1.一种非侵入式未成年人异常上网行为监测方法,其特征在于:用非侵入式未成年人异常上网行为监测方法的具体步骤包括:S1:对用户供电入口处的端电压和总电流进行采集,将采集的数据通过非侵入式负荷辨识模块进行辨识,获取电脑的实时使用时间和实时用电信息;
S2:将获取的电脑实时用电信息作为特征输入量,基于核极限学习机的机器学习方法,建立电脑在历史使用中,不同使用场景下的用电信息与电脑使用场景的映射模型;
所述步骤S2中建立映射模型的具体方法步骤包括:S21:对历史监测到的电脑不同使用场景下的实时用电信息进行滤波处理;
S22:对滤波处理后的数据进行标准化处理;
S23:构建核极限学习机神经网络的核函数,选用径向基RBF核函数;
S24:利用遗传算法优化模型正规化系数和核函数的参数;
S25:重复步骤S21‑S24,直到得出最优目标映射模型;
S3:基于已建立的映射模型,根据步骤S1中获得的实时用电信息,辨识当前时刻的电脑使用场景;
S4:判断当前时刻的电脑使用场景和当前时刻的电脑使用时间,与家长设定的电脑允许使用场景和电脑允许使用时间是否一致,生成相对应的异常上网行为信息;
S5:将生成的异常上网行为信息通过无线通信技术传输到用户日常查缴电费的手机App上。
2.根据权利要求1所述的一种非侵入式未成年人异常上网行为监测方法,其特征在于:所述步骤S1中,非侵入式负荷辨识模块的辨识方法具体的操作方法包括:S11:利用压缩感知稀疏采样进行采集供电入口处端电压和总电流;
S12:对采集的数据进行标幺化、去噪、平滑处理;
S13:探测处理后的数据,获得当前时刻家用电器开关时间;
S14:提取当前时刻家用电器投切前后时间段内的负荷特征;
S15:建立家用电器历史运行负荷特征数据与家用电器种类使用的负荷辨识模型;
S16:基于建立的负荷辨识模型,对实时负荷特征进行辨识,获得当前时刻家用电器类型;
S17:判断家用电器是否为电脑,若是,则进行步骤S2。
3.根据权利要求1所述的一种非侵入式未成年人异常上网行为监测方法,其特征在于:所述步骤S4中,所述生成相对应的异常上网行为信息包括:S41:T1>T2>T3时,生成电脑异常使用时刻;
S42:T1与T2的间隔时长>T时,生成电脑异常使用时长;
S43:当电脑使用场景不属于家长允许使用场景时,生成异常电脑使用场景;
S44:步骤S41、S42、S43其中之一发生时就生成异常上网行为信息;
其中,T1为电脑的开启时刻,T2为电脑的关闭时刻,T3为最晚允许上网时刻,T为最长允许使用时间。
4.根据权利要求1、2、3任一所述的一种非侵入式未成年人异常上网行为监测方法,其特征在于:所述电脑使用场景包括玩大型游戏、看视频以及浏览网页。
5.根据权利要求1、2、3任一所述的一种非侵入式未成年人异常上网行为监测方法,其特征在于:所述用电信息包括稳态电流、稳态有功功率、稳态无功功率以及稳态电流谐波。