CN109030975B - 基于智能插座的电器类型推断方法及装置 - Google Patents

基于智能插座的电器类型推断方法及装置 Download PDF

Info

Publication number
CN109030975B
CN109030975B CN201810501654.0A CN201810501654A CN109030975B CN 109030975 B CN109030975 B CN 109030975B CN 201810501654 A CN201810501654 A CN 201810501654A CN 109030975 B CN109030975 B CN 109030975B
Authority
CN
China
Prior art keywords
power consumption
electric appliance
data set
appliance
type
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810501654.0A
Other languages
English (en)
Other versions
CN109030975A (zh
Inventor
毛剑
卞京东
杨晨
刘建伟
关振宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Information Security Research Institute Co Ltd
Beihang University
Original Assignee
China Information Security Research Institute Co Ltd
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Information Security Research Institute Co Ltd, Beihang University filed Critical China Information Security Research Institute Co Ltd
Priority to CN201810501654.0A priority Critical patent/CN109030975B/zh
Publication of CN109030975A publication Critical patent/CN109030975A/zh
Application granted granted Critical
Publication of CN109030975B publication Critical patent/CN109030975B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L12/283—Processing of data at an internetworking point of a home automation network
    • H04L12/2834—Switching of information between an external network and a home network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/16—Implementation or adaptation of Internet protocol [IP], of transmission control protocol [TCP] or of user datagram protocol [UDP]
    • H04L69/164—Adaptation or special uses of UDP protocol

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Power Engineering (AREA)
  • Computer Security & Cryptography (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于智能插座的电器类型推断方法及装置，其中，方法包括：根据电器功耗数据构建用户用电数据集，并且根据电器功耗特征构建电器功耗特征模型库；根据用户用电数据集和电器功耗特征模型库构建电器行为数据集；根据电器行为数据集构建特征向量提取模型，以建功耗特征向量数据集；根据功耗特征向量数据集和机器学习算法构建电器类型分类器；检测待测电器的功耗数据，并通过模型和分类器确定待测电器的电气类型。该方法通过智能插座收集用户的用电数据，通过提取家用电器功耗的范围、功耗的占空比和功耗的持续时间特征，对用户的用电行为进行推演，生成电器行为事件数据集，并基于机器学习模型构建电器类型分类器，从而可以实时推断使用的电器类型，鲁棒性高，简单易实现。

Description

基于智能插座的电器类型推断方法及装置
技术领域
本发明涉及计算机、通信和信息安全技术领域，特别涉及一种基于智能插座的电器类型推断方法及装置。
背景技术
智能家居是一种泛在的计算应用，它能以环境智能、远程家居控制或家居自动化等方式，为用户提供情境感知的自动或辅助服务。智能家居主要有三个应用方向，分别是舒适度、健康保障与安防。智能家居可以通过活动识别、自动触发事件、远程访问与控制来提升用户舒适度，通过本地与远程监控来实施健康保障，通过用户与设备认证来确保家庭安全。随着智能家居设备的迅速普及，智能家居已经进入人们的家庭中，为人们提供更加便捷和舒适的生活。智能家居市场目前仍处于起步阶段，众多国内外厂商为了抢占市场份额，加速智能家居产品的开发周期，且只注重产品的功能性而轻视了产品的安全性。同时由于智能家居系统是基于物联网技术的，所以物联网的一些固有特性会给智能家居系统带来很多挑战，比如由于智能家居设备往往体积受限，导致设备无法执行完善的安全防护协议，只能部署轻量级安全协议，无法为用户提供完善的安全防护。智能家居产品中存在的安全隐患，会造成智能家居用户的隐私泄露，甚至威胁用户的人身财产安全。
针对家庭用户的隐私推演研究中，根据家庭用电数据分析用户使用家庭电器的类型是其中一个重要的方向，目前该方向的相关研究内容较少。在传统电力行业，非侵入式电力负荷监测是与之类似的研究方向。非侵入式电力负荷监测是指在电力入口处安装监测设备，通过监测该处的电压、电流、功率等信号就可以分析得到用户负荷集群中单个用户的用电行为。非侵入式电力负荷监测通过分析功率特征来识别电器类型。
功率特征分析方法主要利用功率的暂态特征和稳态特征来对家用电器用电数据进行识别。常用的暂态特征包括：暂态功率波形特征、启动电流波形特征、电压噪声特征等；常用的稳态特征包括：功率阶跃特征、稳态电流波形特征、V-I轨迹特征、高次谐波特征等。
然而，相关技术的非侵入式电力负荷监测存在两方面的限制，一是为了提取多种功率特征，需要高频化的功率数据。高频化的功率数据加大了数据采集的难度，增大了数据存储的开销，且处理大量的数据增加了整个功率分析系统的计算开销和延迟。二是这两种方法所使用的数据只能从供电公司处获得，在隐私保护越来越受到重视的大环境下，这种数据获取方式的难度越来越大。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种基于智能插座的电器类型推断方法，该方法可以实时推断使用的电器类型，鲁棒性高，简单易实现。
本发明的另一个目的在于提出一种基于智能插座的电器类型推断装置。
为达到上述目的，本发明一方面实施例提出了一种基于智能插座的电器类型推断方法，包括以下步骤：根据电器功耗数据构建用户用电数据集，并且根据电器功耗特征构建电器功耗特征模型库；根据所述用户用电数据集和所述电器功耗特征模型库构建电器行为数据集；根据所述电器行为数据集构建特征向量提取模型，以建功耗特征向量数据集；根据所述功耗特征向量数据集和机器学习算法构建电器类型分类器；检测待测电器的功耗数据，并通过所述模型和所述分类器确定所述待测电器的电气类型。
本发明实施例的基于智能插座的电器类型推断方法，通过智能插座收集用户的用电数据，在接入智能家居用户的局域网的前提下可以基于UDP通信协议随时查询智能家居用户的用电数据，不需要额外部署智能电表，且不需通过供电公司获得用户用电数据，降低了获取用户用电数据的难度和成本，通过提取家用电器功耗的范围、功耗的占空比和功耗的持续时间特征，对用户的用电行为进行推演，生成电器行为事件数据集，并生成带标签的智能家居用户用电数据集，减少了为机器学习数据打标签的工作量，并利用机器学习来从用户用电数据中识别用户使用的家用电器的类型的方法使用了较少的功率特征，故不需要高频化的用电数据，降低了数据的收集难度、数据的存储开销和数据的计算开销，并可以达到实时推断使用的电器类型的效果。
另外，根据本发明上述实施例的基于智能插座的电器类型推断方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述电器功耗特征包括家用电器功耗范围特征、功耗的占空比范围特征和工作周期时间范围特征中的一种或多种。
进一步地，在本发明的一个实施例中，所述电器行为数据集包括电器的类型、每个电器工作周期的起止日期、起止时间、持续时间中的一种或者多种数据。
进一步地，在本发明的一个实施例中，所述根据所述功耗特征向量数据集和机器学习算法构建电器类型分类器，进一步包括：根据所述功耗特征向量数据集训练机器学习模型得到所述电器类型分类器。
进一步地，在本发明的一个实施例中，所述检测待测电器的功耗数据，并通过所述模型和所述分类器确定所述待测电器的电气类型，进一步包括：根据检测待测电器的功耗数据和所述特征向量提取模型得到待测特征向量集；根据所述电器类型分类器和所述待测特征向量集得到所述待测电器类型。
为达到上述目的，本发明另一方面实施例提出了一种基于智能插座的电器类型推断装置，包括：数据与模型库构建模块，用于根据电器功耗数据构建用户用电数据集，并且根据电器功耗特征建立电器功耗特征模型库；行为数据集构建模块，用于根据所述用户用电数据集和所述电器功耗特征模型库构建电器；建模模块，用于根据所述电器行为数据集构建特征向量提取模型，以建功耗特征向量数据集；分类器构建模块，用于根据所述功耗特征向量数据集和机器学习算法构建电器类型分类器；电器类型推断模块，用于检测待测电器的功耗数据，并通过所述模型和所述分类器确定所述待测电器的电气类型。
本发明实施例的基于智能插座的电器类型推断装置，通过智能插座收集用户的用电数据，在接入智能家居用户的局域网的前提下可以基于UDP通信协议随时查询智能家居用户的用电数据，不需要额外部署智能电表，且不需通过供电公司获得用户用电数据，降低了获取用户用电数据的难度和成本。通过提取家用电器功耗的范围、功耗的占空比和功耗的持续时间特征，对用户的用电行为进行推演，生成电器行为事件数据集，并生成带标签的智能家居用户用电数据集，减少了为机器学习数据打标签的工作量，并利用机器学习来从用户用电数据中识用户使用的家用电器的类型的方法使用了较少的功率特征，故不需要高频化的用电数据，降低了数据的收集难度、数据的存储开销和数据的计算开销，并可以达到实时推断使用的电器类型的效果。
另外，根据本发明上述实施例的基于智能插座的电器类型推断装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述电器功耗特征包括家用电器功耗范围特征、功耗的占空比范围特征和工作周期时间范围特征中的一种或多种。
进一步地，在本发明的一个实施例中，所述电器行为数据集包括电器的类型、每个电器工作周期的起止日期、起止时间、持续时间中的一种或者多种数据。
进一步地，在本发明的一个实施例中，所述分类器构建模块进一步用于根据所述功耗特征向量数据集训练机器学习模型得到所述电器类型分类器。
进一步地，在本发明的一个实施例中，所述电器类型推断模块进一步用于根据检测待测电器的功耗数据和所述特征向量提取模型得到待测特征向量集，并根据所述电器类型分类器和所述待测特征向量集得到所述待测电器类型。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的基于智能插座的电器类型推断方法的流程图；
图2为根据本发明一个具体实施例的基于智能插座的电器类型推断方法的流程图；
图3为根据本发明一个实施例的基于智能插座的用户用电数据获取方法所需的交互信息流的示意图；
图4为根据本发明一个实施例的采集设备发送的智能家居网关发现报文和目标设备sid请求报文的格式；
图5为根据本发明一个实施例的智能家居网关向采集设备发送智能家居网关回复报文的格式的示意图；
图6为根据本发明一个实施例的智能家居网关向采集设备发送目标设备sid回复报文的格式的示意图；
图7为根据本发明一个实施例的智能家居网关向采集设备发送目标设备类型请求报文的格式；
图8为根据本发明一个实施例的智能家居网关向采集设备发送目标设备类型回复报文的格式；
图9为根据本发明一个实施例的基于智能插座的电器类型推断装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于智能插座的电器类型推断方法及装置，首先将参照附图描述根据本发明实施例提出的基于智能插座的电器类型推断方法。
图1是本发明一个实施例的基于智能插座的电器类型推断方法的流程图。
如图1所示，该基于智能插座的电器类型推断方法包括以下步骤：
在步骤S101中，根据电器功耗数据构建用户用电数据集，并且根据电器功耗特征构建电器功耗特征模型库。
可以理解的是，如图2所示，本发明实施例采集电器功耗数据，并建立用户用电数据集D_e，并根据电器功耗特征构建电器功耗特征模型库。下面分别进行详细阐述。
例如，如图3所示，基于智能插座的用户用电数据获取方法所需的交互信息流，本发明实施例通过智能插座获取电器功耗数据，建立用户用电数据集。
具体而言，本发明实施例利用米家智能插座所使用的通信协议存在的缺陷，在接入智能家居用户的局域网的前提下，使用UDP协议与智能插座建立通信连接，每隔一定的时间间隔Δt_c向智能插座发送正确的功率请求报文，并接收智能插座返回的功率报文，提取报文中的功率P_ci，计算功耗W_ci＝P_ci*Δt_c，并记录采集的日期d_ci和时间t_ci，构建一条用户用电数据R_ei，格式如下：
R_ei＝{d_ci；t_ci；W_ci}
按照上述方法采集n次，并建立用户用电数据集D_e：
D_e＝{R_ei|R_ei＝{d_ci；t_ci；W_ci}，i∈[1,n]}。
举例而言，建立用户用电数据集，包括以下环节：
环节1：采集设备――>UDP组播地址：采集设备向UDP组播地址发送智能家居网关发现报文(GatewayDiscovery)；所含域参看附图4，其中GatewayDiscovery报文包含“cmd”域。“cmd”域为命令域，GatewayDiscovery报文的“cmd”域值为“whois”，表示采集设备请求智能家居网关的IP、端口号等信息。
典型运行：采集设备――>UDP组播地址：
GatewayDiscovery.cmd＝‘whois’
环节2：智能家居网关――>采集设备：智能家居网关向采集设备发送智能家居网关回复报文(GatewayReply)；
智能家居网关监听组播地址，若监听到智能家居网关发现报文，提取报头中采集设备的IP和端口号，并向采集设备发送智能家居网关回复报文(GatewayReply)，其中GatewayReply所含域参如图5所示。报文包含“cmd”、“ip”、“port”、“model”域。“cmd”域为命令域，“ip”域为智能家居网关的ip地址，“port”域为智能家居网关的UDP通信端口号，“model”域表示发送该报文的设备型号。
典型运行：智能家居网关――>采集设备：
GatewayReply.cmd＝‘iam’
GatewayReply.ip＝‘192.168.0.42’
GatewayReply.port＝‘9898’
GatewayReply.model＝‘gateway’
环节3：采集设备――>智能家居网关：采集设备向智能家居网关发送目标设备sid请求报文(SidRequest)；
为了与目标设备进行通信，目标设备发送SID请求报文SidRequest以获取智能网关管理的所有目标设备的sid信息；SidRequest所含域参如图4所示。报文包含“cmd”域。“cmd”域为命令域，SidRequest报文的“cmd”域值为“get_id_list”。
典型运行：采集设备――>智能家居网关：
SidRequest.cmd＝‘get_id_list’
环节4：智能家居网关――>采集设备：智能家居网关向采集设备发送目标设备sid回复报文(SidReply)；
智能家居网关收到SidRequest报文后，向采集设备回复SidReply报文，其中SidReply所含域参如图6所示。SidReply报文包含“cmd”、“sid”、“data”域。“cmd”域为命令域，SidReply报文的“cmd”域值为“get_id_list_ack”，“sid”表示智能家居网关的设备标识，“data”域为目标设备sid列表域，包含智能网关管理的所有目标设备的sid信息。
典型运行：智能家居网关――>采集设备：
SidReply.cmd＝‘get_id_list_ack’
SidReply.sid＝‘1022780’
SidReply.data＝‘[sid1,sid2,sid3]’
环节5：采集设备――>智能家居网关：采集设备向智能家居网关发送目标设备类型请求报文(StatusRequest)；
采集设备获取到目标设备的sid列表后，通过向智能家居网关发送StatusRequest报文来获取智能网关管理的某个目标设备的类型，目标设备用sid来进行区分。StatusRequest报文所含域参如图7所示。StatusRequest报文包含“cmd”、“sid”域。“cmd”域为命令域，StatusRequest报文的“cmd”域值为“read”，“sid”表示目标设备的设备标识。
典型运行：采集设备――>智能家居网关：
StatusRequest.cmd＝‘read’
StatusRequest.sid＝‘158d0000123456’。
环节6：智能家居网关――>采集设备：智能家居网关向采集设备发送目标设备类型回复报文(StatusReply)。
智能家居网关收到来自采集设备的StatusRequest报文后，向采集设备回复StatusReply报文，该报文中包含了采集设备请求的目标设备的类型信息。StatusRequest所含域参如图8所示。报文包含“cmd”、“model”、“sid”、“short_id”、“data”域。“cmd”域为命令，StatusReply报文的“cmd”域为“read_ack”；“model”域为目标设备类型，其值为“plug”；“sid”域表示目标设备标识；“short_id”域表示目标设备短标识；“data”域表示目标设备的类型信息，包含三个域：“load_voltage”、“load_power”、“power_consumed”。“load_voltage”表示当前智能插座所接负载的负载电压；“load_power”表示当前智能插座所接负载的功率；“power_consumed”表示智能插座累积用电量；
典型运行：智能家居网关――>采集设备：
StatusReply.cmd＝‘read_ack’
StatusReply.model＝‘plug’
StatusReply.sid＝‘158d0000123456’
StatusReply.short_id＝‘4343’
StatusReply.data＝‘[load_voltage:234300,load_power:9.57,power_consumed:0.57]’。
采集设备每隔一段时间Δt_c读取一次智能插座的类型，Δt_c称作功耗采样间隔。当采集设备收到目标设备的类型回复报文以后，采集设备提取报文中的“load_power”域的值，该值记为P_ci，并计算P_ci*Δt_c的值，该值记为W_ci。P_ci表示连接智能插座的电器的功率，W_ci表示时间间隔Δt_c内该智能插座所使用的功耗。记录采集的日期d_ci和时间t_ci，构建一条用户用电数据R_ei，格式如下：
R_ei＝{d_ci；t_ci；W_ci}，
按照上述方法采集n次，并建立用户用电数据集D_e：
D_e＝{R_ei|R_ei＝{d_ci；t_ci；W_ci}，i∈[1,n]}。
另外，用户用电数据集中包含了若干种家用电器的功耗数据。
进一步地，如图2所示，本发明实施例采用构建电器功耗特征模型库D_m。
进一步地，在本发明的一个实施例中，电器功耗特征包括家用电器功耗范围特征、功耗的占空比范围特征和工作周期时间范围特征的一种或多种。
可以理解的是，首先参考家用电器技术文档，确定典型家用电器的三个功耗特征：典型家用电器功耗范围W_range、功耗的占空比范围R_range和工作周期时间范围T_range特征。
需要说明的是，一个工作周期是指家用电器从开启到完成其功能并关闭的阶段；典型家用电器功耗是指一段时间t内，额定功率为P的家用电器的功耗W，W＝P*t；工作周期时间T是指一个工作周期持续的时间；功耗的占空比R是指一个工作周期内家用电器工作的时间占工作周期时间的百分比，R＝t_on/T。
具体而言，家用电器功耗特征模型库中包含m种家用电器功耗特征模型，构建第j种家用电器的功耗特征模型(j∈[1,m])。首先选取第j种家用电器的n种不同品牌的设备，功耗采样间隔为Δt_m，确定每个设备的额定功率Pji，占空比Rji，工作周期Tji，功耗Wji＝Pji*Δt_m，其中i∈[1,n]。W_minj＝min(Wji)，W_maxj＝max(Wji)，R_minj＝min(Rji)，R_maxj＝max(Rji)，T_minj＝min(Tji)，T_maxj＝max(Tji)，第j种家用电器的功耗范围为W_rangej＝[W_minj,W_maxj]，功耗的占空比范围为R_rangej＝[R_minj，R_maxj]，工作周期时间范围为T_rangej＝[T_minj，T_maxj]。使用功耗范围W_rangej、功耗的占空比范围R_rangej和工作周期时间范围T_rangej来描述第j种家用电器的功耗特征模型Mj：Mj＝{W_rangej；R_rangej；T_rangej}，其中j∈[1,m]
m种家用电器功耗特征模型构成了家用电器功耗特征模型库D_m：
D_m＝{Mj|Mj＝{W_rangej；R_rangej；T_rangej}，j∈[1,m]}。
在步骤S102中，根据用户用电数据集和电器功耗特征模型库构建电器行为数据集。
可以理解的是，构建电器行为数据集D_b。
进一步地，在本发明的一个实施例中，电器行为数据集包括电器的类型、每个电器工作周期的起止日期、起止时间、持续时间的一种或者多种数据。
可以理解的是，构建的用户用电数据集D_e进行预处理。首先将数据按照工作周期划分为l个用电子集，每个子集代表一个使用电器行为。将预处理后的D_e作为电器功耗特征模型库D_m的输入，输出第k个用电子集符合某一功耗特征模型Mj所对应的家用电器类型j以及该家用电器的用电行为的起始日期d_sk、终止日期d_ek、起始时刻t_sk、终止时刻t_ek、持续时间tk、电器类型typek，得到一条电器行为数据R_bk:
R_bk＝{d_sk；d_ek；t_sk；t_ek；tk；typek}，
基于此方法遍历待测数据，构建电器行为数据集D_b:
D_b＝{R_bk|R_bk＝{d_sk；d_ek；t_sk；t_ek；tk；typek}，k∈[1,l]}。
具体而言，将用户用电数据集D_e进行预处理，并作为家用电器功耗特征模型库D_m的输入。若数据集满足家用电器功耗特征模型Mj，则输出该种家用电器的类型以及每个工作周期的起止日期、起止时间、持续时间，构建用户使用电器行为事件数据集。
进一步地，选取用户用电数据集D_e中某种未知家用电器的功耗数据作为待测数据。首先将数据按照工作周期划分为l个用电子集，每个子集代表一个使用电器行为。假设第k个用电子集的起始时刻为第一个功耗非0的时刻t_sk，结束时刻为最后一个功耗非0的时刻t_ek，功耗不为0的总时长为t_onk。在[t_sk,t_ek]范围内，记功耗的最大值为w_maxk，功耗的最小值为w_mink，功耗范围w_rangek＝[w_mink，w_maxk]，持续时长为tk＝t_ek-t_sk,功耗的占空比为rk＝t_onk/tk。家用电器j的功耗模型Mj为：
Mj＝{W_rangej；R_rangej；T_rangej}
若满足以下三个条件：
Figure BDA0001670553250000081
则该未知家用电器的类型typek＝j。采集设备将记录第k次使用电器行为的起始日期d_sk、终止日期d_ek、起始时刻t_sk、终止时刻t_ek、持续时间tk、电器类型typek，得到一条电器行为数据R_bk：
R_bk＝{d_sk；d_ek；t_sk；t_ek；tk；typek}
基于此方法遍历待测数据，构建电器行为数据集D_b：
D_b＝{R_bk|R_bk＝{d_sk；d_ek；t_sk；t_ek；tk；typek}，k∈[1,l]}。
在步骤S103中，根据电器行为数据集构建特征向量提取模型，以建功耗特征向量数据集。
可以理解的是，构建特征向量提取模型，组建功耗特征向量数据集D_v。根据电器行为数据集D_b，为用户用电数据集D_e增加电器类型属性，即标明D_e中每一时刻用户使用电器的类型，得到带标签的用户用电数据集D_l。将D_l按照步骤S102中的预处理方法进行处理，即分割成q个时间连续的功耗连续不为0的用电数据子集D_lu，每个D_lu代表一个电器的完整用电周期，反映了一个电器的用电行为。第u个带标签的用电数据子集D_lu有p条记录，则：
D_lu＝{R_lx|R_lx＝{d_cx；t_cx；W_cx；typex}，x∈[1,p]}，
然后提取每个用电数据子集的起始日期d_l_su、结束日期d_l_eu、起始时刻t_l_su、结束时刻t_l_eu、功率均值w_lu、持续时长特征t_lu、功耗均方差s_lu，其中d_l_su＝min(d_cx)，d_l_eu＝max(d_cx)，t_l_su＝min(t_cx)，t_l_eu＝max(t_cx)，
Figure BDA0001670553250000091
Figure BDA0001670553250000092
t_lu＝t_l_eu-t_l_su+1，
Figure BDA0001670553250000093
进一步构建功耗特征向量vu：
vu＝{d_l_su；d_l_eu；t_l_su；t_l_eu；t_lu；w_lu；s_lu；typeu}
功耗特征向量数据集D_v为：
D_v＝{vu|vu＝{d_l_su；d_l_eu；t_l_su；t_l_eu；t_lu；w_lu；s_lu；typeu}}，u∈[1,q]}。
具体而言，本发明实施例基于构建出的电器行为数据集D_b，提取D_b中每条电器行为数据R_bk的起始日期d_sk、终止日期d_ek、起始时刻t_sk、终止时刻t_ek、电器类型typek，在用户用电数据集D_e中寻找从(d_sk，t_sk)时刻到(d_ek，t_ek)时刻之间的用户用电数据集合，并将集合中的所有用户用电数据添加电器类型typek属性，得到带标签的用户用电记录R_li：
R_li＝{d_ci；t_ci；W_ci；typek}
进而生成带标签的用户用电数据集D_l：
D_l＝{R_li|R_li＝{d_ci；t_ci；W_ci；typek}，i∈[1,n]}
采用与步骤S102中相同的方法对带标签的用户用电数据集D_l进行预处理，即按照电器的用电行为周期分割成q个带标签的用电数据子集，每个带标签的用电数据子集表示一个完整的电器用电行为功耗情况。第u个带标签的用电数据子集D_lu有p条记录：
D_lu＝{R_lx|R_lx＝{d_cx；t_cx；W_cx；typex}，x∈[1,p]}，
然后提取每个用电数据子集的起始日期d_l_su、结束日期d_l_eu、起始时刻t_l_su、结束时刻t_l_eu、功率均值w_lu、持续时长特征t_lu、功耗均方差s_lu，其中d_l_su＝min(d_cx)，d_l_eu＝max(d_cx)，t_l_su＝min(t_cx)，t_l_eu＝max(t_cx)，
Figure BDA0001670553250000101
Figure BDA0001670553250000102
t_lu＝t_l_eu-t_l_su+1，
Figure BDA0001670553250000103
进一步构建功耗特征向量vu：
vu＝{d_l_su；d_l_eu；t_l_su；t_l_eu；t_lu；w_lu；s_lu；typeu}
组建功耗特征向量数据集D_v：
D_v＝{vu|vu＝{d_l_su；d_l_eu；t_l_su；t_l_eu；t_lu；w_lu；s_lu；typeu}}，u∈[1,q]}。
进一步地，根据本发明方法的步骤S103得到一个电器行为记录：
(16/12/2006；16/12/2006；17:26:00；17:31:00；6；A)
基于此电器行为记录，为用户用电数据集中相应的数据打上标签A：
原始用户用电数据集：
(16/12/2006；17:24:00；0.000)
(16/12/2006；17:25:00；0.000)
(16/12/2006；17:26:00；15.000)
(16/12/2006；17:27:00；16.000)
(16/12/2006；17:28:00；17.000)
(16/12/2006；17:29:00；17.000)
(16/12/2006；17:30:00；14.000)
(16/12/2006；17:31:00；18.000)
(16/12/2006；17:32:00；0.000)
(16/12/2006；17:33:00；0.000)。
带标签的用户用电数据集：
(16/12/2006；17:24:00；0.000)
(16/12/2006；17:25:00；0.000)
(16/12/2006；17:26:00；15.000；A)
(16/12/2006；17:27:00；16.000；A)
(16/12/2006；17:28:00；17.000；A)
(16/12/2006；17:29:00；17.000；A)
(16/12/2006；17:30:00；14.000；A)
(16/12/2006；17:31:00；18.000；A)
(16/12/2006；17:32:00；0.000)
(16/12/2006；17:33:00；0.000)。
将带标签的用户用电数据集分割成多个时间连续且功耗连续不为0的用电数据子集：
(16/12/2006；17:26:00；15.000；A)
(16/12/2006；17:27:00；16.000；A)
(16/12/2006；17:28:00；17.000；A)
(16/12/2006；17:29:00；17.000；A)
(16/12/2006；17:30:00；14.000；A)
(16/12/2006；17:31:00；18.000；A)。
例如，则电器A的起始日期为16/12/2006、结束日期为16/12/2006、起始时刻为17:26:00、结束时刻为17:31:00、持续时长为6分钟、平均功耗为16.17、标准差为1.34371，可生成一条功耗特征向量：
{16/12/2006；16/12/2006；17:26:00；17:31:00；6；16.17；1.34371；A}
按照上述方法，遍历用户用电数据集，构建功耗特征向量集。
在步骤S104中，根据功耗特征向量数据集和机器学习算法构建电器类型分类器。
可以理解的是，如图2所示，基于机器学习算法构建实时电器类型分类器。
进一步地，在本发明的一个实施例中，根据功耗特征向量数据集和机器学习算法构建电器类型分类器，进一步包括：根据功耗特征向量数据集训练机器学习模型得到电器类型分类器。
在步骤S105中，检测待测电器的功耗数据，并通过模型和分类器确定待测电器的电气类型。
在本发明的一个实施例中，检测待测电器的功耗数据，并通过模型和分类器确定待测电器的电气类型，进一步包括：根据检测待测电器的功耗数据和特征向量提取模型得到待测特征向量集；根据电器类型分类器和待测特征向量集得到待测电器类型。
可以理解的是，本发明实施例使用功耗特征向量数据集D_v训练机器学习模型，得到电器类型分类器type_classifier，将实时收集到的用户用电数据集D_e输入到步骤S103中的功耗特征向量提取模型，得到待测特征向量集D_v_t。对于D_v_t中的一个待测特征向量v_ti：
v_ti＝{d_l_si；d_l_ei；t_l_si；t_l_ei；t_li；w_li；s_li}，
将v_ti作为type_classifier的输入，输出用户使用的家用电器的类型，即：typei＝type_classifier(v_ti)，即可实时判断用户使用的家用电器的类型。
例如，功耗特征向量集如下所示：
(16/12/2006；16/12/2006；17:26:00；17:31:00；6；17；1.21；A)，
(17/12/2006；17/12/2006；08:15:00；08:30:00；16；25；0.26；B)，
(18/12/2006；18/12/2006；19:55:00；20:14:00；20；40；3.58；C)。
需要说明的是，本发明实施例选取支持向量机(SVM)作为机器学习算法，将上述功耗特征向量集D_v中的80％的数据作为支持向量机算法的训练集，其余20％的数据作为测试集。使用训练集训练支持向量机，得到电器类型分类器type_classifier。使用测试集对type_classifier的性能进行评估，并调整其参数以提高分类器的性能。按照本发明步骤S101中的方法，实时采集用户用电数据集D_e并输入步骤S103中的功耗特征向量提取模型，得到待测特征向量：(25/12/2006；25/12/2006；18:55:00；19:14:00；20；42；3.15)。将待测特征向量输入type_classifier，可得到输出为C。
综上，(1)本发明实施例通过智能插座收集用户用电数据的方法，在接入用户局域网的前提下，通过米家智能插座采集连接在该插座上的电器的用电数据。(2)基于电器功耗特征模型的电器行为识别方法，通过提取每种电器的功耗范围、功耗的占空比范围和工作周期时间范围特征来为每种电器建立电器功耗特征模型，组建电器功耗特征模型库，并将用户用电数据输入电器功耗特征模型库，得到电器行为数据集，包含一个用电行为的起始日期、终止日期、起始时刻、终止时刻、持续时间、电器类型信息。(3)根据电器行为数据集构建特征向量提取模型，以建功耗特征向量数据集，即从用户用电数据集中提取用电行为的起始日期、结束日期、起始时刻、结束时刻、功率均值、持续时长特征、功耗均方差以建功耗特征向量数据集。(4)基于机器学习算法构建实时电器类型分类器，实时判断电器类型：使用功耗特征向量数据集训练机器学习模型，得到电器类型分类器，该分类器可以实时识别用户当前使用的电器类型。
本发明实施例具有如下优点：用户用电数据采集容易，成本低，不需要额外布置智能电表；并通过电器功耗特征模型生成电器行为事件数据集，基于电器行为事件数据集对机器学习模型训练所需的数据进行自动化预处理，减少了应用机器学习算法时预处理数据的工作量；基于机器学习算法的电器类型推断方法使用了较少的功率特征，故不需要高频化的用电数据，降低了数据的收集难度、数据的存储开销和数据的计算开销，且具有高鲁棒性，并可以达到实时推断使用的电器类型的效果。
根据本发明实施例提出的基于智能插座的电器类型推断方法，通过智能插座收集用户的用电数据，在接入智能家居用户的局域网的前提下可以基于UDP通信协议随时查询智能家居用户的用电数据，不需要额外部署智能电表，且不需通过供电公司获得用户用电数据，降低了获取用户用电数据的难度和成本。通过提取家用电器功耗的范围、功耗的占空比和功耗的持续时间特征，对用户的用电行为进行推演，生成电器行为事件数据集，并生成带标签的智能家居用户用电数据集，减少了为机器学习数据打标签的工作量，并利用机器学习来从用户用电数据中识别用户使用的家用电器的类型的方法使用了较少的功率特征，故不需要高频化的用电数据，降低了数据的收集难度、数据的存储开销和数据的计算开销，并可以达到实时推断使用的电器类型的效果。
其次参照附图描述根据本发明实施例提出的基于智能插座的电器类型推断装置。
图9是本发明一个实施例的基于智能插座的电器类型推断装置的结构示意图。
如图9所示，该基于智能插座的电器类型推断装置10包括：数据与模型库构建模块100、行为数据集构建模块200、建模模块300、分类器构建模块400和电器类型推断模块500。
其中，数据与模型库构建模块100用于根据电器功耗数据构建用户用电数据集，并且根据电器功耗特征建立电器功耗特征模型库。行为数据集构建模块200用于根据用户用电数据集和电器功耗特征模型库构建电器。建模模块300用于根据电器行为数据集构建特征向量提取模型，以建功耗特征向量数据集。分类器构建模块400用于根据功耗特征向量数据集和机器学习算法构建电器类型分类器。电器类型推断模块500用于检测待测电器的功耗数据，并通过模型和分类器确定待测电器的电气类型。本发明实施例的装置10可以实时推断使用的电器类型，鲁棒性高，简单易实现。
进一步地，在本发明的一个实施例中，电器功耗特征包括家用电器功耗范围特征、功耗的占空比范围特征和工作周期时间范围特征中的一种或多种。
进一步地，在本发明的一个实施例中，电器行为数据集包括电器的类型、每个电器工作周期的起止日期、起止时间、持续时间中的一种或者多种数据。
进一步地，在本发明的一个实施例中，分类器构建模块400进一步用于根据功耗特征向量数据集训练机器学习模型得到电器类型分类器。
进一步地，在本发明的一个实施例中，电器类型推断模块500进一步用于根据检测待测电器的功耗数据和特征向量提取模型得到待测特征向量集，并根据电器类型分类器和待测特征向量集得到待测电器类型。
需要说明的是，前述对基于智能插座的电器类型推断方法实施例的解释说明也适用于该实施例的基于智能插座的电器类型推断装置，此处不再赘述。
根据本发明实施例提出的基于智能插座的电器类型推断装置，通过智能插座收集用户的用电数据，在接入智能家居用户的局域网的前提下可以基于UDP通信协议随时查询智能家居用户的用电数据，不需要额外部署智能电表，且不需通过供电公司获得用户用电数据，降低了获取用户用电数据的难度和成本。通过提取家用电器功耗的范围、功耗的占空比和功耗的持续时间特征，对用户的用电行为进行推演，生成电器行为事件数据集，并生成带标签的智能家居用户用电数据集，减少了为机器学习数据打标签的工作量，并利用机器学习来从用户用电数据中识别用户使用的家用电器的类型的方法使用了较少的功率特征，故不需要高频化的用电数据，降低了数据的收集难度、数据的存储开销和数据的计算开销，并可以达到实时推断使用的电器类型的效果。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (4)

1.一种基于智能插座的电器类型推断方法，其特征在于，包括以下步骤：
通过智能插座获取电器功耗数据，建立用户用电数据集，根据电器功耗特征构建电器功耗特征模型库，其中，所述电器功耗特征包括家用电器功耗范围特征、功耗的占空比范围特征和工作周期时间范围特征，其中，所述功耗的占空比范围为R_range j =[R_min j ，R_ max j ]，其中，R为功耗的占空比，是指一个工作周期内家用电器工作的时间占工作周期时间的百分比；
根据所述用户用电数据集和所述电器功耗特征模型库构建电器行为数据集，具体地：将用户用电数据集进行预处理，并作为电器功耗特征模型库的输入，当用户用电数据集满足家用电器功耗特征模型时，则输出家用电器的类型以及每个工作周期的起止日期、起止时间、持续时间，构建电器行为数据集；
根据所述电器行为数据集构建特征向量提取模型，以建功耗特征向量数据集，具体地：根据电器行为数据集中提取用电行为的起始日期、结束日期、起始时刻、终止时刻、功率均值、持续时长特征、功耗均方差组建功耗特征向量数据集；
根据所述功耗特征向量数据集和机器学习算法构建电器类型分类器；以及
检测待测电器的功耗数据，并通过所述特征向量提取模型和所述分类器确定所述待测电器的电器类型，具体地：根据检测待测电器的功耗数据和所述特征向量提取模型得到待测特征向量集，根据所述电器类型分类器和所述待测特征向量集得到所述待测电器类型，以基于智能插座实现电器类型判断。
2.根据权利要求1所述的基于智能插座的电器类型推断方法，其特征在于，所述根据所述功耗特征向量数据集和机器学习算法构建电器类型分类器，进一步包括：
根据所述功耗特征向量数据集训练机器学习模型得到所述电器类型分类器。
3.一种基于智能插座的电器类型推断装置，其特征在于，包括：
数据与模型库构建模块，用于通过智能插座获取电器功耗数据，建立用户用电数据集，根据电器功耗特征构建电器功耗特征模型库，其中，所述电器功耗特征包括家用电器功耗范围特征、功耗的占空比范围特征和工作周期时间范围特征，其中，所述功耗的占空比范围为R_range j =[R_min j ，R_max j ]，其中，R为功耗的占空比，是指一个工作周期内家用电器工作的时间占工作周期时间的百分比；
行为数据集构建模块，用于根据所述用户用电数据集和所述电器功耗特征模型库构建电器行为数据集，所述行为数据集构建模块具体用于将用户用电数据集进行预处理，并作为电器功耗特征模型库的输入，当用户用电数据集满足家用电器功耗特征模型时，则输出家用电器的类型以及每个工作周期的起止日期、起止时间、持续时间，构建电器行为数据集；
建模模块，用于根据所述电器行为数据集构建特征向量提取模型，以建功耗特征向量数据集，所述建模模块具体用于根据电器行为数据集中提取用电行为的起始日期、结束日期、起始时刻、终止时刻、功率均值、持续时长特征、功耗均方差组建功耗特征向量数据集；
分类器构建模块，用于根据所述功耗特征向量数据集和机器学习算法构建电器类型分类器；以及
电器类型推断模块，用于检测待测电器的功耗数据，并通过所述特征向量提取模型和所述分类器确定所述待测电器的电器类型，所述电器类型推断模块具体用于根据检测待测电器的功耗数据和所述特征向量提取模型得到待测特征向量集，根据所述电器类型分类器和所述待测特征向量集得到所述待测电器类型，以基于智能插座实现电器类型判断。
4.根据权利要求3所述的基于智能插座的电器类型推断装置，其特征在于，所述分类器构建模块进一步用于根据所述功耗特征向量数据集训练机器学习模型得到所述电器类型分类器。
CN201810501654.0A 2018-05-23 2018-05-23 基于智能插座的电器类型推断方法及装置 Active CN109030975B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810501654.0A CN109030975B (zh) 2018-05-23 2018-05-23 基于智能插座的电器类型推断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810501654.0A CN109030975B (zh) 2018-05-23 2018-05-23 基于智能插座的电器类型推断方法及装置

Publications (2)

Publication Number Publication Date
CN109030975A CN109030975A (zh) 2018-12-18
CN109030975B true CN109030975B (zh) 2020-02-18

Family

ID=64611647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810501654.0A Active CN109030975B (zh) 2018-05-23 2018-05-23 基于智能插座的电器类型推断方法及装置

Country Status (1)

Country Link
CN (1) CN109030975B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109765443A (zh) * 2019-01-17 2019-05-17 创炘源智能科技(上海)有限公司 检测电源线上的电器负载的设备及方法
CN111665387B (zh) * 2020-05-08 2021-06-04 深圳供电局有限公司 一种非侵入式的家用电饭煲辨识方法
CN111880026B (zh) * 2020-07-07 2023-08-04 武汉精立电子技术有限公司 一种面板检查装置
CN112327648B (zh) * 2020-11-09 2024-04-09 广东睿住智能科技有限公司 家用设备的控制方法、装置和计算机可读存储介质
CN116125171B (zh) * 2022-12-27 2024-01-23 江苏师范大学科文学院 一种针对家用电器的安全用电模拟测试系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009288859A (ja) * 2008-05-27 2009-12-10 Mitsubishi Electric Corp 家電認識システム
US8156055B2 (en) * 2009-05-04 2012-04-10 ThinkEco, Inc. System and method for utility usage, monitoring and management
CN102338834A (zh) * 2010-07-16 2012-02-01 财团法人工业技术研究院 居家电器检测的方法及系统
CN104090176A (zh) * 2014-06-09 2014-10-08 深圳市宏电技术股份有限公司 一种基于耗电特征曲线的家用电器智能识别方法
CN108318770A (zh) * 2016-04-08 2018-07-24 湖南工业大学 一种电器分类方法
CN105913009A (zh) * 2016-04-08 2016-08-31 湖南工业大学 电器类型识别器
CN105759148B (zh) * 2016-04-08 2018-06-15 湖南工业大学 一种用电器类型判断方法
CN106599138A (zh) * 2016-12-05 2017-04-26 南京信息工程大学 一种用电器种类识别方法
CN106908671A (zh) * 2017-01-13 2017-06-30 中国海洋大学 一种非侵入式家用负荷智能检测方法及系统
CN107561354B (zh) * 2017-08-17 2019-09-10 江苏智臻能源科技有限公司 基于功率持续时间特性的多电器非侵入辨识方法
CN107730003B (zh) * 2017-10-23 2020-09-08 华中科技大学 一种支持多电器类型高精度的nilm实现方法

Also Published As

Publication number Publication date
CN109030975A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN109030975B (zh) 基于智能插座的电器类型推断方法及装置
US11825246B2 (en) Electrical panel for identifying devices using power data and network data
US10878343B2 (en) Determining a power main of a smart plug
US10735829B2 (en) Identifying device state changes using power data and network data
CN106022645B (zh) 非侵入式在线实时电力负荷识别方法及识别系统
CN113014449B (zh) 一种用电信息采集系统的本地通信协议压力测试方法及系统
CN102160042A (zh) 确定电器种类的信息处理装置、方法以及服务器
CN103516541A (zh) 基于智能化变电站的配置信息自动管理方法
EP3586521B1 (en) Identifying device state changes using power data and network data
CN206004684U (zh) 一种智能家居远程遥控系统
CN109005094B (zh) 基于物联网的zigbee智能家居设备管理方法及装置
KR102042689B1 (ko) Iot 가전 등록 시스템
CN104133429A (zh) 一种智能控制网关及控制方法
WO2021052423A1 (zh) 生成物理网络拓扑图的方法及装置
CN112615428A (zh) 一种线损分析治理系统及方法
CN112350904A (zh) 一种基于大数据的云监控系统
CN115456034A (zh) 一种电动自行车充电自动识别监测方法及系统
CN104133428A (zh) 一种控制电气设备的智能控制方法
KR102042688B1 (ko) Iot 가전 제어 시스템
KR102081273B1 (ko) Iot 가전의 기능 제어 프로토콜 생성을 위한 클라우드-ai 서버
CN111934318A (zh) 非侵入式电力负荷分解方法、装置、设备及存储介质
CN114119292B (zh) 一种基于物联网与大数据的建筑管理系统
CN109861893B (zh) 一种基于系统总线的通信方法、装置及系统
CN212012257U (zh) 具备电网检测及用电负荷辩识能力的能源网关
CN114726916A (zh) 一种基于边缘物联代理的数据传输管理系统、方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant