[0001] 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。

[0002] 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。

[0003] 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。

[0045] 图1为本发明的一种基于用电智能预测的预付费电表，具体包括室外带屏幕的预付费电表主机，所述主机外壳内部设置有智能处理芯片和蓝牙收发装置，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在t‑E（E为当前消耗电能，t为时间）坐标系内绘制电能时刻图。图1中显示了某一天预设时段内的电能时刻图a，以及第二天的电能时刻图b，从第二天开始时即归零，重新开始累积。如此 用户可以左右滑移电能时刻图，通过断崖下跌至零出区分出不同的天数内的电能时刻图。

[0046] 蓝牙收发装置则用于和用户智能手机之间通讯，实现固定功率、预设时段的输入，以及7月‑9月第三季度的LSTMf和电能时刻图下载。

[0047] 所述预付费电表主机外壳设置有第三摄像头，和接近传感器，通过手机设定的用户脸而在用户靠近第三摄像头时，触发接近传感器，而激活所述预付费电表主机外壳还设置的激活费用隐藏/显示按钮，在预测总电费βαnEpnf结果出来之后，通过云技术传入芯片中，并通过该按钮的操作，在显示、隐藏预测总电费βαnEpnf循环切换。

[0048] 基于用电智能预测的预付费电表还包括，至少一个第一墙面监控装置。如图1，显示了其中一个，用于对如图2的二眼和三眼竖直方向并排的墙插，将其拍摄的第一图像作为第一监控数据通过同火、零、地三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，进行插头的插入和拔出的监控。

[0049] 如图1所示，第一墙面监控装置包括了第一摄像头，第一充电模块，第一图像采集传输芯片（在装置外壳内部，图中未示出），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埋墙第一接口（参见图2）, 用于连接第二数据线第二接口，以及接近传感器和第一照明模块，同时第一照明模块充当了电量不足提示装置。在电量不足5‑10%时采用闪烁进行提示。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。

[0050] 当用户手持插头或空手进入拍摄区域时，即触发接近传感器而启动第一摄像头，以每隔0.2s拍摄一张第一图像的频率，在10s内采集五十张第一图像。

[0051] 图1中仅显示了一种安装第一墙面监控装置的位置，在图1中A、B、C三个位置也能安装。但是安装位置最佳选定，原则上为能够将所有插满插孔的插头在一张图像中拍摄到，而不产生插头之间遮挡而影响建模识别。因此图1中位置A和C即排除。而对于其他插孔排布模式，则可以此原则灵活选定。而埋墙第一接口离开墙插的距离，原则上也是一张图像中能够覆盖所有插头的视野范围。

[0052] 基于用电智能预测的预付费电表还包括， 至少一个第二散置插座监控装置。如图3，显示了其中一个，用于对非墙插的散置插座上插头的插入和拔出的监控。所述第二散置插座监控装置包括了第二摄像头，第二充电模块（图中未示出），第二图像采集传输芯片（在装置外壳内部，图中未示出），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（图中仅指示其端部在图中视角下所在位置），以及接近传感器和第二照明模块。同理，当用户接近第二散置插座监控装置时，启动第二摄像头，同样以每隔0.2s拍摄一张第一图像的频率，在10s内采集五十张第二图像。并且其摆放位置的选定和离开散置插座的距离的原则一如第一墙面监控装置的情况。此外，第二照明模块充当了电量不足提示装置。在电量不足5‑10%时采用闪烁进行提示。

[0053] 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。

[0054] 所述基于用电智能预测的预付费电表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1天，而利用该时间段进行LSTM模型建模，由此得到1天内将来对应的时刻（例如今天的21点所对应的明天21点）的预测耗电电能，并据此计算出预测电费。

[0055] 其中，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：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)，拍摄多张插入多种数量各不同的插头的第一图像、第二图像、多张空图像（如图4e），传入所述智能处理芯片中进行裁边处理，如图4所示；
S2所述智能处理芯片将多张所述的第一图像、第二图像、多张空图像分为训练集和验证集，将训练集的区1和区2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。对于图2的墙插情况下，则分为二眼区1和三眼区2进行划分。

[0056] 仍以图2的墙插为例，所述插头的插入和拔出的监控的方法包括：如图4，在启动之后，当裁边处理后的第一图像按照拍摄时间序列存在识别为空（图4a，手持插头要往区2插入插头的一个瞬间），而后又存在识别为非空的情况（图4b），则表示相应区2存在插头插入事件，否则，如区1，当识存在识别为非空（图4c），之后又存在为空（图4d），则表示区1内存在插头拔除事件。再比如，在图4a之后，区1识别为非空的图4c，则说明图4a和图c之间存在二眼插头插入事件上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。

[0057] 如图5所示，以预设时间段为1天为例，对于第三季度7‑9月间的92组预设时间段（即m=1,2，...,92），所述LSTM模型建模包括：P1 根据1天的时间段，调取1天内所述智能处理芯片绘制的电能时刻图，扣除空调、冰箱的固定功率存在的时段T内的电能，并记录固定功率存在的6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为空调、冰箱的组合编号，当空调和冰箱合使用时为1，冰箱单独使用时为2；则换算的宗固定电费为F11+F12。

[0058] 具体而言，在监控到在上6点之后依次存在实际为微波炉适用、看电视、手机充电、12时离家关闭空调而冰箱继续单独运行之后，直至21时回家开灯、开空调、再次手机充电，4个插拔时间段。则除此之外的所有时段的电能均为空调、冰箱至少一者所贡献。对于这个时段定义为Ts，而剩余的插拔时间段内除手机充电是即时耗电的Tr时段，微波炉和电视的插拔时段内还存在T0时段。也即在尝试对于空调单独运行、冰箱单独运行、两种同时运行的固定功率（即有功功率）的扣除后，发现在两种同时运行的固定功率扣除下电能归零。因此在该时段内微波炉和电视并未工作，而仅仅是插上的插头。因此T=Ts+T0。而只有Tr时段才是微波炉和电视的工作耗电的时段。同时也是空调和冰箱同时工作的时段。因此对于该时段的电能扣除，是冰箱单独运行、空调单独运行、两者同时运行的三种固定功率的平均值。因此残留的为扣除干净的实际空调和冰箱的总贡献，被视作了Tr内微波炉和电视的耗电。在21点之后还包括了开灯（设为全开，和至少开其中一个且非全开的多种情况）单独运行，以及与其他电器同时运行的情况。在白天则不考虑开灯情况。

[0059] 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，也即微波炉、电视、手机充电的用电功率数据存在的相应用电电能的起止时刻；P3以固定电器的固定功率存在的起止时刻，即1天内零点时刻，以及24点时刻，和微波炉、电视、两次手机充电用电功率存在的插拔时段内起止时刻,形成10个按时间顺序编号的LSTM模型单元节点；
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，一共92组电能数据。

[0060] 如图5所示，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（尽管图5中因从简而未示出，然而即是从零向量开始传递，从每个阶段输入端到中间层输出到下一个节点），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模型作为第三季度最终LSTM模型LSTMf。

[0061] 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，如图1所示，用户通过蓝牙将LSTMf和电能时刻图下载到移动智能设备中，用户通过手机上安装的应用程序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,当用户选择如图6所示的将来的LSTMf中对应时刻k=8时（即一天中的21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Ep8f，得到校准值α8Ep8f，由此得到对应时刻k=n时预测总电费βα8Ep8f，根据步骤P1，在预设时间段中，对应时刻k=8之前的时间段内计算得到固定电费F1i8，则用电电器产生电费F28=βα8Ep8f ‑F1i8，β为单位电能的电费，以及根据P1得到对应时刻k=8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。

[0062] 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（如图1），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。

[0063] 根据本发明的上述方案能够将固定电器，其他插拔时段内的电器用电区分，从而指导用户合理调整分配用电，找出节省电能的方案。