用电器分析识别装置：从采样到分类的完整实现方案

简介：这份PDF是2021年全国大学生电子设计竞赛本科组H题「用电器分析识别装置」的完整赛题文档，面向备战电赛的高校学生与指导教师，帮助读者准确掌握题目任务、指标边界与评分细则。资源包共1个PDF文件，约315KB，内容为官方试题原文，涵盖任务描述、基本要求、发挥部分、说明与评分标准等模块，可直接用于方案论证与分工规划。题目要求设计具备学习与分析识别两种模式的装置，依据电源线电流的电参量判别在用电器类别，电流范围5mA至10.0A，可识别电器不少于7种，并涉及电流互感器、特征参量筛选、微控制器编程与无线传输等知识点。发挥部分进一步要求学习功能、大小电流共用时的识别能力及低功耗设计。目前已有1890人学习下载，适合作为赛题解读、指标拆解与设计报告撰写的参考依据。

1. 从一份赛题 PDF 说起：用电器分析识别装置到底在做什么

第一次拿到「用电器分析识别装置」这个题目的人，八成会先愣一下：是要我做一个能认出插在插座上的是什么电器的设备？答案基本就是它。核心思路是——在供电入口处采集电压和电流波形，通过分析电流的谐波、功率因数、有功无功比例、启动冲击等特征，反推出后面挂的是什么负载。它解决的是「非侵入式负载监测」问题：不用给每个电器装传感器，只在总闸处装一个采集点，就能分辨出当前开了哪些电器。

这套东西适合谁？做电力监测产品的、搞智能家居能耗分析的、参加电子设计竞赛的学生，以及想用一块 ADC 加一个 MCU 做出点真东西的嵌入式工程师。它不需要昂贵的专用芯片，但对采样同步、特征提取和分类逻辑的要求不低。下面我按「先能采到干净数据、再能提出可区分特征、最后能稳定分类」这条线，把整个方案拆开讲。

2. 硬件选型与采样链路：先把电流波形采干净

2.1 电压电流双通道的传感器怎么选

用电器识别的第一道坎不是算法，是采样。电流波形里那些能区分电器的信息，全在高次谐波和暂态里，采不干净后面全白搭。

常见做法是电压通道用电阻分压，电流通道用互感器或霍尔传感器。这里有个选型分水岭：互感器（CT）只能测交流，且低频响应差，测不到直流分量和很低的次谐波；霍尔传感器能测交直流，但零漂和温漂明显。如果题目要求识别开关电源类负载（这类负载电流波形畸变严重，是识别的重点和难点），我一般会选开环霍尔加后级运放调理，带宽至少覆盖到 2kHz 以上。

分流电阻方案也常用，成本低、线性好，但不隔离，共模电压处理不好会直接烧 ADC。用分流电阻时，前端一定要加隔离运放或差分运放，把共模压到 ADC 能接受的范围。

2.2 采样率、分辨率与同步的三个硬指标

采样链路定下来后，三个参数必须一起定，不能单独拍脑袋。

采样率：要覆盖到 2kHz 以上的谐波，按奈奎斯特至少 4kSPS，但实际做谐波分析我建议每周期采 128 点以上。50Hz 工频下，128 点对应 6.4kSPS，256 点对应 12.8kSPS。采样率越高，高次谐波越准，但数据量和算力也上去了。

分辨率：ADC 至少 12 位。电流动态范围大——待机几十毫安，满载十几安，12 位在满载时够用，但小电流细节会丢。条件允许上 16 位外置 ADC，或者用可编程增益放大器（PGA）分档。

同步：电压和电流必须同时采样，否则功率因数算出来是错的。用双通道同步采样的 ADC，或者两个采样保持器同时触发。软件上分时采样再对齐，在谐波分析里误差会很大。

// 双通道同步采样触发配置（以常见 MCU 的 ADC 为例） // 关键：用同一个触发源同时启动电压、电流通道转换 void adc_sync_init(void) { ADC->CR1 |= ADC_CR1_SCAN; // 扫描模式，多通道 ADC->CR2 |= ADC_CR2_DMA; // DMA 搬运，避免 CPU 干预丢点 ADC->CR2 |= ADC_CR2_EXTTRIG; // 外部触发 ADC->CR2 |= ADC_CR2_SWSTART; // 软件触发作为同步源 // 两个通道放在同一规则组，一次触发顺序转换 // 若 MCU 支持双 ADC 同步模式，优先用双 ADC 交替/同步 ADC->SQR1 = (1 << 20); // 规则组长度 2 ADC->SQR3 = (0 << 0) | (1 << 5); // 通道0电压，通道1电流 }

这段配置的核心是让电压和电流落在同一个规则组里，由同一次触发启动。DMA 负责把转换结果搬到缓冲区，CPU 不参与搬运，避免采样间隔抖动。参数上，SQR1的低 4 位是规则组长度减一，这里写 1 表示 2 个转换；SQR3每 5 位放一个通道号。如果 MCU 有双 ADC 同步模式，用两个 ADC 分别采电压电流、由同一边沿触发，同步性更好。

2.3 前端调理电路的两个易错点

调理电路决定了信号能不能进 ADC 的「甜区」。两个坑最常见：

一是偏置电压没加对。交流信号有正有负，ADC 一般只能采 0 到 VREF，所以要把信号抬到 VREF/2。偏置用电阻分压加跟随器，别直接用两个电阻分压就接进去，输出阻抗太大会被 ADC 采样电容拉偏。

二是抗混叠滤波缺失。采样率 6.4kSPS 时，高于 3.2kHz 的成分会混叠回来，污染低次谐波。加一个截止频率略低于采样率一半的二阶低通，用运放搭 Sallen-Key 就行。截止频率别压太低，否则 2kHz 附近的谐波会被衰减，反而丢了识别特征。

3. 特征提取：从波形到能区分电器的数字

3.1 有功、无功、功率因数为什么不够用

最直觉的特征是有功功率。但纯电阻负载（电热壶）和整流负载（充电器）可能有功功率差不多，功率因数却差很远。所以功率因数要一起用。可即便如此，两个不同品牌的开关电源，有功和功率因数都可能撞车。

真正拉开区分度的是电流波形的形状。电阻负载电流是正弦；感性负载电流滞后；开关电源电流是尖峰脉冲，集中在电压峰值附近；调光类负载可能只有半波。这些形状差异，用谐波含量和波形因子能定量描述。

3.2 谐波、波形因子与启动冲击的提取代码

我一般提取这几类特征：总谐波畸变率（THD）、各次谐波相对幅值、波峰因数（峰值/有效值）、波形因子（有效值/平均值）、有功无功、以及启动瞬间的冲击电流峰值和持续时间。

import numpy as np def extract_features(v, i, fs): """ v, i: 同步采样的电压、电流数组（已去偏置） fs: 采样率 Hz 返回特征字典 """ N = len(v) # 1. 有效值 v_rms = np.sqrt(np.mean(v**2)) i_rms = np.sqrt(np.mean(i**2)) # 2. 有功功率（瞬时功率平均） p = np.mean(v * i) # 3. 视在功率与功率因数 s = v_rms * i_rms pf = p / s if s > 1e-9 else 0.0 # 4. FFT 求谐波（只取整数周期，减少频谱泄漏） I = np.fft.rfft(i) / N * 2 mag = np.abs(I) fundamental = mag[1] if len(mag) > 1 else 1e-9 # 2~15 次谐波相对幅值 harmonics = [mag[k] / fundamental for k in range(2, 16) if k < len(mag)] # 5. 总谐波畸变率 thd = np.sqrt(np.sum(np.array(harmonics)**2)) # 6. 波峰因数与波形因子 crest = np.max(np.abs(i)) / i_rms if i_rms > 1e-9 else 0 form = i_rms / (np.mean(np.abs(i)) + 1e-9) return { "p": p, "s": s, "pf": pf, "thd": thd, "harmonics": harmonics, "crest": crest, "form": form, "i_rms": i_rms, "v_rms": v_rms }

逻辑上，先算功率类特征，再做 FFT 拿谐波。FFT 前要保证采样窗口是整数个工频周期，否则频谱泄漏会让谐波幅值不准。做法是先用过零检测找到电压过零点，截取整数周期再送 FFT。harmonics取 2 到 15 次，是因为再高的次数在 6.4kSPS 下已经接近奈奎斯特，可信度低。crest和form对开关电源和电阻负载的区分很有效——开关电源波峰因数通常大于 1.8，电阻负载接近 1.414。

3.3 启动冲击：被低估的识别维度

很多电器在开机瞬间有一个独特的冲击电流。电机类启动电流可达额定 5 到 8 倍，持续几百毫秒；开关电源有电容充电的短促尖峰；白炽灯冷态电阻小，冲击也明显。这个暂态特征和稳态特征组合起来，识别率能上一个台阶。

采集启动冲击要注意：采样窗口要覆盖开机前后各一秒以上，并且用较高的采样率（比如 12.8kSPS）才能抓住尖峰的上升沿。稳态分析可以用低采样率省算力，启动分析单独开一个高采样率通道，两者分时切换。

4. 分类决策：规则、模板还是轻量模型

4.1 规则阈值法的边界在哪

最简单的做法是给每个特征设阈值区间，落在哪个区间就算哪类。比如功率因数小于 0.6 且 THD 大于 0.8 判为开关电源类，功率因数大于 0.95 且波峰因数接近 1.414 判为电阻类。

规则法在负载种类少、工况稳定时够用，调试直观，算力几乎为零。但它的边界很脆：同一类电器不同功率档位，特征会漂；多个电器同时开，总特征是两个负载的叠加，规则直接失效。所以规则法适合做第一层粗分类，或者作为兜底逻辑。

4.2 模板匹配与最近邻的实操

比规则法稳一点的是模板匹配：预先采集每类电器的特征向量存成模板，识别时算当前特征和每个模板的距离，取最近的。距离用加权欧氏距离，权重按特征的可区分度调。

def classify_nn(feat, templates, weights): """ feat: 当前特征向量（按固定顺序） templates: {类别名: 特征向量} weights: 各维权重 返回最近类别和距离 """ best, best_d = None, float("inf") fv = np.array(feat) w = np.array(weights) for name, tv in templates.items(): d = np.sqrt(np.sum(w * (fv - np.array(tv))**2)) if d < best_d: best, best_d = name, d return best, best_d

权重是关键。功率因数、THD、波峰因数这几维区分度高，权重给大；有功功率受档位影响大，权重给小。模板要在同一采集链路下录，换硬件就得重录，这是模板法最容易被忽视的坑。

4.3 轻量分类器上 MCU 的取舍

如果 MCU 有富余算力，可以上一个小型分类器，比如决策树或极小的神经网络。决策树推理就是几个 if-else，几十个字节的模型，比模板法更能处理非线性边界。训练在 PC 上用 sklearn 做，导出成 C 数组，推理函数手写。

取舍点在于：模型再小，也需要足够的训练数据。自己采几百组样本，覆盖各类电器的不同档位和组合，比调模型结构重要得多。数据不够时，模板法加规则兜底反而更稳。

5. 避坑与排查：那些让识别率突然掉下去的细节

5.1 现象：同一电器换档位就认不出

原因：特征向量里功率类特征占比过大，档位一变，距离就超阈值。解决：把功率类特征做归一化，或者分类时只用形状类特征（THD、波峰因数、谐波比例），功率单独做档位估计。

5.2 现象：两个电器同时开，识别结果乱跳

原因：总电流是叠加的，谐波和功率因数都不是简单相加，模板法直接失效。解决：先做负载分解再识别，或者退一步，只做「是否新增负载」的检测，用有功功率的阶跃来触发，再对新增部分做特征分析。多负载分解是这类装置的难点，别指望单点特征能直接分开。

5.3 现象：采样数据看着正常，功率因数却算错

原因：电压电流通道有相位差，可能来自传感器本身、调理电路或采样不同步。解决：用一个纯电阻负载做校准，理论上功率因数应为 1，测出来偏离多少，就在软件里做相位补偿。补偿量按频率微调，因为相位差随频率变化。

5.4 现象：小功率负载完全测不到

原因：ADC 分辨率不够，或者前端增益固定，小信号落在量化噪声里。解决：加 PGA 分档，小电流时切高增益档；或者用 16 位外置 ADC。软件上可以做滑动平均降噪，但会牺牲暂态响应，启动冲击分析时不能开。

5.5 现象：识别结果在临界点反复横跳

原因：特征值刚好落在两个模板中间，噪声一扰动就换类。解决：加迟滞，连续 N 次判定为同一类才输出；或者输出置信度，低于阈值时保持上一状态。别小看这个，现场体验差很多时候就是横跳造成的。

6. 把识别率再往上推：几个我常用的进阶技巧

第一个技巧是用电压波形做参考相位。所有谐波特征都相对于电压基波相位来算，而不是相对于电流自身。这样不同时间采的数据才有可比性，模板不会因为开机时刻不同而漂。

第二个技巧是分段建模。把负载分成「阻性」「感性」「整流」「开关电源」「调光」几个大类，先粗分大类，再在大类内细分。粗分用规则，细分用模板或决策树。这样每层的特征维度少，样本需求也少。

第三个技巧是在线更新模板。识别确认后，把当前特征以很小的学习率并入对应模板，让模板慢慢适应这个具体电器的老化、温漂。学习率要小，否则一次误判就把模板带偏。

验证方法上，我习惯做一个混淆矩阵，把每类电器的识别结果统计出来，看错分集中在哪两类之间。如果两类总是互相错分，说明现有特征区分不了它们，得回去找新特征，而不是调分类器参数。这个习惯帮我省了很多瞎调的时间。

最后一个具体技巧：采集时给电压通道留一个标记位。用一个 GPIO 在电压过零时翻转，和 ADC 数据一起存下来。后处理时靠这个标记对齐周期，比纯软件过零检测稳得多，尤其是在波形畸变严重时。这个标记不占多少资源，但省下的对齐调试时间很值。

我自己踩过最深的坑，是早期没做相位校准，功率因数一直偏，导致所有依赖它的特征都不可信，调了两周分类器都没用。后来用纯电阻负载一校准，问题立刻现形。所以每次换硬件或改调理电路，第一件事就是拿电阻负载验一遍功率因数和 THD，确认采样链路没问题再往下做。希望帮到你。

本文还有配套的精品资源，点击获取