CN107247962A - 一种基于滑动窗口的实时电器识别方法和系统 - Google Patents
一种基于滑动窗口的实时电器识别方法和系统 Download PDFInfo
- Publication number
- CN107247962A CN107247962A CN201710366273.1A CN201710366273A CN107247962A CN 107247962 A CN107247962 A CN 107247962A CN 201710366273 A CN201710366273 A CN 201710366273A CN 107247962 A CN107247962 A CN 107247962A
- Authority
- CN
- China
- Prior art keywords
- rising edge
- sliding window
- vector
- edge vector
- sample
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种基于滑动窗口的实时电器识别方法和系统，其中方法的实现包括：采集样本电器组合的电表功率数据，提取样本上升沿向量，得到样本集，标定样本上升沿向量所属电器类型；计算得到边沿滑动窗口的长度We，利用边沿滑动窗口的长度进行约束，得到滑动窗口的长度Wt和边沿窗口滑动距离L；根据边沿滑动窗口的长度和滑动窗口的长度，从采集到的实时功率数据中提取上升沿向量，将上升沿向量的起点作为边沿滑动窗口的起点，滑动L‑1次，加上上升沿向量得到L个滑动上升沿向量，滑动上升沿向量和样本上升沿向量的距离最小时对应的样本上升沿向量的电器类型为滑动上升沿向量的电器类型。本发明实时电器识别准确率高，识别效率高。
Description
技术领域
本发明属于电器识别领域，更具体地，涉及一种基于滑动窗口的实时电器识别方法和系统。
背景技术
随着社会经济的发展，电能已成为人们生活中必不可少的能源。由于科技日新月异的不断进步，电器的种类越来越多样化，人们不再满足于传统意义的总用电量这一单一的信息数据，而倾向于实时的掌握家庭用电设备的使用情况。随着智能电表的出现，电力信息已经不局限于用电量，还可以采集到实时的电流，电压，有功功率，无功功率等电力数据，使得我们进一步获得用电信息成为可能。电器使用信息的具体化有重要的意义，不仅能够帮助人们了解电器的运行状态还能够进一步挖掘出人们使用电器的行为特征，为人们的用电定制个性化方案，使居民生活更加舒适便捷；而且能够帮助用户了解电器的耗能情况进而有针对性的替换能耗大的用电器，实现节能减排，绿色环保。基于此目标，对电力数据的采集和处理变得至关重要，需要实现一种实时的电器识别方法，该方法能够准确的识别出用电器的种类。而要实现这一目标，对事件检测的准确度和算法的实时性要求很高。
广泛地，现有的电力数据处理方法是负荷分解，基于总功率序列，运用马尔科夫链，深度神经网络等算法得到各个电器的功率序列进而算出各用电器的用电情况，但是这些算法有一些不可避免的缺陷，比如事件检测不准确，因为电器的内部构造不同，有纯电阻电器，有电感电容的非纯电阻电器，使得功率的暂态变化多种多样，事件检测难以准确提取功率变化信息；模型复杂，训练时间过长，对于神经网络算法，要训练的参数成千上万，对硬件的要求很高，需要GPU有强大的运算能力；对电器的数量有限制，马尔科夫链的训练需要知道用户的电器数量有多少，一旦加入新的用电器就需要重新训练模型；没有实时性，负荷分解的算法都是离线检测，没有实现实时的检测。基于以上分析，这些现有的方法难以应用到实际的环境中去。
由此可见，现有技术存在检测不准确和检测结果滞后的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于滑动窗口的实时电器识别方法和系统，其目的在于利用滑动上升沿向量和样本上升沿向量的距离最小时，得到对应的样本上升沿向量的电器类型为滑动上升沿向量的电器类型，由此解决现有技术存在检测不准确和检测结果滞后的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于滑动窗口的实时电器识别方法，包括：
(1)采集样本电器组合的电表功率数据，提取样本上升沿向量，得到样本集，标定样本上升沿向量所属电器类型；
(2)计算样本集中每个样本上升沿向量的上升过程所用上升时间，利用上升时间的最大值与边沿滑动窗口的初始长度比较取较大值，得到边沿滑动窗口的长度We，利用边沿滑动窗口的长度进行约束，得到滑动窗口的长度Wt和边沿窗口滑动距离L；
(3)根据边沿滑动窗口的长度和滑动窗口的长度，从采集到的实时功率数据中提取上升沿向量，将上升沿向量的起点作为边沿滑动窗口的起点，滑动L-1次，加上上升沿向量得到L个滑动上升沿向量，滑动上升沿向量和样本上升沿向量的距离最小时对应的样本上升沿向量的电器类型为滑动上升沿向量的电器类型。
进一步的，样本集中每种电器的样本上升沿向量的提取量大于预设值。
进一步的，利用边沿滑动窗口的长度进行约束的具体实现方式为：根据边沿滑动窗口的长度对滑动窗口的长度进行约束，2We＜Wt，根据边沿滑动窗口的长度对边沿窗口滑动距离进行约束，We/2＜L＜We。
进一步的，步骤(3)包括以下子步骤：
(3-1)根据边沿滑动窗口的长度和滑动窗口的长度，从采集到的实时功率数据中提取上升沿向量E：
其中，ps表示第s秒的功率值，ps+1表示第s+1秒的功率值，表示第S+We-1秒的功率值，0≤s≤Wt-We-1；
(3-2)将上升沿向量E的起点作为边沿滑动窗口的起点，向前滑动边沿滑动窗口，每次滑动距离为1，每次滑动均得到一个维度为We的向前滑动上升沿向量，共滑动L/2次，共得到L/2个维度为We的向前滑动上升沿向量；
(3-3)将上升沿向量E的起点作为边沿滑动窗口的起点，向后滑动边沿滑动窗口，每次滑动距离为1，每次滑动均得到一个维度为We的向后滑动上升沿向量，共滑动L/2-1次，共得到L/2-1个维度为We的向后滑动上升沿向量；
(3-4)L/2个向前滑动上升沿向量、L/2-1个向后滑动上升沿向量和上升沿向量组合得到L个滑动上升沿向量，计算滑动上升沿向量和样本上升沿向量的距离：
其中，i＝1，2，3…n，表示样本集中一共有n个上升沿向量，D表示欧式距离，表示样本集中第i个样本上升沿向量，EL为第L个滑动上升沿向量，dL为第L个距离；
距离最小时对应的样本上升沿向量的电器类型为滑动上升沿向量的电器类型。
进一步的，实时电器识别方法还包括更新边沿滑动窗口的起点。
进一步的，更新边沿滑动窗口的起点包括：
(4-1)连续取Wt个功率数据，如果Wt个功率数据中没有出现上升沿，则滑动窗口向后滑动Wt后连续取Wt个新的功率数据；如果Wt个功率数据中出现上升沿，则边沿滑动窗口起点的坐标为Windex；
(4-2)设置阈值N，0＜N＜We/2，如果Windex小于N，则将滑动窗口向前滑动(N-Windex)；
(4-3)设置阈值M，We＜M＜2We，如果Windex大于(Wt-M)，则将滑动窗口向后滑动{M-(Wt-Windex)}；
(4-4)如果Windex小于N且Windex大于(Wt-M)，则滑动窗口向后滑动(Windex+M)。
按照本发明的另一方面，提供了一种基于滑动窗口的实时电器识别系统，包括：
提取样本集模块，用于采集样本电器组合的电表功率数据，提取样本上升沿向量，得到样本集，标定样本上升沿向量所属电器类型；
选取滑动参数模块，用于计算样本集中每个样本上升沿向量的上升过程所用上升时间，利用上升时间的最大值与边沿滑动窗口的初始长度比较取较大值，得到边沿滑动窗口的长度We，利用边沿滑动窗口的长度进行约束，得到滑动窗口的长度Wt和边沿窗口滑动距离L；
电器识别模块，用于根据边沿滑动窗口的长度和滑动窗口的长度，从采集到的实时功率数据中提取上升沿向量，将上升沿向量的起点作为边沿滑动窗口的起点，滑动L-1次，加上上升沿向量得到L个滑动上升沿向量，滑动上升沿向量和样本上升沿向量的距离最小时对应的样本上升沿向量的电器类型为滑动上升沿向量的电器类型。
进一步的，样本集中每种电器的样本上升沿向量的提取量大于预设值。
进一步的，利用边沿滑动窗口的长度进行约束的具体实现方式为：根据边沿滑动窗口的长度对滑动窗口的长度进行约束，2We＜Wt，根据边沿滑动窗口的长度对边沿窗口滑动距离进行约束，We/2＜L＜We。
进一步的，电器识别模块包括以下子模块：
第一电器识别子模块，用于根据边沿滑动窗口的长度和滑动窗口的长度，从采集到的实时功率数据中提取上升沿向量E：
其中，ps表示第s秒的功率值，ps+1表示第s+1秒的功率值，表示第S+We-1秒的功率值，0≤s≤Wt-We-1；
第二电器识别子模块，用于将上升沿向量E的起点作为边沿滑动窗口的起点，向前滑动边沿滑动窗口，每次滑动距离为1，每次滑动均得到一个维度为We的向前滑动上升沿向量，共滑动L/2次，共得到L/2个维度为We的向前滑动上升沿向量；
第三电器识别子模块，用于将上升沿向量E的起点作为边沿滑动窗口的起点，向后滑动边沿滑动窗口，每次滑动距离为1，每次滑动均得到一个维度为We的向后滑动上升沿向量，共滑动L/2-1次，共得到L/2-1个维度为We的向后滑动上升沿向量；
第四电器识别子模块，用于将L/2个向前滑动上升沿向量、L/2-1个向后滑动上升沿向量和上升沿向量组合得到L个滑动上升沿向量，计算滑动上升沿向量和样本上升沿向量的距离：
其中，i＝1，2，3…n，表示样本集中一共有n个上升沿向量，D表示欧式距离，表示样本集中第i个样本上升沿向量，EL为第L个滑动上升沿向量，dL为第L个距离；距离最小时对应的样本上升沿向量的电器类型为滑动上升沿向量的电器类型。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明通过计算样本集中每个样本上升沿向量的上升过程所用上升时间，利用上升时间的最大值与边沿滑动窗口的初始长度比较取较大值，得到边沿滑动窗口的长度We，利用边沿滑动窗口的长度进行约束，得到滑动窗口的长度Wt和边沿窗口滑动距离L，由此确定参数的方法兼顾了理论基础和实际情况，简单，高效。利用最小距离找到样本中的上升沿向量确定滑动上升沿向量电器类型，计算简单，复杂度低，使得实时电器识别准确率高，识别效率高。
(2)优选的，每种电器样本集数量不能过少，样本集中每种电器的样本上升沿向量的提取量大于预设值，丰富了样本信息，最大限度的包含了每种电器可能出现的上升沿向量，降低了电器识别时的误识别率。
(3)优选的，根据边沿滑动窗口的长度对滑动窗口的长度进行约束，根据边沿滑动窗口的长度对边沿窗口滑动距离进行约束，几个参数之间互相约束，确定了某一个参数，就极大地缩小了其他参数的可选范围，降低了实验次数，最终通过较少的实验次数确定每个参数的优选值，在保证识别准确率的同时提高了识别效率。
(4)优选的，滑动方式为前后滑动，滑动方式为前后滑动，包含了所有可能出现的上升沿向量，丰富了上升沿向量的信息，确定了最佳的上升沿向量起点。利用最小距离找到对应的样本上升沿向量的电器类型为滑动上升沿向量的电器类型，计算简单，复杂度低。
(5)优选的，更新边沿滑动窗口的起点，便于寻找上升沿向量和上升向量的最佳起点坐标。
(6)优选的，设定阈值，保证了滑动窗口能够包含完整的上升沿向量，使得上升沿向量的最佳起点在滑动窗口内，最终能够找到最佳起点；保证了每次处理的上升沿向量都不是同一个，避免了重复检测的现象，提高了识别效率。
附图说明
图1是本发明实施例提供的一种基于滑动窗口的实时电器识别方法的流程图；
图2是本发明实施例提供的选取滑动参数的流程图；
图3是本发明实施例提供的利用滑动参数进行实时电器识别的流程图；
图4是本发明实施例提供的更新边沿滑动窗口的起点的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，一种基于滑动窗口的实时电器识别方法，包括：
(1)采集样本电器组合的电表功率数据，提取样本上升沿向量，得到样本集，标定样本上升沿向量所属电器类型；
(2)计算样本集中每个样本上升沿向量的上升过程所用上升时间，利用上升时间的最大值与边沿滑动窗口的初始长度比较取较大值，得到边沿滑动窗口的长度We，利用边沿滑动窗口的长度进行约束，得到滑动窗口的长度Wt和边沿窗口滑动距离L；
(3)根据边沿滑动窗口的长度和滑动窗口的长度，从采集到的实时功率数据中提取上升沿向量，将上升沿向量的起点作为边沿滑动窗口的起点，滑动L-1次，加上上升沿向量得到L个滑动上升沿向量，滑动上升沿向量和样本上升沿向量的距离最小时对应的样本上升沿向量的电器类型为滑动上升沿向量的电器类型。
进一步的，样本集中每种电器的样本上升沿向量的提取量大于预设值。
优选的，预设值为50个。
进一步的，样本上升沿向量的提取方法为：当检测到功率数据相邻两功率值大于阈值Lgate并且连续上升，上升的功率幅度大于阈值Hgate，就认为检测到上升沿，记录上升沿的起点时间，终点时间。优选地，Lgate＝20，Hgate＝100。
进一步的，如图2所示，步骤(2)包括以下子步骤：
(2-1)计算样本集中样本上升沿向量的上升过程所用时间，计算公式为：
t＝{tie-tib}，i＝1，2，3，...n
其中，tie表示样本集中第i个样本上升沿向量的终点时间，tib表示样本集中第i个样本上升沿向量的起点时间，n表示样本集总样本上升沿向量数量，t表示n个上升沿向量上升时间的集合。
(2-2)计算出t中的最大值tmax，该值与边沿滑动窗口We初始值比较确定最终的We，计算公式为：
We＝max(tmax，15)
(2-3)已经确定了边沿滑动窗口We的大小，根据边沿滑动窗口的长度对滑动窗口的长度进行约束：
2We＜Wt
优选地，Wt＝60
(2-4)根据边沿滑动窗口的长度对边沿窗口滑动距离进行约束：
We/2＜L＜We
优选地，L＝10。
进一步的，如图3所示，步骤(3)包括以下子步骤：
(3-1)根据边沿滑动窗口的长度和滑动窗口的长度，从采集到的实时功率数据中提取上升沿向量E：
其中，ps表示第s秒的功率值，ps+1表示第s+1秒的功率值，表示第S+We-1秒的功率值，0≤s≤Wt-We-1；
(3-2)将上升沿向量E的起点作为边沿滑动窗口的起点，向前滑动边沿滑动窗口，每次滑动距离为1，每次滑动均得到一个维度为We的向前滑动上升沿向量，共滑动L/2次，共得到L/2个维度为We的向前滑动上升沿向量；
(3-3)将上升沿向量E的起点作为边沿滑动窗口的起点，向后滑动边沿滑动窗口，每次滑动距离为1，每次滑动均得到一个维度为We的向后滑动上升沿向量，共滑动L/2-1次，共得到L/2-1个维度为We的向后滑动上升沿向量；
(3-4)L/2个向前滑动上升沿向量、L/2-1个向后滑动上升沿向量和上升沿向量组合得到L个滑动上升沿向量，计算滑动上升沿向量和样本上升沿向量的距离：
其中，i＝1，2，3…n，表示样本集中一共有n个上升沿向量，D表示欧式距离，表示样本集中第i个样本上升沿向量，EL为第L个滑动上升沿向量，dL为第L个距离；
距离最小时对应的样本上升沿向量的电器类型为滑动上升沿向量的电器类型。
优选的，步骤(3-4)中的距离为欧式距离。
使用欧式距离，便于计算；利用最小距离找到样本中的上升沿向量确定待检测上升沿向量电器类型，计算简单，复杂度低。
进一步的，步骤(3-4)中得到了L组欧式距离：
进一步的，步骤(3-4)中根据得到的L组欧式距离，分别计算每组欧式距离的最小值得到L个最小欧式距离：
d1min＝min d1，
d2min＝min d2，
...
dLmin＝min dL。
进一步的，实时电器识别方法还包括更新边沿滑动窗口的起点。
进一步的，如图4所示，更新边沿滑动窗口的起点包括：
(4-1)连续取Wt个功率数据，如果Wt个功率数据中没有出现上升沿，则滑动窗口向后滑动Wt后连续取Wt个新的功率数据；如果Wt个功率数据中出现上升沿，则滑动窗口起点的坐标为Windex；
(4-2)设置阈值N，0＜N＜We/2，如果Windex小于N，则将滑动窗口向前滑动(N-Windex)；
(4-3)设置阈值M，We＜M＜2We，如果Windex大于(Wt-M)，则将滑动窗口向后滑动{M-(Wt-Windex)}；
(4-4)如果Windex小于N且Windex大于(Wt-M)，则滑动窗口向后滑动(Windex+M)。
优选地，N＝5。
优选地，M＝20。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于滑动窗口的实时电器识别方法，其特征在于，包括：
(1)采集样本电器组合的电表功率数据，提取样本上升沿向量，得到样本集，标定样本上升沿向量所属电器类型；
(2)计算样本集中每个样本上升沿向量的上升过程所用上升时间，利用上升时间的最大值与边沿滑动窗口的初始长度比较取较大值，得到边沿滑动窗口的长度We，利用边沿滑动窗口的长度进行约束，得到滑动窗口的长度Wt和边沿窗口滑动距离L；
(3)根据边沿滑动窗口的长度和滑动窗口的长度，从采集到的实时功率数据中提取上升沿向量，将上升沿向量的起点作为边沿滑动窗口的起点，滑动L-1次，加上上升沿向量得到L个滑动上升沿向量，滑动上升沿向量和样本上升沿向量的距离最小时对应的样本上升沿向量的电器类型为滑动上升沿向量的电器类型。
2.如权利要求1所述的一种基于滑动窗口的实时电器识别方法，其特征在于，所述样本集中每种电器的样本上升沿向量的提取量大于预设值。
3.如权利要求1所述的一种基于滑动窗口的实时电器识别方法，其特征在于，所述利用边沿滑动窗口的长度进行约束的具体实现方式为：根据边沿滑动窗口的长度对滑动窗口的长度进行约束，2We＜Wt，根据边沿滑动窗口的长度对边沿窗口滑动距离进行约束，We/2＜L＜We。
4.如权利要求1所述的一种基于滑动窗口的实时电器识别方法，其特征在于，所述步骤(3)包括以下子步骤：
(3-1)根据边沿滑动窗口的长度和滑动窗口的长度，从采集到的实时功率数据中提取上升沿向量E：
<mrow>
<mi>E</mi>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>p</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>s</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>...</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>s</mi>
<mo>+</mo>
<msub>
<mi>W</mi>
<mi>e</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>}</mo>
<mo>,</mo>
</mrow>
其中，ps表示第s秒的功率值，ps+1表示第s+1秒的功率值，表示第S+We-1秒的功率值，0≤s≤Wt-We-1；
(3-2)将上升沿向量E的起点作为边沿滑动窗口的起点，向前滑动边沿滑动窗口，每次滑动距离为1，每次滑动均得到一个维度为We的向前滑动上升沿向量，共滑动L/2次，共得到L/2个维度为We的向前滑动上升沿向量；
(3-3)将上升沿向量E的起点作为边沿滑动窗口的起点，向后滑动边沿滑动窗口，每次滑动距离为1，每次滑动均得到一个维度为We的向后滑动上升沿向量，共滑动L/2-1次，共得到L/2-1个维度为We的向后滑动上升沿向量；
(3-4)L/2个向前滑动上升沿向量、L/2-1个向后滑动上升沿向量和上升沿向量组合得到L个滑动上升沿向量，计算滑动上升沿向量和样本上升沿向量的距离：
<mrow>
<msub>
<mi>d</mi>
<mi>L</mi>
</msub>
<mo>=</mo>
<mo>{</mo>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mi>L</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>E</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
其中，i＝1，2，3…n，表示样本集中一共有n个上升沿向量，D表示欧式距离，表示样本集中第i个样本上升沿向量，EL为第L个滑动上升沿向量，dL为第L个距离；
距离最小时对应的样本上升沿向量的电器类型为滑动上升沿向量的电器类型。
5.如权利要求1所述的一种基于滑动窗口的实时电器识别方法，其特征在于，所述实时电器识别方法还包括更新边沿滑动窗口的起点。
6.如权利要求5所述的一种基于滑动窗口的实时电器识别方法，其特征在于，所述更新边沿滑动窗口的起点包括：
(4-1)连续取Wt个功率数据，如果Wt个功率数据中没有出现上升沿，则滑动窗口向后滑动Wt后连续取Wt个新的功率数据；如果Wt个功率数据中出现上升沿，则边沿滑动窗口起点的坐标为Windex；
(4-2)设置阈值N，0＜N＜We/2，如果Windex小于N，则将滑动窗口向前滑动(N-Windex)；
(4-3)设置阈值M，We＜M＜2We，如果Windex大于(Wt-M)，则将滑动窗口向后滑动{M-(Wt-Windex)}；
(4-4)如果Windex小于N且Windex大于(Wt-M)，则滑动窗口向后滑动(Windex+M)。
7.一种基于滑动窗口的实时电器识别系统，其特征在于，包括：
提取样本集模块，用于采集样本电器组合的电表功率数据，提取样本上升沿向量，得到样本集，标定样本上升沿向量所属电器类型；
选取滑动参数模块，用于计算样本集中每个样本上升沿向量的上升过程所用上升时间，利用上升时间的最大值与边沿滑动窗口的初始长度比较取较大值，得到边沿滑动窗口的长度We，利用边沿滑动窗口的长度进行约束，得到滑动窗口的长度Wt和边沿窗口滑动距离L；
电器识别模块，用于根据边沿滑动窗口的长度和滑动窗口的长度，从采集到的实时功率数据中提取上升沿向量，将上升沿向量的起点作为边沿滑动窗口的起点，滑动L-1次，加上上升沿向量得到L个滑动上升沿向量，滑动上升沿向量和样本上升沿向量的距离最小时对应的样本上升沿向量的电器类型为滑动上升沿向量的电器类型。
8.如权利要求7所述的一种基于滑动窗口的实时电器识别系统，其特征在于，所述样本集中每种电器的样本上升沿向量的提取量大于预设值。
9.如权利要求7所述的一种基于滑动窗口的实时电器识别系统，其特征在于，所述利用边沿滑动窗口的长度进行约束的具体实现方式为：根据边沿滑动窗口的长度对滑动窗口的长度进行约束，2We＜Wt，根据边沿滑动窗口的长度对边沿窗口滑动距离进行约束，We/2＜L＜We。
10.如权利要求7所述的一种基于滑动窗口的实时电器识别系统，其特征在于，所述电器识别模块包括以下子模块：
第一电器识别子模块，用于根据边沿滑动窗口的长度和滑动窗口的长度，从采集到的实时功率数据中提取上升沿向量E：
<mrow>
<mi>E</mi>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>p</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>s</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>...</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>s</mi>
<mo>+</mo>
<msub>
<mi>W</mi>
<mi>e</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>}</mo>
<mo>,</mo>
</mrow>
其中，ps表示第s秒的功率值，ps+1表示第s+1秒的功率值，表示第S+We-1秒的功率值，0≤s≤Wt-We-1；
第二电器识别子模块，用于将上升沿向量E的起点作为边沿滑动窗口的起点，向前滑动边沿滑动窗口，每次滑动距离为1，每次滑动均得到一个维度为We的向前滑动上升沿向量，共滑动L/2次，共得到L/2个维度为We的向前滑动上升沿向量；
第三电器识别子模块，用于将上升沿向量E的起点作为边沿滑动窗口的起点，向后滑动边沿滑动窗口，每次滑动距离为1，每次滑动均得到一个维度为We的向后滑动上升沿向量，共滑动L/2-1次，共得到L/2-1个维度为We的向后滑动上升沿向量；
第四电器识别子模块，用于将L/2个向前滑动上升沿向量、L/2-1个向后滑动上升沿向量和上升沿向量组合得到L个滑动上升沿向量，计算滑动上升沿向量和样本上升沿向量的距离：
<mrow>
<msub>
<mi>d</mi>
<mi>L</mi>
</msub>
<mo>=</mo>
<mo>{</mo>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mi>L</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>E</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
其中，i＝1，2，3…n，表示样本集中一共有n个上升沿向量，D表示欧式距离，表示样本集中第i个样本上升沿向量，EL为第L个滑动上升沿向量，dL为第L个距离；距离最小时对应的样本上升沿向量的电器类型为滑动上升沿向量的电器类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710366273.1A CN107247962B (zh) | 2017-05-23 | 2017-05-23 | 一种基于滑动窗口的实时电器识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710366273.1A CN107247962B (zh) | 2017-05-23 | 2017-05-23 | 一种基于滑动窗口的实时电器识别方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107247962A true CN107247962A (zh) | 2017-10-13 |
| CN107247962B CN107247962B (zh) | 2019-07-05 |
Family
ID=60017437
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710366273.1A Expired - Fee Related CN107247962B (zh) | 2017-05-23 | 2017-05-23 | 一种基于滑动窗口的实时电器识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107247962B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108345220A (zh) * | 2017-12-21 | 2018-07-31 | 西安奇妙电子科技有限公司 | 用电设备的属性识别方法、装置、电子设备及存储介质 |
| CN109767417A (zh) * | 2017-11-10 | 2019-05-17 | 太豪生医股份有限公司 | 病灶检测装置及其方法 |
| CN113176451A (zh) * | 2021-04-22 | 2021-07-27 | 浙江威星智能仪表股份有限公司 | 一种基于查表法的脉冲信号检测方法 |
| CN113777938A (zh) * | 2021-08-31 | 2021-12-10 | 东风柳州汽车有限公司 | 一种家电控制方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102072976A (zh) * | 2009-11-23 | 2011-05-25 | 财团法人资讯工业策进会 | 辨识电器状态的方法及系统 |
| CN104090952A (zh) * | 2014-07-02 | 2014-10-08 | 华中科技大学 | 一种估算滑动窗口下的数据流平均值的方法与系统 |
| CN105706111A (zh) * | 2014-07-14 | 2016-06-22 | 指纹卡有限公司 | 用于噪声减轻的方法及电子装置 |
| CN106124850A (zh) * | 2016-07-20 | 2016-11-16 | 国网江西省电力公司南昌供电分公司 | 一种基于相似度算法的用于家用智能电表的负荷识别系统及其负荷识别方法 |
-
2017
- 2017-05-23 CN CN201710366273.1A patent/CN107247962B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102072976A (zh) * | 2009-11-23 | 2011-05-25 | 财团法人资讯工业策进会 | 辨识电器状态的方法及系统 |
| CN104090952A (zh) * | 2014-07-02 | 2014-10-08 | 华中科技大学 | 一种估算滑动窗口下的数据流平均值的方法与系统 |
| CN105706111A (zh) * | 2014-07-14 | 2016-06-22 | 指纹卡有限公司 | 用于噪声减轻的方法及电子装置 |
| CN106124850A (zh) * | 2016-07-20 | 2016-11-16 | 国网江西省电力公司南昌供电分公司 | 一种基于相似度算法的用于家用智能电表的负荷识别系统及其负荷识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 叶彬等: ""电力占终端能源消费比重分析预测方法及应用"", 《电力与能源》 * |
| 高云等: ""基于暂态特征贴近度匹配的家用负荷识别"", 《电力系统自动化》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109767417A (zh) * | 2017-11-10 | 2019-05-17 | 太豪生医股份有限公司 | 病灶检测装置及其方法 |
| CN109767417B (zh) * | 2017-11-10 | 2023-11-03 | 太豪生医股份有限公司 | 病灶检测装置及其方法 |
| CN108345220A (zh) * | 2017-12-21 | 2018-07-31 | 西安奇妙电子科技有限公司 | 用电设备的属性识别方法、装置、电子设备及存储介质 |
| CN113176451A (zh) * | 2021-04-22 | 2021-07-27 | 浙江威星智能仪表股份有限公司 | 一种基于查表法的脉冲信号检测方法 |
| CN113176451B (zh) * | 2021-04-22 | 2023-08-15 | 浙江威星智能仪表股份有限公司 | 一种基于查表法的脉冲信号检测方法 |
| CN113777938A (zh) * | 2021-08-31 | 2021-12-10 | 东风柳州汽车有限公司 | 一种家电控制方法、装置、设备及存储介质 |
| CN113777938B (zh) * | 2021-08-31 | 2023-07-18 | 东风柳州汽车有限公司 | 一种家电控制方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107247962B (zh) | 2019-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107247962A (zh) | 一种基于滑动窗口的实时电器识别方法和系统 | |
| CN109389180A (zh) | 一款基于深度学习的电力设备图像识别方法及巡查机器人 | |
| CN107273920A (zh) | 一种基于随机森林的非侵入式家用电器识别方法 | |
| CN109270927A (zh) | 道路数据的生成方法及装置 | |
| CN107679644A (zh) | 一种基于降雨类型特征的站点雨量资料插补方法 | |
| CN109190950B (zh) | 一种电表和水表档案贯通的用能异常识别方法 | |
| CN104680178B (zh) | 基于迁移学习多吸引子细胞自动机的图像分类方法 | |
| CN111507412A (zh) | 一种基于历史数据辅助场景分析的电压缺失值填补方法 | |
| CN103793788B (zh) | 一种有序用电管理方法 | |
| CN106021329A (zh) | 基于用户相似度的稀疏数据协同过滤推荐方法 | |
| CN103198330B (zh) | 基于深度视频流的实时人脸姿态估计方法 | |
| CN104112062B (zh) | 基于插值方法的风资源分布的获取方法 | |
| CN113159488B (zh) | 一种低压台区拓扑辨识方法 | |
| CN106777005A (zh) | 基于大数据技术改进聚类算法的用户用电行为分析方法 | |
| CN109558467A (zh) | 用电用户类别识别方法及系统 | |
| CN104598648B (zh) | 一种微博用户交互式性别识别方法及装置 | |
| CN103400039A (zh) | 一种基于大风气象分类的风功率爬坡预测模型切换方法 | |
| CN105574265B (zh) | 面向模型检索的装配体模型定量描述方法 | |
| CN109740672A (zh) | 多流特征距离融合系统与融合方法 | |
| CN112686456A (zh) | 一种结合边缘计算与用能识别的电力负荷预测系统和方法 | |
| CN108536866A (zh) | 基于话题转移熵的微博隐蔽关键用户分析方法 | |
| CN112487991B (zh) | 一种基于特征自学习的高精度负荷辨识方法及系统 | |
| CN113724838B (zh) | 基于大数据的情绪鉴定系统 | |
| Wang et al. | Arima model estimated by particle swarm optimization algorithm for consumer price index forecasting | |
| CN103903624B (zh) | 一种高斯色噪声环境下的基音周期检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190705 Termination date: 20200523 |