CN111191671B - 一种用电器波形检测方法、***、电子设备及存储介质 - Google Patents
一种用电器波形检测方法、***、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111191671B CN111191671B CN201911129174.7A CN201911129174A CN111191671B CN 111191671 B CN111191671 B CN 111191671B CN 201911129174 A CN201911129174 A CN 201911129174A CN 111191671 B CN111191671 B CN 111191671B
- Authority
- CN
- China
- Prior art keywords
- waveform data
- electrical appliance
- data
- characteristic matrix
- identification model
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000011524 similarity measure Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 11
- 238000001914 filtration Methods 0.000 abstract description 10
- 238000005070 sampling Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000009499 grossing Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Measurement Of Current Or Voltage (AREA)
Abstract
本发明公开了一种用电器波形检测方法,包括如下步骤:获取步骤:获取当前采集到的输出波形数据;相似性度量步骤:控制用电器识别模型在波形数据的时间轴上平移以进行相似性度量并计算得到两者的相关系数,所述用电器识别模型包括有用电器特征矩阵和噪声特征矩阵;阈值判断步骤:获取相关系数中的最大相似值,并判断最大相似值是否大于第一预设阈值,如果是,则认为待检信号已经存在,如果否,则继续进行检测。本发明还公开了一种检测***、电子设备和计算机可读存储介质。本发明的用电器波形检测方法通过利用波形数据的先验知识来进行滤波计算,使得可以直接将滤波目标与采集到波形数据进行比对,进而大量减少运算量,提高检测速度和检测精度。
Description
技术领域
本发明涉及用电器识别技术领域,尤其涉及一种用电器波形检测方法、***、电子设备及存储介质。
背景技术
目前,波形分离是电力负荷识别无法回避,但是仍未很好解决的问题之一。电力负荷识别的最终目标,是通过配电线路采样波形的分析,获得采样那一刻电力线上存在的负荷的种类、状态等信息。而通过智能电表进行采样得到的波形数据,为单通道波形数据(即N个用电器产生的独立波形在时间轴上最终叠加为一个混合波形,这个波形呈现形式为y=f(t),也就是无法肉眼分辨出各个波形的成分),在单通道数据上进行波形分解计算,目前的单一滤波算法都存在计算量大、需要的信息多、精度不高等缺陷。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种用电器波形检测方法,其能提高用电器检测的速度以及检测精度。
本发明的目的之二在于提供一种用电器波形检测***,其能提高用电器检测的速度以及检测精度。
本发明的目的之三在于提供一种电子设备,其能提高用电器检测的速度以及检测精度。
本发明的目的之四在于提供一种计算机可读存储介质,其能提高用电器检测的速度以及检测精度。
本发明的目的之一采用如下技术方案实现:
一种用电器波形检测方法,包括如下步骤:
获取步骤:获取当前采集到的输出波形数据;
相似性度量步骤:控制用电器识别模型在波形数据的时间轴上平移以进行相似性度量并计算得到两者的相关系数,所述用电器识别模型包括有用电器特征矩阵和噪声特征矩阵;
阈值判断步骤:获取相关系数中的最大相似值,并判断最大相似值是否大于第一预设阈值,如果是,则认为待检信号已经存在,如果否,则继续进行检测。
进一步地,在获取步骤之前还包括功率检测步骤:每隔预设时间记录对应的波形数据作为背景数据,并在时间轴上不断检测背景数据功率正负向波动值,当正负向波动值大于第二预设阈值时,获取当前背景数据作为输出波形数据。
进一步地,当检测到正负向波动值大于第二预设阈值时,启动m次采样以形成m个单通道数据,并对m个单通道数据进行平滑处理,并将其减去邻近的背景数据来作为输出波形数据。
进一步地,所述第一预设阈值为,所述第二预设阈值为。
进一步地,所述预设时间为。
进一步地,所述用电器识别模型通过如下步骤构建:
获取用电器特征矩阵和噪声特征矩阵;
对用电器特征矩阵以及噪声特征矩阵进行训练以得到用电器识别模型。
进一步地,所述相似性度量准则为向量空间余弦相似度、皮尔森相关系数、Jaccard相似系数和调整余弦相似度。
进一步地,所述用电器特征矩阵为电动车特征矩阵。
本发明的目的之二采用如下技术方案实现:
一种用电器波形检测***,包括如下模块:
获取模块:用于获取当前采集到的输出波形数据;
相似性度量模块:用于控制用电器识别模型在波形数据的时间轴上平移以进行相似性度量并计算得到两者的相关系数,所述用电器识别模型包括有用电器特征矩阵和噪声特征矩阵;
阈值判断模块:用于获取相关系数中的最大值,并判断最大值是否大于第一预设阈值,如果是,则认为待检信号已经存在,如果否,则继续进行检测。
进一步地,在获取模块之前还包括功率检测模块:用于每隔预设时间记录对应的波形数据作为背景数据,并在时间轴上不断检测背景数据功率正负向波动值,当正负向波动值大于第二预设阈值时,获取当前背景数据作为输出波形数据;当检测到正负向波动值大于第二预设阈值时,启动m次采样以形成m个单通道数据,并对m个单通道数据进行平滑处理,并将其减去邻近的背景数据来作为输出波形数据。
本发明的目的之三采用如下技术方案实现:
一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明目的之一中任意一项所述的一种用电器波形检测方法。
本发明的目的之四采用如下技术方案实现:
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如本发明目的之一中任意一项所述的一种用电器波形检测方法。
相比现有技术,本发明的有益效果在于:
本发明的用电器波形检测方法通过利用波形数据的先验知识来进行滤波计算,使得可以直接将滤波目标与采集到波形数据进行比对,进而大量减少运算量,提高检测速度和检测精度。
附图说明
图1为本发明的一实施例的用电器波形检测方法的流程示意图;
图2为本发明的再一实施例的用电器波形检测方法的流程示意图;
图3为本发明的又一实施例的用电器波形检测方法的流程示意图;
图4为本发明的一实施例的用电器波形检测***的结构示意图;
图5为本发明的又一实施例的用电器波形检测***的结构示意图;
图6为本发明的一实施例的电子设备的结构示意图;
图7为本发明的一实施例的智能电表的结构示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例一
在本实施例中为了解决侵入式的一些缺点,现有的研究者们提出了非侵入式负荷识别,但是目前仅利用智能电表采集到的数据对用电器进行识别,用电器识别方法的精确度还不够高,性能还不够好。目前针对只能够针对于特定用电器来进行识别,采用具体的传感器或者检测机构来对不同种类的用电器实现检测;当需要检测的用电器数量上升时,则对应需要安装的检测结构也增多,从而造成工程实施难度加大。在本实施例中,根据先验知识设计一个滤波组,其输出为信号s(t)经过延时后与观测信号的相关系数(两个信号的相关性可以理解为两个信号的相似性)。只要获取到相似性最大的那个输出并进行阈值判断,即可获取目标检测命中与否的结论。故而设置如下几种实施方式来实现对特定用电器的检测。
由于考虑到在单通道数据上进行波形分解计算,目前的单一滤波算法都存在计算量大、需要的信息多、精度不高等缺陷。故而在进行研究之后,提出了一种能够在智能电表上实现低成本滤波算法。在本实施例中优选的,将其应用在电动车充电行为检测上。
如前所述,在单通道信号上做波形分离是比较困难的事情,但是如果能够提前知道“在波形中寻找什么”,即明确滤波目标时,则有大量的先验知识可以利用。同时,如果加上事件驱动的检测方法,则可以大量减少运算量。以下为具体过程:设待检信号(即电动车充电产生的波形)为s(t),其他噪声信号(即线路上非电动车充电行为产生的波形)为n(t),叠加单通道波形为z(t),则有:
z(t)=s(t)+n(t)
如果我们预先明确信号s(t)和n(t)的特征,即先建立s(t)和n(t)的特征矩阵,以观测信号即z(t)为输入,即可利用被检测信号的先验知识进行滤波计算。
如图1所示,其公开了一种用电器波形检测方法,包括有如下步骤:
S101:获取当前采集到的输出波形数据;
S102:控制用电器识别模型在波形数据的时间轴上平移以进行相似性度量并计算得到两者的相关系数,所述用电器识别模型包括有用电器特征矩阵和噪声特征矩阵;
S103:获取相关系数中的最大值,并判断最大值是否大于第一预设阈值,如果是,则认为待检信号已经存在,如果否,则继续进行检测。在本实施方式中,其直接对获取到的波形进行检测,通过采用先验知识来构建识别模型,进而进行识别;相对于现有的方式识别效率以及大大提高。
更为优选地,具体的实现方式如图2所示,本实施例公开了一种用电器波形检测方法,包括如下步骤:
S201:每隔预设时间记录对应的波形数据作为背景数据,并在时间轴上不断检测背景数据功率正负向波动值,当正负向波动值大于第二预设阈值时,获取当前背景数据作为输出波形数据。在进行功率波动检测的时候也是通过电表来进行的,电表通过检测功率和电流波形幅值变化来检测是否有功率波动。这一步检测的目的也是为了提高运算效率,省略这一步也是可以实现信号的检测,但是后续运算量会很高,不便于居民使用。进行这样的数据预处理可以方便后续特征矩阵进行计算,不会损耗大量的时间在无意义的特征数据计算上。
上述方式仅仅是设计了事件驱动的方式,其能够降低一部分计算量,但是如果事件驱动之后不再次进行背景信息的滤除,那么产生的计算量依旧是很大的。故而在进行具体操作时,也即是当检测到正负向波动值大于第二预设阈值时,启动m次采样以形成m个单通道数据,并对m个单通道数据进行平滑处理,并将其减去邻近的背景数据来作为输出波形数据。所述预设时间为100ms。通过这样的步骤可以大大降低后续的运算量,因为如果直接对所有的用电器进行监测的话,则需要对所有的获取到的波形进行比对,这样就会大大增加***的运算量,通过记录背景噪声并进行消噪,从一定程度的上提高了运算效率。
上述步骤也即是智能电表按照特征模板的设计,每隔δt记录一次波形作为背景,并在时序上不断检测功率正负向波动,当波动超过阈值时,立刻启动m次采样,形成m个单通道数据,并对m个通道数据进行平滑,减去最近一次背景波形作为滤波器输入波形。因为根据测试调查,同一时刻同时投入线路的电器一般不会超过10个,而且家庭常用的超过一定功率的电器种类有限,通过这种事件驱动式采样设计,可以大规模降低运算量。
S202:获取当前采集到的输出波形数据;这一步也即是上一步计算后得到的一个结果数据,获取到这样的数据之后,也即是获取到具体的比对的参照。然后即可采用预先设定的模板来进行匹配;
S203:控制用电器识别模型在波形数据的时间轴上平移以进行相似性度量并计算得到两者的相关系数,所述用电器识别模型包括有用电器特征矩阵和噪声特征矩阵;所述相似性度量准则为向量空间余弦相似度、皮尔森相关系数、Jaccard相似系数和调整余弦相似度。相似度度量(Similarity),即计算个体间的相似程度,与距离度量相反,相似度度量的值越小,说明个体间相似度越小,差异越大。
进行相似性度量也即是为了判断两个信号之间的相似度的大小,如果两者信号相似度越高,那么说明两个信号越相似;测得其为被检信号的概率也就越大。具体的相似性度量主要有如下方式:
向量空间余弦相似度(Cosine Similarity):余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。相比距离度量,余弦相似度更加注重两个向量在方向上的差异,而非距离或长度上。公式如下:
皮尔森相关系数(Pearson Correlation Coefficient):即相关分析中的相关系数r,分别对X和Y基于自身总体标准化后计算空间向量的余弦夹角。公式如下:
Jaccard相似系数(Jaccard Coefficient):Jaccard系数主要用于计算符号度量或布尔值度量的个体间的相似度,因为个体的特征属性都是由符号度量或者布尔值标识,因此无法衡量差异具体值的大小,只能获得“是否相同”这个结果,所以Jaccard系数只关心个体间共同具有的特征是否一致这个问题。如果比较X与Y的Jaccard相似系数,只比较X和Y中相同的个数,公式如下:
调整余弦相似度(Adjusted Cosine Similarity):虽然余弦相似度对个体间存在的偏见可以进行一定的修正,但是因为只能分辨个体在维之间的差异,没法衡量每个维数值的差异,会导致这样一个情况:比如用户对内容评分,5分制,X和Y两个用户对两个内容的评分分别为(1,2)和(4,5),使用余弦相似度得出的结果是0.98,两者极为相似,但从评分上看X似乎不喜欢这2个内容,而Y比较喜欢,余弦相似度对数值的不敏感导致了结果的误差,需要修正这种不合理性,就出现了调整余弦相似度,即所有维度上的数值都减去一个均值,比如X和Y的评分均值都是3,那么调整后为(-2,-1)和(1,2),再用余弦相似度计算,得到-0.8,相似度为负值并且差异不小,但显然更加符合现实。本步骤的目的是为了计算得到相似性系数,不管采用何种相似性算法只要计算得到对应的相似性系数即可。
所述用电器识别模型通过如下步骤构建:
获取用电器特征矩阵和噪声特征矩阵;
对用电器特征矩阵以及噪声特征矩阵进行训练以得到用电器识别模型。所述用电器特征矩阵为电动车特征矩阵。根据被检目标信号和噪声信号的特征归纳先验知识,并构建信号模板。我们可以根据先验知识设计一个滤波组,其输出为信号s(t)经过延时后与观测信号的相关系数(两个信号的相关性可以理解为两个信号的相似性)。只要获取到相似性最大的那个输出并进行阈值判断,即可获取目标检测命中与否的结论。只要构建的模型越精准,后期进行数据比对得到的结果也就越准确。
S204:获取相关系数中的最大值,并判断最大值是否大于第一预设阈值,如果是,则认为待检信号已经存在,如果否,则继续进行检测。所述第一预设阈值与噪声含量及精度要求有关,根据经验预设为1.5,,所述第二预设阈值与线路总功率有关,一般预设为当前功率的±5%。只要相关系数中的最大值超过第一预设阈值,那么即可知晓,获取到的波形数据中即存在有与识别模型较为相似的波形数据,即可确定待检信号以及存在。在上述实施方式中其通过设置事件驱动来进一步减少运算量帮助用户更快速判断是否存在需要检测用电器波形,在本实施例中进行检测时,所述用电器可以是空调、电动车、热水器等等。
如图3所示,本发明还提供了一种实施例的用电器波形检测方法,包括如下步骤:
S301:每隔预设时间记录对应的波形数据作为背景数据,并在时间轴上不断检测背景数据功率正负向波动值,当正负向波动值大于第二预设阈值时,获取当前背景数据作为输出波形数据。当检测到正负向波动值大于第二预设阈值时,启动m次采样以形成m个单通道数据,并对m个单通道数据进行平滑处理,并将其减去邻近的背景数据来作为输出波形数据。
S302:获取当前采集到的输出波形数据;
S303:控制电动车充电模型在波形数据的时间轴上平移以进行相似性度量并计算得到两者的相关系数,所述电动车充电模型包括有电动车充电特征矩阵和噪声特征矩阵;
S304:获取相关系数中的最大值,并判断最大值是否大于第一预设阈值,如果是,则认为待检信号已经存在,如果否,则继续进行检测。在本实施方式中其主要针对于具体的电器类型进行检测,由于电动车在充电过程中具备较高的危险性,容易由于功率过大或者充电器使用的不规范而造成对电路的损坏,有时候可能会危机居民的人身安全,因此,在本实施例设置了直接对电动车进行检测的方式,来提醒用户当前电路中是否存在电动车充电行为。
实施例二
如图4所示,给出了本发明的一个用电器波形检测***的结构示意图。
如图4所示,用电器波形检测***4,包括如下模块:
获取模块401:用于获取当前采集到的输出波形数据;
相似性度量模块402:用于控制用电器识别模型在波形数据的时间轴上平移以进行相似性度量并计算得到两者的相关系数,所述用电器识别模型包括有用电器特征矩阵和噪声特征矩阵;
阈值判断模块403:用于获取相关系数中的最大值,并判断最大值是否大于第一预设阈值,如果是,则认为待检信号已经存在,如果否,则继续进行检测。
除了上述的实施方式外,图5还给出了本发明的一个用电器波形检测***的结构示意图。
如图5所示,本实施例提供了一种用电器波形检测***5,包括如下模块:
功率检测模块501:用于每隔预设时间记录对应的波形数据作为背景数据,并在时间轴上不断检测背景数据功率正负向波动值,当正负向波动值大于第二预设阈值时,获取当前背景数据作为输出波形数据;当检测到正负向波动值大于第二预设阈值时,启动m次采样以形成m个单通道数据,并对m个单通道数据进行平滑处理,并将其减去邻近的背景数据来作为输出波形数据。
获取模块502:用于获取当前采集到的输出波形数据;
相似性度量模块503:用于控制用电器识别模型在波形数据的时间轴上平移以进行相似性度量并计算得到两者的相关系数,所述用电器识别模型包括有用电器特征矩阵和噪声特征矩阵;
阈值判断模块504:用于获取相关系数中的最大值,并判断最大值是否大于第一预设阈值,如果是,则认为待检信号已经存在,如果否,则继续进行检测。
实施例三
图6给出了本发明的一个电子设备的结构示意图。
如图6所示,本实施例公开了一种电子设备,该电子设备包括处理器、存储器以及程序,其中处理器和存储器均可采用一个或多个,程序被存储在存储器中,并且被配置成由处理器执行,处理器执行该程序时,实现实施例一所述的用电器波形检测方法。该电子设备可以是手机、电脑、平板电脑等等一系列的电子设备。
更为优选地,将其设置于智能电表内来进行波形检测,具体结构框图如图7所示。
实施例四
除了上述的方法、***以及电子设备外,本发明还公开了一种计算机可读存储介质,该存储介质用于存储程序,并且该程序被处理器执行时,实现实施例一所述的用电器波形检测方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述基于内容更新通知装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (11)
1.一种用电器波形检测方法,其特征在于,包括如下步骤:
功率检测步骤:每隔预设时间记录对应的波形数据作为背景数据,并在时间轴上不断检测背景数据功率正负向波动值,当正负向波动值大于第二预设阈值时,获取当前背景数据作为输出波形数据;
获取步骤:获取当前采集到的输出波形数据;
相似性度量步骤:控制用电器识别模型在波形数据的时间轴上平移以进行相似性度量并计算得到两者的相关系数,所述用电器识别模型包括有用电器特征矩阵和噪声特征矩阵;
阈值判断步骤:获取相关系数中的最大值,并判断最大值与均值的比值是否大于第一预设阈值,如果是,则认为待检信号已经存在,如果否,则继续进行检测。
2.如权利要求1所述的一种用电器波形检测方法,其特征在于,当检测到正负向波动值大于第二预设阈值时,启动m次采样以形成m个单通道数据,并对m个单通道数据进行平滑处理,并将其减去邻近的背景数据来作为输出波形数据。
3.如权利要求2所述的一种用电器波形检测方法,其特征在于,所述第一预设阈值为1.5,所述第二预设阈值与线路总功率相关,所述第二预设阈值为5%。
4.如权利要求1所述的一种用电器波形检测方法,其特征在于,所述预设时间为100ms。
5.如权利要求1所述的一种用电器波形检测方法,其特征在于,所述用电器识别模型通过如下步骤构建:
获取用电器特征矩阵和噪声特征矩阵;
对用电器特征矩阵以及噪声特征矩阵进行训练以得到用电器识别模型。
6.如权利要求1所述的一种用电器波形检测方法,其特征在于,所述相似性度量的准则为向量空间余弦相似度、皮尔森相关系数、Jaccard相似系数和调整余弦相似度中的其中一种。
7.如权利要求1所述的一种用电器波形检测方法,其特征在于,所述用电器特征矩阵为电动车特征矩阵。
8.一种用电器波形检测***,其特征在于,包括如下模块:
功率检测模块:用于每隔预设时间记录对应的波形数据作为背景数据,并在时间轴上不断检测背景数据功率正负向波动值,当正负向波动值大于第二预设阈值时,获取当前背景数据作为输出波形数据;
获取模块:用于获取当前采集到的输出波形数据;
相似性度量模块:用于控制用电器识别模型在波形数据的时间轴上平移以进行相似性度量并计算得到两者的相关系数,所述用电器识别模型包括有用电器特征矩阵和噪声特征矩阵;
阈值判断模块:用于获取相关系数中的最大值,并判断最大值是否大于第一预设阈值,如果是,则认为待检信号已经存在,如果否,则继续进行检测。
9.如权利要求8所述的一种用电器波形检测***,其特征在于,当检测到正负向波动值大于第二预设阈值时,启动m次采样以形成m个单通道数据,并对m个单通道数据进行平滑处理,并将其减去邻近的背景数据来作为输出波形数据。
10.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任意一项所述的一种用电器波形检测方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-7任意一项所述的一种用电器波形检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911129174.7A CN111191671B (zh) | 2019-11-18 | 2019-11-18 | 一种用电器波形检测方法、***、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911129174.7A CN111191671B (zh) | 2019-11-18 | 2019-11-18 | 一种用电器波形检测方法、***、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111191671A CN111191671A (zh) | 2020-05-22 |
CN111191671B true CN111191671B (zh) | 2023-11-14 |
Family
ID=70710888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911129174.7A Active CN111191671B (zh) | 2019-11-18 | 2019-11-18 | 一种用电器波形检测方法、***、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191671B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801431B (zh) * | 2021-04-13 | 2021-07-16 | 广东浩迪智云技术有限公司 | 基于人工智能分析的企业经营风险评估方法及*** |
CN113158941B (zh) * | 2021-04-29 | 2022-08-16 | 浙江陀曼云计算有限公司 | 基于时序功率数据的机床加工波形的匹配方法及*** |
CN113297943B (zh) * | 2021-05-18 | 2022-12-02 | 北京远舢智能科技有限公司 | 基于混合现实的设备辅助控制技术 |
CN114403831B (zh) * | 2022-03-25 | 2022-06-14 | 广东玖智科技有限公司 | 一种ppg波形脉冲提取方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000101439A (ja) * | 1998-09-24 | 2000-04-07 | Sony Corp | 情報処理装置および方法、情報記録装置および方法、記録媒体、並びに提供媒体 |
CN106646026A (zh) * | 2016-11-11 | 2017-05-10 | 华北电力大学 | 一种非侵入式家电负荷识别方法 |
CN109507479A (zh) * | 2018-12-06 | 2019-03-22 | 中国电力科学研究院有限公司 | 一种非侵入式用电负荷辨识方法及装置 |
CN109934303A (zh) * | 2019-03-25 | 2019-06-25 | 宁夏隆基宁光仪表股份有限公司 | 一种非入侵式家用电器负荷识别方法、装置及存储介质 |
-
2019
- 2019-11-18 CN CN201911129174.7A patent/CN111191671B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000101439A (ja) * | 1998-09-24 | 2000-04-07 | Sony Corp | 情報処理装置および方法、情報記録装置および方法、記録媒体、並びに提供媒体 |
CN106646026A (zh) * | 2016-11-11 | 2017-05-10 | 华北电力大学 | 一种非侵入式家电负荷识别方法 |
CN109507479A (zh) * | 2018-12-06 | 2019-03-22 | 中国电力科学研究院有限公司 | 一种非侵入式用电负荷辨识方法及装置 |
CN109934303A (zh) * | 2019-03-25 | 2019-06-25 | 宁夏隆基宁光仪表股份有限公司 | 一种非入侵式家用电器负荷识别方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于LMD和模型匹配的家电负荷识别算法;祁兵;电力***自动化;第41卷(第22期);74-80 * |
Also Published As
Publication number | Publication date |
---|---|
CN111191671A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191671B (zh) | 一种用电器波形检测方法、***、电子设备及存储介质 | |
CN108931725B (zh) | 一种电池故障检测的方法及装置 | |
CN106443178A (zh) | 一种基于IQuinn‑Rife综合的正弦信号频率估计方法 | |
CN110569877A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
CN109359665B (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
CN107368768B (zh) | 适用于体重秤的用户识别方法及体重秤 | |
CN117421610B (zh) | 一种用于电能表运行状态预警的数据异常分析方法 | |
CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN112345955B (zh) | 一种动力电池多故障在线诊断方法与*** | |
CN109677341A (zh) | 一种车辆信息融合决策方法及装置 | |
CN110068727A (zh) | 一种基于Candan-Rife综合内插的单频信号频率估计方法 | |
CN114038012A (zh) | 基于毫米波雷达和机器学习的跌倒检测方法及*** | |
CN108107086A (zh) | 一种基于阵列气体传感器的气体检测方法及气体传感器 | |
CN112782684A (zh) | 一种人体目标检测方法、装置、计算机设备和存储介质 | |
CN117471227A (zh) | 汽车线束参数性能测试方法及测试*** | |
CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及*** | |
CN110992205A (zh) | 风电机组发电机绕组的状态检测方法、***及相关组件 | |
CN106815564A (zh) | 一种指纹识别***的校准方法、***及一种电子设备 | |
CN116466058B (zh) | 水质检测数据处理方法、水质评估***、设备及介质 | |
CN116704716B (zh) | 实验室恒温恒湿异常报警方法、装置及计算机设备 | |
CN111273126B (zh) | 一种配电网拓扑快速感知方法 | |
CN116008820A (zh) | 针对车辆电池单体不一致性的检测方法、设备和介质 | |
CN115436827A (zh) | 绝缘电阻的检测方法、装置和设备 | |
EP3422025B1 (en) | Method and apparatus for frequency adjustment | |
CN111879334B (zh) | 计步方法、计步装置及计算机可读存储介质 |
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 |