[发明专利]基于机器学习的待机能耗减少的智能插座

权利要求书

1.一种基于机器学习的待机能耗减少的智能插座，其特征在于，包括：

所述电压传感器，用于将电压信号变为0-5v，并通过电压互感器进行隔离，方便控制器采集，后将检测到的电压信号通过有线连接发送至ESP32无线通信模块；

所述多路电流传感器，使用ACS712霍尔电流传感器，用于转换电流信号，后将检测到的电流信号通过有线连接发送至ESP32无线通信模块；

所述ESP32无线通信模块，采用低功耗IoT方案，带有多路A/D及WiFi&BLE模块，可以方便地采集转换过的电压、电流信号，并通过无线通讯的方式，与上位机模块之间发送并接受信号；

所述上位机模块，接收ESP32发送的电网电压的波动和流经用电器的电流信号，建立深度学习模型，从而计算出用电器在一定时刻消耗的功率大小，并分析出电流波形特征；主要包含数据可视化部分和待机状态检测部分，针对不同用电器的电流波形特性及其用电功率可判断相应的用电器种类，产生特定电压、电流控制信号发送至ESP32无线通信模块；

所述固态继电器，接收ESP32无线通信模块控制信号，用于调节插座接口供电，实现对用电器进行分类管理，从而达到控制耗能的目的。

2.根据权利要求1所述的方法，其特征在于，通过第一公式进行深度学习，实现相应用电器种类判别，第一公式构建原理包括：

在采集各种电器用电数据(功率)的基础上，发现电器在充电(使用)时功率基本恒定，充满电后(未使用)时功率较小且有波动；我们把电器使用时消耗的功率称为“使用能耗”，待机时消耗的功率称为“待机能耗”；通过数据分析，我们发现电器的“待机能耗”与“使用能耗”有明显的区别,且常见家用电器的用电模式大概可以分为以下几种：周期性工作与非周期性工作的电器、大功率与小功率的电器；

我们选取7种常见家用电器(手机、电脑、空调、电视、打印机、电冰箱、洗衣机)，对其用电数据进行仿真，得到仿真数据；我们构建了一种机器学习算法，即第一公式,将欧几里得距离转换为条件概率来表达点与点之间的相似度，再判别一个条件概率在特征空间中的k个最相邻的样本中的大多数属于某一个类别，实现类别判定，从而完成对当前用电器的类别判断，我们可以得知当前用电器的基本特性：周期性或非周期性，大功率或小功率；

其中，所述第一公式包括：

3.根据权利要求1所述的方法，其特征在于，通过第二公式实现待机状态的断电节能，包括：

为了在线机器学习电器使用状态与待机状态能耗之间的阈值，我们构建了第二公式，当电器待机能耗达到阈值状态时，用电器自动断电；

其中，所述第二公式包括：

其中f_z表示用电器正常使用时采集到的用电数据概率分布，表示当前采集到的用电器用电数据概率分布，衡量两个分布之间的差异。可以证明服从自由度为n的卡方分布，n是采集的用电数据的数量。通过卡方检验可以判断当前用电器是否处于正常使用状态，非正常使用状态即为待机状态。

4.根据权利要求1～3任一项所述的方法，其特征在于，所述将采集到的数据划分为训练集和测试集之前，所述方法还包括：对采集到的数据进行清洗处理，并对清洗处理后得到数据的格式转换为有监督学习数据格式。

5.根据权利要求1所述，上位机模块，数据可视化部分包括：

数据导入部分，主要用于选择工作模式(离线学习或在线监测)、将采集到的数据导入工作空间中，并筛选出需要的数据；

数据预处理部分，主要对筛选的数据进行去均值，标准化等一系列预处理，方便后续计算与分析；

模型选择部分，用于选择各种学习算法，对经过与处理之后的数据进行运算；

参数设置部分，用于输入选择的算法的相关参数，如阈值等；

数据表格部分，通过表格的形式显示导入数据的基本特征，如平均值，分位数，标准差，最大值等；

数据可视化部分，使用一系列图形来描述数据的分布等特征，清晰明了。目前包括数据折线图，箱线图，小提琴图。

6.根据权利要求1所述，上位机模块，待机状态检测部分包括：

数据导入,首先选择当前工作模式(离线或在线)，再选择选择要分析的数据文件(.mat格式)和变量并导入；

数据预处理，选择合适的数据预处理方式，其中训练阶段需要进行数据清洗，剔除异常点和数据缺失点，以提高训练效果，点击确定，得到处理之后的数据；

选择模型，在模块三中选择需要的模型算法，并点击确定；

调整参数，模块三下拉菜单中的算法，并在模块四输入对应的参数如置信度、学习速率等，对模型进行训练，得到训练好的模型；

导入检测数据，改变当前工作模式为离线，选择要检测的数据文件(.mat格式)导入，并进行数据预处理，除不需要进行异常点剔除以外，其他处理方法与在线数据的处理方法一样；

给出检测结果，通过学习模型以及处理之后的检测数据，得到最后的检测结果，并以折线图的形式显示出来。