CN116861316A - 一种电器监测方法及装置 - Google Patents

Abstract

本发明提供一种电器监测方法及装置，涉及电力系统技术领域，方法包括获取用户总线的暂态电流数据；根据暂态电流数据，生成时域特征；将时域特征划分为多个时域窗口特征；将多个时域窗口特征转换为对应的频域窗口特征；确定当前频域窗口特征和相邻上一个频域窗口特征之间的相似度；提取频域窗口特征对应的频域向量和谐波向量，计算频率变化向量和谐波变化向量；将频率变化向量和谐波变化向量输入到训练好的分类模型中，得到电器分类结果；根据电器分类结果，生成电器监测结果。本发明通过将频率变化向量和谐波变化向量输入到训练好的分类模型中，解决了现有的分类算法不能应对复杂的负荷波动数据问题，得到了更精准的电器监测结果。

Description

一种电器监测方法及装置

技术领域

本发明涉及电力系统技术领域，具体而言，涉及一种电器监测方法及装置。

背景技术

电器监测技术可以帮助用户或电力机构了解用户电器的电能消耗情况，找出电能过度使用的原因，从而优化电器管理和电能分配，节约电力资源。

在现有技术中，大多采用非侵入式负荷分解的电器监测方法，该方法主要通过分类算法或模型对入户端电表的负荷数据进行分析，得到接入电表的电器型号和能源消耗等数据，从而进行电器管理和能源分配，但是随着生活品质的提高，例如用户家中使用的电器越来越多，入户端电表的负荷波动等数据也越来越复杂，导致现有的分类算法或模型不能应对复杂的负荷波动数据，得不到准确的电器监测结果。

发明内容

本发明解决的问题是如何提高电器监测结果的准确性。

为解决上述问题，第一方面，本发明提供一种电器监测方法，包括：

获取用户总线的暂态电流数据；

根据所述暂态电流数据，生成时域特征；

获取所述时域特征的幅值变化，生成幅值波动区间；

根据所述幅值波动区间，将所述时域特征划分为多个时域窗口特征；

将多个所述时域窗口特征转换为对应的频域窗口特征，并对多个所述频域窗口特征进行排序；

确定当前所述频域窗口特征和相邻上一个所述频域窗口特征之间的相似度；

当所述相似度小于或等于预设相似度时，提取当前所述频域窗口特征对应的频域向量和谐波向量，并提取相邻上一个所述频域窗口特征对应的频域向量和谐波向量；

根据当前所述频域窗口特征对应的频域向量和相邻上一个所述频域窗口特征对应的频域向量之间的差值，生成频率变化向量，并根据当前所述频域窗口特征对应的谐波向量和相邻上一个所述频域窗口特征对应的谐波向量之间的差值，生成谐波变化向量；

将所述频率变化向量和所述谐波变化向量输入到训练好的分类模型中，生成电器分类结果；

根据所述电器分类结果，生成电器监测结果。

可选地，所述将所述频率变化向量和所述谐波变化向量输入到训练好的分类模型中，生成电器分类结果，包括：

将所述频率变化向量输入到所述分类模型中，得到第一分类结果；

将所述谐波变化向量输入到所述分类模型中，得到第二分类结果；

其中，所述第一分类结果包括多个第一分类标签及对应的多个第一置信度；

当所述第一分类标签对应的所述第一置信度大于或等于预设置信度，根据所述第一分类标签，生成所述电器分类结果；

当所述第一置信度均小于所述预设置信度，融合所述第一分类结果和所述第二分类结果，生成所述电器分类结果。

可选地，所述融合所述第一分类结果和所述第二分类结果，生成所述电器分类结果，包括：

所述第二分类结果包括多个第二分类标签及对应的多个第二置信度；

提取所述第一分类标签和所述第二分类标签中的相同分类标签及对应的第一相同标签置信度和第二相同标签置信度；

将所述第一相同标签置信度和所述第二相同标签置信度输入到置信度权衡公式中，生成每个所述相同分类标签的平衡置信度；其中，所述置信度权衡公式包括：

C=α*x+β*y；

其中，C为所述平衡置信度，α为频率权重，x为所述第一相同标签置信度，β为谐波权重，y为所述第二相同标签置信度；

根据最大的所述平衡置信度数值对应的所述相同分类标签，生成所述电器分类结果。

可选地，所述确定当前所述频域窗口特征和相邻上一个所述频域窗口特征之间的相似度，包括：

分别将当前所述频域窗口特征和相邻上一个所述频域窗口特征降维，生成当前所述频域窗口特征对应的一维频率向量和相邻上一个所述频域窗口特征对应的一维频率向量；

将当前所述频域窗口特征对应的一维频率向量和相邻上一个所述频域窗口特征对应的一维频率向量进行相似度计算，得到所述相似度。

可选地，所述将多个所述时域窗口特征转换为对应的频域窗口特征，并对多个所述频域窗口特征进行排序，包括：

离散化每个所述时域窗口特征，生成多个离散时域序列；

通过DFT算法处理每个所述离散时域序列，生成多个频域系数；

分别根据各所述频域系数生成对应的模值和相角；

根据每个所述频域系数以及对应的所述模值和所述相角，生成多个所述频域窗口特征。

可选地，所述根据所述暂态电流数据，生成时域特征，包括：

通过小波变换分解所述暂态电流数据，生成小波近似系数、小波细节系数以及短期时间序列；

提取所述小波近似系数中的低频幅值；

提取所述小波细节系数中的高频幅值；

将所述短期时间序列、所述低频幅值以及所述高频幅值融合为所述时域特征。

可选地，所述分类模型的构建方法包括：

获取各类电器的频率数据和谐波数据；

分别提取所述频率数据和所述谐波数据的频率向量和谐波向量；

分别获取所述频率向量和所述谐波向量对应的电器标签；

分别将所述频率向量和所述谐波向量输入到分类模型中，得到所述第一分类结果和所述第二分类结果；

根据所述第一分类结果、所述第二分类结果以及所述对应的分类标签，通过反向传播算法最小化对应的损失函数，得到所述训练好的分类模型，其中，所述分类模型包括第一分类分支和第二分类分支，所述第一分类分支用于处理所述频率向量，输出所述第一分类结果；所述第二分类分支用于处理所述谐波向量，输出所述第二分类结果。

可选地，所述获取用户总线的暂态电流数据，包括：

获取所述用户总线的电流数据；

通过短期环比变点检测算法处理所述电流数据，生成电流波动；

根据所述电流波动截取所述电流数据的所述暂态电流数据。

可选地，所述根据所述电器分类结果，生成电器监测结果，包括：

获取所述电器分类结果对应的电器的运行时间和运行功率；

融合所述电器分类结果、所述运行时间和所述运行功率，生成所述电器监测结果。

第二方面，本发明提供一种电器监测装置，包括：

获取模块，用于获取用户总线的暂态电流数据；

时域特征模块，用于根据所述暂态电流数据，生成时域特征；

幅值波动模块，用于获取所述时域特征的幅值变化，生成幅值波动区间；

时域窗口模块，用于根据所述幅值波动区间，将所述时域特征划分为多个时域窗口特征；

转换排序模块，用于将多个所述时域窗口特征转换为对应的频域窗口特征，并对多个所述频域窗口特征进行排序；

相似度模块，用于确定当前所述频域窗口特征和相邻上一个所述频域窗口特征之间的相似度；

提取模块，用于当所述相似度小于或等于预设相似度时，提取当前所述频域窗口特征对应的频域向量和谐波向量，并提取相邻上一个所述频域窗口特征对应的频域向量和谐波向量；

变化向量模块，用于根据当前所述频域窗口特征对应的频域向量和相邻上一个所述频域窗口特征对应的频域向量之间的差值，生成频率变化向量，并根据当前所述频域窗口特征对应的谐波向量和相邻上一个所述频域窗口特征对应的谐波向量之间的差值，生成谐波变化向量；

分类模块，用于将所述频率变化向量和所述谐波变化向量输入到训练好的分类模型中，生成电器分类结果；

监测模块，用于根据所述电器分类结果，生成电器监测结果。

本发明的一种电器监测方法及装置的有益效果为：

因为电器的电压数据通常是稳定的，其特征均体现在电流数据上，通过电流数据进行分析处理，可得到对应的电器信息，因为暂态电流数据只在电器接入或切除时出现，且暂态电流数据可清晰表示电流叠加或减小时的特征，而稳态电流数据是电器稳定运行时的电流特征，数据量庞大，在电流数据中占比过重，且不能体现出电流变化，所以获取数据量小、特征明显的暂态电流数据进行分析，减少了大量的计算量，节省了运算空间，且最终获取的结果更加准确。通过暂态电流数据的时域特征得到的幅值波动区间，可以清晰地表示电流数据在不同时间电流幅值变化情况，再将不同时间电流幅值变化情况划分为多个时域窗口特征，并转换为频域窗口特征，使暂态电流数据每次变化的频率特征体现出来，再对频域窗口特征进行排序，得到暂态电流数据一定顺序下变化的频率，并计算相邻两个频域窗口特征之间的相似度，根据相似度再次判断是否有电器接入或者切除，保证后续的分析和计算是有用功。当确定相邻两个频域窗口特征之间有电器接入时，分别提取这两个频域窗口特征的频域向量和谐波向量，因为每个电器的频域向量和谐波向量都是一定的，所以通过计算两个频域向量之间的差值和两个谐波向量之间的差值，即可得到接入或者切除电器的频域向量和谐波向量，因为是根据电流波动截取波动时的暂态电流数据，所以在每个电器接入或切除时，都会获得接入或切除电器的频域向量和谐波向量，尽管接入的电器越来越多，获得的接入或切除电器的频域向量和谐波向量也不受影响。接着由训练好的分类模型进行辨别分类，得到准确的电器分类结果，并根据电器分类结果，生成电器监测结果，解决了现有的分类算法或模型不能应对复杂的负荷波动数据，得不到准确的电器监测结果的问题。此外，通过频域向量和谐波向量进行辨别分类，相较于单独通过频域向量或谐波向量进行辨别分类，不仅可以提高分类的准确性，还可以降低误差、提高模型的鲁棒性和灵活性，更好地应对不断变化的电器种类。

附图说明

图1为本发明实施例的一种电器监测方法的流程示意图；

图2为本发明实施例的一种电器监测装置的结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。

应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、系统或单元进行区分，并非用于限定这些装置、系统或单元所执行的功能的顺序或者相互依存关系。

如图1所示，本发明提供一种监测方法，包括：

步骤S1，获取用户总线的暂态电流数据；

具体地，可通过在用户入户端设置智能电表或者传感器，通过智能电表或传感器采集用户总线的电流数据，并获取暂态电流数据，实现非侵入式电器识别；相较于现有技术在用户每个电器旁设置传感器的侵入式电器识别，非侵入式电器识别不仅节省了大量的设备成本，还充分尊重用户的个人隐私，安全性更高，更具有普及率，加快了智能电网的发展。

电流数据包括稳态电流数据和暂态电流数据，稳态电流数据是指电器负荷在运行过程中没有发生突变状态，其电气参量保持在一定常数附近所表现出来的电流负荷特征；暂态电流数据是指电器在检测时出现接入或切除动作，其电气参量出现突变，即出现电流波动，电流由一种稳态转换到另外一种稳态。所以，暂态电流数据只在电器接入或切除时出现，且暂态电流数据可清晰表示电流叠加或递减时的特征，而稳态电流数据是电器稳定运行时的电流特征，数据量庞大，在电流数据中占比过重，且不能体现出电流变化，所以只对数据量小、特征明显的暂态电流数据进行分析，减少了大量的计算量，节省了运算空间，且使最终获取的结果更加准确。

步骤S2，根据所述暂态电流数据，生成时域特征；

具体地，采用小波变换算法将暂态电流数据转换为时域特征，时域特征可以表示暂态电流数据的平均值、峰值、均方根值、方差、标准差、偏度、峰度、自相关函数以及时域波形，通过算法可以绘制表示时域波形的时域图谱，通过时域图谱可以直观地观察到电流信号的形状、频率和幅值变化。

步骤S3，获取所述时域特征的幅值变化，生成幅值波动区间；

具体地，在电器接入或切除时，时域特征的幅值也会随之变化，为了更加准确地判断是否有电器接入或切除，避免因客观原因造成的电流波动，需要多次设置条件来判断是否有电器接入或切除，当时域特征的幅值变化大于或等于预设幅值条件时，则判断有电器接入或切除，获取该幅值变化的时间段，并将该时间段整理为幅值波动区间，为后续分析电流数据做好准备。应该理解的是，时域特征中包含多个幅值变化，每个幅值变化均要根据预设幅值条件判断是否有电器接入或切除，当判断有电器接入或切除，获取该幅值变化的时间段，时间段包括变化前一定预设时间和变化时间，所以，幅值波动区间包含多个幅值变化的时间段。

步骤S4，根据所述幅值波动区间，将所述时域特征划分为多个时域窗口特征；

具体地，为了可以精准便利地计算，需要根据幅值波动区间中各个幅值变化的时间段将时域特征划分为多个时域窗口特征，因为时间段包括变化前一定预设时间和变化时间，所以每个时间段可以划分两个时域窗口特征，每个时域窗口特征表示在该时间下电流数据的特征，在后续计算时，每个时域窗口特征均要单独处理，以保证电器监测的精度。

步骤S5，将多个所述时域窗口特征转换为对应的频域窗口特征，并对多个所述频域窗口特征进行排序；

具体地，时域特征的时域图谱的横坐标为时间，纵坐标为总频率的幅值，为了更直观的表示电流数据各个电流的频率，需要将时域特征纵坐标的总频率分解为单独的频率，从而进行下一步的分析计算；频域特征的频域图谱的横坐标为频率，纵坐标为幅值；具体可采用傅里叶变换算法将时域特征转换为频域特征，并根据时间先后的顺序进行排序，便于后续计算。

步骤S6，确定当前所述频域窗口特征和相邻上一个所述频域窗口特征之间的相似度；

具体地，因为不同的电器的频率不同，所以可以通过电器的频率来预测各个电器的类型，但是，对于一些可变频的电器，例如，冰箱、空调、烤箱以及微波炉等，其电流的频率会跟随功率大小变化，若直接进行预测分析则会影响准确度，所以为了判断一些电流频率是否由一个电器产生，提高电器检测结果的准确度，需要计算频域窗口特征和上一个所述频域窗口特征之间的相似度，通过相似度来区分变频电器，示例性地，可采用对比学习算法或皮尔逊相关系数计算公式计算相似度。

步骤S7，当所述相似度小于或等于预设相似度时，提取当前所述频域窗口特征对应的频域向量和谐波向量，并提取相邻上一个所述频域窗口特征对应的频域向量和谐波向量；

具体地，当相似度小于或等于预设相似度时，说明两种频率不是由一个变频电器产生，而是有电器进行了接入或切除，需要分析出进行接入或切除的电器信息，可以提取在该频域窗口特征和上一个频域窗口特征的频域向量和谐波向量，因为每个电器的频域向量和谐波向量都是固定的，通过频域向量和谐波向量进行双重识别从而提高电器监测精度。当相似度大于预设相似度甚至等于1时，说明电流数据没有接入或切除电器。作为优选地，预设相似度可设为0.7。

步骤S8，根据当前所述频域窗口特征对应的频域向量和相邻上一个所述频域窗口特征对应的频域向量之间的差值，生成频率变化向量，并根据当前所述频域窗口特征对应的谐波向量和相邻上一个所述频域窗口特征对应的谐波向量之间的差值，生成谐波变化向量；

具体地，在接入或切除电器时，电流数据的频率是叠加或减小的，所以只要对电流波动前后，即接入或切除电器前后的频域向量做减法，就可得到接入或切除电器的频域向量，即频率变化向量。谐波与频率同理，在接入或切除电器时，电流数据的谐波是叠加或减小的，所以只要对电流波动前后，即接入或切除电器前后的谐波向量做减法，就可得到接入或切除电器的频域向量，即谐波变化向量。

步骤S9，将所述频率变化向量和所述谐波变化向量输入到训练好的分类模型中，生成电器分类结果。

具体地，分类模型可选用LSTM模型分析所有的频率变化向量和谐波变化向量，得到对应的电器标签，将所有电器标签整理为电气分类结果。

步骤S10，根据所述电器分类结果，生成电器监测结果。

具体地，得到电气分类结果后，获取电气分类结果中每个电器标签对应的电器接入直至切除总线的时间，并根据频域特征反推电器所耗费的功率负荷，最后将每个电器标签、其接入直至切除总线的时间以及功率负荷按时间顺序或功率负荷大小顺序整理，生成电器监测结果，电器监测结果包括各个电器的种类、运行时间和运行功率。

通过获取用户总线的暂态电流数据，可以知悉用户接入或切除了某个电器，为后续分析处理电流数据，得到对应的电器信息打下基础；通过电流波动截取保留电流数据中的暂态电流数据，去除了稳态电流数据，减少了大量的计算量，节省了运算空间，且最终获取的结果更加准确；通过暂态电流数据的时域特征得到的幅值波动区间，可以清晰地表示电流数据在不同时间段的电流幅值变化情况，并通过预设幅值条件初步判断是否由电气接入或切除，再将不同时间电流幅值变化情况划分为多个时域窗口特征，并转换为频域窗口特征，使暂态电流数据每次变化的频率特征体现出来，再对频域窗口特征进行排序，得到暂态电流数据一定顺序下变化的频率，并计算相邻两个频域窗口特征之间的相似度，根据相似度再次判断是否有电器接入或者切除，保证后续的分析和计算是有用功；当确定相邻两个频域窗口特征之间有电器接入时，分别提取这两个频域窗口特征的频域向量和谐波向量，因为每个电器的频域向量和谐波向量都是一定的，所以通过计算两个频域向量之间的差值和两个谐波向量之间的差值，即可得到接入或者切除电器的频域向量和谐波向量，因为是根据电流波动截取波动时的暂态电流数据，所以在每个电器接入或切除时，都会获得接入或切除电器的频域向量和谐波向量，尽管接入的电器越来越多，获得的接入或切除电器的频域向量和谐波向量也不受影响，最后由训练好的分类模型进行辨别分类，并将每个电器的种类、其接入直至切除总线的时间以及功率负荷按时间顺序或功率负荷大小顺序整理，生成准确清晰的电器监测结果，解决了现有的分类算法或模型不能应对复杂地负荷波动数据，得不到准确的电器监测结果的问题。

可选地，所述将所述频率变化向量和所述谐波变化向量输入到训练好的分类模型中，生成电器分类结果，包括：

将所述频率变化向量输入到所述分类模型中，得到第一分类结果；

将所述谐波变化向量输入到所述分类模型中，得到第二分类结果；

其中，所述第一分类结果包括多个第一分类标签及对应的多个第一置信度；

当所述第一分类标签对应的所述第一置信度大于或等于预设置信度，根据所述第一分类标签，生成所述电器分类结果；

当所述第一置信度均小于所述预设置信度，融合所述第一分类结果和所述第二分类结果，生成所述电器分类结果。

具体地，预设置信度可根据实际情况设置，作为优选地，预设置信度为0.93。首先根据频率变化向量得到第一分类结果，第一分类结果包括多个第一分类标签及其对应的多个置信度，所有的置信度和为1，当所述第一分类标签对应的第一置信度大于或等于预设置信度时，说明该第一分类标签足以确定电器信息，不需要第二分类结果进行辅助确定；当所有第一分类标签的第一置信度都小于预设置信度时，说明通过频率变化向量不足以确定电器信息，需要结合谐波变化向量的第二分类结果才能确定准确的电器信息，并生成电器监测结果。

可选地，所述融合所述第一分类结果和所述第二分类结果，生成所述电器分类结果，包括：

所述第二分类结果包括多个第二分类标签及对应的多个第二置信度；

提取所述第一分类标签和所述第二分类标签中的相同分类标签及对应的第一相同标签置信度和第二相同标签置信度；

将所述第一相同标签置信度和所述第二相同标签置信度输入到置信度权衡公式中，生成每个所述相同分类标签的平衡置信度；其中，所述置信度权衡公式包括：

C=α*x+β*y；

其中，C为所述平衡置信度，α为频率权重，x为所述第一相同标签置信度，β为谐波权重，y为所述第二相同标签置信度；

根据最大的所述平衡置信度数值对应的所述相同分类标签，生成所述电器分类结果。

具体地，第一分类结果和第二分类结果中会有相同的电器分类标签，即相同分类标签，将每个相同分类标签提取出来，并提取每个相同分类标签在第一分类结果和第二分类结果中的置信度，每个相同分类标签在第一分类结果和第二分类结果中的置信度为一组，将多组置信度输入到置信度权衡公式中，进行加权运算，得到平衡置信度，平衡置信度最大的相同分类标签为接入或切除电器的准确信息。通过置信度权衡公式可以综合第一分类结果和第二分类结果，得到最合理且最准确的电器监测结果。

可选地，所述确定当前所述频域窗口特征和相邻上一个所述频域窗口特征之间的相似度，包括：

分别将当前所述频域窗口特征和相邻上一个所述频域窗口特征降维，生成当前所述频域窗口特征对应的一维频率向量和相邻上一个所述频域窗口特征对应的一维频率向量；

将当前所述频域窗口特征对应的一维频率向量和相邻上一个所述频域窗口特征对应的一维频率向量进行相似度计算，得到所述相似度。

具体地，首先将需要计算相似度的频域窗口特征降维，提高表达能力，将降维后的两个一维频率向量输入到训练好的对比学习模型中，由对比学习模块的相似度计算公式分析两个一维频率向量之间的相似度，相似度计算公式如下所示：

；

其中，D为相似度，p₁为频域窗口特征对应的一维频率向量，p₂为上一个所述频域窗口特征对应的一维频率向量。

可选地，所述将多个所述时域窗口特征转换为对应的频域窗口特征，并对多个所述频域窗口特征进行排序，包括：

离散化每个所述时域窗口特征，生成多个离散时域序列；

通过DFT算法处理每个所述离散时域序列，生成多个频域系数；

分别根据各所述频域系数生成对应的模值和相角；

根据每个所述频域系数以及对应的所述模值和所述相角，生成多个所述频域窗口特征。

具体地，离散化每个时域窗口特征，生成多个离散时域序列后，可以对离散时域序列进行离散傅里叶变换，即DFT算法，通过理算傅里叶变换可以进行滤波、压缩和特征提取，生成多个频域系数，并对频域系数进行分析和计算，得到模值和相角，通过模值和相角可以获得幅度谱和相位谱，最后根据频域系数、幅度谱和相位谱生成频域窗口特征。

|X(k)| = sqrt(Re(X(k))²+ Im(X(k))²)；

其中，|X(k)|为模值，Re(X(k))表示频域系数X(k)的实部，Im(X(k))表示频域系数X(k)的虚部；

arg(X(k)) = atan2(Im(X(k)), Re(X(k)))；

其中，arg(X(k))为相角，Re(X(k))表示频域系数X(k)的实部，Im(X(k))表示频域系数X(k)的虚部，atan2函数是反正切函数。

可选地，所述根据所述暂态电流数据，生成时域特征，包括：

通过小波变换分解所述暂态电流数据，生成小波近似系数、小波细节系数以及短期时间序列；

提取所述小波近似系数中的低频幅值；

提取所述小波细节系数中的高频幅值；

将所述短期时间序列、所述低频幅值以及所述高频幅值融合为所述时域特征。

具体地，采用小波变化算法，可以将暂态电流数据转换为时域特征，在小波分解后，小波近似系数代表了暂态电流数据的低频部分，包括低频幅值，而小波细节系数代表了暂态电流数据的高频部分，包括高频幅值。且小波近似系数和小波细节系数包含了暂态电流数据的频率信息和时间尺度信息，再通过傅里叶算法提取暂态电流数据的波形形状和短期时间序列，将频率信息、时间尺度信息、波形形状、短期时间序列、低频幅值以及所述高频幅值融合为所述时域特征。

可选地，所述分类模型的构建方法包括：

获取各类电器的频率数据和谐波数据；

分别提取所述频率数据和所述谐波数据的频率向量和谐波向量；

分别获取所述频率向量和所述谐波向量对应的电器标签；

分别将所述频率向量和所述谐波向量输入到分类模型中，得到所述第一分类结果和所述第二分类结果；

根据所述第一分类结果、所述第二分类结果以及所述对应的分类标签，通过反向传播算法最小化对应的损失函数，得到所述训练好的分类模型，其中，所述分类模型包括第一分类分支和第二分类分支，所述第一分类分支用于处理所述频率向量，输出所述第一分类结果；所述第二分类分支用于处理所述谐波向量，输出所述第二分类结果。

具体地，首先构建分类模型的训练集，获取各种类型电器的频率数据和谐波数据，并提取频率向量和谐波向量，将频率向量和谐波向量作为输入数据，输入到分类模型中，并将频率向量和谐波向量对应的电器种类作为电器标签，与分类模型输出的结果进行对比，得到交叉熵损失，根据交叉熵损失和反向传播算法更新分类模型的权重，重复上述步骤直至交叉熵损失最小，得到训练好的分类模型。此外，分类模型包括第一分类分支和第二分类分支，第一分类分支和第二分类分支的工作原理相同，但输入、输出及权重均不相同。

可选地，所述获取用户总线的暂态电流数据，包括：

获取所述用户总线的电流数据；

通过短期环比变点检测算法处理所述电流数据，生成电流波动；

根据所述电流波动截取所述电流数据的所述暂态电流数据。

具体地，在获取用户总线的原始电流数据后，需要对原始电流数据进行预处理，筛除无用的原始电流数据、噪声和波动，生成干净整洁的电流数据，并采用短期环比变点检测算法处理电流数据，生成电流波动，电流波动是指，总线在接入或切除电器时产生的电流变化，再根据电流波动截取电流数据的暂态电流数据，暂态电流数据是指电流变化时电流的各项数据。采用短期环比检测算法对家用电器负荷的接入或切除时刻进行检测，能够精确地定位电器接入或切除时刻。

可选地，所述根据所述电器分类结果，生成电器监测结果，包括：

获取所述电器分类结果对应的电器的运行时间和运行功率；

融合所述电器分类结果、所述运行时间和所述运行功率，生成所述电器监测结果。

具体地，得到电气分类结果后，获取电气分类结果中每个电器标签对应的电器接入直至切除总线的时间，即电器的运行时间，并根据频域特征反推电器所耗费的功率负荷，即电器的运行功率，最后将电器分类结果中的每个电器标签、其运行时间和运行功率按时间顺序或功率负荷大小顺序整理，生成电器监测结果。

在一个实施例中，在所述将所述频率变化向量和所述谐波变化向量输入到训练好的分类模型中，生成电器监测结果之后，还包括：

根据电器监测结果，生成电器管理策略或电力调度策略。

具体地，电器监测结果包括以时间或功率负荷大小排序的各个电器标签、其接入直至切除总线的时间以及功率负荷，所以，可以根据各个电器的使用情况分析是否存在不必要的电力浪费，并生成合理的电器管理策略。还可根据所有电器的平均接入或断开时间合理分类电力资源，生成电力调度策略。

在另一个实施例中，如图2所示，本发明提供一种电器监测装置，包括：

获取模块，用于获取用户总线的暂态电流数据；

时域特征模块，用于根据所述暂态电流数据，生成时域特征；

幅值波动模块，用于获取所述时域特征的幅值变化，生成幅值波动区间；

时域窗口模块，用于根据所述幅值波动区间，将所述时域特征划分为多个时域窗口特征；

转换排序模块，用于将多个所述时域窗口特征转换为对应的频域窗口特征，并对多个所述频域窗口特征进行排序；

相似度模块，用于确定当前所述频域窗口特征和相邻上一个所述频域窗口特征之间的相似度；

提取模块，用于当所述相似度小于或等于预设相似度时，提取当前所述频域窗口特征对应的频域向量和谐波向量，并提取相邻上一个所述频域窗口特征对应的频域向量和谐波向量；

变化向量模块，用于根据当前所述频域窗口特征对应的频域向量和相邻上一个所述频域窗口特征对应的频域向量之间的差值，生成频率变化向量，并根据当前所述频域窗口特征对应的谐波向量和相邻上一个所述频域窗口特征对应的谐波向量之间的差值，生成谐波变化向量；

分类模块，用于将所述频率变化向量和所述谐波变化向量输入到训练好的分类模型中，生成电器分类结果；

监测模块，用于根据所述电器分类结果，生成电器监测结果。

在又一个实施例中，本发明提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的电器监测方法。

虽然本发明披露如上，但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (10)

1.一种电器监测方法，其特征在于，包括：

获取用户总线的暂态电流数据；

根据所述暂态电流数据，生成时域特征；

获取所述时域特征的幅值变化，生成幅值波动区间；

根据所述幅值波动区间，将所述时域特征划分为多个时域窗口特征；

将多个所述时域窗口特征转换为对应的频域窗口特征，并对多个所述频域窗口特征进行排序；

确定当前所述频域窗口特征和相邻上一个所述频域窗口特征之间的相似度；

当所述相似度小于或等于预设相似度时，提取当前所述频域窗口特征对应的频域向量和谐波向量，并提取相邻上一个所述频域窗口特征对应的频域向量和谐波向量；

根据当前所述频域窗口特征对应的频域向量和相邻上一个所述频域窗口特征对应的频域向量之间的差值，生成频率变化向量，并根据当前所述频域窗口特征对应的谐波向量和相邻上一个所述频域窗口特征对应的谐波向量之间的差值，生成谐波变化向量；

将所述频率变化向量和所述谐波变化向量输入到训练好的分类模型中，生成电器分类结果；

根据所述电器分类结果，生成电器监测结果。

2.根据权利要求1所述的电器监测方法，其特征在于，所述将所述频率变化向量和所述谐波变化向量输入到训练好的分类模型中，生成电器分类结果，包括：

将所述频率变化向量输入到所述分类模型中，得到第一分类结果；

将所述谐波变化向量输入到所述分类模型中，得到第二分类结果；

其中，所述第一分类结果包括多个第一分类标签及对应的多个第一置信度；

当所述第一分类标签对应的所述第一置信度大于或等于预设置信度，根据所述第一分类标签，生成所述电器分类结果；

当所述第一置信度均小于所述预设置信度，融合所述第一分类结果和所述第二分类结果，生成所述电器分类结果。

3.根据权利要求2所述的电器监测方法，其特征在于，所述融合所述第一分类结果和所述第二分类结果，生成所述电器分类结果，包括：

所述第二分类结果包括多个第二分类标签及对应的多个第二置信度；

提取所述第一分类标签和所述第二分类标签中的相同分类标签及对应的第一相同标签置信度和第二相同标签置信度；

将所述第一相同标签置信度和所述第二相同标签置信度输入到置信度权衡公式中，生成每个所述相同分类标签的平衡置信度；其中，所述置信度权衡公式包括：

C=α*x+β*y；

其中，C为所述平衡置信度，α为频率权重，x为所述第一相同标签置信度，β为谐波权重，y为所述第二相同标签置信度；

根据最大的所述平衡置信度数值对应的所述相同分类标签，生成所述电器分类结果。

4.根据权利要求1所述的电器监测方法，其特征在于，所述确定当前所述频域窗口特征和相邻上一个所述频域窗口特征之间的相似度，包括：

分别将当前所述频域窗口特征和相邻上一个所述频域窗口特征降维，生成当前所述频域窗口特征对应的一维频率向量和相邻上一个所述频域窗口特征对应的一维频率向量；

将当前所述频域窗口特征对应的一维频率向量和相邻上一个所述频域窗口特征对应的一维频率向量进行相似度计算，得到所述相似度。

5.根据权利要求1所述的电器监测方法，其特征在于，所述将多个所述时域窗口特征转换为对应的频域窗口特征，并对多个所述频域窗口特征进行排序，包括：

离散化每个所述时域窗口特征，生成多个离散时域序列；

通过DFT算法处理每个所述离散时域序列，生成多个频域系数；

分别根据各所述频域系数生成对应的模值和相角；

根据每个所述频域系数以及对应的所述模值和所述相角，生成多个所述频域窗口特征。

6.根据权利要求1所述的电器监测方法，其特征在于，所述根据所述暂态电流数据，生成时域特征，包括：

通过小波变换分解所述暂态电流数据，生成小波近似系数、小波细节系数以及短期时间序列；

提取所述小波近似系数中的低频幅值；

提取所述小波细节系数中的高频幅值；

将所述短期时间序列、所述低频幅值以及所述高频幅值融合为所述时域特征。

7.根据权利要求2所述的电器监测方法，其特征在于，所述分类模型的构建方法包括：

获取各类电器的频率数据和谐波数据；

分别提取所述频率数据和所述谐波数据的频率向量和谐波向量；

分别获取所述频率向量和所述谐波向量对应的电器标签；

分别将所述频率向量和所述谐波向量输入到分类模型中，得到所述第一分类结果和所述第二分类结果；

根据所述第一分类结果、所述第二分类结果以及所述对应的分类标签，通过反向传播算法最小化对应的损失函数，得到所述训练好的分类模型，其中，所述分类模型包括第一分类分支和第二分类分支，所述第一分类分支用于处理所述频率向量，输出所述第一分类结果；所述第二分类分支用于处理所述谐波向量，输出所述第二分类结果。

8.根据权利要求1所述的电器监测方法，其特征在于，所述获取用户总线的暂态电流数据，包括：

获取所述用户总线的电流数据；

通过短期环比变点检测算法处理所述电流数据，生成电流波动；

根据所述电流波动截取所述电流数据的所述暂态电流数据。

9.根据权利要求1所述的电器监测方法，其特征在于，所述根据所述电器分类结果，生成电器监测结果，包括：

获取所述电器分类结果对应的电器的运行时间和运行功率；

融合所述电器分类结果、所述运行时间和所述运行功率，生成所述电器监测结果。

10.一种电器监测装置，其特征在于，包括：

获取模块，用于获取用户总线的暂态电流数据；

时域特征模块，用于根据所述暂态电流数据，生成时域特征；

幅值波动模块，用于获取所述时域特征的幅值变化，生成幅值波动区间；

时域窗口模块，用于根据所述幅值波动区间，将所述时域特征划分为多个时域窗口特征；

转换排序模块，用于将多个所述时域窗口特征转换为对应的频域窗口特征，并对多个所述频域窗口特征进行排序；

相似度模块，用于确定当前所述频域窗口特征和相邻上一个所述频域窗口特征之间的相似度；

提取模块，用于当所述相似度小于或等于预设相似度时，提取当前所述频域窗口特征对应的频域向量和谐波向量，并提取相邻上一个所述频域窗口特征对应的频域向量和谐波向量；

变化向量模块，用于根据当前所述频域窗口特征对应的频域向量和相邻上一个所述频域窗口特征对应的频域向量之间的差值，生成频率变化向量，并根据当前所述频域窗口特征对应的谐波向量和相邻上一个所述频域窗口特征对应的谐波向量之间的差值，生成谐波变化向量；

分类模块，用于将所述频率变化向量和所述谐波变化向量输入到训练好的分类模型中，生成电器分类结果；

监测模块，用于根据所述电器分类结果，生成电器监测结果。