CN109870600A - 一种具有自学习能力的非侵入式负荷辨识方法以及智能电表 - Google Patents

Abstract

一种具有自学习能力的非侵入式负荷辨识方法以及智能电表，目的在于克服现有非侵入式负荷辨识技术不能自学习的不足，本发明的智能电表计量芯提供电压电流采样数据；负荷辨识芯截取瞬态变化及其周边稳态数据并进行负荷特征计算、负荷辨识以及负荷特征库更新修正；管理模块与用户互动确认不确定的辨识结果，并统计电器运行数据。本发明的负荷识别辨识方法可以实现自学习，即有新电器加入时，现有辨识算法依旧可用；特征库大小保持在一定的范围内；负荷辨识运算量保持在一定范围内。

Description

一种具有自学习能力的非侵入式负荷辨识方法以及智能电表

技术领域

本发明属于非侵入负荷辨识技术领域，具体涉及一种具有自学习能力的非侵入式负荷辨识智能电能表。

背景技术

“非侵入式负荷辨识”是利用电器特征构建、模式识别技术，分析出电网末端用户的用电状况，具体细化到每一台家用电器的技术；

随着该技术的发展，探索构建实时、敏感末端电网的感知、互动和应用体系，提供“以客户为中心”的优质新型供电服务提上了供电部门的日程；该技术的发展为供电部门适时掌握用户家用电器的用电实况、提前预测末端电网用电等提供数据支撑，将用户用电数据细化至每一台电，为客户提供准确的数据，提供精准的数据分析，为供电部门和用户间的用电互动提供精准的数据依据。

目前,非侵入式负荷辨识大多基于数据挖掘技术，预先采集各类电器负荷数据进行处理，建立特征库，并针对已采集数据的电器建立辨识模型。一旦新增电器，则需在特征库中新增特征，并重新建立辨识模型。

上述方案虽然达到了非侵入式负荷辨识的效果，但是随着日益丰富的物质生活，家用电器种类越来越多，同种电器各种款式推陈出新，电器用电负荷日益复杂化，数据量急剧增加，若依靠上述方案，必然导致特征库越来越庞大，负荷辨识运算量越来越大。

发明内容

本发明的目的在于克服现有非侵入式负荷辨识技术不能自学习的不足，提供一种具有自学习能力的非侵入式负荷辨识方法以及智能电表。计量芯提供电压电流采样数据；负荷辨识芯截取瞬态变化及其周边稳态数据并进行负荷特征计算、负荷辨识以及负荷特征库更新修正；管理模块与用户互动确认不确定的辨识结果，并统计电器运行数据。

本发明的技术方案是：

本发明提供一种具有自学习能力的非侵入式负荷辨识方法，该方法包括以下步骤：

S1、智能电表计量模块实时采样电压电流波形数据并发送至负荷识别模块；

S2、负荷识别模块对接收的数据进行瞬态检测，获取瞬态过程以及瞬态前后各多个周波的采样数据；

S3、特征库分为正式特征库和临时特征库，初始状态下皆为空；

S4、根据步骤S2获取的周波采样数据计算待识别特征组；

S5、负荷识别模块根据待识别特征组和特征库进行瞬态负荷识别；如果待识别特征组与特征组库中的负荷匹配，则记录特征组发生时间；否则，将待识别特征组加入到临时特征组库，并记录特征组发生时间；

S6、负荷识别模块周期统计特征组发生规律，组合相关特征组构成设备特征，新增未知设备，或在已知设备添加新特征组；

S7、智能电表的管理模块对新增或特征组发生变化的设备，与用户互动，更新特征库。

进一步地，步骤S2具体为：负荷识别模块以平均有功功率作为瞬态检测依据，其步骤为：

S2-1、根据电压电流波形数据，获得周期窗口的平均有功功率P_mean，采用下述公式计算平均有功功率P_mean的变化量ΔP_t，t表示周期窗口编号；

ΔP_t＝|P_(t+1)mean-P_tmean|；

S2-2、预设暂态阈值β₁、稳态阈值β₂，β₁>β₂；

当ΔP_t>β₁时判断有暂态事件发生，并记录上升或下降标志，发生时间T_start；将此周期窗口，以及前多个周波的采样数据记录到特征数据计算区；

不断计算ΔP_t，当ΔP_t<β₂时判断为暂态事件结束，记录结束时间T_end；记录暂态的采样数据，以及结束后对应的多个周波采样数据到特征数据计算区。

进一步地，步骤S3具体为：

S3-1、构建特征库：

按照功率抬高和下降分两类，第一类上升沿和第二类下降沿；

按照特征是否已归属到设备分两类，正式特征组库和临时特征组库；正式特征库包含已自学习完成的设备特征，临时特征库则由未归类临时记录的特征组组成；

单个特征组属性包括特征ID、父类设备FatherDeviceID、功率绝对值Power、基波电流绝对值Fundamental、沿特征L、发生时间Time0、上一次发生时间Time1和是否可能是周期变化Bcyc；

沿特征包括有功功率变化曲线LPower，基波变化曲线LFundamental，二次谐波变化曲线L2，三次谐波变化曲线L3，五次谐波变化曲线L5，直流分量LI和相位变化曲线LPh。

进一步地，步骤S4中，根据步骤S2获取的周波采样数据计算待识别特征组，具体为：

S4-1、功率绝对值Power取功功率变化曲线LPower瞬态前后的稳态平均值P_mean差ΔP；基波电流绝对值Fundamental取瞬态前后的稳态平均值F_mean差ΔF；

S4-2、如果功率差值ΔP>0，对所有上升沿归一化处理,记录为第一类上升沿；

如果功率差值ΔP<0，对所有特征下降沿归一化处理,记录为第二类下降沿。

进一步地，步骤S4中，将周波采样数据的沿特征L序列每128点作为时间窗口计算一个点值，有功功率变化曲线LPower时间序列以128个点的平均周波有功功率为点值；基波电流绝对值Fundamental时间序列以每128点采样数据做FFT128加窗计算得到的值作为点值。

进一步地，步骤S5中，瞬态负荷识别具体步骤包括：

S5-1、在现有特征库,包括正式特征库和临时特征库的同类沿中查找与待识别特征组功率绝对值Power相近的特征组，计算非同类系数K(P_n)；

K(P_n)＝|P_n-P_now|

其中：n表示同类沿特征库中的特征组编号，P_n表示特征库中特征组编号为n的功率绝对值，P_now表示待识别特征组功率绝对值；

排除K(P_n)>非同类阈值β₃的特征组，选取最小的M₁个K(P_n)组成特征组集X，进入S5-2，若无满足条件的特征组则进入S5-4；。

S5-2、在特征组集X中查找与待识别特征组Fundamental相近的特征组，计算非同类系数K(F_n)；

K(F_n′)＝|F_n′-F_now|，

其中：n′表示特征组集X中的特征组编号；F_n′表示特征组集X中特征组编号为n′的基波绝对值，F_now待识别特征组基波绝对值；

排除K(F_n)>非同类阈值β₄的特征组，选取最小的M₂个(M₂≤M₁)K(F_n)组成特征组集Y，进入S5-3，若无满足条件的特征组则进入S5-4；

S5-3、在特征组集Y中查找沿特征L与待识别特征组最相近的特征组，计算非同类系数K(L_n)；

K(L_n″)＝DTW(L_n″，L_now)，

其中：n″表示特征组集Y中的特征组编号；L_n表示特征组集Y中特征组编号为n″的各特征组的沿特征，L_now待识别特征组的沿特征；DTW表示动态时间规整算法；

排除K(L_n)>非同类阈值β₅的特征组,取T_n＝min(K(L_n))为最终匹配的特征组Z；

若特征组Z为空，则未得到匹配项，进S5-4；若特征组集Z中特征组各数为1，则得到匹配项，进S5-5；

S5-4、未在现有特征库中得到匹配项，则在临时特征库添加新增特征组；

S5-5、如果该属性与正式特征组库中的负荷匹配，则辨识出用电电器，并按要求填写Time；

如果该属性与临时特征组库中的负荷匹配，则更新征组库中的临时特征组库，查看匹配项特征组Time0，Time1，若为非0，则是否有Time-Time0＝Time0-Time1,则标志为周期变化Bcyc，否则按要求填写Time。

进一步地，S6、负荷识别模块周期检查临时特征组库，删除无效特征组，修正有效特征组，组合相关特征组构成设备特征，具体包括：

S6-1、查看特征组数据，按发生时间对上升沿类特征组排序，在同一时间窗口内发生的为一组特征组合，若组合中有连续个的非空FatherDeviceID不相等则进行组合拆分，随后查验组合中的FatherDeviceID，有以下三种情况：

FatherDeviceID全为空，确认为一组；

FatherDeviceID除空外，其余值为同一值，确认为一组，将为空的一组加入现有FatherDeviceID，对应的设备特征结构中修正上升沿ID组或下降沿ID组；

FatherDeviceID除空外，其余值不相等，不做匹配，将FatherDeviceID为非空的保留，删除发生时间，将FatherDeviceID为空的全部删除。

S6-3、计算每一组合的整体ΔP和ΔF，对下降沿类特征组做同样操作；

S6-4、将一上升沿组为确认特征组即FatherDeviceID！＝NULL与所有下降沿组匹配ΔP和ΔF时，出现如下几种情况：

无下降沿组与之匹配，等待下次周期检查。

有一下降沿组与之匹配，且FatherDeviceID并与上升沿FatherDeviceID一致：组合成功，在FatherDeviceID对应的设备特征结构中添加最后一次开始时间和最后一次结束时间；

S6-5、将一上升沿组为临时特征组即FatherDeviceID＝＝NULL与所有下降沿组匹配ΔP和ΔF时，出现如下几种情况：

无下降沿组与之匹配，查看上升特征发生时间，若与现在时间间隔>24h，则删除该临时特征组，否则等待下次周期检查。

有一下降沿组与之匹配，且该下降沿组FatherDeviceID＝＝NULL，组合成功，新增DeviceID，将此二组临时特征库修改为正式特征库；

有多个下降沿组与之匹配，组合失败，删除该上升沿组以及匹配的下降沿组；

S6-6、所有上升组匹配完成后，清除剩余未被匹配的下降沿组数据即FatherDeviceID为空的删除，非空的清除发生时间。

进一步地，该方法还包括：管理模块对新增或特征组发生变化的设备，与用户互动，并将确认结果返回给负荷识别模块，负荷识别模块周期清除正式特征库中未得用户确认的特征组。

一种具有自学习能力的非侵入式负荷辨识智能电表，它包括：

计量模块：智能电表计量模块实时采样电压电流波形数据并发送至负荷识别模块；

特征库：特征库分为正式特征库和临时特征库，初始状态下皆为空；

负荷识别模块：负荷识别模块对接收的数据进行瞬态检测，获取瞬态过程以及瞬态前后各多个周波的采样数据；根据周波采样数据计算待识别特征组；根据待识别特征组和特征库进行瞬态负荷识别；如果待识别特征组与特征组库中的负荷匹配，则记录特征组发生时间；否则，将待识别特征组加入到临时特征组库，并记录特征组发生时间；负荷识别模块周期统计特征组发生规律，组合相关特征组构成设备特征，新增未知设备，或在已知设备添加新特征组；

管理模块：对新增或特征组发生变化的设备，与用户互动，更新特征库。

本发明的有益效果：

本发明的负荷识别辨识方法可以实现自学习，即有新电器加入时，现有辨识算法依旧可用；特征库大小保持在一定的范围内；负荷辨识运算量保持在一定范围内。

本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。

附图说明

通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。

图1一种具有自学习能力的非侵入式负荷辨识智能电表的流程框图。

图2为实测电器上升-稳态-下降有功功率p和电流基波波形图。

图3为本发明的方法检测出的上升-下降有功功率p和电流基波图。

图3a为第一上升沿；图3b为第二上升沿；图3c为第一下降沿；图3d为第二下降沿。

图4负荷识别芯瞬态负荷识别流程图。

具体实施方式

下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。

一种具有自学习能力的非侵入式负荷辨识方法，该方法包括以下步骤：

S1、智能电表计量模块实时采样电压电流波形数据并发送至负荷识别模块；

S2、负荷识别模块对接收的数据进行瞬态检测，获取瞬态过程以及瞬态前后各多个周波的采样数据；

S3、特征库分为正式特征库和临时特征库，初始状态下皆为空；

S4、根据步骤S2获取的周波采样数据计算待识别特征组；

S5、负荷识别模块根据待识别特征组和特征库进行瞬态负荷识别；如果待识别特征组与特征组库中的负荷匹配，则记录特征组发生时间；否则，将待识别特征组加入到临时特征组库，并记录特征组发生时间；

S6、负荷识别模块周期统计特征组发生规律，组合相关特征组构成设备特征，新增未知设备，或在已知设备添加新特征组；

S7、智能电表的管理模块对新增或特征组发生变化的设备，与用户互动，更新特征库。

实施例一：

图1是本发明一种具有自学习能力的非侵入式负荷辨识智能电表的整体功能框图。

在本实施例中，如图1所示，具有自学习能力的非侵入式负荷辨识智能电表，识别方法包括以下步骤：

S1、智能电表计量芯每周波采集32点，每20ms实时提供一个周波的电压电流采样数据给智能电表负荷识别芯。

S2、智能电表负荷识别芯实时接收数据并进行瞬态检测：

图2是实测电器平均有功功率波形图，由图2可知当用电负荷状态变化时，有功功率会产生一个上升或下降沿，而检测算法能恰当地捕捉到这一变化，下面对检测的具体过程进行描述。

S2.1、每100ms计算5个周波的平均有功功率P_mean，以每100ms平均有功功率的变化量ΔP_t＝|P_(t+1).mean-P_t.mean|作为瞬态检测的判断依据。

S2.2、当ΔP_t>β₁(β₁按经验值取12W)时判断有暂态事件发生，并记录上升或下降标志，发生时间T_start；将此5个，以及前20个周波的采样数据记录到特征数据计算区。

S2.3、不断计算ΔP_t，当ΔP_t<β₂(β₂按经验值取5W)时判断为暂态事件结束，记录结束时间T_end；记录暂态的采样数据，以及结束后的20个周波采样数据到特征数据计算区。

瞬态检测完成，记录到整个瞬态过程以及瞬态前后各20个周波的采样数据。图3即是算法检测出的上升-下降有功功率p，可见算法可以很好的获取到电器投切时的变化点。

S3、智能电表负荷识别临时特征组计算。特征库的构成、分类、已在说明中写明，此处不再赘述。

S3.1、使用S2截取到的周波采样数据计算待识别特征组：

S3.1.1其中沿特征L序列每128点作为时间窗口计算一个点值，LPower时间序列以128个点的平均周波有功功率为点值。Fundamental时间序列以每128点采样数据做FFT128加窗计算得到的值作为点值，其余时间序列做类似转换。如图3所示。

S3.1.2功率绝对值Power取LPower瞬态前后的稳态平均值P_mean差ΔP；基波电流绝对值Fundamental取瞬态前后的稳态平均值F_mean差ΔF；

S3.1.3如图3a、3b所示功率差值ΔP>0，对所有上升沿归一化处理,记录为第一类上升沿。

如图3c、3d功率差值ΔP<0,对所有特征下降沿归一化处理,记录为第二类下降沿。

S4智能电表负荷识别芯使用特征库进行瞬态负荷识别,如图4瞬态负荷识别流程图所示：

具体实施4.1：

S4.1.1、如图3a所示功率差值ΔP>0。此时临时特征库组为空，则直接，在临时特征库添加新增特征组，此临时特征组是完备特征组，包括所有特征上升沿。

具体实施4.2：

S4.2.1、如图3b所示功率差值ΔP>0，此时临时特征库组有一组特征组，K(P₁)＝|P₁-P_now|，K(P₁)>20W，不满足匹配阈值，在临时特征库添加新增特征组。

在一段时间后，临时特征库将有n特征组；

具体实施4.3：当再次出现如图3a波形

S4.3.1、在现有n特征组第一类中查找有功功率绝对值Power与待识别特征组3a相近的特征组。K(P_n)＝|P_n-P_now|，排除K(P_n)>β₃(β₃按经验值取20W)，选取最小的3个K(P_n)组成特征组集X，进入4.3.2。

S4.3.2、在特征组集X中查找有Fundamental与待识别特征组相近的特征组。K(F_n)＝|F_n-F_now|，排除K(F_n)>β₄(β₄按经验值取15)，选取最小的3个K(F_n)组成特征组集Y，进入4.3.3。

S4.3.3、在特征组集Y中查找沿特征L与待识别特征组相近的特征组。K(Ln)＝DTW(Ln,L_now)，排除K(L_n)>β₅(β₅按经验值取20),取T_n＝min(K(L_n))为最忠匹配的特征组Z。可匹配得到临时特征组1(具体实施4.1)为匹配项。

S4.3.4、查看匹配项特征组Time0，Time1，此时Time0为空,Time1值，取Time0＝Time1，Time1＝本次特征组出现时间。

S5每30min检查临时特征组库，删除无效特征组，组合相关特征组构成设备特征。

S5.1.设备特征结构已在说明中写明，此处不再赘述。

S5.2.查看特征组数据,按发生时间对特征组排序，在时间窗口10s内发生的为一组特征组合，则图3a和3b为一组，3c和3d为一组。

S5.3.计算每一组合的整体ΔP和ΔF。

S5.4.将上升沿组与所有下降沿组匹配ΔP和ΔF：则有两种情况

S5.4.1无下降沿组与之匹配(特征组中只有3a和3b，而无3c和3d)，查看上升特征发生时间，与现在时间间隔<24h，等待下次周期检查(下次周期检查则进入S5.5.2)。

S5.4.2有一下降沿组与之匹配(临时特征租库中有3a、3b、3c、3d)组合成功，新增DeviceID，将此二组临时特征库修改为正式特征库。

S5.4.3有多个下降沿组与之匹配(有其余干扰项)，组合失败，删除3a、3b、3c、3d以及干扰项。

S5.5所有上升组匹配完成后，清除剩余未被匹配的下降沿组数据(FatherDeviceID为空的删除，非空的清除发生时间)。

S6、智能电表管理芯将5.4.2中新增DeviceID运行数据进行统计，由于5.4.2中DeviceID还不确定，将结果在液晶上显示，与用户确认，并将确认结果返回给负荷识别芯。负荷识别芯清除正式特征库中未得用户确认的特征组。

以各种常用的家用用电负荷为测试对象，通过本发明智能电表进行用电负荷的辨识。在实验室环境下，模拟家庭正常使用微波炉、电热水器、电热水壶、电视机、电风扇、空调等设备的情况，在智能电表运行第3天统后，提取管理芯中的统计的结果，并将其与实际结果对比，可准确识别微波炉、电热水器、电热水壶、电视机的运行时间，但对小功率用电器电风扇，及变频空调无法识别。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (9)

1.一种具有自学习能力的非侵入式负荷辨识方法，其特征在于，该方法包括以下步骤：

S1、智能电表计量模块实时采样电压电流波形数据并发送至负荷识别模块；

S2、负荷识别模块对接收的数据进行瞬态检测，获取瞬态过程以及瞬态前后各多个周波的采样数据；

S3、特征库分为正式特征库和临时特征库，初始状态下皆为空；

S4、根据步骤S2获取的周波采样数据计算待识别特征组；

S5、负荷识别模块根据待识别特征组和特征库进行瞬态负荷识别；如果待识别特征组与特征组库中的负荷匹配，则记录特征组发生时间；否则，将待识别特征组加入到临时特征组库，并记录特征组发生时间；

S6、负荷识别模块周期统计特征组发生规律，组合相关特征组构成设备特征，新增未知设备，或在已知设备添加新特征组；

S7、智能电表的管理模块对新增或特征组发生变化的设备，与用户互动，更新特征库。

2.如权利要求1所述的具有自学习能力的非侵入式负荷辨识方法，其特征在于，步骤S2具体为：负荷识别模块以平均有功功率作为瞬态检测依据，其步骤为：

S2-1、根据电压电流波形数据，获得周期窗口的平均有功功率P_mean，采用下述公式计算平均有功功率P_mean的变化量ΔP_t，t表示周期窗口编号；

ΔP_t＝|P_(t+1)mean-P_tmean|；

S2-2、预设暂态阈值β₁、稳态阈值β₂，β₁>β₂；

当ΔP_t>β₁时判断有暂态事件发生，并记录上升或下降标志，发生时间T_start；将此周期窗口，以及前多个周波的采样数据记录到特征数据计算区；

不断计算ΔP_t，当ΔP_t<β₂时判断为暂态事件结束，记录结束时间T_end；记录暂态的采样数据，以及结束后对应的多个周波采样数据到特征数据计算区。

3.如权利要求1所述的具有自学习能力的非侵入式负荷辨识方法，其特征在于，步骤S3具体为：

S3-1、构建特征库：

按照功率抬高和下降分两类，第一类上升沿和第二类下降沿；

按照特征是否已归属到设备分两类，正式特征组库和临时特征组库；正式特征库包含已自学习完成的设备特征，临时特征库则由未归类临时记录的特征组组成；

单个特征组属性包括特征ID、父类设备FatherDeviceID、功率绝对值Power、基波电流绝对值Fundamental、沿特征L、发生时间Time0、上一次发生时间Time1和是否可能是周期变化Bcyc；

沿特征包括有功功率变化曲线LPower，基波变化曲线LFundamental，二次谐波变化曲线L2，三次谐波变化曲线L3，五次谐波变化曲线L5，直流分量LI和相位变化曲线LPh。

4.如权利要求1所述的具有自学习能力的非侵入式负荷辨识方法，其特征在于，步骤S4中，根据步骤S2获取的周波采样数据计算待识别特征组，具体为：

S4-1、功率绝对值Power取功功率变化曲线LPower瞬态前后的稳态平均值P_mean差ΔP；基波电流绝对值Fundamental取瞬态前后的稳态平均值F_mean差ΔF；

S4-2、如果功率差值ΔP>0，对所有上升沿归一化处理,记录为第一类上升沿；

如果功率差值ΔP<0，对所有特征下降沿归一化处理,记录为第二类下降沿。

5.如权利要求4所述的具有自学习能力的非侵入式负荷辨识方法，其特征在于，步骤S4中，将周波采样数据的沿特征L序列每128点作为时间窗口计算一个点值，有功功率变化曲线LPower时间序列以128个点的平均周波有功功率为点值；基波电流绝对值Fundamental时间序列以每128点采样数据做FFT128加窗计算得到的值作为点值。

6.如权利要求1所述的具有自学习能力的非侵入式负荷辨识方法，其特征在于，步骤S5中，瞬态负荷识别具体步骤包括：

S5-1、在现有特征库,包括正式特征库和临时特征库的同类沿中查找与待识别特征组功率绝对值Power相近的特征组，计算非同类系数K(P_n)；

K(P_n)＝|P_n-P_now|

其中：n表示同类沿特征库中的特征组编号，P_n表示特征库中特征组编号为n的功率绝对值，P_now表示待识别特征组功率绝对值；

排除K(P_n)>非同类阈值β₃的特征组，选取最小的M₁个K(P_n)组成特征组集X，进入S5-2，若无满足条件的特征组则进入S5-4；。

S5-2、在特征组集X中查找与待识别特征组Fundamental相近的特征组，计算非同类系数K(F_n)；

K(F_n′)＝|F_n′-F_now|，

其中：n′表示特征组集X中的特征组编号；F_n′表示特征组集X中特征组编号为n′的基波绝对值，F_now待识别特征组基波绝对值；

排除K(F_n)>非同类阈值β₄的特征组，选取最小的M₂个(M₂≤M₁)K(F_n)组成特征组集Y，进入S5-3，若无满足条件的特征组则进入S5-4；

S5-3、在特征组集Y中查找沿特征L与待识别特征组最相近的特征组，计算非同类系数K(L_n)；

K(L_n″)＝DTW(L_n″，L_now)，

其中：n″表示特征组集Y中的特征组编号；L_n表示特征组集Y中特征组编号为n″的各特征组的沿特征，L_now待识别特征组的沿特征；DTW表示动态时间规整算法；

排除K(L_n)>非同类阈值β₅的特征组,取T_n＝min(K(L_n))为最终匹配的特征组Z；

若特征组Z为空，则未得到匹配项，进S5-4；若特征组集Z中特征组各数为1，则得到匹配项，进S5-5；

S5-4、未在现有特征库中得到匹配项，则在临时特征库添加新增特征组；

S5-5、如果该属性与正式特征组库中的负荷匹配，则辨识出用电电器，并按要求填写Time；

如果该属性与临时特征组库中的负荷匹配，则更新征组库中的临时特征组库，查看匹配项特征组Time0，Time1，若为非0，则是否有Time-Time0＝Time0-Time1,则标志为周期变化Bcyc，否则按要求填写Time。

7.如权利要求1所述的具有自学习能力的非侵入式负荷辨识方法，其特征在于，步骤S6具体包括：

S6-1、查看特征组数据，按发生时间对上升沿类特征组排序，在同一时间窗口内发生的为一组特征组合，若组合中有连续个的非空FatherDeviceID不相等则进行组合拆分，随后查验组合中的FatherDeviceID，有以下三种情况：

FatherDeviceID全为空，确认为一组；

FatherDeviceID除空外，其余值为同一值，确认为一组，将为空的一组加入现有FatherDeviceID，对应的设备特征结构中修正上升沿ID组或下降沿ID组；

FatherDeviceID除空外，其余值不相等，不做匹配，将FatherDeviceID为非空的保留，删除发生时间，将FatherDeviceID为空的全部删除。

S6-3、计算每一组合的整体ΔP和ΔF，对下降沿类特征组做同样操作；

S6-4、将一上升沿组为确认特征组即FatherDeviceID！＝NULL与所有下降沿组匹配ΔP和ΔF时，出现如下几种情况：

无下降沿组与之匹配，等待下次周期检查。

有一下降沿组与之匹配，且FatherDeviceID并与上升沿FatherDeviceID一致：组合成功，在FatherDeviceID对应的设备特征结构中添加最后一次开始时间和最后一次结束时间；

S6-5、将一上升沿组为临时特征组即FatherDeviceID＝＝NULL与所有下降沿组匹配ΔP和ΔF时，出现如下几种情况：

无下降沿组与之匹配，查看上升特征发生时间，若与现在时间间隔>24h，则删除该临时特征组，否则等待下次周期检查。

有一下降沿组与之匹配，且该下降沿组FatherDeviceID＝＝NULL，组合成功，新增DeviceID，将此二组临时特征库修改为正式特征库；

有多个下降沿组与之匹配，组合失败，删除该上升沿组以及匹配的下降沿组；

S6-6、所有上升组匹配完成后，清除剩余未被匹配的下降沿组数据即FatherDeviceID为空的删除，非空的清除发生时间。

8.如权利要求1或7所述的具有自学习能力的非侵入式负荷辨识方法，其特征在于，S7具体为：管理模块对新增或特征组发生变化的设备，与用户互动，并将确认结果返回给负荷识别模块，负荷识别模块周期清除正式特征库中未得用户确认的特征组。

9.一种具有自学习能力的非侵入式负荷辨识智能电表，其特征在于，它包括：

计量模块：智能电表计量模块实时采样电压电流波形数据并发送至负荷识别模块；

特征库：特征库分为正式特征库和临时特征库，初始状态下皆为空；

负荷识别模块：负荷识别模块对接收的数据进行瞬态检测，获取瞬态过程以及瞬态前后各多个周波的采样数据；根据周波采样数据计算待识别特征组；根据待识别特征组和特征库进行瞬态负荷识别；如果待识别特征组与特征组库中的负荷匹配，则记录特征组发生时间；否则，将待识别特征组加入到临时特征组库，并记录特征组发生时间；负荷识别模块周期统计特征组发生规律，组合相关特征组构成设备特征，新增未知设备，或在已知设备添加新特征组；

管理模块：对新增或特征组发生变化的设备，与用户互动，更新特征库。