CN107394774A - 一种用电负荷分解融合辨识的方法与系统 - Google Patents
一种用电负荷分解融合辨识的方法与系统 Download PDFInfo
- Publication number
- CN107394774A CN107394774A CN201710623494.2A CN201710623494A CN107394774A CN 107394774 A CN107394774 A CN 107394774A CN 201710623494 A CN201710623494 A CN 201710623494A CN 107394774 A CN107394774 A CN 107394774A
- Authority
- CN
- China
- Prior art keywords
- fusion
- equipment
- identification
- power load
- mrow
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 42
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 230000005611 electricity Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 9
- 240000002853 Nelumbo nucifera Species 0.000 claims description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 4
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 13
- 238000001514 detection method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012850 discrimination method Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种用电负荷分解融合辨识的方法与系统，本发明首先采用非侵入式设备采集用户侧的用电信息，并从中提取用电负荷特征；采用至少三种负荷分解算法，对提取出的用电负荷特征并行地进行分解，各自分解得到用电设备的运行情况；最后采用融合辨识算法将并行分解后的结果融合之后得到最终分解结果。本发明并行地采用了不同的算法进行分解得到用电设备的工作情况，并且通过自适应的权重将不同的分解结果融合辨识，提升了辨识结果的准确度，并通过实际样例对辨识算法进行验证。
Description
技术领域
本发明涉及一种非侵入式的用电负荷分解的融合辨识系统，属于电力系统技术范畴。
背景技术
用电负荷分解主要分为侵入式和非侵入式两类。侵入式的用电负荷分解，需要在用户家中，对主要用电设备安装测量装置，用于检测设备的工作状态和相关用电信息。此方法实施步骤麻烦，成本高，并且可行性较低。而非侵入式的用电负荷分解方法，只需要针对每户家庭安装总用电测量设备，成本低，并且符合正常用电采集模式。由于目前的用电负荷分解方法，只是单一的方法进行辨识，且采用较传统的学习算法，算法鲁棒性不强，辨识精度不高。因此提高非侵入式用电负荷分解的辨识精度成为一项迫切的任务，进而可以借此分析设备用电占比、用户用电习惯等，利用大数据的方式给用户、电网提供相应的建议。此外，由于近年来人工智能算法的飞速发展，物联网、机器学习等领域的有机结合，使得通过分析大量统计数据进行监督学习，最终得到相应的模型特征和统计特性的准确性大大提高。有效地将不同的机器学习算法进行融合，利用目前拥有的海量的用电数据，将给用电负荷分解精度带来相应的提升。
发明内容
本发明针对现有技术的不足，提供一种用电负荷分解融合辨识的方法与系统。
本发明为解决上述技术问题，提供了一种非侵入式用电负荷分解的融合辨识算法，该方法的步骤如下：
1)采用非侵入式设备采集用电侧的用电信息，并从中提取出用电负荷特性；
2)采用至少三种负荷分解算法对提取出的用电负荷特性进行计算，各自得到相应的负荷分解情况；并计算出识别结果的损失函数：
L＝|Sreal-Scal|s＝|s1-s′1|+|s2-s′2|+...+|sn-s′n|
其中Sreal为用户总实际用电设备组成的二进制序列{s1，s2，...，sn}，Scal为用电负荷分解后得到的各设备工作所对应的二进制序列{s′1，s′2，...，s′n}。
3)将多种分解算法的结果进行有效融合，最终得到用电负荷分解的辨识结果；
建立线性融合函数T为：
其中ta＝Ke-Li，K为可变的基准系数，Li分别表示第i种方法下辨识出来的损失函数，ta表示第i种方法的权重，sa表示设备的开关状态，sa只有1和0两种状态，分别代表设备的开和关，a＝1,2,3,,,n，n为设备总数；
当融合函数值大于设定阈值的时候，判断设备为开启，否则为关闭；所述的阈值初设为0.6，并且进行自适应调整。
所述步骤2)采用三种负荷分解算法，分别为HMM、SVM和GAN；HMM即隐马尔可夫算法，SVM即支持向量机，GAN即生成式对抗网络算法；
一种用电负荷分解融合辨识系统，辨识系统分为三层，分别为特征提取层、并行分解层和融合辨识层，
所述特征提取层将采集到的原始负荷侧设备的用电信息，运行算法进行用电负荷特征提取，并将获得的用电负荷特征传送给并行分解层；
所述并行分解层采用至少三种负荷分解算法分别对接收到的特征信息进行分解，各自得到设备的运行状态结果；
所述融合辨识层根据收到的多种算法的辨识结果，结合自适应的权重得到最终的融合辨识结果。
所述的融合辨识层采用三种负荷分解算法，分别是HMM、SVM和GAN。
所述的并行分解层采用三种不同的负荷分解算法得到设备的运行状态结果的同时，还需计算出识别结果的损失函数：
L＝|Sreal-Scal|s＝|S1-s′1|+|s2-s′2|+...+|sn-s′n|
其中Sreal为用户总实际用电设备组成的二进制序列[s1，s2，...，sn}，Scal为用电负荷分解后得到的各设备工作所对应的二进制序列{s′1，s′2，...，s′n}。
融合辨识层中的辨识决策算法是基于并行分解层中各算法得到的损失函数建立融合函数，计算各设备处于工作状态的可能性，并根据预先设定的阈值进行评判。当融合函数值大于设定阈值的时候，判断设备为开启，否则为关闭，所建立线性融合函数T为：
其中ta＝Ke-Li，K为可变的基准系数，Li分别表示第i种方法下辨识出来的损失函数，ta表示第i种方法的权重，sa表示设备的开关状态，sa只有1和0两种状态，分别代表设备的开和关，a＝1,2,3,,,n，n为设备总数；所述的阈值初设为0-1，并且进行自适应调整。作为优选，所述的阈值初设为0.6。
本发明的有益效果是：本发明首先采用非侵入式设备采集用户侧的用电信息，并从中提取用电负荷特征；采用至少三种负荷分解算法，对提取出的用电负荷特征并行地进行分解，各自分解得到用电设备的运行情况；最后采用融合辨识算法将并行分解后的结果融合之后得到最终分解结果。本发明并行地采用了不同的算法进行分解得到用电设备的工作情况，并且通过自适应的权重将不同的分解结果融合辨识，提升了辨识结果的准确度，并通过实际样例对辨识算法进行验证。
附图说明
图1是本发明实施例中非侵入式用电负荷分解的融合辨识方法的原理示意图；
图2是本发明实施例中融合辨识算法框图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本发明的一种非侵入式用电负荷分解的融合辨识方法的实施例。
本发明的非侵入式用电负荷分解的融合辨识算法，并行的采用不同的机器学习算法对家用电气设备进行辨识，最后将三种辨识算法的结果进行自适应融合，有效地提高了辨识精度，并通过实际样例对辨识算法的效果进行检验。该方法的具体实施过程如下：
步骤1：使用非侵入式的设备采集用户总的用电信息，其具体实现包括以下子步骤：
步骤1.1：构建非侵入式用电负荷分解的硬件模块并组成用电负荷检测装置，也称智能电表，安装在用户家庭配电箱之前；
步骤1.2：安装好相应的用电负荷检测装置，通过检测用户的用电总功率，并且结合不同电器设备的额定功率、使用时间等经验数据，建立相应的数据库；
步骤1.3：对用电数据库进行分析，提取电器设备的特征属性。
步骤2：采用至少三种不同的方法进行用电负荷的分解，辨识出相应设备及其工作状态；本实施例以HMM、SVM和GAN三种方法为例进行说明，其具体实现包括以下子步骤：
步骤2.1：通过自主编写、调试开源学习框架，分别得到HMM、SVM和GAN三种辨识算法；
步骤2.2：结合步骤1中得到的所有用电设备的信息数据库，采用HMM的方式对总用电功率进行分解，并进行用电设备的功率匹配，获得最有可能出现的用电设备组合；
步骤2.3：结合步骤1中得到的所有用电设备的信息数据库，采用SVM的方式对总用电功率进行分解，并进行用电设备的功率匹配，获得最有可能出现的用电设备组合；
步骤2.4：结合步骤1中得到的所有用电设备的信息数据库，采用GAN的方式对总用电功率进行分解，并进行用电设备的功率匹配，获得最有可能出现的用电设备组合；
步骤3：利用三种并行的辨识算法得到的结果，进行融合得到最终的融合决策，然后通过实际样例进行测试，验证非侵入式用电负荷分解辨识决策的准确性和可行性。
单一辨识方法的局限性在于，容易受到测量干扰等影响，造成分解结果的不准确，从而影响用户各用电设备的用电占比，可能也会对电网方面的调峰节能方面造成不良影响。而且，结合最新的深度学习方面的框架，提升了用电数据的有效利用率，比传统的机器学习算法准确性更高。因此，本发明通过融合三种不同的负荷分解算法进行综合决策，以提升辨识精度。
与其他已有专利不同的是，本发明只需要检测用电设备的总功率，无需得到用电设备的谐波特征，因此对用电负荷检测设备的硬件要求将大幅度降低，降低了硬件成本。
具体来说，就是采集到总的用电功率，然后分解得到辨识结果，再与真实的设备用电情况做对比，求出损失函数。如下式所示：
L＝|Sreal-Scal|s＝|s1-s′1|+|s2-s′2|+...+|sn-s′n| (1)
式(1)中，Sreal为用户总实际用电设备组成的二进制序列{s1，s2，...，sn}，Scal为用电负荷分解后得到的各设备工作所对应的二进制序列{s′1，s′2，...，s′n}。因为一些用电设备功率较小，或者两个用电设备功率接近，所以在算法辨识的时候容易出现偏差，所以每个算法得到的序列Scal不一定一致，也导致其损失函数不尽相同。
由上述分析可知，对于某个用户的用电情况而言，使用三种不同的算法进行辨识，将会得到三个相应的损失函数，设为Li，i＝1，2，3，分别对应HMM、SVM、GAN三种算法下辨识出来的损失函数。
定义
ta＝Ke-Li (2)
式(2)中K为可变的基准系数(一般设为1)，L1，L2，L3分别表示HMM、SVM和GAN三种方法下辨识出来的损失函数，ti表示第i种方法的权重，si表示设备的开关状态，si只有1和0两种状态，分别代表设备的开和关，a＝1,2,3,,,n，n为设备总数。
令
式(3)中T为融合函数，表示各设备处于工作状态的可能性。设定阈值为tv，当T＞tv的时候，表示相应设备处于工作状态。算法框图如图2所示。
为了测试融合辨识算法的精度，本发明利用已有的硬件平台针对实际用户中的用电情况进行辨识实验。不失一般性，假设用户家中有电热水器、空调、冰箱和微波炉4种电器。对于此用户某一时刻的实际用电情况，以及结合用户习惯、标准电器额定功率等相关信息，分别得到三种辨识算法所对应的分解结果。如表1所示：
表1
因此，根据式(1)可知，L1＝L2＝L3＝1，因此可以通过式(2)进行计算，得到t1＝t2＝t3＝0.368。
举例而言，例如对电热水器，其融合辨识的状态可以通过式(3)进行计算，也即：因此最终判断电热水器为关闭状态。同理，对于冰箱而言，有：因此最终判断空调为工作状态。
值得注意的是，阈值tv并非一成不变，而是会随着实际情况的变化而进行自适应调整。
融合辨识结果如表2所示，最终辨识出的是各种用电设备的组合工作状态。
如表2所示，可以发现融合辨识结果与实际运行状况一致，因此验证了本发明非侵入式用电负荷分解融合辨识的实际可行性。
表2
本发明中的融合辨识系统如图1所示，采用三层架构，分别为特征提取层、并行分解层和融合辨识层。特征提取层利用从用电侧获得的数据采集信息，进行用电负荷特征提取，然后将提取到的信息传送给并行分解层。并行分解层对接收到的提取特征进行响应分析，采用至少三种算法进行用电负荷分解，对用电设备工作状况进行判断，得到至少三种辨识结果，并将得到的结果传送给融合辨识层。融合辨识层根据接收到的并行辨识结果，根据不同算法的权重对辨识结果进行有效融合，再与自适应的阈值信息进行比较，最终判断设备的工作状态。具体实施例已在上面进行详细说明，这里不再赘述。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。上述针对实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (4)
1.一种用电负荷分解融合辨识的方法,其特征在于，该方法具体包括一下步骤：
1)采用非侵入式设备采集用电侧的用电信息，并从中提取出用电负荷特性；
2)采用至少三种负荷分解算法对提取出的用电负荷特性进行计算，各自得到相应的负荷分解情况；并计算出识别结果的损失函数：
L＝|Sreal-Scal|s＝|s1-s′1|+|s2-s′2|+…+|sn-s′n|
其中Sreal为用户总实际用电设备组成的二进制序列{s1，s2，...，sn}，Scal为用电负荷分解后得到的各设备工作所对应的二进制序列{s′1，s′2，...，s′n}；
3)将多种分解算法的结果进行有效融合，最终得到用电负荷分解的辨识结果；
建立线性融合函数T为：
<mrow>
<mi>T</mi>
<mo>=</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>a</mi>
</msub>
<mo>*</mo>
<msub>
<mi>s</mi>
<mi>a</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中ta＝Ke-Li，K为可变的基准系数，Li分别表示第i种方法下辨识出来的损失函数，m表示方法的种数，ta表示第i种方法的权重，sa表示设备的开关状态，sa只有1和0两种状态，分别代表设备的开和关，a＝1,2,3,,,n，n为设备总数；
当融合函数值大于设定阈值的时候，判断设备为开启，否则为关闭；所述的阈值初设为0.6，并且进行自适应调整。
2.根据权利要求1所述的一种用电负荷分解融合辨识的方法,其特征在于：所述步骤2)采用三种负荷分解算法，分别为HMM、SVM和GAN；HMM即隐马尔可夫算法，SVM即支持向量机，GAN即生成式对抗网络算法。
3.一种用电负荷分解融合辨识系统，其特征在于：辨识系统分为三层，分别为特征提取层、并行分解层和融合辨识层，
所述特征提取层将采集到的原始负荷侧设备的用电信息，运行算法进行用电负荷特征提取，并将获得的用电负荷特征传送给并行分解层；
所述并行分解层采用至少三种负荷分解算法分别对接收到的特征信息进行分解，各自得到设备的运行状态结果；
所述融合辨识层根据收到的多种算法的辨识结果，结合自适应的权重得到最终的融合辨识结果；
所述的融合辨识层采用三种负荷分解算法，分别是HMM、SVM和GAN；
所述的并行分解层采用三种不同的负荷分解算法得到设备的运行状态结果的同时，还需计算出识别结果的损失函数：
L＝|Sreal-Scal|s＝|s1-s′1|+|s2-s′2|+…+|sn-s′n|
其中Sreal为用户总实际用电设备组成的二进制序列{s1，s2，...，sn}，Scal为用电负荷分解后得到的各设备工作所对应的二进制序列{s′1，s′2，...，s′n}；
融合辨识层中的辨识决策算法是基于并行分解层中各算法得到的损失函数建立融合函数，计算各设备处于工作状态的可能性，并根据预先设定的阈值进行评判；当融合函数值大于设定阈值的时候，判断设备为开启，否则为关闭，所建立线性融合函数T为：
<mrow>
<mi>T</mi>
<mo>=</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>a</mi>
</msub>
<mo>*</mo>
<msub>
<mi>s</mi>
<mi>a</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中ta＝Ke-Li，K为可变的基准系数，Li分别表示第i种方法下辨识出来的损失函数，m表示方法的种数，ta表示第i种方法的权重，sa表示设备的开关状态，sa只有1和0两种状态，分别代表设备的开和关，a＝1,2,3,,,n，n为设备总数；所述的阈值初设为0-1。
4.根据权利要求3所述的一种用电负荷分解融合辨识系统，其特征在于：所述的阈值为0.6。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710623494.2A CN107394774A (zh) | 2017-07-27 | 2017-07-27 | 一种用电负荷分解融合辨识的方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710623494.2A CN107394774A (zh) | 2017-07-27 | 2017-07-27 | 一种用电负荷分解融合辨识的方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107394774A true CN107394774A (zh) | 2017-11-24 |
Family
ID=60341360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710623494.2A Pending CN107394774A (zh) | 2017-07-27 | 2017-07-27 | 一种用电负荷分解融合辨识的方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107394774A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110275091A (zh) * | 2019-07-03 | 2019-09-24 | 武汉武大英康集成媒体有限公司 | 一种工业企业电力故障诊断系统 |
| CN113971371A (zh) * | 2021-10-29 | 2022-01-25 | 金程科技有限公司 | 一种末端电网用户设备辨识、安全管控方法 |
| CN115099349A (zh) * | 2022-06-30 | 2022-09-23 | 国网江苏省电力有限公司信息通信分公司 | 一种非侵入式负荷实时分解方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105429135A (zh) * | 2015-12-08 | 2016-03-23 | 河南许继仪表有限公司 | 一种非侵入式电力负荷分解的辨识决策方法及系统 |
-
2017
- 2017-07-27 CN CN201710623494.2A patent/CN107394774A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105429135A (zh) * | 2015-12-08 | 2016-03-23 | 河南许继仪表有限公司 | 一种非侵入式电力负荷分解的辨识决策方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110275091A (zh) * | 2019-07-03 | 2019-09-24 | 武汉武大英康集成媒体有限公司 | 一种工业企业电力故障诊断系统 |
| CN113971371A (zh) * | 2021-10-29 | 2022-01-25 | 金程科技有限公司 | 一种末端电网用户设备辨识、安全管控方法 |
| CN113971371B (zh) * | 2021-10-29 | 2023-11-07 | 金程科技有限公司 | 一种末端电网用户设备辨识、安全管控方法 |
| CN115099349A (zh) * | 2022-06-30 | 2022-09-23 | 国网江苏省电力有限公司信息通信分公司 | 一种非侵入式负荷实时分解方法及系统 |
| CN115099349B (zh) * | 2022-06-30 | 2024-09-24 | 国网江苏省电力有限公司信息通信分公司 | 一种非侵入式负荷实时分解方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105429135B (zh) | 一种非侵入式电力负荷分解的辨识决策方法及系统 | |
| CN106777984B (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
| CN110188826A (zh) | 基于智能电表数据的家用电器运行状态非侵入式检测方法 | |
| CN109145949A (zh) | 基于集成学习的非侵入式电力负荷监测与分解方法及系统 | |
| CN108832619A (zh) | 基于卷积神经网络的电力系统暂态稳定评估方法 | |
| CN106655160A (zh) | 一种非侵入式电力负荷分解的辨识决策方法及系统 | |
| CN106127756A (zh) | 一种基于多特征信息融合技术的绝缘子识别检测方法 | |
| CN109190950B (zh) | 一种电表和水表档案贯通的用能异常识别方法 | |
| CN107394774A (zh) | 一种用电负荷分解融合辨识的方法与系统 | |
| CN107257351A (zh) | 一种基于灰色lof流量异常检测系统及其检测方法 | |
| CN108828358A (zh) | 非侵入式电力用户电器能耗分解方法及其系统 | |
| CN108073722A (zh) | 一种新建变电站主子站图形和模型的自动校验装置及方法 | |
| CN110416995A (zh) | 一种非侵入式负荷分解方法和装置 | |
| CN105974223B (zh) | 一种用于在线检测用电设备工作状态的方法及系统 | |
| CN114236234A (zh) | 一种基于基波和谐波混合判据的电器特征辨识方法 | |
| CN107767037A (zh) | 一种用户用电构成解析方法 | |
| CN107247962A (zh) | 一种基于滑动窗口的实时电器识别方法和系统 | |
| Yang et al. | Event detection, localization, and classification based on semi-supervised learning in power grids | |
| CN110082623A (zh) | 一种开关柜健康状态评价方法及系统 | |
| CN109271925A (zh) | 一种智能插座上的电器设备类型识别方法 | |
| CN104408072B (zh) | 一种基于复杂网络理论的适用于分类的时间序列特征提取方法 | |
| Zhou et al. | Wind power prediction based on random forests | |
| CN106340874A (zh) | 电力负荷分解的辨识决策方法和系统 | |
| CN107016410B (zh) | 用电信息采集系统故障诊断方法及故障诊断装置 | |
| Rizvi et al. | Real-time ZIP load parameter tracking using adaptive window and variable elimination with realistic synthetic synchrophasor data |
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 |
Application publication date: 20171124 |
|
| WD01 | Invention patent application deemed withdrawn after publication |