CN106599138A - 一种用电器种类识别方法 - Google Patents
一种用电器种类识别方法 Download PDFInfo
- Publication number
- CN106599138A CN106599138A CN201611100844.9A CN201611100844A CN106599138A CN 106599138 A CN106599138 A CN 106599138A CN 201611100844 A CN201611100844 A CN 201611100844A CN 106599138 A CN106599138 A CN 106599138A
- Authority
- CN
- China
- Prior art keywords
- electrical appliance
- data
- sequence
- unknown
- characteristic vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种用电器种类识别方法,包括:明确用电器用电数据的数据结构;对未知用电器用电数据进行预处理;提取预处理好的用电器用电数据的数个关键特征,构成未知用电器的特征向量;将未知用电器的用电特征向量与数据库中的已知用电器特征进行逐个相似度匹配;筛选出相似度最高的那一类用电器,认定为未知用电器的所属种类,完成用电器种类识别。通过本发明的技术方案,可以较为准确地对待识别的用电器用电数据进行识别,识别出此用电器所属种类,解决了电力消费侧用电器种类识别的问题,为智能用电系统提供了针对性优化的基础。
Description
技术领域
本发明涉及一种设备识别方法,尤其是涉及一种用电器种类识别方法,属于电器识别技术领域。
背景技术
目前,在用电器识别领域中,能够应用到实际产品中的,低成本和快速的用电器识种类别方法很少。在传统用电器识别方法领域中,需要对用电器用电过程进行高精度或较高精度的感知和监测,记录多维数据,建立详细用电曲线和用电模式以用于分析、分解和识别,因此,对用于监测用电器用电情况的硬件和由此采集到的用电器用电数据要求较高,由此带来的成本随之升高,导致用电器识别技术难以集成到能被市场广泛接受的普通消费电子产品中。
发明内容
为了解决上述技术问题,本发明目的在于,提供了一种基于简单的、粗粒度的用电器用电数据基础之上、识别用电器种类的方法。所述用电器种类识别方法包括获取未知用电器工作时周期性的电流数值,以时间为序,构成用电器工作电流数值序列;处理、分析和提取电流数值序列的数据特征序列;将此数据特征序列作为此未知用电器工作电流特征向量,并且与数据库中的大量已知样本用电器特征向量进行逐一匹配;把匹配到的几组最相似的样本取出,统计这几组样本中占比最高的那一类用电器种类,将这一种类认定为此未知用电器的种类,完成识别。
所述获取未知用电器工作时周期性的电流数值,用于获取电流数值的设备为其他感知设备,不做限定;周期的大小不作限定,一般为一秒;
数据库中的已知样本数据的获取方式和周期大小需要与未知电器的用电数据获取方式和感知周期一致;
所述处理、分析和提取电流数值序列的数据特征序列,包括:处理数据时剔除了空置和异常值,分析数据实现截取数值序列的典型平稳的部分,数据特征序列包括这组数值序列的平均值、最大值、最小值、最大值和最小值之差、梯度上升的数据比例、梯度下降数据的比例、极大值的比例、极小值的比例、极大值的均值、极小值的均值、利群点的比例、除了利群点之外的均值和除了利群点之外的数据波动范围;
所述数据库中的大量已知样本用电器特征向量,其特征为特征向量的每一个维度的定义与上述13个维度的定义相同。
所述特征向量匹配,其特征在于,匹配前需要将特征向量的各个值归一化,所谓匹配即为计算未知特征向量和已知样本特征向量的欧式距离,距离越小,表明匹配度越高;
所述几组最相似的样本,此处“几组”的具体数字一般为不超过样本总数的1%,不小于1,且必须为奇数,或者取最近的奇数,“相似”指欧式距离小,匹配度高。
所述的数据特征序列项不仅仅包括列出的13项,还包括通过其他方法定义的特征。特征序列项数即特征维度可以多于列出的13项,也可以少于13项,也可以不同于这13项,但是项目的数量必须与样本库中的特征向量维度一致。
有益效果
所需采集到的用电器用电数据结构简单,数据精度要求不高,因此对数据采集的设备要求不高,降低了数据采集成本;对用电器用电数据的特征提取方式简单可行,算法效率高;特征匹配方式简单高效,易于集成到小型硬件内部或者集成到云端数据处理分析模块;综上,本发明即一种用电器种类识别方法,其实现难度低,识别准确度较高,可行性高,易于集成进实际的相关产品中。
附图说明
图1是本发明一种用电器种类识别方法所需要的用电数据画出的曲线图;
图2是本发明一种用电器种类识别方法的步骤流程图;
图3是本发明一种用电器种类识别方法之步骤“特征匹配”的步骤流程图;
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细说明:
参考图1、图2和图3,一种用电器种类识别方法,主要步骤如下:
第一步:获取未知用电器工作时周期性的电流数值,以时间为序,构成用电器工作电流数值序列;
第二步:处理、分析和提取电流数值序列的数据特征序列;
第三步:将此数据特征序列作为此未知用电器工作电流特征向量,并且与数据库中的大量已知样本用电器特征向量进行逐一匹配;
第四步:把匹配到的几组最相似的样本取出,统计这几组样本中占比最高的那一类用电器种类,将这一种类认定为此未知用电器的种类,完成识别。
对于第一步,本方法对用电器用电数据的数据类型仅为按时间排序的电功率数列,这一用电数据数列在折线图中的如图1所绘,其中横轴为时间,纵轴为用电器工作时的功率,数据采集时间间隔为1秒。对于数据采集间隔,本方法不做限制,推荐为一秒且整个系统中数据间隔时间均需一致。获取未知用电器的设备不限,可以为精密的电流电压测量设备,也可以为精度相对较低的电量计量电子模块,本发明不作限制。
对于第二步,原始的用电数据需要尽可能剔除数据中的异常点和空值点,进而提高本方法的准确性。进而分析数据,即提取用电数据中曲线相对稳定的部分作为待提取特征的数据部分。数据特征序列包括这组数值序列的平均值、最大值、最小值、最大值和最小值之差、梯度上升的数据比例、梯度下降数据的比例、极大值的比例、极小值的比例、极大值的均值、极小值的均值、利群点的比例、除了利群点之外的均值和除了利群点之外的数据波动范围。特征的维度不仅仅限于13个,可以是更多或更少。此外,数据库中已知用电器的特征维度需要与未知用电器用电数据特征维度相同,包括维数相同,每个维度的定义相同,维度的顺序相同。
对于第三步,在与已知电器特征向量进行逐一匹配之前,需要对第二步中的所提取到的特征进行归一化,保持每一个维度的权重相同,消除数值过大的维度对数值小的维度的影响。逐一匹配的过程采用的计算未知特征向量和已知特征向量的欧式距离,欧氏距离数值大表明相似度小,欧氏距离小表明相似度大。详细的匹配步骤如图3所示。
对于第四步,将所有的匹配度从小到大排序,取排名前k个的种类,统计这k个中所属种类的最大多数的那一类,认定为此未知用电器的种类。其中,此k值一般为不超过已知样本总数的1%,不小于1,且必须为奇数,或者取最近的奇数。
Claims (5)
1.一种用电器种类识别方法,其特征在于,步骤如下:
1)获取未知用电器工作时周期性的电流数值,以时间为序,构成用电器工作电流数值序列;
2)处理、分析和提取电流数值序列的数据特征序列;
3)将此数据特征序列作为此未知用电器工作电流特征向量,并且与数据库中的大量已知样本用电器特征向量进行逐一匹配;
4)把匹配到的几组最相似的样本取出,统计这几组样本中占比最高的那一类用电器种类,将这一种类认定为此未知用电器的种类,完成识别。
2.如权利要求1所述的方法,其特征在于,步骤1)中获取未知用电器工作时周期性的电流数值,用于获取电流数值的设备为其他感知设备,不做限定;周期的大小不作限定。
3.如权利要求1所述的方法,其特征在于,步骤2)中,所述处理、分析和提取电流数值序列的数据特征序列,包括:处理数据时剔除了空置和异常值,分析数据实现截取数值序列的典型平稳的部分,数据特征序列包括这组数值序列的平均值、最大值、最小值、最大值和最小值之差、梯度上升的数据比例、梯度下降数据的比例、极大值的比例、极小值的比例、极大值的均值、极小值的均值、利群点的比例、除了利群点之外的均值和除了利群点之外的数据波动范围。
4.如权利要求1所述的方法,其特征在于,步骤3)中,数据库中的已知样本数据的获取方式和周期大小需要与未知电器的用电数据获取方式和感知周期一致;
所述数据库中的大量已知样本用电器特征向量,其特征为特征向量的每一个维度的定义与上述13个维度的定义相同;所述的数据特征序列项不仅仅包括列出的13项,还包括通过其他方法定义的特征;特征序列项数即特征维度多于或少于或不同于列出的13项,但是项目的数量必须与样本库中的特征向量维度一致;
所述特征向量匹配,匹配前需要将特征向量的各个值归一化,所谓匹配即为计算未知特征向量和已知样本特征向量的欧式距离,距离越小,表明匹配度越高。
5.如权利要求1所述的方法,其特征在于,在步骤4)中,所述几组最相似的样本,此处“几组”的具体数字为不超过样本总数的1%且不小于1,必须为奇数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611100844.9A CN106599138A (zh) | 2016-12-05 | 2016-12-05 | 一种用电器种类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611100844.9A CN106599138A (zh) | 2016-12-05 | 2016-12-05 | 一种用电器种类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106599138A true CN106599138A (zh) | 2017-04-26 |
Family
ID=58595716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611100844.9A Pending CN106599138A (zh) | 2016-12-05 | 2016-12-05 | 一种用电器种类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599138A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564059A (zh) * | 2018-04-26 | 2018-09-21 | 歌尔科技有限公司 | 穿戴式设备及其数据处理方法、装置、设备、存储介质 |
CN108664876A (zh) * | 2018-03-05 | 2018-10-16 | 佛山科学技术学院 | 一种用电器的识别方法 |
CN108872742A (zh) * | 2018-05-25 | 2018-11-23 | 杭州拓深科技有限公司 | 面向家庭环境的多级特征匹配非侵入式用电设备检测方法 |
CN109030975A (zh) * | 2018-05-23 | 2018-12-18 | 北京航空航天大学 | 基于智能插座的电器类型推断方法及装置 |
CN109765443A (zh) * | 2019-01-17 | 2019-05-17 | 创炘源智能科技(上海)有限公司 | 检测电源线上的电器负载的设备及方法 |
CN110084158A (zh) * | 2019-04-15 | 2019-08-02 | 杭州拓深科技有限公司 | 一种基于智能算法的用电设备识别方法 |
CN110850220A (zh) * | 2019-11-29 | 2020-02-28 | 苏州大学 | 一种用电器检测方法、装置及系统 |
CN114509704A (zh) * | 2022-02-15 | 2022-05-17 | 湖南小快智造电子科技有限公司 | 一种安全用电智能监测仪 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646354A (zh) * | 2013-11-28 | 2014-03-19 | 国家电网公司 | 基于有效指标fcm和rbf神经网络的变电站负荷特性分类方法 |
CN105184084A (zh) * | 2015-09-14 | 2015-12-23 | 深圳供电局有限公司 | 一种电力计量自动化终端故障类型预测方法和系统 |
CN105631049A (zh) * | 2016-02-17 | 2016-06-01 | 北京奇虎科技有限公司 | 一种识别诈骗短信的方法和系统 |
-
2016
- 2016-12-05 CN CN201611100844.9A patent/CN106599138A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646354A (zh) * | 2013-11-28 | 2014-03-19 | 国家电网公司 | 基于有效指标fcm和rbf神经网络的变电站负荷特性分类方法 |
CN105184084A (zh) * | 2015-09-14 | 2015-12-23 | 深圳供电局有限公司 | 一种电力计量自动化终端故障类型预测方法和系统 |
CN105631049A (zh) * | 2016-02-17 | 2016-06-01 | 北京奇虎科技有限公司 | 一种识别诈骗短信的方法和系统 |
Non-Patent Citations (1)
Title |
---|
刘然: "结合改进最近邻法与支持向量机的住宅用电负荷识别研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664876A (zh) * | 2018-03-05 | 2018-10-16 | 佛山科学技术学院 | 一种用电器的识别方法 |
CN108564059A (zh) * | 2018-04-26 | 2018-09-21 | 歌尔科技有限公司 | 穿戴式设备及其数据处理方法、装置、设备、存储介质 |
CN108564059B (zh) * | 2018-04-26 | 2021-02-23 | 歌尔科技有限公司 | 穿戴式设备及其数据处理方法、装置、设备、存储介质 |
CN109030975A (zh) * | 2018-05-23 | 2018-12-18 | 北京航空航天大学 | 基于智能插座的电器类型推断方法及装置 |
CN108872742A (zh) * | 2018-05-25 | 2018-11-23 | 杭州拓深科技有限公司 | 面向家庭环境的多级特征匹配非侵入式用电设备检测方法 |
CN108872742B (zh) * | 2018-05-25 | 2021-08-27 | 杭州拓深科技有限公司 | 面向家庭环境的多级特征匹配非侵入式用电设备检测方法 |
CN109765443A (zh) * | 2019-01-17 | 2019-05-17 | 创炘源智能科技(上海)有限公司 | 检测电源线上的电器负载的设备及方法 |
CN110084158A (zh) * | 2019-04-15 | 2019-08-02 | 杭州拓深科技有限公司 | 一种基于智能算法的用电设备识别方法 |
CN110850220A (zh) * | 2019-11-29 | 2020-02-28 | 苏州大学 | 一种用电器检测方法、装置及系统 |
CN114509704A (zh) * | 2022-02-15 | 2022-05-17 | 湖南小快智造电子科技有限公司 | 一种安全用电智能监测仪 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599138A (zh) | 一种用电器种类识别方法 | |
CN109146705B (zh) | 一种用电特征指标降维与极限学习机算法进行窃电检测的方法 | |
CN106845717B (zh) | 一种基于多模型融合策略的能源效率评价方法 | |
CN109858522A (zh) | 一种基于数据挖掘的管理线损异常识别方法 | |
CN110458195B (zh) | 一种基于多判据融合的异常数据甄别方法 | |
CN116502169B (zh) | 一种基于数据检测的离心脱水机工作状态检测方法 | |
CN111401460B (zh) | 一种基于限值学习的异常电量数据辨识方法 | |
CN109947815B (zh) | 一种基于离群点算法的窃电辨识方法 | |
CN110687361A (zh) | 一种用于识别低压配网台区相序的方法及系统 | |
CN104809255A (zh) | 一种负荷形态获取方法和系统 | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
CN112819299A (zh) | 一种基于中心优化的差分K-means负荷聚类方法 | |
CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN107145895A (zh) | 基于k‑means算法的公安犯罪类案研判方法 | |
CN108241925A (zh) | 一种基于离群点检测的离散制造机械产品质量溯源方法 | |
CN105574265B (zh) | 面向模型检索的装配体模型定量描述方法 | |
CN116049705A (zh) | 基于聚类分析的电力系统用户负荷特性聚类方法及系统 | |
CN103793756A (zh) | 一种变压器经济运行特征分析方法 | |
CN108596227A (zh) | 一种用户用电行为主导影响因素挖掘方法 | |
CN112131278A (zh) | 轨迹数据的处理方法及装置、存储介质、电子装置 | |
CN109389172B (zh) | 一种基于无参数网格的无线电信号数据聚类方法 | |
CN114266457A (zh) | 一种配电线路异损诱因检测的方法 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
CN116433049A (zh) | 一种基于模糊粗糙熵的用电异常检测方法 | |
CN115545422A (zh) | 一种基于改进决策机制的台区户变关系识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170426 |