CN118444239A - 一种智能电能表的电表计量方法及智能电能表 - Google Patents

Abstract

本发明提供一种智能电能表的电表计量方法及智能电能表，该方法包括如下步骤：获取待测量电路的初始电能采样数据；提取所述初始电能采样数据的波形特征和功率因数特征；结合所述波形特征和所述功率因数特征对所述待测量电路中的当前运行负载进行分类，得到负载分类结果；根据所述负载分类结果从预设的校正参数数据库中提取对应的多个相移补偿参数；基于所述负载分类结果并通过多个所述相移补偿参数计算得到相移校正参数；结合所述初始电能采样数据和所述相移校正参数计算得到电能计量数据，并通过所述智能电能表输出所述电能计量数据。本发明具有电表计量数据精度更高的效果。

Description

一种智能电能表的电表计量方法及智能电能表

技术领域

本发明属于智能电表技术领域，具体是涉及到一种智能电能表的电表计量方法及智能电能表。

背景技术

随着电力系统的现代化，传统的机械式电能表逐渐被智能电能表取代。智能电能表是一种用于电力计量和管理的先进设备，能够记录电能消耗情况并通过通信网络将数据传输到电力公司和用户端。智能电能表可以帮助用户更好地了解和管理自己的电力消耗，从而提高能源利用效率，减少不必要的浪费，达到节能减排的目的。通过智能电能表，电力公司也可以实时监控和分析电网的运行状况，及时调整负荷分配，避免电网过载和停电事故，提高电网的稳定性和可靠性。

然而智能电能表在实际应用中可能会出现多种计量数据误差，尤其是现代电力系统中广泛使用的非线性负载会在电路中产生谐波，进而导致电压和电流波形畸变，而电压、电流波形畸变通常被认为是影响智能电能表计量数据准确性的最严重因素，波形畸变使得智能电能表输出的计量数据较为不准确，这也是行业内亟需解决的一大重要问题。

发明内容

本发明提供一种智能电能表的电表计量方法及智能电能表，以解决智能电能表输出的计量数据较为不准确的问题。

第一方面，本发明提供一种智能电能表的电表计量方法，应用于智能电能表，该方法包括如下步骤：

获取待测量电路的初始电能采样数据；

提取所述初始电能采样数据的波形特征和功率因数特征；

结合所述波形特征和所述功率因数特征对所述待测量电路中的当前运行负载进行分类，得到负载分类结果，所述负载分类结果中的负载分类类型包括线性负载和非线性负载；

根据所述负载分类结果从预设的校正参数数据库中提取对应的多个相移补偿参数；

基于所述负载分类结果并通过多个所述相移补偿参数计算得到相移校正参数；

结合所述初始电能采样数据和所述相移校正参数计算得到电能计量数据，并通过所述智能电能表输出所述电能计量数据。

可选的，所述提取所述初始电能采样数据的波形特征和功率因数特征包括如下步骤：

利用快速傅里叶变换算法从所述初始电能采样数据中提取出基波波形特征；

根据所述基波波形特征中的基波最大幅值确定谐波计算次数；

基于所述谐波计算次数并利用所述快速傅里叶变换算法从所述初始电能采样数据中提取出N次谐波波形特征；

通过所述基波波形特征计算得到第一功率因数特征，并通过所述N次谐波波形特征计算得到第二功率因数特征；

结合所述第一功率因数特征和所述第二功率因数特征计算得到所述初始电能采样数据的功率因数特征。

可选的，所述结合所述波形特征和所述功率因数特征对所述待测量电路中的当前运行负载进行分类，得到负载分类结果包括如下步骤：

结合所述基波波形特征和所述N次谐波波形特征计算得到所述初始电能采样数据的谐波失真值；

统计计算得到所述N次谐波波形特征的总谐波幅值；

若所述谐波失真值小于所述失真值阈值且所述总谐波幅值小于所述基波波形特征的基波幅值，则将所述当前运行负载分类为线性负载；

基于所述功率因数特征将所述线性负载分类为纯电阻负载、感性负载或容性负载；

若所述谐波失真值大于等于所述失真值阈值且所述总谐波幅值大于等于所述基波波形特征的基波幅值，则将所述当前运行负载分类为非线性负载；

若所述谐波失真值小于所述失真值阈值且所述总谐波幅值大于等于所述基波波形特征的基波幅值；

或，

若所述谐波失真值大于等于所述失真值阈值且所述总谐波幅值小于所述基波波形特征的基波幅值，则将所述当前运行负载分类为中性负载；

分别统计各个负载分类的负载类型数量，并将所有所述负载分类以及对应的所述负载类型数量整合为负载分类结果。

可选的，所述方法还包括如下步骤：

将所述初始电能采样数据作为历史采样数据存储至预设的本地存储空间，根据所述负载分类结果为所述波形特征添加负载类型标签，并将所述波形特征作为历史波形特征存储至所述本地存储空间；

将所述初始电能采样数据对应的所述负载分类结果缓存至预设的缓存空间；

每间隔预设的采样间隔时间采样所述待测量电路，得到实时电能采样数据；

每成功采样到一次所述实时电能采样数据时，将所述实时电能采样数据存储至所述本地存储空间，利用所述实时电能采样数据执行一次分类结果更新步骤以更新所述缓存空间中的所述负载分类结果。

可选的，所述分类结果更新步骤包括如下步骤：

利用所述快速傅里叶变换算法获取所述实时电能采样数据的实时波形特征；

从所述本地存储空间中提取出存储时间戳与当前时刻最接近的目标历史波形特征；

通过比较所述实时波形特征与所述目标历史波形特征之间的特征差距判断当前时刻所述待测量电路中是否存在负载启停动作；

若当前时刻所述待测量电路中不存在所述负载启停动作，则维持当前时刻的所述负载分类结果不变，同时结束本次所述分类结果更新步骤；

若当前时刻所述待测量电路中存在所述负载启停动作，则采用波形分离技术并基于所述历史波形特征从所述实时波形特征中分离出当前负载波形特征，所述当前负载波形特征为当前时刻进行所述负载启停动作的目标负载的波形特征；

通过所述当前负载波形特征计算得到所述目标负载的当前负载功率因数特征；

结合所述当前负载波形特征和所述当前负载功率因数特征完成对所述目标负载的负载分类，根据所述目标负载的分类结果为所述当前负载波形特征添加所述负载类型标签，并将所述当前负载波形特征作为所述历史波形特征存储至所述本地存储空间；

基于所述目标负载的分类结果更新所述缓存空间中的所述负载分类结果，同时结束本次所述分类结果更新步骤。

可选的，所述基于所述负载分类结果并通过多个所述相移补偿参数计算得到相移校正参数包括如下步骤：

从所述缓存空间中提取出当前时刻的所述负载分类结果；

基于当前时刻的所述负载分类结果中的所述负载类型标签从所述本地存储空间中调取出标签对应的目标波形特征；

分别计算每个所述目标波形特征在当前时刻波形特征中的功率贡献度；

根据所述功率贡献度分别为每个所述目标波形特征分配不同的贡献权重；

基于所有所述目标波形特征对应的所述相移补偿参数和对应的所述贡献权重计算得到相移校正参数。

可选的，所述相移校正参数的计算公式如下：

，

式中：表示当前时刻的所述相移校正参数，表示第个所述目标波形特征的所述相移补偿参数，表示第个所述目标波形特征的所述贡献权重，表示当前时刻所述目标波形特征的特征数量。

可选的，在所述通过所述智能电能表输出所述电能计量数据之后还包括如下步骤：

从所述本地存储空间中提取出所有所述历史采样数据；

结合所有所述历史采样数据并通过数据预测算法预测得到当前时刻的初始预测计量数据；

利用预设的预测计量调整参数将所述初始预测计量数据调整为目标预测计量数据；

计算得到所述电能计量数据和所述目标预测计量数据之间的数据差值；

确定当前时刻所有所述目标波形特征在所述校正参数数据库中对应的待调整相移补偿参数；

基于所述数据差值并根据所述贡献权重分别在所述校正参数数据库中调整各个所述待调整相移补偿参数。

第二方面，本发明还提供一种智能电能表，所述智能电能表包括：

数据采样模块，用于获取待测量电路的初始电能采样数据；

特征提取模块，用于提取所述初始电能采样数据的波形特征和功率因数特征；

特征分类模块，用于结合所述波形特征和所述功率因数特征对所述待测量电路中的当前运行负载进行分类，得到负载分类结果；

数据存储模块，用于存储预设的校正参数数据库；

参数提取模块，用于根据所述负载分类结果从所述校正参数数据库中提取对应的多个相移补偿参数；

校正参数计算模块，用于基于所述负载分类结果并通过多个所述相移补偿参数计算得到相移校正参数；

计量输出模块，用于结合所述初始电能采样数据和所述相移校正参数计算得到电能计量数据，并通过所述智能电能表输出所述电能计量数据。

可选的，所述特征提取模块包括：

基波提取单元，用于利用快速傅里叶变换算法从所述初始电能采样数据中提取出基波波形特征；

谐波前置计算单元，用于根据所述基波波形特征中的基波最大幅值确定谐波计算次数；

谐波提取单元，用于基于所述谐波计算次数并利用所述快速傅里叶变换算法从所述初始电能采样数据中提取出N次谐波波形特征；

功率因数特征前置计算单元，用于基于所述谐波计算次数并利用所述快速傅里叶变换算法从所述初始电能采样数据中提取出N次谐波波形特征；

功率因数特征提取单元，用于结合所述第一功率因数特征和所述第二功率因数特征计算得到所述初始电能采样数据的功率因数特征。

本发明的有益效果是：

通过获取待测量电路的初始电能采样数据并提取其波形特征和功率因数特征，可以准确分类当前运行负载为线性负载或非线性负载，从而根据负载分类结果从预设的校正参数数据库中提取对应的多个相移补偿参数，基于这些补偿参数计算得到相移校正参数，进而结合初始电能采样数据和相移校正参数计算出更加精确的电能计量数据，并通过智能电能表输出，从而有效地适应不同类型负载的特性，减少计量误差，提高了电能计量的准确性和可靠性。

附图说明

图1为本申请其中一种实施方式中智能电能表的电表计量方法的流程示意图。

图2为本申请其中一种实施方式中智能电能表的系统结构图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为一个实施例中智能电能表的电表计量方法的流程示意图。本实施例中所公开的智能电能表的电表计量方法应用于智能电能表。应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。如图1所示，本发明所公开的一种智能电能表的电表计量方法具体包括如下步骤：

S101.获取待测量电路的初始电能采样数据。

其中，智能电能表通过内置的电压和电流传感器，持续监测电路中的电压和电流信号。智能电能表通常配备了高精度的模数转换器（ADC），能够将模拟信号转换为数字信号，以便后续的数字处理。采样频率是一个关键参数，通常设定在数千赫兹（kHz）到数十千赫兹的范围内，以确保能够捕捉到电能信号的细微变化和高频成分。

S102.提取初始电能采样数据的波形特征和功率因数特征。

其中，波形特征的提取涉及对电压和电流信号进行频域分析，常用的方法是快速傅里叶变换方法（FFT），快速傅里叶变换能够将时域信号转换为频域信号，从而识别出信号中的谐波成分和其他频率特征。功率因数特征则反映了电能的有效利用情况，通常通过计算有功功率和视在功率的比值来获得。

例如对于一个含有谐波的电动机负载。通过快速傅里叶变换，可以将电压和电流波形分解为基波和各次谐波成分。其中，可能会发现三次谐波和五次谐波在信号中占据显著比例，这些信息将作为波形特征的一部分。而功率因数特征可以通过计算电动机的有功功率（实际消耗的电能）和视在功率（电压和电流的乘积）来获得。如果电动机的功率因数较低，说明其电能利用效率不高，可能存在无功功率较大的问题。波形特征和功率因数特征的提取能够深入理解电能信号的组成和特性，这为后续的负载分类和相移补偿提供了必要的数据支持，有助于提高电能计量的精度和可靠性。

S103.结合波形特征和功率因数特征对待测量电路中的当前运行负载进行分类，得到负载分类结果。

其中，结合提取到的波形特征和功率因数特征，对待测量电路中的当前运行负载进行分类，得到负载分类结果，负载分类结果中的负载分类类型包括线性负载和非线性负载。负载分类结果的准确性直接影响到后续步骤的有效性。通过精确的负载分类，可以针对不同负载类型采取相应的补偿措施，从而提高电能计量的准确性和可靠性。

S104.根据负载分类结果从预设的校正参数数据库中提取对应的多个相移补偿参数。

其中，校正参数数据库是一个预先建立的数据库，存储了不同类型负载对应的相移补偿参数，这些参数用于修正因负载特性引起的电能计量误差。举例来说，如果在前一步骤中将当前负载分类为非线性负载，接下来会在校正参数数据库中查找与非线性负载相对应的相移补偿参数。数据库中可能包含多个参数组，每组参数对应不同的谐波频率和相位偏移。例如，部分非线性负载可能会产生显著的三次和五次谐波，数据库中会有针对这些谐波的补偿参数。这些补偿参数通常包括谐波的幅值和相位信息，用于调整电能信号的相位，使其更加接近理想的正弦波形。通过提取这些参数，系统为后续的相移校正计算提供了必要的数据支持。通过从校正参数数据库中提取相应的补偿参数，能够针对不同类型的负载进行精确的相移补偿。这一步骤确保了补偿参数的准确性和适用性，使得后续的相移校正计算更加精确，有助于提高电能计量的准确性。

S105.基于负载分类结果并通过多个相移补偿参数计算得到相移校正参数。

其中，利用提取到的补偿参数，通过加权平均算法或一些优化算法来具体计算得到相移校正参数，最终使用相移校正参数对初始电能采样数据进行相位调整，从而校正电能计量误差。具体实施过程中，系统会将初始电能采样数据与补偿参数进行结合，计算出每个采样点的相位调整值。这些调整值用于修正电压和电流信号的相位，从而减少因谐波和相位偏移引起的计量误差。

S106.结合初始电能采样数据和相移校正参数计算得到电能计量数据，并通过智能电能表输出电能计量数据。

其中，将初始电能采样数据与相移校正参数进行结合，调整每个采样点的电压和电流信号，以修正相位偏移和谐波畸变。通过这些调整能够计算出更加准确的有功功率和无功功率，从而得到精确的电能消耗数据。最终，智能电能表会将这些数据通过显示屏、通信模块等方式输出，供用户和电力公司使用。

在其中一种实施方式中，步骤S102具体包括如下步骤：

利用快速傅里叶变换算法从初始电能采样数据中提取出基波波形特征；

根据基波波形特征中的基波最大幅值确定谐波计算次数；

基于谐波计算次数并利用快速傅里叶变换算法从初始电能采样数据中提取出N次谐波波形特征；

通过基波波形特征计算得到第一功率因数特征，并通过N次谐波波形特征计算得到第二功率因数特征；

结合第一功率因数特征和第二功率因数特征计算得到初始电能采样数据的功率因数特征。

在本实施方式中，快速傅里叶变换（FFT）算法是一种高效的算法，用于将时间域信号转换为频率域信号。在具体实施时，通过智能电能表采集电路中的电压和电流信号，这些信号在时间轴上表现为波形数据。通过FFT算法，可以将这些时间域波形数据转换为频率域数据，从而识别出信号中的各个频率成分。基波是指频率最低且幅值最大的成分，通常对应电网的工频（如50Hz或60Hz）。举例来说，如果采集到的电压信号在时间域上表现为一个周期性的波形，经过FFT处理后，在频谱图上可以看到一个明显的峰值，这个峰值对应的频率就是基波频率，而峰值的高度则表示基波的幅值。通过识别这个峰值可以提取出基波的频率和幅值特征。

谐波是指基波频率的整数倍频率成分，通常在电力系统中，由于非线性负载的存在，会产生多次谐波。基波最大幅值的确定可以帮助系统判断谐波的显著性和需要计算的次数。具体实施时，系统会首先确定基波的最大幅值，然后根据预设的阈值或经验公式，决定需要计算的谐波次数。例如，如果基波幅值很大，说明谐波成分可能较为显著，系统可能会选择计算更多次的谐波，如前10次或前20次。这个过程确保了系统能够捕捉到主要的谐波成分，而不会浪费计算资源在不显著的高次谐波上。

接下来会再次应用FFT算法从初始电能采样数据中提取N次谐波波形特征，在频域信号中，除了基波之外，还可以看到各次谐波的频率和幅值。根据前一步确定的谐波次数，提取出前N次谐波的频率和幅值。例如，如果系统确定需要计算前10次谐波，那么在频谱图上，系统会依次识别出2倍频、3倍频直到10倍频的谐波成分，并记录下它们的幅值和相位信息。这些谐波特征为后续的功率因数计算提供了必要的数据支持。

通过基波波形特征可以计算得到第一功率因数特征，功率因数是指有功功率与视在功率的比值，反映了电能的有效利用率。具体实施时，利用基波的幅值和相位信息，计算基波的有功功率和视在功率。例如，基波的有功功率可以通过电压和电流的基波成分相乘并考虑相位差来计算，而视在功率则是电压和电流的基波幅值的乘积。通过这些计算可以得到基波的功率因数，即第一功率因数特征。同样地，通过N次谐波波形特征可以计算得到第二功率因数特征。谐波功率因数的计算类似于基波功率因数，但需要考虑每个谐波的幅值和相位。具体实施时，可以分别计算每个谐波的有功功率和视在功率，并将这些结果进行综合。例如可以将每个谐波的有功功率相加，得到总的谐波有功功率，然后将每个谐波的视在功率相加，得到总的谐波视在功率。通过这些计算可以得到谐波的功率因数，即第二功率因数特征。最后结合第一功率因数特征和第二功率因数特征，计算得到初始电能采样数据的整体功率因数特征。具体实施时，将基波和谐波的功率因数进行加权平均或其他数学处理，以得到综合的功率因数。

在其中一种实施方式中，步骤S103具体包括如下步骤：

结合基波波形特征和N次谐波波形特征计算得到初始电能采样数据的谐波失真值；

统计计算得到N次谐波波形特征的总谐波幅值；

若谐波失真值小于失真值阈值且总谐波幅值小于基波波形特征的基波幅值，则将当前运行负载分类为线性负载；

基于功率因数特征将线性负载分类为纯电阻负载、感性负载或容性负载；

若谐波失真值大于等于失真值阈值且总谐波幅值大于等于基波波形特征的基波幅值，则将当前运行负载分类为非线性负载；

若谐波失真值小于失真值阈值且总谐波幅值大于等于基波波形特征的基波幅值；

或，

若谐波失真值大于等于失真值阈值且总谐波幅值小于基波波形特征的基波幅值，则将当前运行负载分类为中性负载；

分别统计各个负载分类的负载类型数量，并将所有负载分类以及对应的负载类型数量整合为负载分类结果。

在本实施方式中，在结合基波波形特征和N次谐波波形特征计算得到初始电能采样数据的谐波失真值时，首先需要明确谐波失真值的定义。谐波失真值通常用总谐波失真（THD）表示，计算公式为：

，

式中：其中是第次谐波波形特征的幅值，是基波波形特征的幅值。具体实施时，利用快速傅里叶变换（FFT）提取各次谐波幅值和基波幅值，代入公式进行计算得到谐波失真值。这个值反映了谐波成分相对于基波成分的比例，通过计算谐波失真值，可以了解电能中谐波的影响程度，从而为后续的负载分类提供依据。

统计计算得到N次谐波波形特征的总谐波幅值是下一步的关键，通过计算总谐波幅值，可以量化谐波对电能的总影响，从而为负载分类提供更全面的信息。在计算过程中可以考虑引入加权系数和相位角的影响。假设第次谐波波形特征的幅值为，相位角为，通过预设的加权系数来强调不同次谐波的影响，总谐波幅值的计算公式为：

。

线性负载的特点是电流与电压成正比关系，谐波成分较少。具体实施时，设定一个失真值阈值，例如5%。若计算得到的谐波失真值小于5%，且总谐波幅值小于基波幅值，则可以判定负载为线性负载。进一步地，基于功率因数特征将线性负载分类为纯电阻负载、感性负载或容性负载。功率因数特征包括有功功率、无功功率和视在功率的关系。纯电阻负载的功率因数接近1，感性负载的功率因数滞后于1，容性负载的功率因数超前于1。具体实施时，计算负载的功率因数，若功率因数接近1，则分类为纯电阻负载；若功率因数滞后，则分类为感性负载；若功率因数超前，则分类为容性负载。例如，通过测量和计算，若某电器的功率因数为0.95且滞后，则可以将其分类为感性负载。这样可以进一步细化负载分类，提高电能管理的精度。

若谐波失真值大于等于失真值阈值且总谐波幅值大于等于基波波形特征的基波幅值，则将当前运行负载分类为非线性负载。非线性负载的特点是电流与电压不成正比关系，产生大量谐波。具体实施时，若计算得到的谐波失真值大于等于5%，且总谐波幅值大于等于基波幅值，则可以判定负载为非线性负载。若谐波失真值小于失真值阈值且总谐波幅值大于等于基波波形特征的基波幅值，或若谐波失真值大于等于失真值阈值且总谐波幅值小于基波波形特征的基波幅值，则将当前运行负载分类为中性负载。中性负载的特点是谐波成分和基波成分的影响相对均衡。

最后，分别统计各个负载分类的负载类型数量，并将所有负载分类以及对应的负载类型数量整合为负载分类结果。具体实施时，统计每一类负载（如线性负载、非线性负载、中性负载）的数量，并记录各类负载中的具体类型（如纯电阻负载、感性负载、容性负载）。将这些统计结果整合成一个完整的负载分类报告，例如，通过对多个电器的测量和分类，统计出线性负载中纯电阻负载有10个，感性负载有5个，容性负载有3个，非线性负载有8个，中性负载有4个。通过这种详细的统计和分类，便于后续补偿参数的调取与相移校正的计算。

在本实施方式中，智能电能表的电表计量方法还可以包括如下步骤：

将初始电能采样数据作为历史采样数据存储至预设的本地存储空间，根据负载分类结果为波形特征添加负载类型标签，并将波形特征作为历史波形特征存储至本地存储空间；

将初始电能采样数据对应的负载分类结果缓存至预设的缓存空间；

每间隔预设的采样间隔时间采样待测量电路，得到实时电能采样数据；

每成功采样到一次实时电能采样数据时，将实时电能采样数据存储至本地存储空间，利用实时电能采样数据执行一次分类结果更新步骤以更新缓存空间中的负载分类结果。

在本实施方式中，将采样到的电压、电流等电能参数记录下来，并保存到智能电能表中存储模块内预设的本地存储空间。存储时，可以采用一定的格式，如时间戳、电压值、电流值等，以便后续处理和分析。这样做的目的是保留所有历史数据，以便进行长期分析和趋势预测。根据负载分类结果，为波形特征添加负载类型标签，例如可以在数据库中将每条记录增加一个“负载类型”字段。这样做的好处是能够在后续数据分析中快速识别和区分不同类型的负载。将波形特征作为历史波形特征存储至本地存储空间。波形特征可以包括电压、电流的瞬时值、均值、峰值、频率等参数。存储时，可以将这些特征数据与对应的时间戳和负载类型标签一起保存，形成一条完整的记录。

将初始电能采样数据对应的负载分类结果缓存至智能电能表中存储模块内预设的缓存空间。缓存空间可以是存储模块中的一个区域，用于快速访问最近的分类结果。具体实现时，可以使用键值对的形式，将时间戳作为键，分类结果作为值存储在缓存中。这样可以在后续的实时数据处理过程中快速获取最近的分类结果，提高处理效率。通过智能电能表每间隔预设的采样间隔时间采样待测量电路，得到实时电能采样数据，采样间隔时间可以根据实际需求设定。每成功采样到一次实时电能采样数据时，可以将实时采样到的电压、电流等参数与时间戳一起保存到存储模块中。存储格式可以与历史数据一致，以便后续处理和分析。

利用实时电能采样数据执行一次分类结果更新步骤，以更新缓存空间中的负载分类结果。具体实现时，可以将实时采样到的数据采用前述实施方式中所描述的分类方式进行分类，也可以将实时采样到的数据输入到分类算法中，得到当前的负载分类结果。分类算法可以是基于机器学习的模型，例如决策树、支持向量机或神经网络。得到分类结果后，将其更新到缓存空间中。这样可以确保缓存空间中的分类结果始终是最新的，能够准确反映当前的负载情况。

在本实施方式中，分类结果更新步骤包括如下步骤：

利用快速傅里叶变换算法获取实时电能采样数据的实时波形特征；

从本地存储空间中提取出存储时间戳与当前时刻最接近的目标历史波形特征；

通过比较实时波形特征与目标历史波形特征之间的特征差距判断当前时刻待测量电路中是否存在负载启停动作；

若当前时刻待测量电路中不存在负载启停动作，则维持当前时刻的负载分类结果不变，同时结束本次分类结果更新步骤；

若当前时刻待测量电路中存在负载启停动作，则采用波形分离技术并基于历史波形特征从实时波形特征中分离出当前负载波形特征，当前负载波形特征为当前时刻进行负载启停动作的目标负载的波形特征；

通过当前负载波形特征计算得到目标负载的当前负载功率因数特征；

结合当前负载波形特征和当前负载功率因数特征完成对目标负载的负载分类，根据目标负载的分类结果为当前负载波形特征添加负载类型标签，并将当前负载波形特征作为历史波形特征存储至本地存储空间；

基于目标负载的分类结果更新缓存空间中的负载分类结果，同时结束本次分类结果更新步骤。

在本实施方式中，首先对采样到的实时电能采样数据，也即实时电压和电流数据进行预处理，去除直流偏移和噪声，然后应用FFT算法计算出各个频率成分的幅值和相位。假设采样频率为1kHz，采样点数为1024，则FFT可以将时间域信号转换为频域信号，得到从0Hz到500Hz的频率成分。通过分析这些频率成分的幅值和相位，可以得到实时波形的特征，如基波和各次谐波的幅值与相位。然后可以从本地存储空间中读取所有存储的历史波形特征，并根据时间戳进行排序，根据排序结果找到与当前时刻最接近的时间戳对应的波形特征，作为目标历史波形特征。这样做的目的是找到一个与当前时刻条件相似的历史波形特征，以便进行后续的比较和分析。

通过比较实时波形特征与目标历史波形特征之间的特征差距，判断当前时刻待测量电路中是否存在负载启停动作。特征差距可以通过计算实时波形特征与目标历史波形特征在各个频率成分上的差值来实现，具体可以使用欧氏距离公式进行计算。若差距超过预设阈值，则认为存在负载启停动作，也即在待测量电路中，当前时刻存在负载接入电路或切出电路。若当前时刻待测量电路中不存在负载启停动作，则维持当前时刻的负载分类结果不变，同时结束本次分类结果更新步骤。

若当前时刻待测量电路中存在负载启停动作，则采用波形分离技术并基于历史波形特征从实时波形特征中分离出当前负载波形特征。波形分离技术可以采用盲源分离（BSS）算法，如独立成分分析（ICA），将混合信号分解为独立的源信号。具体实现时，可以将实时波形特征作为输入，通过ICA算法分离出各个独立的负载波形特征。假设实时波形特征包含两个负载的信号，则通过ICA可以分离出这两个负载的独立波形特征。通过分离出的波形特征，可以识别出当前时刻进行启停动作的负载。通过当前负载波形特征计算得到目标负载的当前负载功率因数特征。结合当前负载波形特征和当前负载功率因数特征完成对目标负载的负载分类。具体实现时，可以将当前负载波形特征和功率因数特征输入到分类算法中，得到负载的分类结果。根据分类结果，为当前负载波形特征添加负载类型标签，并将当前负载波形特征作为历史波形特征存储至本地存储空间，替换之前的分类结果。这样可以确保缓存中的分类结果始终是最新的，能够准确反映当前的负载情况。

在本实施方式中，步骤S105具体包括如下步骤：

从缓存空间中提取出当前时刻的负载分类结果；

基于当前时刻的负载分类结果中的负载类型标签从本地存储空间中调取出标签对应的目标波形特征；

分别计算每个目标波形特征在当前时刻波形特征中的功率贡献度；

根据功率贡献度分别为每个目标波形特征分配不同的贡献权重；

基于所有目标波形特征对应的相移补偿参数和对应的贡献权重计算得到相移校正参数。

在本实施方式中，从缓存空间中提取出当前时刻的负载分类结果，然后基于当前时刻的负载分类结果中的负载类型标签从本地存储空间中调取出标签对应的目标波形特征。对于任意一个目标波形特征，在计算功率贡献度时需要分别考虑有功功率、无功功率和视在功率的贡献度。总功率参数是所有负载功率的总和，它们分别表示电能的实际消耗、无功功率（用于建立电场或磁场）以及视在功率（综合了有功和无功功率的总量）。

具体而言，针对每个目标波形特征，逐步计算其在当前时刻的功率贡献度。首先，计算有功功率贡献度，即目标波形特征的有功功率占总有功功率的比例。然后计算无功功率贡献度，即目标波形特征的无功功率占总无功功率的比例。接下来计算视在功率贡献度，即目标波形特征的视在功率占总视在功率的比例。除了功率参数外，还可以考虑谐波失真值和电压电流相位差。谐波失真值反映了波形中谐波的含量，较高的谐波失真值表示波形畸变较大。计算目标波形特征的谐波失真值贡献度时，可以将其谐波失真值与1相加后取倒数，这样可以使得谐波失真值越大，贡献度越小。最后考虑电压和电流的相位差。相位差越小，功率因数越高，表示电能利用效率越高。相位差的贡献度可以通过计算其余弦值来反映。

在计算完所有单独的贡献度后，需要将它们综合起来。为此，可以为每个贡献度分配一个权重，这些权重反映了各个因素在总体贡献度中的相对重要性。最终将每个单独贡献度乘以其对应的权重，然后将所有结果相加。通过上述步骤，可以得到每个目标波形特征在当前时刻的综合功率贡献度。这个综合贡献度不仅考虑了基本的功率参数，还结合了电能质量参数，使得计算结果更加全面和准确。最终，这些综合贡献度可以用于后续的相移校正和其他电能质量分析。

根据功率贡献度分别为每个目标波形特征分配不同的贡献权重。贡献权重是基于功率贡献度分配的，用于衡量每个目标波形特征在总功率中的重要性。具体实现时，可以将功率贡献度直接作为贡献权重，或者根据一定的规则进行调整。然后可以基于所有目标波形特征对应的相移补偿参数和对应的贡献权重计算得到相移校正参数，相移补偿参数是指在电能采样过程中，为了校正电压和电流信号之间的相位差而设定的参数。在本实施方式中，当前时刻波形特征可以是初始电能采样数据的波形特征，也可以是任意时刻下实时电能采样数据所对应的波形特征。这意味着，不论是刚开始采样的数据，还是经过一定时间后的实时数据，都可以作为当前时刻波形特征进行处理。这样可以确保能够在不同的时间点上进行准确的波形特征分析和校正，通过上述步骤，可以实现对实时电能数据的精确分析和校正。

在本实施方式中，相移校正参数的计算公式如下：

，

式中：表示当前时刻的相移校正参数，表示第个目标波形特征的相移补偿参数，表示第个目标波形特征的贡献权重，表示当前时刻目标波形特征的特征数量。

在本实施方式中，在步骤S106中通过智能电能表输出电能计量数据之后还包括如下步骤：

从本地存储空间中提取出所有历史采样数据；

结合所有历史采样数据并通过数据预测算法预测得到当前时刻的初始预测计量数据；

利用预设的预测计量调整参数将初始预测计量数据调整为目标预测计量数据；

计算得到电能计量数据和目标预测计量数据之间的数据差值；

确定当前时刻所有目标波形特征在校正参数数据库中对应的待调整相移补偿参数；

基于数据差值并根据贡献权重分别在校正参数数据库中调整各个待调整相移补偿参数。

在本实施方式中，从本地存储空间中提取出所有历史采样数据这一过程涉及读取存储设备上的数据文件或数据库记录。这些数据通常包括时间戳、采样值、电压、电流、频率等详细信息。提取这些数据时，需要确保数据的完整性和准确性，可以使用编程语言（如Python、SQL等）编写脚本来自动化数据提取过程。例如，可以使用SQL查询从数据库中检索所有历史采样记录，或使用文件I/O操作读取存储在本地文件中的数据。提取出的数据应按时间顺序排列，以便后续的分析和预测。

结合所有历史采样数据并通过数据预测算法预测得到当前时刻的初始预测计量数据。这一步骤需要使用数据预测算法，如时间序列分析、机器学习或深度学习算法。常见的时间序列算法包括ARIMA、Exponential Smoothing等，而机器学习算法如随机森林、支持向量机，深度学习算法如LSTM（长短期记忆网络）等也可以用于预测。首先，将历史采样数据分成训练集和验证集，训练集用于训练模型，验证集用于评估模型性能。选择合适的模型后，使用训练好的模型对当前时刻进行预测，生成初始预测计量数据。这个预测值代表在当前时刻，根据历史数据和趋势所预期的电能计量值。由于采用机器学习或深度学习算法进行预测的过程需要消耗较大的算力，在智能电能表上运行不太实际，因此在本实施方式中，可以通过智能电能表的通讯设备与云服务器建立通信连接，智能电能表将历史采样数据发送至云服务器，云服务器通过数据预测算法预测得到当前时刻的初始预测计量数据后，将初始预测计量数据回传至智能电能表。

在另一种实施方式中，也可以通过智能电能表中的数据预测模块实现初始预测计量数据的预测过程，具体将所有历史采样数据输入至数据预测模块，通过数据预测模块预先设定的指数平滑算法、回归分析算法等预测方法计算得到当前时刻的初始预测计量数据。

在本实施方式中，利用预设的预测计量调整参数将初始预测计量数据调整为目标预测计量数据，然后计算得到电能计量数据和目标预测计量数据之间的数据差值。电能计量数据是实际测量得到的值，而目标预测计量数据是经过调整后的预测值。两者之间的差值反映了预测与实际之间的误差。计算差值的公式为：数据差值=实际电能计量数据-目标预测计量数据。这个差值可以用于评估预测模型的准确性，并在后续步骤中用于调整相移补偿参数。然后，确定当前时刻所有目标波形特征在校正参数数据库中对应的待调整相移补偿参数，具体检索过程可以使用数据库查询语句，根据波形特征的匹配条件，从数据库中提取相应的补偿参数。

基于数据差值并根据贡献权重分别在校正参数数据库中调整各个待调整相移补偿参数。数据差值反映了预测与实际之间的误差，而贡献权重则表示各个波形特征在总误差中的贡献度。根据贡献权重，可以将总误差分配到各个波形特征上，并据此调整相应的相移补偿参数。调整公式可以表示为：新的相移补偿参数=旧的相移补偿参数+（数据差值×贡献权重）。通过这种方式，可以逐步校正各个波形特征的相移补偿参数，使得系统的预测精度不断提高。这一步骤的效果是减少预测误差，提高电能计量的准确性和可靠性。

在其中一种实施方式中，基于数据差值并根据贡献权重分别在校正参数数据库中调整各个待调整相移补偿参数这一步骤具体包括如下步骤：

基于数据差值并根据贡献权重分别在校正参数数据库中调整各个待调整相移补偿参数的过程可以通过云服务器构建公共的相移补偿参数调整模型来实现。首先，智能电能表将本地计算得到的数据差值、贡献权重以及对应的待调整相移补偿参数上传至云服务器。上传过程可以通过安全的通信协议（如HTTPS）来保证数据传输的安全性和完整性。上传的数据包括每个波形特征的具体差值、相应的贡献权重以及当前使用的相移补偿参数。云服务器接收到来自多个智能电能表的数据后，将这些数据输入至相移补偿参数调整模型。这个模型可以是基于机器学习或深度学习的算法模型，能够根据输入的数据差值和贡献权重，计算出新的相移补偿参数。利用相移补偿参数调整模型输出相移补偿参数调整结果后，云服务器将新的相移补偿参数返回给各个智能电能表。智能电能表接收到新的相移补偿参数后，更新本地的相移补偿参数数据库。更新后的相移补偿参数将用于后续的电能计量校正，使得新的预测结果更加准确。通过多个智能电能表的协作学习，可以有效提升相移补偿参数调整模型的精度和适应性。每个智能电能表上传的数据反映了不同环境和条件下的误差情况，云服务器通过整合这些数据，能够构建出更为全面和准确的调整模型。协作学习的效果是提高整体电能计量的精度，减少误差，提高电能利用效率。

本发明还公开一种智能电能表的电表计量系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述任意一种实施方式中所描述的智能电能表的电表计量方法。

其中，处理器可以采用中央处理单元（CPU），当然，根据实际的使用情况，也可以采用其他通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现成可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以采用微处理器或者任何常规的处理器等，本申请对此不做限制。

其中，存储器可以为计算机设备的内部存储单元，例如，计算机设备的硬盘或者内存，也可以为计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡（SMC）、安全数字卡（SD）或者闪存卡（FC）等，并且，存储器还可以为计算机设备的内部存储单元与外部存储设备的组合，存储器用于存储计算机程序以及计算机设备所需的其他程序和数据，存储器还可以用于暂时地存储已经输出或者将要输出的数据，本申请对此不做限制。

本发明还公开一种智能电能表，参照图2，智能电能表具体包括：

数据采样模块，用于获取待测量电路的初始电能采样数据；

特征提取模块，用于提取初始电能采样数据的波形特征和功率因数特征；

特征分类模块，用于结合波形特征和功率因数特征对待测量电路中的当前运行负载进行分类，得到负载分类结果；

数据存储模块，用于存储预设的校正参数数据库；

参数提取模块，用于根据负载分类结果从校正参数数据库中提取对应的多个相移补偿参数；

校正参数计算模块，用于基于负载分类结果并通过多个相移补偿参数计算得到相移校正参数；

计量输出模块，用于结合初始电能采样数据和相移校正参数计算得到电能计量数据，并通过智能电能表输出电能计量数据。

在其中一种实施方式中，特征提取模块包括：

基波提取单元，用于利用快速傅里叶变换算法从初始电能采样数据中提取出基波波形特征；

谐波前置计算单元，用于根据基波波形特征中的基波最大幅值确定谐波计算次数；

谐波提取单元，用于基于谐波计算次数并利用快速傅里叶变换算法从初始电能采样数据中提取出N次谐波波形特征；

功率因数特征前置计算单元，用于基于谐波计算次数并利用快速傅里叶变换算法从初始电能采样数据中提取出N次谐波波形特征；

功率因数特征提取单元，用于结合第一功率因数特征和第二功率因数特征计算得到初始电能采样数据的功率因数特征。

在其中一种实施方式中，特征分类模块包括：

失真计算单元，用于结合基波波形特征和N次谐波波形特征计算得到初始电能采样数据的谐波失真值；

幅值计算单元，用于统计计算得到N次谐波波形特征的总谐波幅值；

第一分类单元，用于在谐波失真值小于失真值阈值且总谐波幅值小于基波波形特征的基波幅值时，将当前运行负载分类为线性负载；

线性负载分类单元，用于基于功率因数特征将线性负载分类为纯电阻负载、感性负载或容性负载；

第二分类单元，用于在谐波失真值大于等于失真值阈值且总谐波幅值大于等于基波波形特征的基波幅值时，将当前运行负载分类为非线性负载；

第三分类单元，用于在谐波失真值小于失真值阈值且总谐波幅值大于等于基波波形特征的基波幅值时，或在谐波失真值大于等于失真值阈值且总谐波幅值小于基波波形特征的基波幅值时，将当前运行负载分类为中性负载；

分类结果生成单元，用于分别统计各个负载分类的负载类型数量，并将所有负载分类以及对应的负载类型数量整合为负载分类结果。

在其中一种实施方式中，数据存储模块还用于将初始电能采样数据作为历史采样数据存储至预设的本地存储空间，根据负载分类结果为波形特征添加负载类型标签，并将波形特征作为历史波形特征存储至本地存储空间；将初始电能采样数据对应的负载分类结果缓存至预设的缓存空间；当数据采样模块每间隔预设的采样间隔时间采样待测量电路并成功采样到一次实时电能采样数据时，数据存储模块还用于将实时电能采样数据存储至本地存储空间。

在其中一种实施方式中，如图2所示，智能电能表的电表计量系统还包括分类更新模块，其中：

分类更新模块用于当数据采样模块每间隔预设的采样间隔时间采样待测量电路并成功采样到一次实时电能采样数据时，利用实时电能采样数据执行一次分类结果更新步骤以更新缓存空间中的负载分类结果。

在其中一种实施方式中，分类更新模块包括：

实时特征提取单元，用于利用快速傅里叶变换算法获取实时电能采样数据的实时波形特征；

历史特征提取单元，用于从本地存储空间中提取出存储时间戳与当前时刻最接近的目标历史波形特征；

负载启停判断单元，用于通过比较实时波形特征与目标历史波形特征之间的特征差距判断当前时刻待测量电路中是否存在负载启停动作；

波形分离单元，当负载启停判断单元判断结果为当前时刻待测量电路中不存在负载启停动作时，用于维持当前时刻的负载分类结果不变；当负载启停判断单元判断结果为当前时刻待测量电路中存在负载启停动作时，用于采用波形分离技术并基于历史波形特征从实时波形特征中分离出当前负载波形特征，当前负载波形特征为当前时刻进行负载启停动作的目标负载的波形特征；

负载功率因数计算单元，用于通过当前负载波形特征计算得到目标负载的当前负载功率因数特征；

负载分类存储单元，用于结合当前负载波形特征和当前负载功率因数特征完成对目标负载的负载分类，根据目标负载的分类结果为当前负载波形特征添加负载类型标签，并将当前负载波形特征作为历史波形特征存储至本地存储空间；

负载分类更新单元，用于基于目标负载的分类结果更新缓存空间中的负载分类结果，同时结束本次分类结果更新步骤。

在其中一种实施方式中，校正参数计算模块包括：

分类结果提取单元，用于从缓存空间中提取出当前时刻的负载分类结果；

波形调取单元，用于基于当前时刻的负载分类结果中的负载类型标签从本地存储空间中调取出标签对应的目标波形特征；

贡献度计算单元，用于分别计算每个目标波形特征在当前时刻波形特征中的功率贡献度；

权重分配单元，用于根据功率贡献度分别为每个目标波形特征分配不同的贡献权重；

校正参数计算单元，用于基于所有目标波形特征对应的相移补偿参数和对应的贡献权重计算得到相移校正参数。

在本实施方式中，相移校正参数的计算公式如下：

，

式中：表示当前时刻的相移校正参数，表示第个目标波形特征的相移补偿参数，表示第个目标波形特征的贡献权重，表示当前时刻目标波形特征的特征数量。

在其中一种实施方式中，如图2所示，智能电能表的电表计量系统还包括参数调校模块，参数调校模块具体包括：

历史数据提取单元，用于从本地存储空间中提取出所有历史采样数据；

第一预测单元，用于结合所有历史采样数据并通过数据预测算法预测得到当前时刻的初始预测计量数据；

第二预测单元，用于利用预设的预测计量调整参数将初始预测计量数据调整为目标预测计量数据；

数据差值计算单元，用于计算得到电能计量数据和目标预测计量数据之间的数据差值；

参数选择单元，用于确定当前时刻所有目标波形特征在校正参数数据库中对应的待调整相移补偿参数；

参数调校单元，用于基于数据差值并根据贡献权重分别在校正参数数据库中调整各个待调整相移补偿参数。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的保护范围限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上的本申请中一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

本申请中一个或多个实施例旨在涵盖落入本申请的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请中一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种智能电能表的电表计量方法，其特征在于，应用于智能电能表，包括如下步骤：

获取待测量电路的初始电能采样数据；

提取所述初始电能采样数据的波形特征和功率因数特征；

结合所述波形特征和所述功率因数特征对所述待测量电路中的当前运行负载进行分类，得到负载分类结果，所述负载分类结果中的负载分类类型包括线性负载和非线性负载；

根据所述负载分类结果从预设的校正参数数据库中提取对应的多个相移补偿参数；

基于所述负载分类结果并通过多个所述相移补偿参数计算得到相移校正参数；

结合所述初始电能采样数据和所述相移校正参数计算得到电能计量数据，并通过所述智能电能表输出所述电能计量数据。

2.根据权利要求1所述的智能电能表的电表计量方法，其特征在于，所述提取所述初始电能采样数据的波形特征和功率因数特征包括如下步骤：

利用快速傅里叶变换算法从所述初始电能采样数据中提取出基波波形特征；

根据所述基波波形特征中的基波最大幅值确定谐波计算次数；

基于所述谐波计算次数并利用所述快速傅里叶变换算法从所述初始电能采样数据中提取出N次谐波波形特征；

通过所述基波波形特征计算得到第一功率因数特征，并通过所述N次谐波波形特征计算得到第二功率因数特征；

结合所述第一功率因数特征和所述第二功率因数特征计算得到所述初始电能采样数据的功率因数特征。

3.根据权利要求2所述的智能电能表的电表计量方法，其特征在于，所述结合所述波形特征和所述功率因数特征对所述待测量电路中的当前运行负载进行分类，得到负载分类结果包括如下步骤：

结合所述基波波形特征和所述N次谐波波形特征计算得到所述初始电能采样数据的谐波失真值；

统计计算得到所述N次谐波波形特征的总谐波幅值；

若所述谐波失真值小于所述失真值阈值且所述总谐波幅值小于所述基波波形特征的基波幅值，则将所述当前运行负载分类为线性负载；

基于所述功率因数特征将所述线性负载分类为纯电阻负载、感性负载或容性负载；

若所述谐波失真值大于等于所述失真值阈值且所述总谐波幅值大于等于所述基波波形特征的基波幅值，则将所述当前运行负载分类为非线性负载；

若所述谐波失真值小于所述失真值阈值且所述总谐波幅值大于等于所述基波波形特征的基波幅值；

或，

若所述谐波失真值大于等于所述失真值阈值且所述总谐波幅值小于所述基波波形特征的基波幅值，则将所述当前运行负载分类为中性负载；

分别统计各个负载分类的负载类型数量，并将所有所述负载分类以及对应的所述负载类型数量整合为负载分类结果。

4.根据权利要求3所述的智能电能表的电表计量方法，其特征在于，所述方法还包括如下步骤：

将所述初始电能采样数据作为历史采样数据存储至预设的本地存储空间，根据所述负载分类结果为所述波形特征添加负载类型标签，并将所述波形特征作为历史波形特征存储至所述本地存储空间；

将所述初始电能采样数据对应的所述负载分类结果缓存至预设的缓存空间；

每间隔预设的采样间隔时间采样所述待测量电路，得到实时电能采样数据；

每成功采样到一次所述实时电能采样数据时，将所述实时电能采样数据存储至所述本地存储空间，利用所述实时电能采样数据执行一次分类结果更新步骤以更新所述缓存空间中的所述负载分类结果。

5.根据权利要求4所述的智能电能表的电表计量方法，其特征在于，所述分类结果更新步骤包括如下步骤：

利用所述快速傅里叶变换算法获取所述实时电能采样数据的实时波形特征；

从所述本地存储空间中提取出存储时间戳与当前时刻最接近的目标历史波形特征；

通过比较所述实时波形特征与所述目标历史波形特征之间的特征差距判断当前时刻所述待测量电路中是否存在负载启停动作；

若当前时刻所述待测量电路中不存在所述负载启停动作，则维持当前时刻的所述负载分类结果不变，同时结束本次所述分类结果更新步骤；

若当前时刻所述待测量电路中存在所述负载启停动作，则采用波形分离技术并基于所述历史波形特征从所述实时波形特征中分离出当前负载波形特征，所述当前负载波形特征为当前时刻进行所述负载启停动作的目标负载的波形特征；

通过所述当前负载波形特征计算得到所述目标负载的当前负载功率因数特征；

结合所述当前负载波形特征和所述当前负载功率因数特征完成对所述目标负载的负载分类，根据所述目标负载的分类结果为所述当前负载波形特征添加所述负载类型标签，并将所述当前负载波形特征作为所述历史波形特征存储至所述本地存储空间；

基于所述目标负载的分类结果更新所述缓存空间中的所述负载分类结果，同时结束本次所述分类结果更新步骤。

6.根据权利要求4所述的智能电能表的电表计量方法，其特征在于，所述基于所述负载分类结果并通过多个所述相移补偿参数计算得到相移校正参数包括如下步骤：

从所述缓存空间中提取出当前时刻的所述负载分类结果；

基于当前时刻的所述负载分类结果中的所述负载类型标签从所述本地存储空间中调取出标签对应的目标波形特征；

分别计算每个所述目标波形特征在当前时刻波形特征中的功率贡献度；

根据所述功率贡献度分别为每个所述目标波形特征分配不同的贡献权重；

基于所有所述目标波形特征对应的所述相移补偿参数和对应的所述贡献权重计算得到相移校正参数。

7.根据权利要求6所述的智能电能表的电表计量方法，其特征在于，所述相移校正参数的计算公式如下：

，

式中：表示当前时刻的所述相移校正参数，表示第个所述目标波形特征的所述相移补偿参数，表示第个所述目标波形特征的所述贡献权重，表示当前时刻所述目标波形特征的特征数量。

8.根据权利要求6所述的智能电能表的电表计量方法，其特征在于，在所述通过所述智能电能表输出所述电能计量数据之后还包括如下步骤：

从所述本地存储空间中提取出所有所述历史采样数据；

结合所有所述历史采样数据并通过数据预测算法预测得到当前时刻的初始预测计量数据；

利用预设的预测计量调整参数将所述初始预测计量数据调整为目标预测计量数据；

计算得到所述电能计量数据和所述目标预测计量数据之间的数据差值；

确定当前时刻所有所述目标波形特征在所述校正参数数据库中对应的待调整相移补偿参数；

基于所述数据差值并根据所述贡献权重分别在所述校正参数数据库中调整各个所述待调整相移补偿参数。

9.一种智能电能表，其特征在于，所述智能电能表包括：

数据采样模块，用于获取待测量电路的初始电能采样数据；

特征提取模块，用于提取所述初始电能采样数据的波形特征和功率因数特征；

特征分类模块，用于结合所述波形特征和所述功率因数特征对所述待测量电路中的当前运行负载进行分类，得到负载分类结果；

数据存储模块，用于存储预设的校正参数数据库；

参数提取模块，用于根据所述负载分类结果从所述校正参数数据库中提取对应的多个相移补偿参数；

校正参数计算模块，用于基于所述负载分类结果并通过多个所述相移补偿参数计算得到相移校正参数；

计量输出模块，用于结合所述初始电能采样数据和所述相移校正参数计算得到电能计量数据，并通过所述智能电能表输出所述电能计量数据。

10.根据权利要求9所述的智能电能表，其特征在于，所述特征提取模块包括：

基波提取单元，用于利用快速傅里叶变换算法从所述初始电能采样数据中提取出基波波形特征；

谐波前置计算单元，用于根据所述基波波形特征中的基波最大幅值确定谐波计算次数；

谐波提取单元，用于基于所述谐波计算次数并利用所述快速傅里叶变换算法从所述初始电能采样数据中提取出N次谐波波形特征；

功率因数特征前置计算单元，用于基于所述谐波计算次数并利用所述快速傅里叶变换算法从所述初始电能采样数据中提取出N次谐波波形特征；

功率因数特征提取单元，用于结合所述第一功率因数特征和所述第二功率因数特征计算得到所述初始电能采样数据的功率因数特征。