一种基于用电智能预测的预付费电表的制作方法

本发明涉及一种预付费电表，特别是涉及基于用电智能预测的预付费电表，属于电能测量领域。

背景技术：

1、现有技术利用芯片计算电流电压信号测量模块中的实时电能，从而换算出当前累积的电能和对应的电费。然而长期依赖于这种仅算总账的计费方案后，用户普遍仅根据电器的瓦数而提醒自己少用大功率电器。但是由于客观的使用需求，比如夏天和冬天的空调，制冷制热设备的使用成为必须，现实用电结果还是使用了大量的电，进而在付费时候又产生“不舍得”的负面情绪，这样一种矛盾。因而现有的智能电表仅仅在计算电费上智能，在给用户数据上提供用电指导上并不智能，并不能给用户算清楚每一种电器的用电消耗情况，以及用电的时间，从而无法修正用户的用电习惯，做到真正的科学节约用电。

2、因此如何将每一种电器用电起止时刻记录清楚，是一个亟待解决的问题。

技术实现思路

1、为了解决上述问题，本发明将考虑如下几个方案，第一，重新设计室内插头，使之产生可识别插头插上时刻和拔下时刻的功能，第二，将插头和预付费电表数据通信，根据智能芯片识别出插头上插入插头和拔出插头的时刻，从而对应到电能时刻图上得到该插头对应电器在插入和拔出插头过程中耗电情况，第三，根据各插头插拔和历史用电数据，预测未来预设时刻的预付电费额度。

2、基于上述考虑，本发明将提供一种基于用电智能预测的预付费电表，具体包括室外或室内预付费电表主机，至少一个第一墙面监控装置，用于将第一监控数据通过同电线一起由入墙集线管集束的第一数据线而传入到所述预付费电表主机中，对墙插进行插头的插入和拔出的监控；至少一个第二散置插座监控装置，用于通过第二数据线与至少一个第一墙面监控装置中任一个可拆电连接，以将第二监控数据依次经由第二数据线、第一数据线传入预付费电表主机中，对非墙插的散置插座上插头的插入和拔出的监控，其中，

3、所述付费电表主机中具有电压电流测量模块、与用户移动智能设备通信的蓝牙收发装置，以及智能处理芯片，所述智能处理芯片根据预付费电表主机内电压电流测量模块所测得的测量数据绘制电能时刻图，根据每一固定电器的试运行期间采集固定功率数据，或者通过用户移动智能设备根据每一个固定电器的有功功率作为固定功率数据，蓝牙输入到所述智能处理芯片中，并根据至少一个第一墙面监控装置和/或至少一个第二散置插座监控装置传入的数据，以识别在电能时刻图中是否存在对应墙插、散置插座用电情况，如存在，则采集对应墙插、散置插座上插入插头的电器用电功率数据，进行保存，所述智能处理芯片还根据用户蓝牙输入的预设时间段，而利用该时间段进行lstm模型建模，由此得到将来对应的预设时间段内时刻（例如对应今天的早上九点的明天早上的九点）的预测耗电电能，并据此计算出预测电费。

4、所述固定电器包括但不限于空调、冰箱、电热水器、油烟机、洗碗机、小厨宝、照明灯具等无插头或插头不经常插拔的功率大的电器，其对应的有功功率定义为固定功率，表示这些电器的工作功率数据是视作固定的功率数据。

5、可选地，所述至少一个第一墙面监控装置和至少一个第二散置插座监控装置均设置有接近传感器，只有当触发接近传感器时才启动，且启动时长为10s-1min，启动期间即分别拍摄用作第一监控数据的第一图像和用作第二监控数据的第二图像，所述第一图像即刻通过第一数据线传入智能处理芯片，并由芯片中计时模块记录第一图像拍摄时刻（即近似为收到第一图像之时刻），所述第二图像预设位置显示时刻，当第二图像依次经由第二数据线、第一数据线传入预付费电表主机中后，智能处理芯片通过预训练的自然语言处理（nlp）模型识别出第二图像拍摄时刻。

6、容易理解的是，由于第二数据线接上第二接口需要有不确定的时间滞后，传输数据时刻并非第二图像拍摄时刻，因此此处需要显示拍摄时刻以准确识别拍摄时刻。

7、优选地，所述至少一个第一墙面监控装置和至少一个第二散置插座监控装置可充电，且具有电量不足提示装置。

8、可选地，所述至少一个第一墙面监控装置还包括第一摄像头，第一充电模块，第一图像采集传输芯片，用于连接第一数据线，以将第一摄像头在所述启动期间拍摄的第一图像从第一图像采集传输芯片通过第一数据线传入所述智能处理芯片的第一接口, 以及用于连接第二数据线第二接口；所述至少一个第二散置插座监控装置还包括第二摄像头，第二充电模块，第二图像采集传输芯片，用于通过第二数据线连接第二接口，进而将第二摄像头在所述启动期间拍摄的第二图像从第二图像采集传输芯片依次经由第二数据线、第一数据线传入所述智能处理芯片的第三接口。

9、可以理解的是，通过接近传感启动，可以帮助监控装置节省自身耗电。

10、优选地，所述智能处理芯片还用于对第一图像和第二图像进行裁边处理，以保持预设的尺寸用于后期插头插入和拔出的智能识别。

11、优选地，所述至少一个第一墙面监控装置和至少一个第二散置插座监控装置均安装有照明模块。

12、优选地，所述电量不足提示装置即由照明模块充当。可以采用闪烁进行提示。

13、优选地，所述第一接口为围绕所述墙插的多个接口，以根据不同的墙插插孔的位置布局而设置，以可以拍摄到不同插头插入占位情况的第一图片。

14、可选地，所述智能处理芯片对第二图像进行截取处理，仅对所述预设位置进行保留，以用于通过nlp模型对所述第二图像拍摄时刻进行识别。

15、应当理解的是：由于插头的插入和拔出仅对于图像中特定区域进行，而区域外的景象部分的保留会一来增大计算量，二来也不是识别的关注的区域，因此裁边处理是提高识别准确率的方式。同理而言，截取处理也是提高识别效率的处理方式。

16、进一步地，在预设的12小时-24小时内，芯片未识别到拔出插头的第一图片或第二图片，则将相应插入插头的电器识别为固定电器，并提醒用户及时将该新定义的固定电器进行试运行，期间采集相应固定功率数据，或者提醒通过用户移动智能设备根据每一个固定电器的有功功率作为固定功率数据蓝牙输入到所述智能处理芯片中，若预设时间1-9小时内触发启动且检测用户拔除插头，则取消将其定义为固定电器的操作，若触发启动未检测到拔出插头，或者超时未触发启动则保持将该电器识别为固定电器的识别结果，并自动以当前识别的所有固定电器的有功功率平均值作为其固定功率数据。所有试运行都要求仅在该被试运行电器处于工作状态。

17、可选地，启动期间拍摄的频率是每隔0.2s-0.5s拍摄一次。

18、进一步地，所述插头的插入和拔出的监控，通过预训练好的模型进行，预训练好的模型的建立包括如下步骤：

19、s1安装好一个第一墙面监控装置和一个第二散置插座监控装置，建立带残差机制的卷积神经网路(res-cnn)或生成对抗网络(gan)，拍摄多张插入多种数量各不同的插头的第一图像和第二图像，以及多张不存在插头的空图像传入所述智能处理芯片中进行裁边处理，

20、s2所述智能处理芯片将多张所述的第一图像、第二图像、空图像分为训练集和验证集，将训练集的不同插孔附近图像区域输入res-cnn或者gan,以验证集验证准确率，经过训练得到最终预训练好的模型。

21、所述插头的插入和拔出的监控的方法包括：在启动之后，所述智能处理芯片根据裁边处理后的第一图像或第二图像不断识别当前不同插孔附近图像区域是否存在插头，以判断启动之后相应图像区域的插头是插入还是拔除操作，当裁边处理后的第一图像或第二图像按照拍摄时间序列存在识别为空，而后又存在识别为非空的情况，则表示相应图像区域存在插头插入事件，否则，当识存在识别为非空，之后又存在为空，则表示相应图像区域存在插头拔除事件。由此在电能时刻图中能够区分不同插孔上插头的插拔时刻。

22、容易理解的是，由于裁边处理，不同插孔附近图像区域的位置即相应固定，能够由芯片自动调取而不会产生较大偏差。采用分区域精细化识别，还有个好处在于在启动后最初拍摄的图像中存在手持插头的图像部分不会进入区域中，从而能够有足够时间拍摄到区域中为空的照片。

23、优选地，所述插头的插入和拔出的监控的方法中，对于启动期间仅保留距离新插入插头插入之前时间最近的一张图片和识别到的插入后第一张图片，以及识别到新拔出插头后的第一张图片。由此精确插头插拔的准确插拔时段。

24、进一步地，所述lstm模型建模包括：

25、p1 根据预设时间段，调取该时段内所述智能处理芯片绘制的电能时刻图，扣除固定功率存在的时段t内的电能，并记录固定功率存在的至少一组起止时刻点，并换算成每一组起止时刻内的对应固定电费f1i,i为固定电器的组合编号（根据实际情况代表单个固定电器或多个固定电器的组合）；

26、p2在插拔时刻之间的插拔时段对应的在p1中相应扣除了固定功率存在的时段内的电能的电能时刻图中，找到插头对应电器的用电功率数据存在的相应用电电能的起止时刻；由此p1和p2的步骤目的在于分辨出固定电器和插头插拔的用电电器的用电起止时刻，作为lstm建模之前的预处理步骤。

27、p3至少以固定电器的固定功率存在的起止时刻，用电电器用电功率存在的插拔时段内起止时刻,形成多个按时间顺序编号的lstm模型单元节点；

28、p4在更多预设时间段内重复步骤p1-p3，得到以每一个节点k（k为节点编号）对应的已用电能ek，以及上一个节点已用电能ek-1，形成每一个节点上多组已用电能ekm、e(k-1）m，其中m为预设时间段的编号，通过对预设时间初始零点的零向量和已用电量e0输入第一节点，在第一节点输出端预测出第一个节点的用电电能ep1，代入下一个节点的输入端，并在第一个节点上计算损失函数l1(ep1, e1m),在下一个节点输出端预测出第二个节点的用电电能ep2，代入再下一个节点的输入端，并在第二个节点上计算损失函数l2(ep2, e2m)，如此循环得到最后一个节点输出端的预测用电电能epk,并计算损失函数lk(epk, ekm),k为节点编号k的最大取值，不同的节点之间还有中间传递层，由此当m组数据全部用于训练完毕时，取使得所有损失函数求和为最小值min时对应的lstm模型作为最终lstm模型lstmf。

29、应当注意的是：由于用户的用电习惯，一般而言随着p4中重复到p3的遍数增多，新的时间节点单元出现的概率减少，且每个时间节点上的已用电能数据增加，作为训练集。

30、可选地，所述预设时间段对于每一个季度为1天-7天，对应的lstmf为当季度的lstmf。

31、可选地，扣除固定功率存在的时段t内的电能具体方法是，先根据第一图像和第二图像识别出至少一组插拔时段，对电能时刻图上不属于任一组插拔时段的非插拔时段识别为固定功率存在时段ts，并将该时段内的正的电能值归零（而本为零的则不做任何操作）；在插拔时段内，尝试扣除每一固定电器或其他所有可能组合的固定功率对应电能，将电能为零的时段t0划入固定功率存在时段，并同样将该时段内的电能归零，对于剩余时段tr内的电能扣除到任意组合尝试扣除后剩余电能仍为正的值的平均值,由此定义t=ts+t0，对于时段tr，同样尝试扣除每一固定电器或其他所有可能组合的固定功率对应电能，对于归为零时的组合即为对应时段固定电器的用电组合。 而预设时间段则为t+tr。

32、应当注意的是，p2中插拔时段的起止时刻一般并非用电功率存在的插拔时段内起止时刻。因为插头插上时刻并非用电功率存在的时刻，可以是稍后的短时长后的时刻，或者更长时后的时刻。也即用户并非插上插头即刻使用用电电器。但用电功率存在与否却可以在芯片绘制的电能时刻图中相应的时段内被识别到。

33、可以理解的是，在插拔时段之外的时段若存在电能，即容易识别为固定电器所消耗之电能，并且通过上述的组合尝试扣除的方法筛选出了固定电器的用电组合。

34、而在插拔时段内，固定电器也可能在工作，因此当尝试扣除固定功率任意组合之后，只要发现有某种组合下用电电能归为零，则说明该插拔时段内，相应插头的电器实际上并未使用，因此此时尝试扣除对应的组合即为相应组合的固定电器所消耗的电能。对于剩余时段tr用电电器大概率在使用，但是无法准确知道何种固定电器组合的在电能中贡献，因此近似将扣除到任意组合尝试扣除的平均值之后的剩余电能值假定为用电电器所消耗的电能。

35、由此我们就区分出必然存在固定电器耗电的时段t，以及大概率存在用电电器耗电的时段ts，也是固定电器可能存在用电的时段。tr时段内可能固定电器实际并不在使用，但是仍然作所述平均值的扣除，因为毕竟有一定概率该时段内固定电器也在使用，因此实际的扣除效果至少近似于实际用电电器耗电值，即便小概率用电电器实际不在该时段内使用，扣除的部分也减少了偏差，虽然为正但比不扣除要更接近于零。

36、由于多数用户生活具备一定规律，因此用电规律相对一致。因而在每一个季节中，常年里用电的时刻上用电电能是呈现一定规律（尤其是中老年人群），一个季节内的每一天不会偏差很大，因此可以用于训练。然而由于偏差存在，尤其是对于生活不规律的人群，用电电费的预测最后还需要于实测的用电进行比较以校准lstm模型，体现不同用户用电特点。

37、另外，由于训练样本少，一个季度最多92组预设时间段（即7月-9月），也即编号m最大值为92。因此损失函数求和可能不会呈现单调性质，但我们采用取损失函数最小值对应的lstm模型来作为最终模型，而非传统意义上随着训练量增加取趋向为最小时候作为训练完毕的终点。这样做的好处在于：对于生活规律的人群，损失函数趋稳概率就大，这样即便样本少也能使得模型的参数实际上是趋于优化的；而对于不呈现单调性的，则选择最小值也能一定程度代表优化的程度。尤其后期还有上述校准的方案，这种模型预测不精确并无大碍。

38、至此，我们通过监控装置完成了固定电器和插拔用电电器之间的用电能的识别区分，以及分别对两类电器的电费预测有了区分，即便无法进一步区分ts中是否存在固定电器用电，但由于此期间已经时插拔期间的短时间，用电量不大，对于整体用电电费贡献微小。

39、得到预设时间段内将来对应的时刻的预测耗电电能，并据此计算出预测电费的具体方法是，用户通过蓝牙将lstmf和电能时刻图下载到移动智能设备中，用户通过移动智能设备上安装的应用程序app计算lstmf中每一个时刻点上最终预测电能epkf和电能时刻图上实际电能erk比较，得到校正系数αk=erk/epkf,当用户选择将来的lstmf中对应时刻k=n，n为自然时，就会将电能时刻图上在第一时刻的用电电能输入lstmf中的第一节点单元的输入端，然后在对应时刻所对应的节点单元输出端输出所选对应时刻的最终预测电能epnf，得到校准值αnepnf，由此得到对应时刻k=n时预测总电费βαnepnf，根据步骤p1，在预设时间段中，对应时刻k=n之前的时间段内计算得到固定电费f1in，则用电电器产生电费f2n=βαnepnf -f1in，β为单位电能的电费，以及根据p1得到对应时刻k=n之前的任一个完整预设时间段内固定电费f1i；用户还可以根据电能时刻图上改变所述对应时刻k=n’为拔除时刻，获取到任一插拔时段内电电器产生电费，（n’-1,n’）即表示插入时刻n’-1到拔除时刻n’的插拔时段。

40、可选地，在得到预测电费总电费βαnepnf之后，通过云技术在所述预付费电表主机上显示，用户能够通过app将该预测电费首先交齐，在缴费到期时重新根据实时电能时刻图计算本结算期内实际需要缴费额，实现多退少补。

41、其中，计算得到固定电费f1in即为调取在预设时间段中，对应时刻k=n之前的时间段内所述智能处理芯片绘制的电能时刻图，扣除该时间段内固定功率存在的时段t内的电能，并记录固定功率存在的至少一组起止时刻点，并换算成每一组起止时刻内的对应固定电费f1in。

42、可选地，所述预付费电表主机还包括能够显示实施电能、实时电流、当前总预测费用βαnepnf以及实时绘制的电能时刻图的显示屏，以及费用隐藏/显示按钮，在显示屏上左右滑移电能时刻图，能够查看不同预设时间段内的电能时刻图。

43、可选地，所述移动智能设备为智能手机或平板电脑。

44、优选地，所述预付费电表主机还包括第三摄像头，和接近传感器，用于接近刷脸而激活费用隐藏/显示按钮。

45、有益效果

46、1.通过监控装置实现了基于智能建模识别插头插拔的实时监控，从而在电表上的电能时刻图中区分出固定电器和其他插拔时段内的电器的用电情况；

47、2.通过校正的lstm模型预测结果实现了预设时间段内，任意将来对应时刻的预测总电费、固定电费、以及任一插拔时段内的电器的预测电费，进一步细化到固定电器，每一种非固定电器的耗电、电费的预测；

48、3.通过刻左右滑移的电能时刻图，查看到不同预设时间段内的耗电情况；

49、4.智能手机与电表通讯，使用云技术，实现了电能时刻图查看、不同类型电器电费预测、电费预交付的多功能。