CN115792479B - 一种智能插座的用电智能监测方法及系统 - Google Patents

Abstract

本发明涉及电变量测量技术领域，具体涉及一种智能插座的用电智能监测方法及系统。将用电器的电变量数据按照周期划分为周期数据后，对每个周期数据再次划分为若干线性数据段并进行线性压缩，在线性压缩过程中确定各个周期数据的数据特征值，然后对包含相同数量线性数据段的周期数据，借助数据特征值和数据异常程度计算不同周期数据的相似性完成相似类别划分，对相似类别中的数据再次进行压缩。通过确定电变量数据中的相似类别发掘了不同数据之间的隐藏关系，从而完成对电变量数据的深度压缩，提高了对电变量数据的压缩效率，使智能插座利用测量所得电变量数据进行高效的用电器的状态监测。

Description

一种智能插座的用电智能监测方法及系统

技术领域

本发明涉及电变量测量技术领域，具体涉及一种智能插座的用电智能监测方法及系统。

背景技术

近几年来，随着无线传感器网络在自动化装置上的应用，智能插座成为了现代智能用电场景下最常用的电器，其集多项功能于一身，具有累计电能量、计算有功和无功功率、温度检测、过载保护、定时通断、自动报警、状态提示、无线遥控等功能。

智能插座除了可为学校、医院、办公楼等用电场景下的用电器提供接插用电，同时还可以实时监测各用电器的工作状况，但是随着用电器数量、种类的增多，以及状态监测的广度、深度和力度不断加大，产生的用电器状态监测电变量数据也呈现指数级增长，能否高效准确地完成电变量数据的压缩存储，直接影响着利用智能插座进行用电器的状态监测效率。

当前的数据压缩方式主要针对数据本身存在的冗余性，其未针对学校、医院、办公楼等用电场景下用电器电变量的特有特点去深入挖掘电变量数据中不同数据之间的隐藏关系，并未充分提高对智能插座测量所得用电器电变量的压缩效率。

发明内容

本发明提供了一种智能插座的用电智能监测方法及系统，用以解决如何充分提高对智能插座测量所得用电器电变量的压缩效率的问题，所采用的技术方案具体如下：

本发明所提供的一种智能插座的用电智能监测方法，包括如下步骤：

采集智能插座上用电器的电变量数据，按照用电器电变量的变化周期对所采集的用电器的电变量数据进行周期划分；

将周期划分后所得的每个周期数据均再次划分为若干个服从线性分布的线性数据段，然后对所有线性数据段进行线性压缩，完成对电变量数据的初次压缩；

将含有相同数量线性数据段的周期数据划分为同一个周期数据类别，根据周期数据类别中周期数据的数量以及周期数据的分布离散程度确定周期数据类别中周期数据的异常程度，以初次压缩所获取的各周期数据的数据特征值和每个周期数据类别中周期数据的异常程度，计算每个周期数据类别中各个周期数据之间的相似程度，通过相似程度阈值完成单个周期数据类别中所有周期数据的相似类别划分；

将仅含有一个周期数据的周期数据类别直接划分为一个相似类别；

将同一个相似类别中所有周期数据求均值后进行线性压缩，得到二次压缩后的电变量数据，完成电变量数据的测量；

将二次压缩后的电变量数据作为用电器的监测数据传输至电力分析平台进行状态评估和故障预警。

本发明的有益效果为：

本发明将初始获取的用电器的电变量数据按照周期划分为各个周期数据后，对每个周期数据进行线性划分得到若干线性数据段并进行线性压缩，在线性压缩的过程中确定各个周期数据的数据特征值，然后再对包含相同数量线性数据段的周期数据，借助数据特征值和数据异常程度计算任意两个周期数据的相似性，从而将相似的周期数据划分为同一个相似类别再次进行压缩。本发明对初始获取的电变量数据中不同数据之间的相似关系进行了确定，发掘了电变量数据中不同数据之间的隐藏关系，并根据所确定的相似关系完成对电变量数据的深度压缩，提高了对电变量数据的压缩效率，从而提高智能插座利用测量所得电变量数据进行用电器的状态监测效率。

进一步的，所述每个周期数据类别中周期数据的异常程度的确定方法为：

统计周期数据类别中周期数据序号不连续出现的次数，以及周期数据类别所对应的周期数据的数量，以周期数据类别中周期数据序号不连续出现的次数和周期数据类别所对应的周期数据的数量确定周期数据类别中周期数据的异常程度；

所述周期数据类别中周期数据的异常程度与该周期数据类别中周期数据序号不连续出现的次数成正比，与该周期数据类别所对应的周期数据的数量成反比。

进一步的，所述每个周期数据类别中周期数据的异常程度为：

其中，表示出现频次所对应的周期数据的异常程度，Q表示出现频次所对应的周期数据的序号不连续的数量，表示包含的线性数据段数量相同且出现频次大于1的周期数据的出现频次，e表示自然常数。

进一步的，将每个周期数据均再次划分为若干个服从线性分布的线性数据段的方法为：

以周期数据对应的变化曲线上第一个数据点为起点，计算该周期数据对应的变化曲线上第一个数据点和第二个数据点的连接直线的斜率K并记为基准斜率，然后依次计算该周期数据对应的变化曲线上第二个数据点之后的第r个数据点与第一个数据点的连接直线的斜率，直至斜率与基准斜率K的差值的绝对值大于设定斜率门限值，将第r个数据点之前的所有数据点划分为服从线性分布的第一线性数据段；

以该周期数据对应的变化曲线上第r个数据点为新的起点，在该周期数据对应的变化曲线上除去第一线性数据段的剩余数据点中划分出服从线性分布的第二线性数据段；

重复线性数据段的划分过程，直至对该周期数据整体完成分段处理。

进一步的，所述对所有线性数据段进行线性压缩的方法为：

计算线性数据段的起始数据点和终止数据点的连接直线的斜率作为线性数据段的斜率，以线性数据段的起始数据点、线性数据段的斜率和线性数据段的长度代替线性数据段的原始数据，完成对每个线性数据段的线性压缩。

进一步的，所述初次压缩所获取的各周期数据的数据特征值为：

周期数据所含各个线性数据段的起始数据点、线性数据段的斜率以及线性数据段的长度。

进一步的，所述计算每个周期数据类别中各个周期数据之间的相似程度，通过相似程度阈值完成单个周期数据类别中所有周期数据的相似类别划分的方法为：

计算由出现频次所对应的周期数据而构成的周期数据类别中，第一个周期数据与其余周期数据之间的相似程度：

其中，表示出现频次所对应的周期数据中第一个周期数据与第t个周期数据的相似程度，t的取值范围为[2,]，表示对进行归一化处理，表示出现频次所对应的周期数据的异常程度，表示出现频次所对应的周期数据中第t个周期数据的序号，表示出现频次所对应的周期数据中第一个周期数据的序号，e表示自然常数，表示出现频次所对应的线性数据段的段数值，则3表示段数值为的各周期数据经初次压缩后的压缩数据长度，和分别表示第个和第个周期数据经初次压缩后的压缩数据上第g个数据的值；

将相似程度大于相似程度阈值的周期数据划分为同一个相似类别，完成第一相似类别的划分；

对由出现频次所对应的周期数据而构成的周期数据类别中，除去第一相似类别对应周期数据的剩余周期数据再次按照序号大小进行由小到大的排序，计算再次排序后的第一个周期数据与其它周期数据的相似程度，并将相似程度大于相似程度阈值的周期数据划分为同一个相似类别，完成第二相似类别的划分；

重复相似类别划分操作，直至完成当前周期数据类别中个周期数据的相似类别划。

进一步的，所述将同一个相似类别中所有周期数据求均值后进行线性压缩的方法为：

计算同一个相似类别中各个周期数据上相同位置的数据的均值，得到新的周期数据，将新的周期数据重新划分为若干个服从线性分布的线性数据段后对每个线性数据段进行线性压缩。

进一步的，所述用电器电变量的变化周期为20ms。

本发明还提供了一种智能插座的用电智能监测系统，包括存储器和处理器，所述处理器用于执行存储在存储器中的指令以实现任意一项智能插座的用电智能监测方法的步骤，并达到与该方法相同的效果。

附图说明

图1是本发明的智能插座的用电智能监测方法的流程图；

图2是本发明的电流数据变化曲线示意图。

具体实施方式

本发明的构思为：

首先测量智能插座上用电器的电变量数据，再对电变量数据按照其自身变化周期进行周期划分，将划分所得的每个周期数据均再次划分为若干个服从线性分布的线性数据段，对每个线性数据段均进行线性压缩，完成对电变量数据的初次压缩。

然后将含有相同数量线性数据段的周期数据划分为同一个周期数据类别，进而根据初次压缩所获取的各周期数据的数据特征值以及每个周期数据类别中周期数据的异常程度，计算每个周期数据类别中各个周期数据之间的相似程度，通过相似程度阈值完成单个周期数据类别中所有周期数据的相似类别划分，求取同一个相似类别中所有周期数据的均值后进行线性压缩，完成对电变量数据的二次压缩。

最后将压缩后的电变量数据作为用电器的监测数据传输至电力分析平台进行状态评估和故障预警。

下面结合附图及实施例，对本发明的一种智能插座的用电智能监测方法进行详细说明。

方法实施例：

本发明的一种智能插座的用电智能监测方法实施例，其整体流程如图1所示，具体过程如下：

步骤一，采集智能插座上用电器的电变量数据，按照用电器电变量的变化周期对所采集的用电器的电变量数据进行周期划分。

通过智能插座的数据测量功能测量插接在智能插座上的用电器的电变量，用电器的电变量包括电压与电流，由于学校、医院、办公楼等市电用电场景下的用电器在电网稳定时处于220V额定电压条件，所以为更为有效说明用电器的用电异常与否，本实施例以用电器的电流数据为例进行电变量测量的说明。

对某一用电器，设定采样时长T下连续采样获取其电流数据，电流数据拟合所得电流数据变化曲线如附图2所示。

由于用电器是处于市电环境下的，用电压的标准频率为50Hz，所以用电器运行时的电流数据也呈现周期性变化，并可确定用电器的电流周期性变化的标准周期为20ms，也即用电器电变量的变化周期为20ms。

本实施例中是认为市电环境处于稳定条件下，并对应认为用电压的变化频率为标准的50Hz，从而对应得到用电器的电变量变化周期为20ms。在其它实施例中，当然也可以考虑到市电电压还可能存在不处于标准变化频率的情况，而可实际检测此时的市电电压的变化频率，并对应得到此时的用电器电变量的变化周期，在此不再赘述。

在确定用电器电变量的变化周期为20ms后，便可对设定采样时长T下采集所得的电流数据按照20ms进行划分，得到若干周期数据，并依次赋予各周期数据序列的序号为{1,2,...,q}，其中q表示划分的周期数据的数量。

步骤二，将周期划分后所得的每个周期数据均再次划分为若干个服从线性分布的线性数据段，然后对所有线性数据段进行线性压缩，完成对电变量数据的初次压缩。

结合图2可知，在以20ms为变化周期对采集所得电流数据进行周期性划分而得到各个周期数据后，每个周期数据内的大部分电流数据随时间变化符合线性分布，也即可将每个周期数据内的电流数据，看做是若干线性段落前后连接而成的，因此本方案利用这一特性，借鉴旋转门算法将各周期内的电流数据划分成若干个服从线性分布的线性数据段，进而根据线性拟合算法进行压缩，即提取每个线性数据段的初始值、斜率和时间长度，实现电流数据的初次压缩，提高压缩效率。

具体的，以划分所得的q个周期数据中的其中一个为例，参考旋转门算法的原理，该周期数据的分段方式为：

先以该周期数据对应的变化曲线上第一个数据点为起点，计算该周期数据对应的变化曲线上第一个数据点和第二个数据点的连接直线的斜率K，并将斜率K作为基准斜率，然后设定斜率门限值，本实施例设定斜率门限值为0.01，在其它实施例中，实施者可根据实际情况自行设定斜率门限值的大小。在设定斜率门限值后，再依次计算该周期数据对应的变化曲线上第一个数据点与第二个数据点之后的各个数据点之间的连接直线的斜率，直至，表示此时拟合直线斜率超出斜率门限范围，其中表示第一个数据点和第r个数据点的连接直线的斜率，由于第二个数据点到第r-1个数据点各自与第一个数据点所形成的连接直线的斜率均近似相等，表示了第一个数据点到第r-1个数据点的变化曲线可认为是直线段，此时将第一个数据点到第r-1个数据点划入同一个服从线性分布的线性数据段。

然后，重新以该周期数据对应的变化曲线上第r个数据点为起点，在该周期数据除了第一个线性数据段之外的剩余数据中划分第二个线性数据段，并重复划分线性数据段的过程，直至对该周期数据整体完成分段处理。同理，完成对其余周期数据划分为若干个服从线性分布的线性数据段的操作。

在将每个周期数据均划分为若干个服从线性分布的线性数据段后，计算每个线性数据段的起始数据点和终止数据点的连接直线的斜率作为该线性数据段的斜率，进而以各线性数据段的起始数据点、斜率和长度代替每个线性数据段的原始数据，完成对每个线性数据段的线性压缩，从而完成对电变量数据的初次压缩。

由于本实施例需要在初次压缩的基础上进行二次压缩，所以本实施例所给出的上述线性压缩方法相较于传统的旋转门算法的优势在于，传统的旋转门算法只保存每次旋转门后的起始数据和终止数据的处理方法，其损失数据量较大，且获取的特征值较少，而本实施例则保存每次旋转门后起始数据点、连接直线斜率和线性数据段长度这三个不同的数据特征值，在提高压缩效率的同时，线性压缩过程中，也即初次压缩所获取的起始数据点、连接直线斜率和线性数据段长度这三个数据特征值，可为后续的二次压缩提供更多的依据参数。

步骤三，将含有相同数量线性数据段的周期数据划分为同一个周期数据类别，根据初次压缩所获取的各周期数据的数据特征值和每个周期数据类别中周期数据的异常程度，计算每个周期数据类别中各个周期数据之间的相似程度，通过相似程度阈值完成单个周期数据类别中所有周期数据的相似类别划分。

在正常情况下，一台用电器在同一操作状态下，其用电所得电流数据在各个变化周期上应该是一样的，也即在用电机工作状态保持不变且自身无异常工作状态发生的情况下，智能插座所获取的该用电器的电流电变量数据，应该是重复出现且不同周期中电流的具体变化情况也相同的数据。因此本实施例根据对电流数据的各周期数据在初次压缩过程中所获取的数据特征值，来对相似的周期数据进行再次的融合压缩，提高对整体用电器电变量数据的压缩效率。

为实现对相似的周期数据的再次融合压缩，便需要寻找出可分为同一类别的周期数据，本申请寻找可分为同一类别的周期数据的方法，概括即为：首先将含有相同数量线性数据段的周期数据划分为同一个周期数据类别，然后在同一个周期数据类别中，根据初次压缩过程中所确定的该周期数据类别中每个周期数据的数据特征值，以及该周期数据类别中周期数据的异常程度，来计算该周期数据类别中任意两个周期数据之间的相似程度，并将相似程度大于相似程度阈值的周期数据划分为同一个相似类别。

而需要说明的是，由于设定采样时长T并不一定是变化周期20ms的整数倍，所以周期性划分后所得到的q个周期数据中，第q个周期数据的长度可能不足20ms采样时长对应的数据长度，所以，若确定出第q个周期数据的长度不足20ms采样时长对应的数据长度，则单独提取出第q个周期数据并将其作为单独一个相似类别，而对其余的q-1个周期数据进行上述的相似类别的具体划分。

本实施例该步骤的具体过程为：

统计每个周期数据所划分出的线性数据段的数量，获得周期数据所包含的线性数据段的段数值集合，和每种线性数据段的段数值所对应的周期数据出现的频次值集合，j的取值范围为[1,m]，其中m表示周期数据所包含的线性数据段的段数值的情况类别数，也即周期数据所包含的线性数据段的段数值的种类数量，由于本实施例是要将含有相同数量线性数据段的周期数据划分为同一个周期数据类别，所以m即为划分出的周期数据类别数，频次值即表示第j个周期数据类别中周期数据的数量。

为便于说明与理解，在此以一个具体举例进行说明，假设m取值为5，段数值集合，对应的周期数据出现的频次值集合，则表明所有的周期数据所包含的线性数据段的段数值仅有5种情况，也即在设定采样时长T下，周期性划分后得到了1+2+1+3+3=10个周期数据，且这10个周期数据包含的线性数据段的段数值情况共有5种，分别为3,5,6,9,10，周期数据类别的数量为5，且每种段数值对应的周期数据的数量，也即每种周期数据类别中所包含的周期数据的数量依次为1,2,1,3,3。

已知段数值表示各周期内的电流数据划分出的服从线性分布的线性数据段的数量，因此当段数值对应的周期数据出现的频次值时，也即某种段数值所对应的周期数据仅有一个时，说明这个周期数据的变化规律相较于其它周期数据的变化规律是独特唯一的，其无相似性较大的其它周期数据，所以将周期数据出现的频次值为1的周期数据划分为一个相似类别。需要说明的是，此处的将周期数据出现的频次值为1的周期数据划分为一个相似类别，并非是将所有的出现频次为1的周期数据统一划入同一个相似类别，而是分别将每种出现频次为1但对应的段数值不同的周期数据，分别划入不同的相似类别，结合上述举例可知，出现频次为1的周期数据有两种，分别为包含的线性数据段的段数值为3与6的两种周期数据，所以将这两种出现频次为1的周期数据分别划入一个相似类别而得到两个相似类别。

当时，说明对应的多个周期数据中所包含的线性数据段的数量相同，这些周期数据的线性分布变化相似而可首先粗略地统一划分入同一个周期数据类别，但该周期数据类别中的各个周期数据是否具体可认为是数据变化规律相同的周期数据则还需进一步分析，也即还需要进一步分析对应的周期数据序列之间的具体的相似性大小。

选取段数值为而对应的周期数据出现频次为大于1的的周期数据类别为例，将该周期数据类别中的各个周期数据按照其序号大小进行排序，得到该周期数据类别中各个周期数据的序号集合，d的取值范围显然为[1,]，然后在集合内依次计算相邻两周期数据的序号的差值，并记差值大于1的数量为Q。

考虑到电流数据中异常状态下对应的周期数据往往出现次数较少，且出现时长是短暂的，所以可由此计算举例的这个周期数据的异常程度，也即计算举例的个周期数据所构成的周期数据类别的异常程度，以对该周期数据类别中的各个周期数据的相似程度进行修正，用以保护重要的异常数据 。

故出现频次所对应的周期数据的异常程度为：

其中，表示出现频次所对应的周期数据的异常程度，Q表示出现频次所对应的周期数据的序号不连续的数量，表示包含的线性数据段数量相同且出现频次大于1的周期数据的出现频次，e表示自然常数。

当Q越大，则越说明这个周期数据在时间顺序上不连续，单个周期数据所代表的数据变化规律的出现时长越短暂，为异常数据的概率越大，表示归一化操作；越小，取值范围为[0,1]的值越大，说明出现频次所对应的周期数据在电流数据中出现的次数较少，为异常数据的概率越大。综上，越大，表示出现频次所对应的周期数据为异常数据的概率越大，且的取值处于区间[0,1]内。

基于计算出的出现频次所对应的周期数据的异常程度，计算由出现频次所对应的周期数据而构成的周期数据类别中，第一个周期数据与其余周期数据之间的相似程度：

其中，表示出现频次所对应的周期数据中第一个周期数据与第t个周期数据的相似程度，t的取值范围为[2,]，表示归一化处理，表示出现频次所对应的周期数据的异常程度，表示出现频次所对应的周期数据中第t个周期数据的序号，表示出现频次所对应的周期数据中第一个周期数据的序号，e表示自然常数，表示出现频次所对应的线性数据段的段数值，则3表示段数值为的各周期数据经初次压缩后的压缩数据长度，和分别表示第个和第个周期数据经初次压缩后的压缩数据上第g个数据的值。

周期数据的拟合曲线的相似性可根据经初次压缩后压缩数据的数据值、数据变化趋势以及各变化趋势持续的时长获取，当两周期数据中对应的各服从线性分布的线性数据段的特征值差异越小，则这两周期数据序列越相似，即越大；一台用电器在同一操作状态下电流数据的周期变化一样，故两周期数据的时间跨度越小，即越小，说明其为同一操作下的电流数据的概率越大，相似的概率越大；而出现频次所对应的周期数据的异常程度越大，则说明这些周期数据越重要，越可能为异常状态下的数据，所以越需要减少压缩过程中这些数据的损失，由于本实施例是根据两周期数据之间的相似程度判断是否需要融合压缩，而融合压缩会加大数据损失，因此当异常程度越大时，越需要减小两周期数据之间的相似程度，用以降低其被融合压缩的概率而保护异常数据。

传统的旋转门算法的压缩结果只有数据值这一类特征，本实施例的初次压缩结果含有数据值、数据变化趋势以及各变化趋势持续的时长这三个特征值，以此来计算两周期数据的相似程度，提高了相似程度的可靠性，并结合各周期数据的时间跨度和异常程度，用以保证被压缩的各周期数据时间跨度较小，为同一时间段内的同一操作，且防止异常数据由于数据值、数据变化趋势以及各变化趋势持续的时长较相似时，被有损压缩，导致重要数据损失较大，从而保护了重要数据。

在完成出现频次所对应的周期数据中第一个周期数据与第t个周期数据的相似程度计算后，也即完成集合中第个周期数据与第个周期数据的相似程度计算后，设定相似程度阈值，本实施例中设置相似程度阈值的取值为0.8，在其它实施例中实施者可根据具体情况要求而对相似程度阈值取其它值。将相似程度大于相似程度阈值的周期数据划分为同一个相似类别，也就是将出现频次所对应的周期数据中与第一个周期数据相似的其它周期数据和第一个周期数据一并划分为同一个相似类别，或者说是将集合中与第个周期数据相似的其它周期数据同第个周期数据一并划分为同一个相似类别，从而完成由出现频次所对应的周期数据而构成的周期数据类别中，第一个相似类别的划分，也即完成集合中第一个相似类别的划分。

然后，对集合中除了第一相似类别对应周期数据的剩余周期数据，再次按照序号大小进行由小到大的排序，计算再次排序后的第一个周期数据与其它周期数据的相似程度，并将相似程度大于相似程度阈值的周期数据划分为同一个相似类别，完成第二个相似类别的划分。重复此操作，直至完成集合中个周期数据的相似类别划分。

同理，完成所有周期数据类别中周期数据的相似类别划分。

步骤四，将同一个相似类别中所有周期数据求均值后进行线性压缩，得到二次压缩后的电变量数据，完成电变量数据的测量。

经相似类别划分后，所有的周期数据都会被划入一个相似类别中，所以所得到的各个相似类别中会包含一个或多个周期数据。由于各周期数据的长度相同，因此对于每个相似类别，可计算该相似类别中各个周期数据上相同位置的数据的均值，来完成对该相似类别中所有周期数据的均值的求取，然后对求取均值后所得到的新的周期数据，按照步骤二的方式重新划分为若干个服从线性分布的线性数据段，并对所有线性数据段进行线性压缩，从而完成对所得到的新的周期数据的线性压缩，也即完成对该相似类别的线性压缩。

经过对每个相似类别的线性压缩，最终即可实现对电变量数据的二次压缩。

步骤五，将二次压缩后的电变量数据作为用电器的监测数据传输至电力分析平台进行状态评估和故障预警。

经过对每个相似类别的线性压缩后，即完成了对整体电变量数据的二次压缩，提高了对智能插座测量所得用电器电变量的压缩效率。所以将二次压缩后的电变量数据作为作为用电器的监测数据，并传输至电力分析平台，便可完成更为高效的智能插座上用电器的用电状态评估和故障预警，对出现问题的用电器进行维修或更换，提升智能插座的用电安全。

由于数据压缩并传输到电力分析平台后还需要进行解码，也即解压，所以为了解码方便，本实施例在对每个相似类别进行线性压缩并形成压缩数据包时，还记录每个压缩数据包所包含的周期数据的数量，以及各个周期数据的序号值。

解码时，先根据每个压缩数据包中所记录的周期数据的数量生成对应分段数，并根据该压缩数据包中所记录的各个周期数据的序号值，对每个分段进行序号赋值，然后根据压缩数据包中的具体数据，也即根据各线性数据段的起始数据点、斜率和长度进行线性拟合解码，连接解码后的各个线性数据段得到原始周期数据，将解码所得原始周期数据放入压缩数据包所记录的不同序号的分段中，完成对该压缩数据包的解码。

对所有压缩数据包进行解码，即可完成对压缩后的整体电变量数据的解码。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种智能插座的用电智能监测方法，其特征在于，包括以下步骤：

采集智能插座上用电器的电变量数据，按照用电器电变量的变化周期对所采集的用电器的电变量数据进行周期划分；

将周期划分后所得的每个周期数据均再次划分为若干个服从线性分布的线性数据段，然后对所有线性数据段进行线性压缩，完成对电变量数据的初次压缩；

将含有相同数量线性数据段的周期数据划分为同一个周期数据类别，根据周期数据类别中周期数据的数量以及周期数据的分布离散程度确定周期数据类别中周期数据的异常程度，以初次压缩所获取的各周期数据的数据特征值和每个周期数据类别中周期数据的异常程度，计算每个周期数据类别中各个周期数据之间的相似程度，通过相似程度阈值完成单个周期数据类别中所有周期数据的相似类别划分；

将仅含有一个周期数据的周期数据类别直接划分为一个相似类别；

将同一个相似类别中所有周期数据求均值后进行线性压缩，得到二次压缩后的电变量数据，完成电变量数据的测量；

将二次压缩后的电变量数据作为用电器的监测数据传输至电力分析平台进行状态评估和故障预警；

将每个周期数据均再次划分为若干个服从线性分布的线性数据段的方法为：

以周期数据对应的变化曲线上第一个数据点为起点，计算该周期数据对应的变化曲线上第一个数据点和第二个数据点的连接直线的斜率K并记为基准斜率，然后依次计算该周期数据对应的变化曲线上第二个数据点之后的第r个数据点与第一个数据点的连接直线的斜率，直至斜率与基准斜率K的差值的绝对值大于设定斜率门限值，将第r个数据点之前的所有数据点划分为服从线性分布的第一线性数据段；

以该周期数据对应的变化曲线上第r个数据点为新的起点，在该周期数据对应的变化曲线上除去第一线性数据段的剩余数据点中划分出服从线性分布的第二线性数据段；

重复线性数据段的划分过程，直至对该周期数据整体完成分段处理；

所述对所有线性数据段进行线性压缩的方法为：

计算线性数据段的起始数据点和终止数据点的连接直线的斜率作为线性数据段的斜率，以线性数据段的起始数据点、线性数据段的斜率和线性数据段的长度代替线性数据段的原始数据，完成对每个线性数据段的线性压缩；

所述计算每个周期数据类别中各个周期数据之间的相似程度，通过相似程度阈值完成单个周期数据类别中所有周期数据的相似类别划分的方法为：

计算由出现频次所对应的周期数据而构成的周期数据类别中，第一个周期数据与其余周期数据之间的相似程度：

其中，表示出现频次所对应的周期数据中第一个周期数据与第t个周期数据的相似程度，t的取值范围为[2,]，表示归一化处理，表示出现频次所对应的周期数据的异常程度，表示出现频次所对应的周期数据中第t个周期数据的序号，表示出现频次所对应的周期数据中第一个周期数据的序号，e表示自然常数，表示出现频次所对应的线性数据段的段数值，则3表示段数值为的各周期数据经初次压缩后的压缩数据长度，和分别表示第个和第个周期数据经初次压缩后的压缩数据上第g个数据的值；

将相似程度大于相似程度阈值的周期数据划分为同一个相似类别，完成第一相似类别的划分；

对由出现频次所对应的周期数据而构成的周期数据类别中，除去第一相似类别对应周期数据的剩余周期数据再次按照序号大小进行由小到大的排序，计算再次排序后的第一个周期数据与其它周期数据的相似程度，并将相似程度大于相似程度阈值的周期数据划分为同一个相似类别，完成第二相似类别的划分；

重复相似类别划分操作，直至完成当前周期数据类别中个周期数据的相似类别划分。

2.根据权利要求1所述的智能插座的用电智能监测方法，其特征在于，所述每个周期数据类别中周期数据的异常程度的确定方法为：

统计周期数据类别中周期数据序号不连续出现的次数，以及周期数据类别所对应的周期数据的数量，以周期数据类别中周期数据序号不连续出现的次数和周期数据类别所对应的周期数据的数量确定周期数据类别中周期数据的异常程度；

所述周期数据类别中周期数据的异常程度与该周期数据类别中周期数据序号不连续出现的次数成正比，与该周期数据类别所对应的周期数据的数量成反比。

3.根据权利要求2所述的智能插座的用电智能监测方法，其特征在于，所述每个周期数据类别中周期数据的异常程度为：

其中，表示出现频次所对应的周期数据的异常程度，Q表示出现频次所对应的周期数据的序号不连续的数量，表示包含的线性数据段数量相同且出现频次大于1的周期数据的出现频次，e表示自然常数。

4.根据权利要求1所述的智能插座的用电智能监测方法，其特征在于，所述初次压缩所获取的各周期数据的数据特征值为：

周期数据所含各个线性数据段的起始数据点、线性数据段的斜率以及线性数据段的长度。

5.根据权利要求1所述的智能插座的用电智能监测方法，其特征在于，所述将同一个相似类别中所有周期数据求均值后进行线性压缩的方法为：

计算同一个相似类别中各个周期数据上相同位置的数据的均值，得到新的周期数据，将新的周期数据重新划分为若干个服从线性分布的线性数据段后对每个线性数据段进行线性压缩。

6.根据权利要求1所述的智能插座的用电智能监测方法，其特征在于，所述用电器电变量的变化周期为20ms。

7.一种智能插座的用电智能监测系统，其特征在于，包括存储器和处理器，所述处理器用于执行存储在存储器中的指令以实现如权利要求1～6任一项所述的智能插座的用电智能监测方法。

Images