CN106771429B - 用电量模式学习方法、装置及智能电表 - Google Patents
用电量模式学习方法、装置及智能电表 Download PDFInfo
- Publication number
- CN106771429B CN106771429B CN201611233724.6A CN201611233724A CN106771429B CN 106771429 B CN106771429 B CN 106771429B CN 201611233724 A CN201611233724 A CN 201611233724A CN 106771429 B CN106771429 B CN 106771429B
- Authority
- CN
- China
- Prior art keywords
- electricity consumption
- sample set
- sample
- pattern learning
- parameter
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2656—Instrumentation
Abstract
本发明提供一种用电量模式学习方法、装置及智能电表,涉及智能家电技术领域。所述方法包括获取预设学习期间内的实况气温对应的用电量;根据所述用电量及所述实况气温所属的预设温度区间,建立所述预设温度区间的用电量样本集;根据正态分布概率函数的反函数及所述用电量样本集中的样本个数,计算第一参数集;根据所述用电量样本集及所述第一参数集,建立用电量模式学习模型,实现对预设温度区间的用电量模式的学习。从而剖析出个人用户在不同预设温度区间内的用电习惯,以便能根据个人用户的用电习惯提供私人定制的精准化服务。
Description
技术领域
本发明涉及智能家电技术领域,具体而言,涉及一种用电量模式学习方法、装置及智能电表。
背景技术
人们将具有部分或全部智慧特征的能力统称为智能。人的智能主要表现在感知、思维、判断、学习、执行的过程。具备某些人类智慧特征能力且能部分或全部代替人完成某些事情,或完成人类不能完成的事情的家电可以称之为智能家电。现如今的智能家电技术已经很成熟了,给人们的生活带来了极大的便利。
但随着大数据时代的来临,科技的进步,人们对智能家电又有了新的要求。也就是说如今只能在人们可知范围内为人们服务的家电从某种意义上来说对人们来说已经算不上智能了。更希望智能家电能对未来进行预判,并根据预判为人们提供精准化服务。以智能电表为例,现有的智能电表虽能远程控制及远程抄表等,但却不能根据个人用电习惯提供私人定制的精准化服务。
发明内容
为了实现上述目的,本发明实施例采用的技术方案如下:
本发明实施例提供一种用电量模式学习方法,应用于与数据服务器通信连接的智能电表,所述方法包括:获取预设学习期间内的实况气温对应的用电量;根据所述用电量及所述实况气温所属的预设温度区间,建立所述预设温度区间的用电量样本集;根据正态分布概率函数的反函数及所述用电量样本集中的样本个数,计算第一参数集;根据所述用电量样本集及所述第一参数集,建立用电量模式学习模型,实现对预设温度区间的用电量模式的学习。
本发明实施例还提供一种用电量模式学习装置,应用于与数据服务器通信连接的智能电表,所述装置包括:获取模块,用于获取预设学习期间内的实况气温对应的用电量;建立模块,用于根据所述用电量及所述实况气温所属的预设温度区间,建立所述预设温度区间的用电量样本集;计算模块,用于根据正态分布概率函数的反函数及所述用电量样本集中的样本个数,计算第一参数集;模型建立模块,用于根据所述用电量样本集及所述第一参数集,建立用电量模式学习模型;以及建立每个子集对应的用电量模式学习模型。
本发明实施例还提供一种智能电表,所述智能电表包括:存储器;处理器;以及用电量模式学习装置,所述装置包括:获取模块,用于获取预设学习期间内的实况气温对应的用电量;建立模块,用于根据所述用电量及所述实况气温所属的预设温度区间,建立所述预设温度区间的用电量样本集;计算模块,用于根据正态分布概率函数的反函数及所述用电量样本集中的样本个数,计算第一参数集;模型建立模块,用于根据所述用电量样本集及所述第一参数集,建立用电量模式学习模型。
与现有技术相比,本发明提供一种用电量模式学习方法、装置及智能电表。通过将学习期间内的实况气温对应的用电量加入所述实况气温所属的预设温度区间,建立所述预设温度区间的用电量样本集;根据正态分布概率函数的反函数及所述用电量样本集中的样本个数,计算第一参数集;根据所述用电量样本集及所述第一参数集,建立用电量模式学习模型,完成对预设温度区间的用电量模式的学习。从而剖析出个人用户在不同预设温度区间内的用电习惯,以便能根据个人用户的用电习惯提供私人定制的精准化服务。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的应用环境示意图。
图2为本发明较佳实施例提供的智能电表的方框示意图。
图3为本发明较佳实施例提供的用电量模式学习装置的功能模块示意图。
图4为图3中示出的建立模块的功能子模块示意图。
图5为图3中示出的模型建立模块的功能子模块示意图。
图6为本发明较佳实施例提供的用电量模式学习方法的流程图。
图7为图6中示出的步骤S103的子步骤流程图。
图8为图6中示出的步骤S105的子步骤流程图。
图标:100-智能电表;101-存储器;102-存储控制器;103-处理器;104-外设接口;105-通讯单元;106-电能计量与自动抄表单元;200-用电量模式学习装置;201-温度区间划分模块;202-获取模块;203-建立模块;2031-获得子模块;2032-比较子模块;2033-排序子模块;2034-替换子模块;204-计算模块;205-模型建立模块;2051-计算子模块;2052-建立子模块;206-拟合优度计算模块;207-比较模块;208-发送模块;209-拆分模块;300-网络;400-数据服务器;500-气温发布服务器。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本发明实施例所提供的用电量模式学习方法、装置及智能电表100可应用于如图1所示的应用环境中。如图1所示,智能电表100、数据服务器400及气温发布服务器500位于网络300中,网络300包括无线网络或有线网络,通过网络300,智能电表100分别与数据服务器400及气温发布服务器500进行数据交互。
于本发明实施例中,数据服务器400用于与智能电表100进行数据交互,并存储数据。
于本发明实施例中,气温发布服务器500用于获取及存储实况气温,并将所述实况气温发送给智能电表100。具体地,气温发布服务器500获取预设学习周期内的实况气温。预设学习周期的时间长度可根据需要调节(例如预设学习周期的时间长度可以为1天)。每隔预设学习周期的时间,气温发布服务器500统一将时间周期内的实况气温发送至智能电表100。需要说明的是,实况气温为实时的气温信息。
图2示出本发明较佳实施例提供的智能电表100的方框示意图。所述智能电表100包括用电量模式学习装置200、存储器101、存储控制器102、处理器103、外设接口104、通讯单元105、电能计量与自动抄表单元106。
所述存储器101、存储控制器102、处理器103、外设接口104、通讯单元105、电能计量与自动抄表单元106各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述用电量模式学习装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器101中或固化在所述智能电表100的操作系统(operating system,OS)中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块,例如所述用电量模式学习装置200包括的软件功能模块或计算机程序。
其中,存储器101可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器101用于存储程序,所述处理器103在接收到执行指令后,执行所述程序,所述处理器103以及其他可能的组件对存储器101的访问可在所述存储控制器102的控制下进行。
处理器103可能是一种集成电路芯片,具有信号的处理能力。上述的处理器103可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器103也可以是任何常规的处理器103等。
所述外设接口104将各种输入/输出装置耦合至处理器103以及存储器101。在一些实施例中,外设接口104,处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
通讯单元105用于通过网络300建立智能电表100与数据服务器400、气温发布服务器500及其他通信终端之间的通信连接,并通过网络300接收和发送数据。
电能计量与自动抄表单元106用于获取用户的实时用电量,并存储。
第一实施例
请参考图3本发明较佳实施例提供的用电量模式学习装置200的功能模块示意图。用电量模式学习装置200包括:温度区间划分模块201、获取模块202、建立模块203、计算模块204、模型建立模块205、拟合优度计算模块206、比较模块207、发送模块208及拆分模块209。
温度区间划分模块201,用于预设温度区间。本实施例中,会将温度划分为多个区间。用户用电量受气温影响比较大,将气温细分为多个区间,并分别对每个气温区间的用电量模式进行学习有助于精准的掌握用户的用电习惯。具体地,获得预设的多个分界温度值。将分界温度值按照温度值大小排列(例如,可以按照温度值以升序排列,也可以按照温度值以降序排列),根据排序后的分界温度值,利用如下公式:
划分预设温度区间。其中,Tj代表第j个温度区间,K代表分界温度值的个数,t代表分界温度值,t1代表排序后排在第一个的分界温度值,tK代表排序后排在最后一的分界温度值,tj代表排序后排在第j位的分界温度值,tj+1代表排序后排在第j+1位的分界温度值。(-∞,t1)表示温度区间的范围为小于分界温度值t1;[tj,tj+1)表示温度区间的范围为大于或等于分界温度值tj且小于tj+1;表示温度区间的范围为大于分界温度值tK。需要说明的是,每个预设温度区间都对应着一个用电量样本集。所述用电量样本集中的样本为电能计量与自动抄表单元106在实况气温属于预设温度区间时获取的用电量。
获取模块202,用于获取预设学习期间内的实况气温对应的用电量。具体为,智能电表100在接收到气温发布服务器500发送的预设学习周期内的实况气温后,根据每个实况气温的时间从电能计量与自动抄表单元106获取与实况气温在时间上对应的用电量。
建立模块203,用于根据所述用电量及所述实况气温所属的预设温度区间,建立所述预设温度区间的用电量样本集。具体为,匹配出实况气温所述的预设温度区间并将实况气温对应的用电量加入预设温度区间的用电量样本集。在本实施例中,如图4所示,建立模块203包括获得子模块2031、比较子模块2032、排序子模块2033及替换子模块2034。
获得子模块2031,用于获得所述预设温度区间的用电量样本集的样本个数。具体为,获取与预设温度区间对应的用电量样本集,根据用电量样本集获得用电样本集中的用电样本个数及样本。
比较子模块2032,用于比较所述用电量样本集中的样本个数是否小于预设最大采样数。
排序子模块2033,用于在当所述用电量样本集中的样本个数小于所述预设最大采样数时,根据所述用电量样本集中的样本及所述用电量的值,以升序的方式排列,获得所述预设温度区间的更新后的用电量样本集。以及将用电量样本集中的样本按照获得时间先后进行排序。
替换子模块2034,用于将所述用电量替代排序在所述用电量样本集中的第一个样本,获得替代后的用电量样本集。
排序子模块2033,还用于对所述替代后的用电量样本集中的样本,按照样本值以升序进行排列,获得所述预设温度区间的更新后的用电量样本集。
计算模块204,用于根据正态分布概率函数的反函数及所述用电量样本集中的样本个数,计算第一参数集。需要说明的是,第一参数集是由多个第一参数组成的数集,他是建立用电量模式学习模型的一个重要的中间变量。具体为,根据用电量样本集的样本个数,利用公式:
依次计算第一参数集中的每一个参数。其中,mi代表第一参数集中的第i个样本;Φ-1代表标准正太分布的反函数;Nn代表用电量样本集中样本的个数。需要说明的是,第一参数集中的参数的个数等于电量样本集中样本的个数。
模型建立模块205,根据所述用电量样本集及所述第一参数集,建立用电量模式学习模型,从而实现对预设温度区间的用电量模式的学习。以及建立每个子集对应的用电量模式学习模型。用电量模式学习模型可以有效的体现用户在预设温度区间内的气温环境下的用电习惯。因此,获得用电量模式学习模型则实现了对用电量模式的学习。智能电表100也能根据用电量模式学习模型,了解用户的用电习惯,以实现为客户提供私人订制的精准服务。比如,精准服务可以是,但不限于是,提供电量预警服务、用电方案优化服务等。本实施例中,如图5所示,模型建立模块205包括计算子模块2051及建立子模块2052。
计算子模块2051,用于根据所述用电量样本集中的样本及所述样本个数,利用公式:
获得所述用电量模式学习模型的期望,其中μ代表所述期望,c(i)代表所述用电量样本集中第i个样本,mi代表所述第一参数集中的第i个参数,代表所述第一参数集中的第i个参数的平方,Nn代表所述样本个数。及还用于根据所述用电量样本集中的样本及所述样本个数,利用公式:
获得所述用电量模式学习模型的方差,其中δ代表所述方差,c(i)代表所述用电量样本集中第i个样本,mi代表所述第一参数集中的第i个参数,代表所述第一参数集中的第i个参数的平方,Nn代表所述样本个数。
建立子模块2052,用于根据所述期望及方差,利用高斯分布,建立用电量模式学习模型。
拟合优度计算模块206,用于计算所述用电量模式学习模型的拟合优度值。在本实施例中,拟合优度计算模块206根据所述用电量样本集及所述样本个数,利用公式:
计算第二参数,其中,c(i)表示所述样本集中的第i个样本,Nn表示所述样本个数,S2表示所述第二参数。第二参数为获得拟合优度值的中间变量。
拟合优度计算模块206根据所述用电量样本集、第一参数集及第二参数,利用公式:
计算拟合优度值,其中,R2代表拟合优度值,代表用电量样本集的转置,m代表第一参数集,mT代表第一参数集的转置,S2表示所述第二参数。
需要说明的是,拟合优度值体现的是建立的用电量模式学习模型与用电量数据展现的真实分布的匹配程度。用于检测所建立的用电量模式学习模型的可靠度。
比较模块207,用于将所述拟合优度值与预设阈值进行比较。预设阈值为可靠度可被接受的最低阈值。如果拟合优度值大于或等于预设阈值,则表示用电量模式学习模型的可靠度可以接受。如果拟合优度值小于预设阈值,则表示用电量模式学习模型的可靠度不可以接受。以及比较模块207还用于比较拆分后的子集总个数是否小于预设总个数。
发送模块208,用于当所述拟合优度值大于或等于所述预设阈值时,将所述用电量模式学习模型发送至所述数据服务器400,由数据服务器400进行存储,并在智能电表100需要使用时,发送给智能电表100。发送模块208还用于将最后一次拆分后的子集对应的用电量模式学习模型发送至所述数据服务器400。
拆分模块209,用于当所述拟合优度值小于所述预设阈值,对所述用电量样本集进行拆分,获得子集。需要说明的是,拆分模块209每次把需要被拆分的数集一分为二。数集既可以是用电量样本集,也可以是用电量样本集中拆分出来的子集。本实施例中,拆分模块209根据所述用电量样本集,利用公式:
及
对所述用电量样本集进行拆分,其中,i的取值范围为小于或等于Nn的正整数,di为i的因变量,Nn代表所述用电量样本集的样本个数,c(j)代表所述用电量样本集中第j个样本,i*代表拆分后其中一个子集内样本的个数,代表使因变量di在i的取值范围内获得最大值的i值,将所述用电量样本集中排在前i*位的样本拆分为一个子集。例如,用电量样本集为C=(c1,c2,c3,c4,c5,c6)当获得的id等于4,则拆分后的子集为C1=(c1,c2,c3,c4)及C2=(c5,c6)。
第二实施例
请参照图6,图6为本发明较佳实施例提供的一种用电量模式学习方法的流程图。所述方法包括:
步骤S101,将温度划分为多个预设温度区间。具体地,获得预设的多个分界温度值。将分界温度值按照温度值大小排列(例如,可以按照温度值以升序排列,也可以按照温度值以降序排列),根据排序后的分界温度值,利用如下公式:
划分预设温度区间。其中,Tj代表第j个温度区间,K代表分界温度值的个数,t代表分界温度值,t1代表排序后排在第一个的分界温度值,tK代表排序后排在最后一的分界温度值,tj代表排序后排在第j位的分界温度值,tj+1代表排序后排在第j+1位的分界温度值。(-∞,t1)表示温度区间的范围为小于分界温度值t1;[tj,tj+1)表示温度区间的范围为大于或等于分界温度值tj且小于tj+1;表示温度区间的范围为大于分界温度值tK。
在本发明实施例中,步骤S101可以由温度区间划分模块201执行。
步骤S102,获取预设学习期间内的实况气温对应的用电量。具体为,智能电表100在接收到气温发布服务器500发送的预设学习周期内的实况气温后,根据每个实况气温的时间从电能计量与自动抄表单元106获取与实况气温在时间上对应的用电量。
在本发明实施例中,步骤S102可以由获取模块202执行。
步骤S103,根据所述用电量及所述实况气温所属的预设温度区间,建立所述预设温度区间的用电量样本集。
在本发明实施例中,步骤S103可以由建立模块203执行。具体实施例中,如图7所示,步骤S103包括以下子步骤:
子步骤S1031,获得所述预设温度区间的用电量样本集的样本个数。
在本发明实施例中,子步骤S1031可以由获得子模块2031执行。
子步骤S1032,比较所述用电量样本集中的样本个数是否小于预设最大采样数。
在本发明实施例中,子步骤S1032可以由比较子模块2032执行。
当所述用电量样本集中的样本个数小于所述预设最大采样数时,流程进入子步骤S1033,根据所述用电量样本集中的样本及所述用电量的值,以升序的方式排列,获得所述预设温度区间的更新后的用电量样本集。
在本发明实施例中,子步骤S1033可以由排序子模块2033执行。
当所述用电量样本集中的样本个数等于所述预设最大采样数,流程进入子步骤S1034,将用电量样本集中的样本按照获得时间先后进行排序。
在本发明实施例中,子步骤S1034可以由排序子模块2033执行。
子步骤S1035,用所述用电量替代排序在所述用电量样本集中的第一个样本,获得替代后的用电量样本集。
在本发明实施例中,子步骤S1035可以由替换子模块2034执行。
子步骤S1036,对所述替代后的用电量样本集中的样本,按照样本值以升序进行排列,获得所述预设温度区间的更新后的用电量样本集。
在本发明实施例中,子步骤S1036可以由排序子模块2033执行。
步骤S104,根据正态分布概率函数的反函数及所述用电量样本集中的样本个数,计算第一参数集。需要说明的是,第一参数集是由多个第一参数组成的数集,他是建立用电量模式学习模型的一个重要的中间变量。具体为,根据用电量样本集的样本个数,利用公式:
依次计算第一参数集中的每一个参数。其中,mi代表第一参数集中的第i个样本;Φ-1代表标准正太分布的反函数;Nn代表用电量样本集中样本的个数。需要说明的是,第一参数集中的参数的个数等于电量样本集中样本的个数。
在本发明实施例中,步骤S104可以由计算模块204执行。
步骤S105,根据所述用电量样本集及所述第一参数集,建立用电量模式学习模型,实现对预设温度区间的用电量模式的学习。用电量模式学习模型可以有效的体现用户在预设温度区间内的气温环境下的用电习惯。因此,获得用电量模式学习模型则实现了对用电量模式的学习。智能电表100也能根据用电量模式学习模型,了解用户的用电习惯,以实现为客户提供私人订制的精准服务。比如,精准服务可以是,但不限于是,提供电量预警服务、用电方案优化服务等。
在本发明实施例中,步骤S105可以由模型建立模块205执行。如图8所示,步骤S105包括以下子步骤:
子步骤S1051,根据所述用电量样本集中的样本及所述样本个数,利用公式:
获得所述用电量模式学习模型的期望,其中μ代表所述期望,c(i)代表所述用电量样本集中第i个样本,mi代表所述第一参数集中的第i个参数,代表所述第一参数集中的第i个参数的平方,Nn代表所述样本个数。
在本发明实施例中,子步骤S1051可以由计算子模块2051执行。
子步骤S1052,根据所述用电量样本集中的样本及所述样本个数,利用公式:
获得所述用电量模式学习模型的方差,其中δ代表所述方差,c(i)代表所述用电量样本集中第i个样本,mi代表所述第一参数集中的第i个参数,代表所述第一参数集中的第i个参数的平方,Nn代表所述样本个数。
在本发明实施例中,子步骤S1052可以由计算子模块2051执行。
子步骤S1053,根据所述期望及方差,利用高斯分布,建立用电量模式学习模型。
在本发明实施例中,子步骤S1053可以由建立子模块2052执行。
步骤S106,计算所述用电量模式学习模型的拟合优度值。具体可以为:根据所述用电量样本集及所述样本个数,利用公式:
计算第二参数,其中,c(i)表示所述样本集中的第i个样本,Nn表示所述样本个数,S2表示所述第二参数。第二参数为获得拟合优度值的中间变量。
再根据所述用电量样本集、第一参数集及第二参数,利用公式:
计算拟合优度值,其中,R2代表拟合优度值,代表用电量样本集的转置,m代表第一参数集,mT代表第一参数集的转置,S2表示所述第二参数。
需要说明的是,拟合优度值体现的是建立的用电量模式学习模型与用电量数据展现的真实分布的匹配程度。用于检测所建立的用电量模式学习模型的可靠度。
在本发明实施例中,步骤S106可以由拟合优度计算模块206执行。
步骤S107,将所述拟合优度值与预设阈值进行比较。
在本发明实施例中,步骤S107可以由比较模块207执行。
当所述拟合优度值大于或等于所述预设阈值时,流程进入步骤S108,将所述用电量模式学习模型发送至所述数据服务器400。由数据服务器400进行存储,并在智能电表100需要使用时,发送给智能电表100。
在本发明实施例中,步骤S108可以由发送模块208执行。
当所述拟合优度值小于所述预设阈值,流程进入步骤S109,对所述用电量样本集进行拆分,获得子集。需要说明的是,每次把需要被拆分的数集一分为二。数集既可以是用电量样本集,也可以是用电量样本集中拆分出来的子集。具体地,根据所述用电量样本集,利用公式:
及
对所述用电量样本集进行拆分,其中,i的取值范围为小于或等于Nn的正整数,di为i的因变量,Nn代表所述用电量样本集的样本个数,c(j)代表所述用电量样本集中第j个样本,i*代表拆分后其中一个子集内样本的个数,代表使因变量di在i的取值范围内获得最大值的i值,将所述用电量样本集中排在前i*位的样本拆分为一个子集。例如,用电量样本集为C=(c1,c2,c3,c4,c5,c6)当获得的id等于4,则拆分后的子集为C1=(c1,c2,c3,c4)及C2=(c5,c6)。
在本发明实施例中,步骤S109可以由拆分模块209执行。
步骤S110,建立每个所述子集对应的用电量模式学习模型。
在本发明实施例中,步骤S110可以由模型建立模块205执行。
步骤S111,比较拆分后的子集总个数是否小于预设总个数。
在本发明实施例中,步骤S111可以由比较模块207执行。
当拆分后的子集总个数小于预设总个数,流程将重复进入步骤S106,计算所述子集对应的拟合优度值。需要说明的是,将拟合优度值小于所述预设阈值的子集进行再度拆分以及对再次拆分后获得的数集对应建立用电量模式学习模型;将拟合优度值大意所述预设阈值的子集所对应的用电量模式学习模型发送至数据服务器400。
当拆分后的子集总个数等于预设总个数,则流程进入步骤S112,将本轮拆分得到的子集对应的用电量模式学习模型发送至所述数据服务器400。
在本发明实施例中,步骤S112可以由发送模块208执行。
综上所述,本发明提供本发明提供一种用电量模式学习方法、装置及智能电表。通过将学习期间内的实况气温对应的用电量加入所述实况气温所属的预设温度区间,建立所述预设温度区间的用电量样本集;根据正态分布概率函数的反函数及所述用电量样本集中的样本个数,计算第一参数集;根据所述用电量样本集及所述第一参数集,建立用电量模式学习模型,完成对预设温度区间的用电量模式的学习。从而剖析出个人用户在不同预设温度区间内的用电习惯,以便能根据个人用户的用电习惯提供私人定制的精准化服务。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种用电量模式学习方法,其特征在于,应用于与数据服务器通信连接的智能电表,所述方法包括:
获取预设学习期间内的实况气温对应的用电量;
根据所述用电量及所述实况气温所属的预设温度区间,建立所述预设温度区间的用电量样本集;
根据正态分布概率函数的反函数及所述用电量样本集中的样本个数,计算第一参数集;
根据所述用电量样本集及所述第一参数集,建立用电量模式学习模型,实现对预设温度区间的用电量模式的学习;
计算所述用电量模式学习模型的拟合优度值;
将所述拟合优度值与预设阈值进行比较;
当所述拟合优度值大于或等于所述预设阈值时,将所述用电量模式学习模型发送至所述数据服务器;
当所述拟合优度值小于所述预设阈值,对所述用电量样本集进行拆分,获得子集;
建立每个所述子集对应的用电量模式学习模型;
比较所述子集的总个数是否小于预设总个数;
当所述子集的总个数小于所述预设总个数,重复所述计算所述用电量模式学习模型的拟合优度值及所述将所述拟合优度值与预设阈值进行比较的步骤,直至每个所述子集对应的拟合优度值大于或等于所述预设阈值;
当拆分后的子集总个数等于所述预设总个数,将所述子集对应的用电量模式学习模型发送至所述数据服务器。
2.如权利要求1所述的用电量模式学习方法,其特征在于,所述计算所述用电量模式学习模型的拟合优度值的步骤包括:
根据所述用电量样本集及所述样本个数,利用公式:
计算第二参数,其中,c(i)表示所述样本集中的第i个样本,Nn表示所述样本个数,S2表示所述第二参数;
根据所述用电量样本集、第一参数集及第二参数,利用公式:
计算拟合优度值,其中,R2代表拟合优度值,代表用电量样本集的转置,m代表第一参数集,mT代表第一参数集的转置,S2表示所述第二参数。
3.如权利要求1所述的用电量模式学习方法,其特征在于,所述对所述用电量样本集进行拆分,获得子集的步骤包括:
根据所述用电量样本集,利用公式:
及
对所述用电量样本集进行拆分,其中,i的取值范围为小于或等于Nn的正整数,di为i的因变量,Nn代表所述用电量样本集的样本个数,c(j)代表所述用电量样本集中第j个样本,i*代表拆分后其中一个子集内样本的个数,代表使因变量di在i的取值范围内获得最大值的i值,将所述用电量样本集中排在前i*位的样本拆分为一个子集。
4.如权利要求1所述的用电量模式学习方法,其特征在于,所述建立所述预设温度区间的用电量样本集的步骤包括:
获得所述预设温度区间的用电量样本集的样本个数;
比较所述用电量样本集中的样本个数是否小于预设最大采样数;
当所述用电量样本集中的样本个数小于所述预设最大采样数时,根据所述用电量样本集中的样本及所述用电量的值,以升序的方式排列,获得所述预设温度区间的更新后的用电量样本集;
当所述用电量样本集中的样本个数等于所述预设最大采样数,将用电量样本集中的样本按照获得时间先后进行排序;
用所述用电量替代排序在所述用电量样本集中的第一个样本,获得替代后的用电量样本集;
对所述替代后的用电量样本集中的样本,按照样本值以升序进行排列,获得所述预设温度区间的更新后的用电量样本集。
5.如权利要求4所述的用电量模式学习方法,其特征在于,所述根据所述用电量样本集及所述第一参数集,建立用电量模式学习模型的步骤包括:
根据所述用电量样本集中的样本及所述样本个数,利用公式:
获得所述用电量模式学习模型的期望,其中μ代表所述期望,c(i)代表所述用电量样本集中第i个样本,mi代表所述第一参数集中的第i个参数,代表所述第一参数集中的第i个参数的平方,Nn代表所述样本个数;
根据所述用电量样本集中的样本及所述样本个数,利用公式:
获得所述用电量模式学习模型的方差,其中δ代表所述方差,c(i)代表所述用电量样本集中第i个样本,mi代表所述第一参数集中的第i个参数,代表所述第一参数集中的第i个参数的平方,Nn代表所述样本个数;
根据所述期望及方差,利用高斯分布,建立用电量模式学习模型。
6.一种用电量模式学习装置,其特征在于,应用于与数据服务器通信连接的智能电表,所述装置包括:
获取模块,用于获取预设学习期间内的实况气温对应的用电量;
建立模块,用于根据所述用电量及所述实况气温所属的预设温度区间,建立所述预设温度区间的用电量样本集;
计算模块,用于根据正态分布概率函数的反函数及所述用电量样本集中的样本个数,计算第一参数集;
模型建立模块,用于根据所述用电量样本集及所述第一参数集,建立用电量模式学习模型;以及建立每个子集对应的用电量模式学习模型;
拟合优度计算模块,用于计算所述用电量模式学习模型的拟合优度值;
比较模块,用于将所述拟合优度值与预设阈值进行比较;
发送模块,用于当所述拟合优度值大于或等于所述预设阈值时,将所述用电量模式学习模型发送至所述数据服务器;以及将最后一次拆分后的子集对应的用电量模式学习模型发送至所述数据服务器;
拆分模块,用于当所述拟合优度值小于所述预设阈值,对所述用电量样本集进行拆分,获得子集;
模型建立模块,还用于建立每个所述子集对应的用电量模式学习模型;
比较模块,还用于比较拆分后的子集总个数是否小于预设总个数。
7.如权利要求6所述的用电量模式学习装置,其特征在于,所述模型建立模块包括:
计算子模块,用于根据所述用电量样本集中的样本及所述样本个数,利用公式:
获得所述用电量模式学习模型的期望,其中μ代表所述期望,c(i)代表所述用电量样本集中第i个样本,mi代表所述第一参数集中的第i个参数,代表所述第一参数集中的第i个参数的平方,Nn代表所述样本个数;及根据所述用电量样本集中的样本及所述样本个数,利用公式:
获得所述用电量模式学习模型的方差,其中δ代表所述方差,c(i)代表所述用电量样本集中第i个样本,mi代表所述第一参数集中的第i个参数,代表所述第一参数集中的第i个参数的平方,Nn代表所述样本个数;
建立子模块,用于根据所述期望及方差,利用高斯分布,建立用电量模式学习模型。
8.一种智能电表,其特征在于,所述智能电表包括:
存储器;
处理器;以及
用电量模式学习装置,所述装置包括:
获取模块,用于获取预设学习期间内的实况气温对应的用电量;
建立模块,用于根据所述用电量及所述实况气温所属的预设温度区间,建立所述预设温度区间的用电量样本集;
计算模块,用于根据正态分布概率函数的反函数及所述用电量样本集中的样本个数,计算第一参数集;
模型建立模块,用于根据所述用电量样本集及所述第一参数集,建立用电量模式学习模型;
拟合优度计算模块,用于计算所述用电量模式学习模型的拟合优度值;
比较模块,用于将所述拟合优度值与预设阈值进行比较;
发送模块,用于当所述拟合优度值大于或等于所述预设阈值时,将所述用电量模式学习模型发送至数据服务器;以及将最后一次拆分后的子集对应的用电量模式学习模型发送至所述数据服务器;
拆分模块,用于当所述拟合优度值小于所述预设阈值,对所述用电量样本集进行拆分,获得子集;
模型建立模块,还用于建立每个所述子集对应的用电量模式学习模型;
比较模块,还用于比较拆分后的子集总个数是否小于预设总个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611233724.6A CN106771429B (zh) | 2016-12-28 | 2016-12-28 | 用电量模式学习方法、装置及智能电表 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611233724.6A CN106771429B (zh) | 2016-12-28 | 2016-12-28 | 用电量模式学习方法、装置及智能电表 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106771429A CN106771429A (zh) | 2017-05-31 |
CN106771429B true CN106771429B (zh) | 2019-07-26 |
Family
ID=58922663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611233724.6A Active CN106771429B (zh) | 2016-12-28 | 2016-12-28 | 用电量模式学习方法、装置及智能电表 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106771429B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025370A (zh) * | 2006-02-23 | 2007-08-29 | 珠海格力电器股份有限公司 | 中央空调分户计量方法及系统 |
CN102521674A (zh) * | 2011-12-07 | 2012-06-27 | 福建省电力有限公司 | 电力用户用电信息采集系统中夏季短期负荷预测的计算机生成方法 |
CN104063810A (zh) * | 2014-07-04 | 2014-09-24 | 国家电网公司 | 一种基于大数据的用电因素影响模型 |
CN104504619A (zh) * | 2015-01-05 | 2015-04-08 | 国家电网公司 | 两种考虑温度和经济增长因素的月度统调用电量预测方法 |
CN104537438A (zh) * | 2014-12-26 | 2015-04-22 | 国家电网公司 | 一种用电高峰的预测及监控方法 |
CN104598985A (zh) * | 2014-12-12 | 2015-05-06 | 国家电网公司 | 电力负荷预测方法 |
CN104616079A (zh) * | 2015-02-04 | 2015-05-13 | 国家电网公司 | 基于气温变化的电网日用电量预测方法 |
CN104793051A (zh) * | 2015-04-03 | 2015-07-22 | 成都世纪光合作用科技有限公司 | 一种具有通信功能的照明装置及其用电量统计方法 |
CN104977461A (zh) * | 2015-01-26 | 2015-10-14 | 广东美的制冷设备有限公司 | 空调用电量的计算方法和电子设备 |
CN105069536A (zh) * | 2015-08-19 | 2015-11-18 | 国网安徽省电力公司经济技术研究院 | 一种基于气温与经济增长的用电需求预测方法 |
CN105574608A (zh) * | 2015-12-10 | 2016-05-11 | 四川省电力公司供电服务中心 | 用于月度用电预测模型的温度指数构建方法 |
CN105608639A (zh) * | 2016-01-07 | 2016-05-25 | 国网智能电网研究院 | 一种基于用户用电信息的居民用电行为分析方法 |
CN105678396A (zh) * | 2015-11-04 | 2016-06-15 | 衢州职业技术学院 | 光伏电站超短时功率预测装置 |
CN105807107A (zh) * | 2016-05-26 | 2016-07-27 | 山东建筑大学 | 一种基于物联网的电气设备用电量估算系统及方法 |
CN106022536A (zh) * | 2016-05-30 | 2016-10-12 | 中国南方电网有限责任公司电网技术研究中心 | 季节性用电预测方法和系统 |
CN106169104A (zh) * | 2016-06-30 | 2016-11-30 | 国网江苏省电力公司南通供电公司 | 基于bp神经网络模型的台区日用电量的预测方法及系统 |
CN106251027A (zh) * | 2016-08-17 | 2016-12-21 | 合肥工业大学 | 基于模糊支持向量分位数回归的电力负荷概率密度预测方法 |
-
2016
- 2016-12-28 CN CN201611233724.6A patent/CN106771429B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025370A (zh) * | 2006-02-23 | 2007-08-29 | 珠海格力电器股份有限公司 | 中央空调分户计量方法及系统 |
CN102521674A (zh) * | 2011-12-07 | 2012-06-27 | 福建省电力有限公司 | 电力用户用电信息采集系统中夏季短期负荷预测的计算机生成方法 |
CN104063810A (zh) * | 2014-07-04 | 2014-09-24 | 国家电网公司 | 一种基于大数据的用电因素影响模型 |
CN104598985A (zh) * | 2014-12-12 | 2015-05-06 | 国家电网公司 | 电力负荷预测方法 |
CN104537438A (zh) * | 2014-12-26 | 2015-04-22 | 国家电网公司 | 一种用电高峰的预测及监控方法 |
CN104504619A (zh) * | 2015-01-05 | 2015-04-08 | 国家电网公司 | 两种考虑温度和经济增长因素的月度统调用电量预测方法 |
CN104977461A (zh) * | 2015-01-26 | 2015-10-14 | 广东美的制冷设备有限公司 | 空调用电量的计算方法和电子设备 |
CN104616079A (zh) * | 2015-02-04 | 2015-05-13 | 国家电网公司 | 基于气温变化的电网日用电量预测方法 |
CN104793051A (zh) * | 2015-04-03 | 2015-07-22 | 成都世纪光合作用科技有限公司 | 一种具有通信功能的照明装置及其用电量统计方法 |
CN105069536A (zh) * | 2015-08-19 | 2015-11-18 | 国网安徽省电力公司经济技术研究院 | 一种基于气温与经济增长的用电需求预测方法 |
CN105678396A (zh) * | 2015-11-04 | 2016-06-15 | 衢州职业技术学院 | 光伏电站超短时功率预测装置 |
CN105574608A (zh) * | 2015-12-10 | 2016-05-11 | 四川省电力公司供电服务中心 | 用于月度用电预测模型的温度指数构建方法 |
CN105608639A (zh) * | 2016-01-07 | 2016-05-25 | 国网智能电网研究院 | 一种基于用户用电信息的居民用电行为分析方法 |
CN105807107A (zh) * | 2016-05-26 | 2016-07-27 | 山东建筑大学 | 一种基于物联网的电气设备用电量估算系统及方法 |
CN106022536A (zh) * | 2016-05-30 | 2016-10-12 | 中国南方电网有限责任公司电网技术研究中心 | 季节性用电预测方法和系统 |
CN106169104A (zh) * | 2016-06-30 | 2016-11-30 | 国网江苏省电力公司南通供电公司 | 基于bp神经网络模型的台区日用电量的预测方法及系统 |
CN106251027A (zh) * | 2016-08-17 | 2016-12-21 | 合肥工业大学 | 基于模糊支持向量分位数回归的电力负荷概率密度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106771429A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Non-intrusive load disaggregation using graph signal processing | |
De Baets et al. | Detection of unidentified appliances in non-intrusive load monitoring using siamese neural networks | |
Kang et al. | Household appliance classification using lower odd-numbered harmonics and the bagging decision tree | |
Klemenjak et al. | Non-intrusive load monitoring: A review and outlook | |
Berges et al. | User-centered nonintrusive electricity load monitoring for residential buildings | |
Figueiredo et al. | Electrical signal source separation via nonnegative tensor factorization using on site measurements in a smart home | |
Henriet et al. | A generative model for non-intrusive load monitoring in commercial buildings | |
WO2012103485A2 (en) | Signal identification methods and systems | |
JP2012526281A (ja) | 電力の公共使用、監視および管理のためのシステムおよび方法 | |
JP5729162B2 (ja) | 電力管理装置 | |
Batra et al. | Indic: Improved non-intrusive load monitoring using load division and calibration | |
TWI663570B (zh) | 用電分析伺服器及其用電分析方法 | |
WO2017001928A1 (en) | Advanced identification and classification of sensors and other points in a building automation system | |
CN106464988A (zh) | 能量管理系统 | |
de Paiva Penha et al. | Convolutional neural network applied to the identification of residential equipment in non-intrusive load monitoring systems | |
Li et al. | An enhanced ISODATA algorithm for recognizing multiple electric appliances from the aggregated power consumption dataset | |
Welikala et al. | A real-time non-intrusive load monitoring system | |
CN110046074A (zh) | 数据中心动力环境监测系统及监测方法 | |
CN111476298B (zh) | 一种居家办公环境下的用电负荷状态识别方法 | |
CN106771429B (zh) | 用电量模式学习方法、装置及智能电表 | |
Azizi et al. | Quantification of disaggregation difficulty with respect to the number of smart meters | |
Weißhaar et al. | Device classification for NILM using FIT-PS compared with standard signal forms | |
Jazizadeh et al. | Unsupervised clustering of residential electricity consumption measurements for facilitated user-centric non-intrusive load monitoring | |
Held et al. | Parameter optimized event detection for NILM using frequency invariant transformation of periodic signals (FIT-PS) | |
Mathis et al. | Improving the recognition performance of NIALM algorithms through technical labeling |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220507 Address after: 325600 Delixi Industrial Park, Liushi Town, Yueqing City, Wenzhou City, Zhejiang Province Patentee after: DELIXI GROUP INSTRUMENT & INSTRUMENTATION CO.,LTD. Address before: 410000 Shanmen, Lushan South Road, Yuelu District, Changsha City, Hunan Province Patentee before: HUNAN University |
|
TR01 | Transfer of patent right |