摘要：本装置采用STM32为平台，结合电气数据采集、电器特征提取、AI特征识别以及NILM（非侵入式负荷监测技术）完成用电器特征的学习与在用用电器的识别，采用按键+液晶显示屏的方式实现人机交互，快速地学习并存储不同用电器的电器特征，完成各种不同的用电器混叠使用时进行分析计算并进行识别，实时监控用电器的类别和工作状态的电参数，并将其无线传输至终端设备上进行显示。

关键词：用电器分析;非侵入式监测;嵌入式

1引言

面对如今备受关注的用电安全问题，研究和设计一套实时性、智能性和准确性更高的基于深度学习，运用非侵入式负荷检测技术的用电器状态监测、类型识别的智能监控系统。针对负载类型的多样化，采用深度学习研究电路中负载的识别方法以及识别的准确性。对家庭，学校的实验室、寝室，工厂等地方从用电习惯以及发电管理上，加强负荷用电的监测和管理，合理安排负荷的使用时间，从而达到调节峰谷差、降低输电损耗，减少电器事故危险等目的。

2系统设计方案

针对现在市面上的传统用电器监测主要通过ADC+MCU模式的用电监测仪等实现，采集到的数据通过自带的屏幕显示，学习速度慢，识别准确率低等。我们设计了一款可以实现对线上多个用电器的电气参数进行快速采集存储，深度学习训练模型，动态AI识别，用电器快速识别和数据远程传输，在保证识别和检测功能的同时兼顾了实际应用的可行性。系统有很好的实现学习、监测、识别、数据传输等功能，性能可靠稳定。

我们采用模块化方案来设计本系统的硬件结构，各个模块分开，任务分配均匀合理，减少主控的负荷，易于拓展。结合深度学习技术，训练识别模型，快速而又准确的识别出线上在用的电器。主控采用了STM32芯片来对数据进行处理，实现数据采集，实时监测，动态识别，并将数据显示在TFT屏幕上，也可以通过蓝牙将数据显示到专门的手机APP之上。

3系统设计

本系统主要组成部分包括：STM32微控制器、SUI-101A电气特征采集模块、按键输入、液晶显示以及蓝牙模组，采用非侵入式负荷监测（NILM），AI动态特征识别。其中STM32微控制器具有强大的运算处理能力和丰富的内存空间执行复杂工作，负责逻辑控制、数据运算等功能;SUI-101A采用了全隔离采集的方式实现高低压完全隔离，负责采集电能数据;液晶显示屏可以“主动的”对屏幕上的各个独立的像素进行控制，按键直接在硬件上做消抖，其组合实现人机交互，能够友好的将测量的特征信息与识别结果展现给用户，同时基于人机交互功能，用户可以完成对新的用电器进行学习，进而完成在用用电器的识别;蓝牙模块低功耗，使用无线射频通讯技术完成与移动设备的无线通讯，完成与专属APP的数据交互，在APP上实时显示线上数据信息。

4电路基本原理

在识别用电器时，生活中可以接触到的用电器几乎都是阻性负载和感性负载，功率因数这个参数就可以用来区分阻性负载和感性负载。常见的白炽灯、烧水壶、电热炉之类的电热器皆是阻性负载，其功率因数应该是1或者非常接近1。常见的风扇、充电器、新型LED灯泡、无线路由器、机顶盒、开关电源，都属于感性负载，因为它们的感性各不相同，所以工作时表现出的功率因数也各不相同，因此也可以通过功率因数这个参数识别不同的感性负载。

5电路硬件设计

（1）按键输入电路：本识别装置中的按键引入了硬件消抖功能，省去了软件消抖所花费的时间，提升了控制器的工作效率。

（2）蓝牙模块电路：在无线通讯方面，我们选用HC-06蓝牙模组，为我们提供有效的无线通讯功能，通过微控制器STM32的USART与其通讯，完成与手机APP的通讯功能。

（3）用电器特征采集模块：我们使用成品模块SUI-101A，采用全隔离采集方案，可实时测量交流电流、电压、有功功率、累计电量、频率、功率因数等参数。

（4）液晶显示模块：采用TFT-LCD即薄膜晶体管液晶显示器。它在液晶显示屏的每一个像素上都设置有一个薄膜晶体管（TFT），可有效地克服非选通时的串扰，使显示液晶屏的静态特性与扫描线数无关，因此大大提高了图像质量。

（5）主控芯片：ST的STM32芯片采用ARM32位的Cortex™-M3的CPU，最高72MHz工作频率，单周期乘法和硬件除法，具有16KB～1MBFlash、多种控制外设、USB全速接口和CAN。

6软件设计与算法实现

（1）程序功能描述与设计思路

程序功能描述：该系统具有两种工作模式，分别为分析识别模式和学习模式。在学习模式下，能够测试并存储用于识别各单件用电器的特征参量;在分析识别模式下，实时指示用电器的类别，能够显示实时测量的特征参量以及识别结果，并能将其推送到手机App进行显示。

程序设计思路：学习模式，运用SUI-101A进行用电器特征参量的采集，STM32微控制器通过异步串行通讯接口获取模块采集到的这些特征参量进行存储。微控制器多次采取同一个用电器的特征参量，进行数字滤波操作保证数据稳定有效，将这些特征参量及用电器信息写入STM32微控制器内部FLASH中保存。分析识别模式，STM32微控制器将实时获取SUI-101A采集的电器特征参量，同时与已经保存的用电器电器特征参量进行比对，选取相似对最高的组合作为识别的对象，进而推送到液晶屏幕和手机端显示。手机APP，基于Android平台开发相应的移动端应用程序，用于接收嵌入式系统回传的数据包，经过解析后显示电气特征参量与用电器识别结果。

（2）核心算法

用电器识别是本系统的核心算法。由于电网电压是波动的，首先我们需要实时用当前的电网电压对模板库中的特征参量进行初步校准。主要包括电流与有功功率这两个特征参量，其校准满足：I=U测量/U模板*I模板;P=U测量/U模板*P模板;由于功率因数是用电器的一种属性，故不需要对其进行校准。有了相对准确的模板数据，接下就开始最关键的模板匹配了，由于电压是不可靠的，所以我们采用电流与有功功率来进行相似的匹配。通过公式计算我们可以获取到某一种组合叠加后的特征参量，用该特征参量与当前实际测量的特征参量进行匹配，并记录下相似度。遍历所有有可能的组合，选择其相似度最高的组合作为识别结果进行显示。

7结语

该用电器监测系统采用非侵入式负荷监测，能够根据电压、电流、有功功率和功率因数等这些重要的电器特征参数来对我们的用电器进行准确的识别。系统准确识别的时间在2秒内，系统检测电流不大于15mA。同时系统具备自主学习功能，每种电器的学习时间约为10s。系统也能够同时识别电流大小相同但性质不同的多个用电器。最后系统还搭载蓝牙功能，能够跟手机APP实时通信，在手机上面显示我们的一个电器识别状态和用电的特征参数。

参考文献

[1]张洁，卢菁锋，胡丹妮，王野.一种单相用电器分析监测装置设计[J].电工技术，2021（14）.

[2]刘扬，张朝霞，卢允杰.学生宿舍违规电器监控系统设计[J].现代信息科技，2021，5（20）.

[3]张鹤望.基于深度学习的非侵入式电网负荷监测方法[D].西安电子科技大学，2021.