CN108345906B - 一种基于Boost模型的非侵入式用电器识别方法 - Google Patents
一种基于Boost模型的非侵入式用电器识别方法 Download PDFInfo
- Publication number
- CN108345906B CN108345906B CN201810133757.6A CN201810133757A CN108345906B CN 108345906 B CN108345906 B CN 108345906B CN 201810133757 A CN201810133757 A CN 201810133757A CN 108345906 B CN108345906 B CN 108345906B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- user
- training
- electric
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000013145 classification model Methods 0.000 claims abstract description 4
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000003066 decision tree Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Boost模型的非侵入式用电器识别方法,包括以下步骤:一、采用无标签数据收集,对电表数据进行收集;二、指引用户对需要识别的用电器分别进行开关操作,并记录电表功率数据和对应的用电器标签;三、先利用Bootstrap算法扩展有标签集,与无标签集一起组合成训练集,再用建立分类模型;四、实时收集功率突变事件,用训练好的模型对其分类,并向用户显示识别出的用电器结果;五、通过预识别阶段的新样本和新标签,将其添加到原有的有标签数据集中,重复步骤三和步骤四;六、用达到精度要求的模型对用电器进行识别,并实时反馈给用户或需求方;本发明可以通过总电表功率数据和少量训练数据,实现对居民用户中用电器的识别。
Description
技术领域
本发明涉及用电器在线识别技术领域,尤其涉及一种基于Boost模型的非侵入式用电器识别方法。
背景技术
电力负荷监测是指通过智能电表采集负荷运行过程中产生的电气参数,进而分析出其运行状态的技术。对家庭用户来说负荷监测能够使用户清楚每类电器的分时电量、启动和停止时间,并依据此信息指导用电行为,从而达到节能的目的。对电力公司而言,通过对家庭用电情况的监控,建立典型用户数据平台,对不同用户的用电行为进行精细建模、分析、分类、制定套餐,实现电力资源的合理配置。
据对负荷的影响程度的不同,电力负荷监测技术可以分为侵入式和非侵入式两大类。侵入式将带有数字通信功能的传感器安装在每个电器与电网的接口,从而监测每个电器的运行状态和功率消耗,这种方法优点是计量准确,缺点是需要在用电户中每一个用电器上安装电路设施,安装工作需要进入电器内部,实现难度较大,会影响正常的生产工作,不适宜全面推广,非侵入式能够仅通过总电表的用电数据识别用电器,但在目前的方法中,通过额定功率识别的模型误差较大,且往往要求电表的无功功率数据,而通过瞬时电流变化识别的模型对于电表采样率的要求过高。
发明内容
本发明目的是针对现有技术存在的缺陷提供了一种基于Boost模型的非侵入式用电器识别方法,本识别方法实现了不需要加装大量分级电表,不需要大量更改用户电路设施,只需要结合电表功率数据以及和用户的少量互动,即能达到对不同用电器进行识别的目的。
本发明为实现上述目的,采用如下技术方案:一种基于Boost模型的非侵入式用电器识别方法,包括以下步骤:
步骤一:采用无标签数据收集,对电表数据进行收集,实时判断功率值突变的时点,并对前后短时间段内的数据进行储存;
步骤二:进入用户训练阶段,指引用户对需要识别的用电器分别进行开关操作,并记录相应时段中的电表功率突变事件前后短时间段内的数据和对应的用电器标签;
步骤三,训练初步模型,先利用Bootstrap算法扩展有标签集,与无标签集一起组合成训练集,再用Boost算法为每一种有标签的用电器建立一个分类模型;
步骤四,预识别阶段,即实时收集功率突变事件,用训练好的模型对其分类,并向用户显示识别出的用电器结果,并让用户选择正确或错误;
步骤五,精度提高阶段,即通过预识别阶段的新样本和新标签,并将其添加到原有的有标签数据集中,重复步骤三和步骤四;
步骤六,正式识别阶段,即用已经达到精度要求的模型对用电器进行识别,并实时反馈给用户或需求方。
优选的,所述步骤三中的Boost算法的步骤如下:
S21:从样本整体集合D中,不放回的随机抽样n1 < n个样本,得到集合D1,用以训练弱分类器C1;
S22:从样本整体集合D中,抽取 n2 < n 个样本,其中合并进一半被 C1 分类错误的样本,得到样本集合 D2,用以训练弱分类器C2;
S23:重复S21、S22步,得到n分类器的集合(C1,C2,…,Cn),当待识别数据进入时,用所有分类器的分类结果的加权和Y=I(∑yi/n)作为输出分类,其中yi表示每个分类器对待识别数据的预测结果,I(x)为符号函数,若x为非负数,则结果输出1,若x为负数,结果输出-1。
优选的,通过所述弱分类器推导决策树分类器,具体步骤如下:
S31:根据i=argmax IG(xi) 选择最大熵增变量,其中IG()为信息增益函数;
S32:将以变量i的值大小为分类标准,建立二叉分类树;
S33:重复S31、S31步,直到无法选出显著熵增变量,所有分类规则组成的序列即是一个决策树分类器。
优选的,所述二叉分类树的推导步骤如下:
S43:分别对左节点集或者右节点集重复上述步骤,最终我们就可以得到一个二叉分类树。
本发明达到的有益效果是:本发明提出了一种基于Boost模型的非侵入式用电器识别方法,可以通过总电表功率数据和少量训练数据,实现对居民用户中用电器的识别;本方法实现了不需要加装大量分级电表,不需要大量更改用户电路设施,只需要结合电表功率数据以及和用户的少量互动,即能达到对不同用电器进行识别的目的。
附图说明
图1是本发明的算法流程图;
图2是采用本发明方法对某家庭的6个用电器进行验证的结果示意图。
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。
如图1所示,本发明所采用的技术方案是:
一种基于Boost模型的非侵入式用电器识别方法,包括以下步骤:
步骤一:采用无标签数据收集,对电表数据进行收集,实时判断功率值突变的时点,并对前后短时间段内的数据进行储存,无标签数据是指从电表上得到的用电器的功率数据。
步骤二:进入用户训练阶段,指引用户对需要识别的用电器分别进行开关操作,并记录相应时段中的电表功率突变事件前后短时间段内的数据和对应的用电器标签;指引过程是通过用户手动对待识别的电器进行开关操作,并记录开关前的电表数据和电器标签。
步骤三,训练初步模型,先利用Bootstrap算法扩展有标签集,与无标签集一起组合成训练集,再用Boost算法为每一种有标签的用电器建立一个分类模型;
步骤四,预识别阶段,即实时收集功率突变事件,用训练好的模型对其分类,并向用户显示识别出的用电器结果,并让用户选择正确或错误;
步骤五,精度提高阶段,即通过预识别阶段的新样本和新标签,并将其添加到原有的有标签数据集中,重复步骤三和步骤四;
步骤六,正式识别阶段,即用已经达到精度要求的模型对用电器进行识别,并实时反馈给用户或需求方。
优选的方案是,所述步骤三中的Boost算法的步骤如下:
S21:从样本整体集合D中,不放回的随机抽样n1 < n个样本,得到集合D1,用以训练弱分类器C1;
S22:从样本整体集合D中,抽取 n2 < n 个样本,其中合并进一半被 C1 分类错误的样本,得到样本集合 D2,用以训练弱分类器C2;
S23:重复S21、S22步,得到n分类器的集合(C1,C2,…,Cn),当待识别数据进入时,用所有分类器的分类结果的加权和Y=I(∑yi/n)作为输出分类,其中yi表示每个分类器对待识别数据的预测结果,I(x)为符号函数,若x为非负数,则结果输出1,若x为负数,结果输出-1。
Boosting算法相比较单模型(弱学习器,常见的K均值等),其优势在于能够把弱学习器提升为强学习器,先从初始训练集中训练出一个基学习器(弱学习器),再根据基学习器(弱学习器)的表现对训练样本进行分布调整,使得先前基学习器(弱学习器)做错的训练样本在后续受到更多的关注,然后根据调整的样本分步训练下一个基学习器,最后对于输出结果采用投票形式或者加权得出。
优选的方案是,通过所述弱分类器推导决策树分类器,具体步骤如下:
S31:根据i=argmax IG(xi) 选择最大熵增变量,其中IG()为信息增益函数;
S32:将以变量i的值大小为分类标准,建立二叉分类树;
S33:重复S31、S31步,直到无法选出显著熵增变量,所有分类规则组成的序列即是一个决策树分类器。
一般我们认为,类似决策树、K均值算法等都是弱学习器,本模型采用的算法是提升算法boosting,boosting算法是以弱学习器为基分类器,通常弱分类器我们一般采用树模型也就是决策树模型。
优选的方案是,所述二叉分类树的推导步骤如下:
S43:分别对左节点集或者右节点集重复上述步骤,最终我们就可以得到一个二叉分类树。
通过表1和图2,对实验结果进行验证:
对用电数据公开数据库中某家庭的6个用电器按照前述步骤对本发明进行了实施,实施结果的测试统计见图2所示,其中,横坐标是与用户交互训练的次数,纵坐标表示误差率,图2表示的是每个用电器在1-10次交互训练的次数中的识别误差率示意图,各个曲线从左向右呈现下降趋势,在10次训练以后,所有误差都低于10%。这表明本发明在与用户交互训练10次后就能够比价准确地进行用电器识别,达到本发明的目的。
表1 用电器在不同开关次数下的误差率表
用户开关次数 | 电视机开关识别误差率 | 烤箱开关识别误差率 | 微波炉开关识别误差率 | 冰箱开关识别误差率 | 洗碗机开关识别误差率 | 电水壶开关识别误差率 |
1 | 0.64 | 0.55 | 0.78 | 0.38 | 0.27 | 0.3 |
2 | 0.53 | 0.49 | 0.63 | 0.35 | 0.01 | 0.11 |
3 | 0.28 | 0.33 | 0.51 | 0.1 | 0.01 | 0.29 |
4 | 0.19 | 0.23 | 0.45 | 0.14 | 0.01 | 0.18 |
5 | 0.16 | 0.11 | 0.38 | 0.09 | 0.01 | 0.12 |
6 | 0.04 | 0.1 | 0.36 | 0.13 | 0.01 | 0.24 |
7 | 0.03 | 0.08 | 0.29 | 0.09 | 0.02 | 0.19 |
8 | 0.06 | 0.03 | 0.31 | 0.1 | 0.02 | 0.18 |
9 | 0.04 | 0.04 | 0.1 | 0.06 | 0.02 | 0.05 |
10 | 0.02 | 0.03 | 0.05 | 0.04 | 0.01 | 0.03 |
综上所述,该模型在刚开始训练时,部分用电器的错误率可能很高,随着训练的增多,大部分用电器能够被较准确地识别。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于Boost模型的非侵入式用电器识别方法,其特征在于,包括以下步骤:
步骤一:采用无标签数据收集,对电表数据进行收集,实时判断功率值突变的时点,并对前后短时间段内的数据进行储存;
步骤二:进入用户训练阶段,指引用户对需要识别的用电器分别进行开关操作,并记录相应时段中的电表功率突变事件前后短时间段内的数据和对应的用电器标签;
步骤三,训练初步模型,先利用Bootstrap算法扩展有标签集,与无标签集一起组合成训练集,再用Boost算法为每一种有标签的用电器建立一个分类模型;
所述Boost算法过程如下:
S21:从样本整体集合D中,不放回的随机抽样n1 < n个样本,得到集合D1,用以训练弱分类器C1;
S22:从样本整体集合D中,抽取 n2 < n 个样本,其中合并进一半被 C1 分类错误的样本,得到样本集合 D2,用以训练弱分类器C2;
S23:重复S21、S22步,得到n分类器的集合(C1,C2,…,Cn),当待识别数据进入时,用所有分类器的分类结果的加权和Y=I(∑yi/n)作为输出分类,其中yi表示每个分类器对待识别数据的预测结果,I(x)为符号函数,若x为非负数,则结果输出1,若x为负数,结果输出-1;
步骤四,预识别阶段,即实时收集功率突变事件,用训练好的模型对其分类,并向用户显示识别出的用电器结果,并让用户选择正确或错误;
步骤五,精度提高阶段,即通过预识别阶段的新样本和新标签,并将其添加到原有的有标签数据集中,重复步骤三和步骤四;
步骤六,正式识别阶段,即用已经达到精度要求的模型对用电器进行识别,并实时反馈给用户或需求方。
2.根据权利要求1所述的一种基于Boost模型的非侵入式用电器识别方法,其特征在于,通过所述弱分类器推导决策树分类器,具体算法如下:
S31:根据i=argmax IG(xi) 选择最大熵增变量,其中IG()为信息增益函数;
S32:将以变量i的值大小为分类标准,建立二叉分类树;
S33:重复S31、S31步,直到无法选出显著熵增变量,所有分类规则组成的序列即是一个决策树分类器。
3.根据权利要求2所述的一种基于Boost模型的非侵入式用电器识别方法,其特征在于,所述二叉分类树的推导过程如下:
S41:假设样本X是n为向量,X={x 1, x 2, x 3, …, x n },通过计算x 1, x 2, x 3, …, x n 的信息增益;
S42:选取信息增益最大的维度,假设计算x 1的信息增益最大,根据x 1的信息,将数据集划分成两类,分别为左节点集和右节点集,构造一个决策树桩;
S43:分别对左节点集或者右节点集重复上述步骤,最终我们就可以得到一个二叉分类树。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810133757.6A CN108345906B (zh) | 2018-02-09 | 2018-02-09 | 一种基于Boost模型的非侵入式用电器识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810133757.6A CN108345906B (zh) | 2018-02-09 | 2018-02-09 | 一种基于Boost模型的非侵入式用电器识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108345906A CN108345906A (zh) | 2018-07-31 |
CN108345906B true CN108345906B (zh) | 2022-02-22 |
Family
ID=62960220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810133757.6A Active CN108345906B (zh) | 2018-02-09 | 2018-02-09 | 一种基于Boost模型的非侵入式用电器识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108345906B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109752613B (zh) * | 2018-12-31 | 2021-01-26 | 天津求实智源科技有限公司 | 基于非侵入式负荷监测的违约用电检测系统及方法 |
CN110146758B (zh) * | 2019-05-28 | 2021-02-09 | 四川长虹电器股份有限公司 | 基于交叉熵的非侵入式电器识别方法 |
CN112732748B (zh) * | 2021-01-07 | 2024-03-15 | 西安理工大学 | 一种基于自适应特征选择的非侵入式家电负荷识别方法 |
CN113899944B (zh) * | 2021-09-30 | 2023-11-10 | 广东电网有限责任公司 | 一种电力负荷投切点的检测方法及装置 |
CN115601603B (zh) * | 2022-11-29 | 2023-04-07 | 北京志翔科技股份有限公司 | 模型训练和用电器类别识别方法、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226835A (zh) * | 2013-04-15 | 2013-07-31 | 北京大学深圳研究生院 | 基于在线初始化梯度增强回归树的目标跟踪方法及系统 |
CN103902726A (zh) * | 2014-04-10 | 2014-07-02 | 江苏名通信息科技有限公司 | 一种获取百度百科人物分类下的所有子分类方法 |
CN107122790A (zh) * | 2017-03-15 | 2017-09-01 | 华北电力大学 | 基于混合神经网络和集成学习的非侵入式负荷识别算法 |
CN107273920A (zh) * | 2017-05-27 | 2017-10-20 | 西安交通大学 | 一种基于随机森林的非侵入式家用电器识别方法 |
WO2017188475A1 (ko) * | 2016-04-28 | 2017-11-02 | 전자부품연구원 | 소비전력 총량과 복합센서를 이용한 에너지 가전기기의 비접촉 식별 방법 및 시스템 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI248024B (en) * | 2003-12-31 | 2006-01-21 | Inventec Corp | Multi-key booting system and method in an environment with multiple operation systems |
CN104156537A (zh) * | 2014-08-19 | 2014-11-19 | 中山大学 | 一种基于随机森林的元胞自动机城市扩展模拟方法 |
CN104794497B (zh) * | 2015-05-06 | 2016-04-13 | 山东大学 | 一种高光谱图像分类中多中心拟合方法 |
-
2018
- 2018-02-09 CN CN201810133757.6A patent/CN108345906B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226835A (zh) * | 2013-04-15 | 2013-07-31 | 北京大学深圳研究生院 | 基于在线初始化梯度增强回归树的目标跟踪方法及系统 |
CN103902726A (zh) * | 2014-04-10 | 2014-07-02 | 江苏名通信息科技有限公司 | 一种获取百度百科人物分类下的所有子分类方法 |
WO2017188475A1 (ko) * | 2016-04-28 | 2017-11-02 | 전자부품연구원 | 소비전력 총량과 복합센서를 이용한 에너지 가전기기의 비접촉 식별 방법 및 시스템 |
CN107122790A (zh) * | 2017-03-15 | 2017-09-01 | 华北电力大学 | 基于混合神经网络和集成学习的非侵入式负荷识别算法 |
CN107273920A (zh) * | 2017-05-27 | 2017-10-20 | 西安交通大学 | 一种基于随机森林的非侵入式家用电器识别方法 |
Non-Patent Citations (3)
Title |
---|
基于遗传算法的智能电网非侵入式电器监控策略;王高红 等;《智慧电力》;20171120;第45卷(第11期);42-46,71 * |
智能视频监控平台中运动目标分类的研究与实现;顾婷婷;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160515(第5期);I138-1236 * |
非侵入式电器识别算法的研究;盛梦娇;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160715(第7期);C042-335 * |
Also Published As
Publication number | Publication date |
---|---|
CN108345906A (zh) | 2018-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108345906B (zh) | 一种基于Boost模型的非侵入式用电器识别方法 | |
CN109598451B (zh) | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 | |
CN110533089B (zh) | 基于随机森林的自适应非侵入式负荷识别方法 | |
Devlin et al. | Non-intrusive load monitoring using electricity smart meter data: A deep learning approach | |
CN111932069A (zh) | 家庭电力用户用电能效分析方法、计算机设备、存储介质 | |
CN106646158A (zh) | 基于多分类支持向量机变压器故障诊断提升方法 | |
CN109190890A (zh) | 一种基于用户电力消费数据的用户行为分析方法 | |
CN111553444A (zh) | 一种基于非侵入负荷终端数据的负荷辨识方法 | |
CN109784276A (zh) | 一种基于dbn的电压暂降特征提取与暂降源辨识方法 | |
CN114970633B (zh) | 一种基于lstm的非侵入式用电器识别方法、系统及设备 | |
CN111242161A (zh) | 一种基于智能学习的非侵入式非居民用户负荷辨识方法 | |
CN111177216A (zh) | 综合能源消费者行为特征的关联规则生成方法及装置 | |
CN112198385A (zh) | 一种非侵入式负荷监测方法 | |
CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN110991510B (zh) | 不平衡分类学习的泛化低压异常箱表关系识别方法及系统 | |
CN115456034A (zh) | 一种电动自行车充电自动识别监测方法及系统 | |
CN114942344A (zh) | 一种非侵入式用电器识别方法、系统、介质、设备及终端 | |
Chen et al. | Non-intrusive load monitoring based on feature extraction of change-point and xgboost classifier | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN113193654A (zh) | 一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测方法 | |
CN117559443A (zh) | 尖峰负荷下大工业用户集群有序用电控制方法 | |
CN113010985A (zh) | 一种基于并行aann的非侵入式负荷识别方法 | |
Mei et al. | Random forest based adaptive non-intrusive load identification | |
CN114330440B (zh) | 基于模拟学习判别的分布式电源负荷异常识别方法及系统 | |
CN116502149A (zh) | 基于电流特征传导的低压配电网户变关系识别方法及系统 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: F4, 200 Linghu Avenue, Xinwu District, Wuxi City, Jiangsu Province, 214000 Patentee after: Wuxi Yingzhen Technology Co.,Ltd. Address before: 214000 Tianan smart city 2-405, 406, New District, Wuxi City, Jiangsu Province Patentee before: WUXI YINGZHEN TECHNOLOGY CO.,LTD. |