量模块，得到多个样本电器组合的功率数据与边沿特征向量之间映射关系的边沿特征向量模型；

电器识别模块，用于采集待识别电器的电表实时功率数据，利用边沿特征向量模型得到对应的实时特征向量，基于实时特征向量识别电器；

所述提取边沿特征向量模块包括：

非等幅震荡边沿子模块，用于判断非等幅震荡边沿，若连续边沿中单边沿数量大于3，奇数边沿的幅度大于0，偶数边沿的幅度小于0，且相邻边沿的幅度差与相邻边沿的平均幅度之比存在大于预设值的情况时，则连续边沿中有非等幅震荡边沿，提取非等幅震荡边沿特征向量；

等幅震荡边沿子模块，用于判断等幅震荡边沿，若连续边沿中单边沿数量大于3，奇数边沿的幅度大于0，偶数边沿的幅度小于0，且相邻边沿的幅度差与相邻边沿的平均幅度之比小于预设值时，则连续边沿中有等幅震荡边沿，提取等幅震荡边沿特征向量；

上升带回勾边沿子模块，用于判断上升带回勾边沿，若连续边沿中单边沿数量等于3，3个单边沿中第一个单边沿的幅度大于0、第二个单边沿的幅度小于0、第三个单边沿的幅度大于0，且3个单边沿的幅度之和大于0，则连续边沿中有上升带回勾边沿，提取上升带回勾边沿特征向量；

尖峰冲激边沿子模块，用于判断尖峰冲激边沿，若连续边沿中单边沿数量等于2，2个单边沿中第一个单边沿的幅度大于0、第二个单边沿的幅度小于0，且2个单边沿的幅度之和大于0，则连续边沿中有尖峰冲激边沿，提取尖峰冲激边沿特征向量；

普通上升边沿子模块，用于判断普通上升边沿，若连续边沿中单边沿数量等于1，且一个单边沿的幅度大于0，则连续边沿中有普通上升边沿，提取普通上升边沿特征向量。

4.如权利要求3所述的一种基于边沿特征向量模型的实时电器识别系统，其特征在于，

所述非等幅震荡边沿特征向量包括：非等幅震荡边沿的数量、非等幅震荡边沿中所有上升沿的平均幅度、非等幅震荡边沿中所有下降沿的平均幅度、非等幅震荡边沿中所有上升沿的平均宽度和非等幅震荡边沿中所有下降沿的平均宽度，

所述等幅震荡边沿特征向量包括：等幅震荡边沿的数量、等幅震荡边沿中所有上升沿的平均幅度、等幅震荡边沿中所有下降沿的平均幅度、等幅震荡边沿中所有上升沿的平均宽度和等幅震荡边沿中所有下降沿的平均宽度，

所述上升带回勾边沿特征向量包括：上升带回勾边沿的第一个单边沿的幅度、上升带回勾边沿的第一个单边沿的宽度、上升带回勾边沿的幅度和上升带回勾边沿的宽度，

所述尖峰冲激边沿特征向量包括：尖峰冲激边沿的幅度、尖峰冲激边沿的宽度和尖峰冲激边沿的第一个单边沿的宽度，

所述普通上升边沿特征向量包括：普通上升边沿的幅度和普通上升边沿的宽度。