一种基于数据挖掘的学生寝室违章电器使用监测系统的制作方法

本发明涉及用电安全、大数据、模式识别技术领域，特别是涉及一种基于数据挖掘的学生寝室违章电器使用监测系统。

背景技术：

学生寝室违章电器的使用屡禁不止，反而有愈演愈烈的趋势，管理人员的工作量愈来愈大。虽然目前市面上有很多针对学生寝室的恶意负载识别器，但是随着电器种类的与日俱增，这类负载检测方法已经不能很好的识别违章负载，无法保证学生寝室的用电安全管理。

随着信息技术的发展，电力系统也在寻求与时俱进，智能电网的概念应运而生。智能电网并没有精确的定义，但具有四大里程碑意义的技术：高级计量架构(ami)、高级配电运行(ado)、高级输电运行(ato)和高级资产管理(aam)。ami具有能够同用户建立实时通信的特征。

小到一个学生寝室，大到一个国家，它的实时用电信息均是一个很庞大的数据，如何运用新兴的大数据挖掘技术从这些数据中获取有用的信息就变得很有意义。

技术实现要素：

本发明要解决的技术问题是提供一种既可以有效监测学生寝室的违章电器使用情况，保证用电安全，又可以减少管理人员的工作量的监测系统。

为了解决上述技术问题，本发明的技术方案是提供一种基于数据挖掘的学生寝室违章电器使用监测系统，其特征在于：包括

智能电表模块，用于采集各个寝室的实时用电信息；

数据预处理模块，从智能电表模块采集的原始数据中筛选建模数据，然后对筛选出来的数据插补缺失值，最后生成样本；

混合负载识别模块，对所述样本中的电压电流数据首先进行傅里叶变换，建立实时特征矩阵，通过对各种主流电器的电压电流特性建立特征矩阵库，通过比较实时特征矩阵与特征矩阵库来判断学生寝室使用违章电器的情况，并识别负载种类；

分析处理模块，对所述样本，通过瞬时功率法检验学生寝室是否使用大功率的电器，通过功率因素法识别阻性和非阻性负载，通过历史跳闸次数判断是否存在使用违章电器的记录，结合混合负载识别模块的结果得到使用违章电器的寝室黑名单。

优选地，还包括：

管理模块，对列入黑名单的寝室进行实地检查；

修改及完善模型模块，根据实地检查反馈的结果修改混合负载识别模块和分析处理模块的模型，完善系统。

优选地，所述智能电表模块由多个智能电表组成，智能电表包括微控制器，微控制器连接通信模块、数据采集模块、数据显示模块、继电器动作模块和掉电存储模块。

优选地，所述数据预处理模块、混合负载识别模块、分析处理模块以及修改及完善模型模块均运行在hadoop平台上。

优选地，所述智能电表模块通过无线网络将采集到的学生寝室用电信息实时地传输到数据库模块中进行存储，数据预处理模块从数据库模块中读取原始数据。

优选地，所述数据库模块采用sqlserver技术。

优选地，所述数据预处理模块基于hadoop平台的hive进行数据的处理，hive将sql转换成可用hadoop运行的mapreduce任务。

优选地，所述混合负载识别模块基于hadoop平台的mahout进行大数据的用户特征建模与挖掘。

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明能够对学生寝室用电数据进行挖掘，有效地辅助管理人员监测学生寝室违章电器的使用情况。可以非人工地采集各寝室用电信息；可以识别出使用违章电器的寝室黑名单，管理人员仅需对黑名单进行断电或检查，降低工作量；可以作为一个小区域的智能电网，在未来完美的融入到更大区域的智能电网中；可以作为大数据挖掘与电力系统结合应用的典范；系统易于维护，可扩展性强。

附图说明

图1为本实施例提供的基于数据挖掘的学生寝室违章电器使用监测系统结构示意图；

图2为智能电表的结构示意图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

图1为本实施例提供的基于数据挖掘的学生寝室违章电器使用监测系统结构示意图，所述的基于数据挖掘的学生寝室违章电器使用监测系统包括智能电表模块2、数据库模块4、数据预处理模块5、混合负载识别模块9、分析处理模块13，以及修改及完善模型19等，数据预处理模块5、混合负载识别模块9、分析处理模块13以及修改及完善模型19均运行在hadoop平台20上。

智能电表模块2用于采集各个寝室的实时用电信息。由智能电表1进行用电信息实时采集，采集到的信息通过无线通信网络+路由3传送到数据库模块4，再传送到数据预处理模块5。

结合图2，智能电表1包括微控制器，微控制器连接通信模块、数据采集模块、数据显示模块、继电器动作模块和掉电存储模块。智能电表1采集各寝室实时用电信息及跳闸次数等，并具有双向通信网络。

数据库模块4采用sqlserver技术，用于保存用电信息、跳闸次数以及数据挖掘结果等。

数据预处理模块5包括依次连接的筛选建模数据单元6、插补缺失值单元7、生成样本单元8，通过这些单元对原始数据进行一系列处理，为后续的数据计算做好铺垫。首先从原始数据中筛选建模数据，然后对筛选出来的数据插补缺失值，最后生成样本。将样本传送到hadoop平台的混合负载识别模块9进行用户特征建模，同时传送到分析处理模块13进行初步分析。数据预处理模块5基于hive进行数据的处理，hive能将sql转换成可用hadoop运行的mapreduce任务。

混合负载识别模块9包括依次连接的电压电流的傅里叶变换单元10、根据数据完善实时特征矩阵单元11、与特征矩阵库对比识别单元12。对样本中的电压电流数据首先进行傅里叶变换，然后形成完善的实时特征矩阵单元，通过比较实时特征矩阵与特征矩阵库来识别负载的种类，初步判断学生寝室是否使用违章电器，并识别负载种类，可以识别出违章电器类别。

混合负载识别模块9基于hadoop平台的mahout进行大数据的用户特征建模与挖掘，通过对电压、电流进行傅里叶变换建立实时特征矩阵，通过对各种主流电器的电压电流特性建立特征矩阵库，通过实时特征矩阵与特征矩阵库的比较来识别学生寝室使用违章电器的情况。

分析处理模块13包括依次连接的瞬间大功率检测单元14、功率因素计算单元15和历史跳闸次数统计单元16；通过瞬时功率法检验学生寝室是否使用大功率的电器，通过功率因素法识别阻性和非阻性负载，通过历史跳闸次数判断是否存在使用违章电器的记录，结合混合负载识别的结果得到使用违章电器的寝室黑名单。

混合负载识别模块9和分析处理模块13均基于hadoop平台的mahout进行用户特征建模.

由混合负载识别模块9和分析处理模块13的结果综合得出使用违章电器寝室黑名单17，为管理人员实地检查提供依据。管理人员实地检查黑名单寝室，对列入黑名单的寝室进行断电或检查18。

修改及完善模型模块19是指管理人员根据实地检查反馈的结果来修改模型，完善系统。

本发明基于的平台hadoop是一个专业的大数据挖掘架构，其中hdfs可以只读、不可修改的存储大量数据，mapreduce可以高可靠的大吞吐量的对大数据进行并行计算。