买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京邮电大学申请的专利联合智能音箱和电表的细粒度家庭用电监测系统及方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117131462B 。

龙图腾网通过国家知识产权局官网在2025-12-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311075482.2，技术领域涉及：G06F18/25；该发明授权联合智能音箱和电表的细粒度家庭用电监测系统及方法是由赵东;马华东;元睿;朱冠州;田阔;张正源设计研发完成，并于2023-08-24向国家知识产权局提交的专利申请。

本联合智能音箱和电表的细粒度家庭用电监测系统及方法在说明书摘要公布了：联合智能音箱和电表的细粒度家庭用电监测系统及方法，属于家庭电器能耗监测相关领域，该方法包括：系统自动学习电器功率和声音之间的关联关系，即一致性信息和互补性信息；将功率事件分为高功率变化和低功率变化，迭代地进行情景发现；寻找具有关联的声音特征和功率特征即关键特征对，通过聚类了解哪些关键特征对属于同一电器状态；噪声鲁棒的基于声音的电器状态识别器训练；利用学习到的一致性信息和互补信息即电器状态识别器的识别结果，以跨模态关联融合的方式实现电器能耗分解，进而推断每类电器的耗电情况。本发明以低设备成本和低标注成本的方式帮助用户了解家庭细粒度用电情况，帮助用户培养低碳的用电习惯，还可辅助进行用户活动识别。

本发明授权联合智能音箱和电表的细粒度家庭用电监测系统及方法在权利要求书中公布了：1.联合智能音箱和电表的细粒度家庭用电监测方法，其特征在于，采用联合智能音箱和电表的细粒度家庭用电监测系统实现，所述联合智能音箱和电表的细粒度家庭用电监测系统，包括：跨模态学习模块和跨模态推断模块，所述跨模态学习模块用于自动学习电器功率和声音之间的关联关系，即一致性信息和互补性信息；所述跨模态推断模块用于利用学习到的一致性信息和互补信息即电器状态识别器的识别结果，以跨模态关联融合的方式实现电器能耗分解，进而推断每类电器的耗电情况； 该方法包括以下步骤： 步骤S1：系统自动学习电器功率和声音之间的关联关系，即一致性信息和互补性信息； 步骤S1.1：将功率事件分为高功率变化和低功率变化，迭代地进行情景发现； 利用DPGMMS模型将功率事件分为高功率变化和低功率变化，然后迭代地进行情景发现；一个情景En＝en1,en2,…,enL为一个有序的功率事件序列的子序列；若该子序列对应的功率变化Pn＝Pn1,Pn2,…,PnL满足公理约束，即被视为有效情景集合Evalid，即电器周期；尚未被公理约束验证的情景被称为候选情景集合Ecand； 步骤S1.2：寻找具有关联的声音特征和功率特征即关键特征对，通过聚类了解哪些关键特征对属于同一电器状态； 步骤S1.2.1：声音特征提取； 根据给定的一个声音数据流，将其分成长度为0.96秒的声音片段，对于时间t周围的声音片段，如果其分贝值DB大于-45DB，则认为是声音事件at；使用VGG-ish作为声音特征提取器将每个0.96s声音片段转换为声音特征 步骤S1.2.2：编码和解码； 利用编码器将声音特征解耦成噪声特征向量Zt,Noise和有效特征向量Zt,Clean，通过解码器重建声音特征重构损失的计算公式如式1所示： 步骤S1.2.3：功率预测； 根据解耦的有效特征向量Zt,Clean预测功率值；功率预测器的损失函数的计算公式如式2所示： 其中，pt是实际功率值，是预测功率值； 步骤S1.2.4：构建整体损失函数； 整体损失函数的计算公式如式3所示： 其中，λ是平衡预测误差和重建误差的超参数； 步骤S1.3：噪声鲁棒的基于声音的电器状态识别器训练； 通过数据增强方式将目标声音片段与其他声音片段移动并重叠以生成丰富的具有噪声的训练数据；根据电器状态识别器的识别结果迭代训练产生新的负样本来增强电器状态识别器的性能； 步骤S2：利用学习到的一致性信息和互补信息即电器状态识别器的识别结果，以跨模态关联融合的方式实现电器能耗分解，进而推断每类电器的耗电情况； 步骤S2.1：利用学习到的一致性信息验证噪声鲁棒的基于声音的电器状态识别器的识别结果； 电器状态识别器的识别结果与该时刻的功率事件直接关联，通过跨模态学习模块利用学习到的一致性信息验证噪声鲁棒的基于声音的电器状态识别器的识别结果，如果功率值不匹配，则将其丢弃； 步骤S2.2：识别与声音相关的电器周期，在发现与声音相关的情景后，利用两阶段情景发现操作来发现其余的候选情景； 根据不同电器的状态组合，采用不同的情景发现规则：i若开始、运行和结束状态均被识别，则根据每个状态的功率值，直接从候选情景中选择最终电器周期；ii若只有部分状态被识别，则缩减候选情景的候选空间，再利用公理约束筛选出最终情景； 步骤S2.3：对与声音相关的电器周期进行聚类，并通过一次性交互进行识别，得到最终电器能耗分解的标签结果； 一个电器周期包含多个功率事件，如果一个电器周期包含与声音相关的功率事件，则将其标记为该声音类别的伪标签；如果电器周期中所有功率事件不包含声音伪标签，则使用密度峰值聚类对相似的电器周期进行聚类并标记伪标签进行识别；同时根据情景询问不同类型的交互问题。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京邮电大学，其通讯地址为：100876 北京市海淀区西土城路10号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。