基于边缘计算的用电设备识别方法、系统、设备及介质技术方案

本公开公开了基于边缘计算的用电设备识别方法、系统、设备及介质，从建筑物内入户侧主电路上采集待识别用电设备的电气参数数据；提取各次谐波和电流信息，将谐波与电流组合成第一一维矩阵；将第一一维矩阵与房间设备特征库进行相似性匹配；选出与第一一维矩阵相似度最高的已知设备类型，作为对应的设备类型标签；将房间设备特征库中不同类型设备进行组合，得到组合设备特征库；将第一一维矩阵与每组组合设备对应的第二一维矩阵进行相似性匹配；选出与第一一维矩阵相似度最高的已知组合设备，输出已知组合设备对应的设备类型标签。基于建筑设备特征库、待识别用电设备的第一一维矩阵和KNN算法，输出待识别用电设备的设备类型。

Identification method, system, equipment and medium of electric equipment based on edge calculation

【技术实现步骤摘要】
基于边缘计算的用电设备识别方法、系统、设备及介质
本公开涉及办公建筑物联网用电设备识别
，特别是涉及一种基于边缘计算的用电设备识别方法、系统、设备及介质。
技术介绍
本部分的陈述仅仅是提到了与本公开相关的
技术介绍
，并不必然构成现有技术。在实现本公开的过程中，专利技术人发现现有技术中存在以下技术问题：用电设备的市场广阔，各厂家生产的电器都有自己的一套标准，无法将所有的设备标准统一规范起来，这也就造成无法使所有的设备使用统一的协议连接到物联网上，不能实现智能化的设备管理。目前，在建筑领域的设备识别，大多数依赖于检测装置一对一的收集用电设备的数据，然后通过采集模块上传到服务器端进行存储和应用。这种方式需要在用户侧安装大量的硬件模块，不仅安装成本高，维护繁琐，而且对于用户来说体验感很差。设备的数据采集，目前大多数针对于设备的电能和功率数据，但是，有些用电设备的耗电量很小，在每小时内的耗电精度达到0.001，这对于数据采集装置的要求很高；分类模型无法分类新设备的数据，当有新设备出现时，分类模型不再适用且无法自学习，设备识别准确度将会大大降低。
技术实现思路
为了解决现有技术的不足，本公开提供了基于边缘计算的用电设备识别方法、系统、设备及介质；第一方面，本公开提供了一种基于边缘计算的用电设备识别方法；基于边缘计算的用电设备识别方法，应用于智能检测终端，将智能检测终端视为建筑物联网的边缘计算设备；包括：从建筑物内入户侧主电路上采集待识别用电设备的电气参数数据；从采集的待识别用电设备的电气参数数据中提取各次谐波和电流信息，将得到的各次谐波信息与电流值组合成第一一维矩阵；将所述第一一维矩阵与房间设备特征库进行相似性匹配；如果匹配成功，则从房间设备特征库内选出与所述第一一维矩阵相似度最高的已知设备类型，作为第一一维矩阵对应的设备类型标签；如果匹配失败，则判定待识别用电设备为组合用电设备或新设备；进入下一步；将房间设备特征库中不同类型设备进行组合，得到组合设备特征库；将组合设备特征库中每个组合下的不同设备特征参数进行参数合成；从合成数据中将每组组合设备的各次谐波和电流值组成第二一维矩阵；将第一一维矩阵与每组组合设备对应的第二一维矩阵进行相似性匹配；如果匹配成功，则从组合设备特征库中选出与所述第一一维矩阵相似度最高的已知组合设备，输出已知组合设备对应的设备类型标签。第二方面，本公开还提供了一种基于边缘计算的用电设备识别系统；基于边缘计算的用电设备识别系统，应用于智能检测终端，将智能检测终端视为建筑物联网的边缘计算设备；包括：采集模块，其被配置为：从建筑物内入户侧主电路上采集待识别用电设备的电气参数数据；提取模块，其被配置为：从采集的待识别用电设备的电气参数数据中提取各次谐波和电流信息，将得到的各次谐波信息与电流值组合成第一一维矩阵；第一相似性匹配模块，其被配置为：将所述第一一维矩阵与房间设备特征库进行相似性匹配；如果匹配成功，则从房间设备特征库内选出与所述第一一维矩阵相似度最高的已知设备类型，作为第一一维矩阵对应的设备类型标签；如果匹配失败，则判定待识别用电设备为组合用电设备或新设备；进入组合模块；组合模块，其被配置为：将房间设备特征库中不同类型设备进行组合，得到组合设备特征库；将组合设备特征库中每个组合下的不同设备特征参数进行参数合成；从合成数据中将每组组合设备的各次谐波和电流值组成第二一维矩阵；第二相似性匹配模块，其被配置为：将第一一维矩阵与每组组合设备对应的第二一维矩阵进行相似性匹配；如果匹配成功，则从组合设备特征库中选出与所述第一一维矩阵相似度最高的已知组合设备，输出已知组合设备对应的设备类型标签。第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。与现有技术相比，本公开的有益效果是：该方法将检测设备参数的智能检测终端安装在入户侧的总线路内，利用边缘计算的技术和优势将使用相似性分析和用户标记等方法识别室内设备，达到不间断的监测用户设备状态的目的；边缘计算是在入户侧的智能终端中进行算法计算，减少响应时间，减轻云端压力，对实时性和可靠性的优化效果显著。本方法的所有计算都需要在边缘计算层实现。通过将采集的数据与房间设备特征库进行比较，输出房间已有设备的设备类型；通过将采集的数据与组合设备特征库进行比较，输出组合设备的设备类型；通过将采集的数据与建筑设备特征库进行距离计算，输出新设备的设备类型；该方法可以有效降低设备识别的硬件成本，在最低成本下获取较为具体的数据，并能依靠物联网、边缘计算和用户的干预准确、快速的识别每个智能检测终端对应的所有设备的实时状态，并能统计每个设备的历史使用时间。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1为本公开实施例一的系统结构图；图2为本公开实施例一的数据库模型图；图3为本公开实施例一的设备识别数据流程图。具体实施方式应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步地说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。不同设备的不同状态之间有唯一的负荷特征，在建筑内部的设备种类比较固定且数量较少，每个房间内的设备的类型较为统一；在物联网大数据的环境下为关联分析设备特征和识别设备提供了便利的条件，可以有效捕捉参数变化情况，可以有效抓取房间内单设备运行的情况；且可从房间的设备信息引申到多房间的情况，基于数据驱动的方法计算速度快，稳定性高，鲁棒性强。实施例一，本实施例提供了基于边缘计算的用电设备识别方法；基于边缘计算的用电设备识别方法，应用于智能检测终端，将智能检测终端视为建筑物联网的边缘计算设备；包括：S1：从建筑物内入户侧主电路上采集待识别用电设备的电气参数数据；S2：从采集的待识别用电设备的电气参数数据中提取各次谐波和电流信息，将得到的各次谐波信息与电流值组合成第一一维矩阵；S3：将所述第一一维矩阵与房间设备特征库进行相似性匹配；如果匹配成功，则从房间设备特征库内选出与所述第一一维矩阵相似度最高的已知设备类型，作为第一一维矩阵对应的设备类型标签；如果匹配失败，则判定待识别用电设备为组合用电设备或新设备；进入步骤S4；S4：将房间设备特征库中不同类型设备进行组合，得到组合设备特征库；将组合设备特征库中每个组合下的不同设备特征参数进行参数合成；从合成数据中将每组组合设备的各次谐波和电流值组成第二一维矩阵；将第一一维矩阵与每组组合设备对应的第二一维矩阵进行相似性匹配；如果匹配成功，则从组合设备特征库中选出与本文档来自技高网...

【技术保护点】
1.基于边缘计算的用电设备识别方法，其特征是，应用于智能检测终端，将智能检测终端视为建筑物联网的边缘计算设备；包括：从建筑物内入户侧主电路上采集待识别用电设备的电气参数数据；从采集的待识别用电设备的电气参数数据中提取各次谐波和电流信息，将得到的各次谐波信息与电流值组合成第一一维矩阵；将所述第一一维矩阵与房间设备特征库进行相似性匹配；如果匹配成功，则从房间设备特征库内选出与所述第一一维矩阵相似度最高的已知设备类型，作为第一一维矩阵对应的设备类型标签；如果匹配失败，则判定待识别用电设备为组合用电设备或新设备；进入下一步；将房间设备特征库中不同类型设备进行组合，得到组合设备特征库；将组合设备特征库中每个组合下的不同设备特征参数进行参数合成；从合成数据中将每组组合设备的各次谐波和电流值组成第二一维矩阵；将第一一维矩阵与每组组合设备对应的第二一维矩阵进行相似性匹配；如果匹配成功，则从组合设备特征库中选出与所述第一一维矩阵相似度最高的已知组合设备，输出已知组合设备对应的设备类型标签。

【技术特征摘要】
1.基于边缘计算的用电设备识别方法，其特征是，应用于智能检测终端，将智能检测终端视为建筑物联网的边缘计算设备；包括：从建筑物内入户侧主电路上采集待识别用电设备的电气参数数据；从采集的待识别用电设备的电气参数数据中提取各次谐波和电流信息，将得到的各次谐波信息与电流值组合成第一一维矩阵；将所述第一一维矩阵与房间设备特征库进行相似性匹配；如果匹配成功，则从房间设备特征库内选出与所述第一一维矩阵相似度最高的已知设备类型，作为第一一维矩阵对应的设备类型标签；如果匹配失败，则判定待识别用电设备为组合用电设备或新设备；进入下一步；将房间设备特征库中不同类型设备进行组合，得到组合设备特征库；将组合设备特征库中每个组合下的不同设备特征参数进行参数合成；从合成数据中将每组组合设备的各次谐波和电流值组成第二一维矩阵；将第一一维矩阵与每组组合设备对应的第二一维矩阵进行相似性匹配；如果匹配成功，则从组合设备特征库中选出与所述第一一维矩阵相似度最高的已知组合设备，输出已知组合设备对应的设备类型标签。2.如权利要求1所述的方法，其特征是，所述方法还包括：如果第一一维矩阵与每组组合设备对应的第二一维矩阵的相似性匹配失败，则进入步骤S5；S5：基于建筑设备特征库、待识别用电设备的第一一维矩阵和KNN算法，输出待识别用电设备的设备类型。3.如权利要求2所述的方法，其特征是，所述步骤S5基于建筑设备特征库、待识别用电设备的第一一维矩阵和KNN算法，输出待识别用电设备的设备类型；具体步骤包括：边缘计算设备将待识别用电设备的第一一维矩阵和已知的建筑设备特征库，均输入到KNN算法中，进行邻近距离分析，输出划分结果，如果待识别用电设备与已知簇质心的距离在设定距离阈值范围内，则距离最近的簇质心对应的标签即为待识别用电设备的设备类型标签，利用待识别用电设备的设备类型标签更新房间设备特征库；否则，标记待识别用电设备为新设备。4.如权利要求1所述的方法，其特征是，边缘计算设备将待识别用电设备的设备类型识别结果通过物联网节点上传给云服务器；所述建筑物联网，包括：云服务器，所述云服务器与若干个物联网节点连接，每个物联网节点与若干个智能检测终端连接，每个智能检测终端安装在建筑物内入户侧主电路上。5.如权利要求1所述的方法，其特征是，将所述第一一维矩阵与房间设备特征库进行相似性匹配，具体是指计算所述第一一维矩阵与房间设备特征库内不同设备第一一维矩阵的欧式...

【专利技术属性】
技术研发人员：张桂青，李咏，阎俏，李成栋，田崇翼，田晨璐，刘晓倩，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：山东,37