CN109492667A - 一种用于非侵入式电力负荷监测的特征选择辨识方法 - Google Patents
一种用于非侵入式电力负荷监测的特征选择辨识方法 Download PDFInfo
- Publication number
- CN109492667A CN109492667A CN201811167804.5A CN201811167804A CN109492667A CN 109492667 A CN109492667 A CN 109492667A CN 201811167804 A CN201811167804 A CN 201811167804A CN 109492667 A CN109492667 A CN 109492667A
- Authority
- CN
- China
- Prior art keywords
- feature
- event
- load
- feature selecting
- load event
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000012850 discrimination method Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013145 classification model Methods 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 230000005611 electricity Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 16
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
-
- 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
-
- 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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种用于非侵入式电力负荷监测的特征选择辨识方法，其技术特点在于：包括以下步骤：步骤1，从用电场景总有功功率中检测出负荷启停事件，提取负荷事件特征；步骤2、建立机器学习分类器的训练数据集；步骤3、对训练数据集进行特征选择处理，对用于训练分类模型的特征进行最优配置；步骤4、建立有监督分类模型，以步骤2中的训练数据集和步骤3特征选择后的特征训练该有监督分类模型；步骤5、通过步骤1得到未知种类的负荷事件的各特征的值，经由步骤4建立的机器学习分类模型分析，得到分类结果，最终实现对负荷事件的检测及辨识。本发明能够通过特征选择提高为辨识负荷事件建立的机器学习分类模型的辨识性能。
Description
技术领域
本发明属于用电细节监测技术领域，涉及电力负荷监测的特征选择辨识方法，尤其是一种用于非侵入式电力负荷监测的特征选择辨识方法。
背景技术
目前，电能正逐步成为社会的主要能源，电网是电能传输、分配及使用的载体，维持电网的平衡与稳定是电力系统规划、运行与管理的根本目标，为实现这一目标，一方面是从发电侧入手，另一方面是改进对需求侧负荷的预测。在智能电网的背景下，传统用电总量信息监测已经不能满足需要，用电细节监测这一概念，一方面对于电力公司，它能够帮助更加准确地获得用户的用电细节并构建更加准确的模型，同时更加科学地制定需求侧响应协议以及动态电价；另一方面对于居民用户，它能够让户主更清楚各电器设备的用电情况，能够帮助电器设备故障监测以及优化用电行为。
基于假设：在同一时刻仅有一个电器设备发生一次工作状态改变。对有功功率波形进行边缘检测，检测出负荷事件。对负荷事件的检测及有效辨识能够获取各电器设备的工作状态进而对总有功功率进行分解，以此实现电力负荷用电细节监测。而该技术关键在于如何准确地对负荷事件进行辨识。传统的辨识方法采用多种功率及谐波特征，而这些特征未经筛选导致分类模型过拟合，辨识性能低下。
发明内容
本发明的目的在于克服现有技术的不足，提出一种设计合理、方便实用且能够准确地对负荷事件进行辨识的用于非侵入式电力负荷监测的特征选择辨识方法。
本发明解决其现实问题是采取以下技术方案实现的：
一种用于非侵入式电力负荷监测的特征选择辨识方法，包括以下步骤：
步骤1，从用电场景总有功功率中检测出负荷启停事件，提取负荷事件特征；
步骤2、建立机器学习分类器的训练数据集；
步骤3、对训练数据集进行特征选择处理，对用于训练分类模型的特征进行最优配置；
步骤4、建立有监督分类模型，以步骤2中的训练数据集和步骤3特征选择后的特征训练该有监督分类模型；
步骤5、通过步骤1，得到未知种类的负荷事件的各特征的值，经由步骤4建立的机器学习分类模型分析，得到分类结果，最终实现对负荷事件的检测及辨识。
而且，所述步骤1的具体方法为：基于“在同一时刻仅有一个电器设备发生一次工作状态改变”的假设，利用非侵入式监测设备采集总口数据，对有功功率序列进行边缘检测，检测出负荷事件，并同时对电压电流波形进行傅里叶分解，得到该负荷事件的功率及各次谐波的变化值。
而且，所述的步骤1的对有功功率序列进行边缘检测的具体步骤包括：
(1)每次查看连续的几个采样点，当这些采样点的第一个和最后一个数值不大于一个阈值时，则认为这些点处于稳态区间；否则，处于过渡区间，即为一次负荷事件；
(2)将该负荷事件前后两个稳态区间各特征的数值作差，即得该负荷事件的各特征。
而且，所述步骤2的具体方法为：利用步骤1进行预先实验并测得各种负荷事件对应的功率及各次谐波的变化值，将负荷事件真实名称作为分类类别，将对应的功率及各次谐波的变化值作为特征建立机器学习分类器的训练数据集。
而且，所述步骤3的具体步骤包括：
(1)若信源事件U有n种取值，那么ui(i＝1,2,…,n)对应的概率为pi(i＝1,2,…,n)，各事件彼此独立；
定义信息熵为信源单个取值不确定性的平均值：
(2)设有数据样本集合S有s个数据样本，其中有m个不同类，即Ci(i＝1,2,…,m)；则：
其中，pi表示si属于Ci的概率，用估计；
(3)设特征A能将S分成k个子集，则由A划分成子集Sj的信息熵为：
其中，pij表示Sj中属于Ci的概率，可用样本估计；对各Sj的信息熵加权得到由A划分成子集的期望：
则在增加特征A获得的信息增益为：
Gain(S,A)＝I(s1,s2,…,sm)-E(A)
(4)以信息增益来衡量各特征与分类类别的关联性大小，进而对各特征进行排名，并利用交叉验证按照排名依次增加特征，选取交叉验证准确率平均值最高的特征组合作为特征的最优配置。
而且，所述步骤4的具体方法为：利用机器学习分类技术，可以是但不仅限于支持向量机、决策树、朴素贝叶斯、最近邻分类器、神经网络等，将训练数据集的真实负荷事件名称作为类别名称，将特征选择最优配置后的特征作为特征，训练分类模型。
本发明的优点和有益效果：
本发明的一种用于非侵入式电力负荷监测的特征选择辨识方法，实现了特征选择以及负荷启停事件的分类，相比于传统的不经特征选择的方法，通过对特征进行排序，仅选择有效的特征，能够筛选去除冗余特征，一方面提高模型训练的速度，另一方面减小所训练模型的过拟合，提高准确度。而且本发明还能够通过特征选择提高为辨识负荷事件建立的机器学习分类模型的辨识性能。
附图说明
图1为本发明的处理流程图。
具体实施方式
以下结合附图对本发明实施例作进一步详述：
一种用于非侵入式电力负荷监测的特征选择辨识方法，如图1所示，包括以下步骤：
步骤1，从用电场景总有功功率中检测出负荷启停事件，提取负荷事件特征；
所述步骤1的具体方法为：
基于“在同一时刻仅有一个电器设备发生一次工作状态改变”的假设，利用非侵入式监测设备采集总口数据，对有功功率序列进行边缘检测，检测出负荷事件，并同时对电压电流波形进行傅里叶分解，得到该负荷事件的功率及各次谐波的变化值。
所述的步骤1的对有功功率序列进行边缘检测的具体步骤包括：
(1)每次查看连续的几个采样点，当这些采样点的第一个和最后一个数值不大于一个阈值时，则认为这些点处于稳态区间；否则，处于过渡区间，即为一次负荷事件；
(2)将该负荷事件前后两个稳态区间各特征的数值作差，即得该负荷事件的各特征。
步骤2、建立机器学习分类器的训练数据集；
所述步骤2的具体方法为：利用步骤1进行预先实验并测得各种负荷事件对应的功率及各次谐波的变化值，将负荷事件真实名称作为分类类别，将对应的功率及各次谐波的变化值作为特征建立机器学习分类器的训练数据集。
步骤3、对训练数据集进行特征选择处理，对用于训练分类模型的特征进行最优配置。
所述步骤3的具体步骤包括：
(2)若信源事件U有n种取值，那么ui(i＝1,2,…,n)对应的概率为pi(i＝1,2,…,n)，各事件彼此独立；
定义信息熵为信源单个取值不确定性的平均值：
(2)设有数据样本集合S有s个数据样本，其中有m个不同类，即Ci(i＝1,2,…,m)；则：
其中，pi表示si属于Ci的概率，用估计；
(3)设特征A能将S分成k个子集，则由A划分成子集Sj的信息熵为：
其中，pij表示Sj中属于Ci的概率，可用样本估计；对各Sj的信息熵加权得到由A划分成子集的期望：
则在增加特征A获得的信息增益为：
Gain(S,A)＝I(s1,s2,…,sm)-E(A)
(4)以信息增益来衡量各特征与分类类别的关联性大小，进而对各特征进行排名，并利用交叉验证按照排名依次增加特征，选取交叉验证准确率平均值最高的特征组合作为特征的最优配置。
步骤4，建立有监督分类模型，以步骤2中的训练数据集和步骤3特征选择后的特征训练该有监督分类模型；
所述步骤4的具体方法为：利用机器学习分类技术，可以是但不仅限于支持向量机、决策树、朴素贝叶斯、最近邻分类器、神经网络等，将训练数据集的真实负荷事件名称作为类别名称，将特征选择最优配置后的特征作为特征，训练分类模型。
步骤5，通过步骤1，得到未知种类的负荷事件的各特征的值，经由步骤4建立的机器学习分类模型分析，得到分类结果，最终实现对负荷事件的检测及辨识。
通过特征选择后建立并训练的机器学习分类模型能够更有效地对各负荷事件进行辨识，大大减小了分类模型因使用过多不必要特征而产生的分类器过拟合风险，有效地提高了分类器对负荷事件的辨识性能。
下面多类电器设备为例，对本发明进行进一步的说明：
在本实施例中，需要辨识的电器设备有：微波炉、电磁炉、热水壶、小太阳、吹风机(3个档位)、饮水机(2款)、空调(压缩机)，总共27种负荷事件。
步骤1、利用非侵入式监测设备采集总口数据。
对有功功率序列进行边缘检测，以10个采样点为单位，以50W为阈值，检测负荷事件，并同时对电压电流波形进行傅里叶分解，得到该负荷事件的有功功率、无功功率、电流的基波、3、5、7、9、11次谐波及其相角的值。
步骤2、利用步骤1的过程，进行预先实验并测得各种负荷事件对应的电压电流的低次奇次谐波及其相角的值，将负荷事件真实名称作为类别名称，将对应的有功功率、无功功率、电流的基波、3、5、7、9、11次谐波及其相角的值作为特征建立机器学习分类器的训练数据集。至此建立出包含27种负荷事件的具有真实名称标记的负荷事件训练数据集。
步骤3、对步骤2所建立的训练数据集进行特征选择，具体采用计算各特征信息增益的方法，并以此作为评价该特征分类类别相关性的指标。依据信息增益对各特征进行排名，通过交叉验证的方法依排名次序依次增加训练分类模型用的特征，选取交叉验证准确率平均值最高的特征组合作为特征最优配置，最终保留了如下特征：P、Q、基波相角、电流基波以及三、五次电流谐波幅值。
步骤4、分别采用机器学习分类技术中支持向量机、朴素贝叶斯、最近邻分类器、多层感知机，分别采用特征选择前的全部特征及特征选择后的最优特征建立分类模型，通过训练数据集的真实负荷事件名称作为类别名称，通过特征选择最优配置的特征，建立分类模型。
步骤5、通过步骤1，得到未知名称的负荷事件的各特征的值，经由步骤4建立的机器学习分类模型分析，对比在特征选择前后分别建立的模型的辨识性能。结果如下：支持向量机在特征选择前准确率97.64％，特征选择后98.10％；朴素贝叶斯特征选择前准确率92.76％，特征选择后97.41％；最近邻分类器特征选择前准确率54.38％，特征选择后98.55％；多层感知机特征选择前准确率94.82％，特征选择后97.03％。各种分类器在经过特征选择后的辨识性能均有不同程度的提高。
需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
Claims (6)
1.一种用于非侵入式电力负荷监测的特征选择辨识方法，其特征在于：包括以下步骤：
步骤1，从用电场景总有功功率中检测出负荷启停事件，提取负荷事件特征；
步骤2、建立机器学习分类器的训练数据集；
步骤3、对训练数据集进行特征选择处理，对用于训练分类模型的特征进行最优配置；
步骤4、建立有监督分类模型，以步骤2中的训练数据集和步骤3特征选择后的特征训练该有监督分类模型；
步骤5、通过步骤1得到未知种类的负荷事件的各特征的值，经由步骤4建立的机器学习分类模型分析，得到分类结果，最终实现对负荷事件的检测及辨识。
2.根据权利要求1所述的一种用于非侵入式电力负荷监测的特征选择辨识方法，其特征在于：所述步骤1的具体方法为：基于“在同一时刻仅有一个电器设备发生一次工作状态改变”的假设，利用非侵入式监测设备采集总口数据，对有功功率序列进行边缘检测，检测出负荷事件，并同时对电压电流波形进行傅里叶分解，得到该负荷事件的功率及各次谐波的变化值。
3.根据权利要求2所述的一种用于非侵入式电力负荷监测的特征选择辨识方法，其特征在于：所述的步骤1的对有功功率序列进行边缘检测的具体步骤包括：
(1)每次查看连续的几个采样点，当这些采样点的第一个和最后一个数值不大于一个阈值时，则认为这些点处于稳态区间；否则，处于过渡区间，即为一次负荷事件；
(2)将该负荷事件前后两个稳态区间各特征的数值作差，即得该负荷事件的各特征。
4.根据权利要求1所述的一种用于非侵入式电力负荷监测的特征选择辨识方法，其特征在于：所述步骤2的具体方法为：利用步骤1进行预先实验并测得各种负荷事件对应的功率及各次谐波的变化值，将负荷事件真实名称作为分类类别，将对应的功率及各次谐波的变化值作为特征建立机器学习分类器的训练数据集。
5.根据权利要求1所述的一种用于非侵入式电力负荷监测的特征选择辨识方法，其特征在于：所述步骤3的具体步骤包括：
(1)若信源事件U有n种取值，那么ui(i＝1,2,…,n)对应的概率为pi(i＝1,2,…,n)，各事件彼此独立；
定义信息熵为信源单个取值不确定性的平均值：
(2)设有数据样本集合S有s个数据样本，其中有m个不同类，即Ci(i＝1,2,…,m)；则：
其中，pi表示si属于Ci的概率，用估计；
(3)设特征A能将S分成k个子集，则由A划分成子集Sj的信息熵为：
其中，pij表示Sj中属于Ci的概率，可用样本估计；对各Sj的信息熵加权得到由A划分成子集的期望：
则在增加特征A获得的信息增益为：
GainS,A＝Is1,s2,…,sm-E(A)
(4)以信息增益来衡量各特征与分类类别的关联性大小，进而对各特征进行排名，并利用交叉验证按照排名依次增加特征，选取交叉验证准确率平均值最高的特征组合作为特征的最优配置。
6.根据权利要求1所述的一种用于非侵入式电力负荷监测的特征选择辨识方法，其特征在于：所述步骤4的具体方法为：利用机器学习分类技术，可以是但不仅限于支持向量机、决策树、朴素贝叶斯、最近邻分类器、神经网络等，将训练数据集的真实负荷事件名称作为类别名称，将特征选择最优配置后的特征作为特征，训练分类模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811167804.5A CN109492667A (zh) | 2018-10-08 | 2018-10-08 | 一种用于非侵入式电力负荷监测的特征选择辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811167804.5A CN109492667A (zh) | 2018-10-08 | 2018-10-08 | 一种用于非侵入式电力负荷监测的特征选择辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109492667A true CN109492667A (zh) | 2019-03-19 |
Family
ID=65689535
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811167804.5A Pending CN109492667A (zh) | 2018-10-08 | 2018-10-08 | 一种用于非侵入式电力负荷监测的特征选择辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109492667A (zh) |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288014A (zh) * | 2019-06-21 | 2019-09-27 | 南京信息工程大学 | 一种基于信息熵加权的局部离群检测方法 |
| CN110416995A (zh) * | 2019-05-10 | 2019-11-05 | 南昌航空大学 | 一种非侵入式负荷分解方法和装置 |
| CN110514889A (zh) * | 2019-07-19 | 2019-11-29 | 浙江万胜智能科技股份有限公司 | 一种非侵入式家庭用电负载识别的方法及系统 |
| CN110909813A (zh) * | 2019-11-29 | 2020-03-24 | 四川万益能源科技有限公司 | 一种基于边缘算法的商业体异常用电检测方法 |
| CN110907762A (zh) * | 2019-12-10 | 2020-03-24 | 深圳供电局有限公司 | 一种非侵入式负荷匹配辨识方法 |
| CN110995543A (zh) * | 2019-12-18 | 2020-04-10 | 云南大学 | 一种非侵入式未成年人异常上网行为监测方法 |
| CN111126780A (zh) * | 2019-10-31 | 2020-05-08 | 内蒙古电力(集团)有限责任公司包头供电局 | 一种非侵入式负荷监测方法及存储介质 |
| CN111177212A (zh) * | 2019-12-13 | 2020-05-19 | 国网北京市电力公司 | 空气源热泵工作状态的确定方法及装置、电子设备 |
| CN111244954A (zh) * | 2020-03-23 | 2020-06-05 | 广东电科院能源技术有限责任公司 | 一种非入侵式负荷辨识方法及装置 |
| CN111428755A (zh) * | 2020-02-29 | 2020-07-17 | 国网(苏州)城市能源研究院有限责任公司 | 非侵入式负荷监测方法 |
| CN111564842A (zh) * | 2020-06-03 | 2020-08-21 | 吉林大学 | 一种非侵入式用电负荷监测中长期能耗统计估算的方法 |
| CN111582357A (zh) * | 2020-04-30 | 2020-08-25 | 华南理工大学 | 一种基于多维度集成的电力指纹识别方法 |
| CN111665387A (zh) * | 2020-05-08 | 2020-09-15 | 深圳供电局有限公司 | 一种非侵入式的家用电饭煲辨识方法 |
| CN111834999A (zh) * | 2020-05-26 | 2020-10-27 | 浙江华云信息科技有限公司 | 基于电压电流正交曲线的用电感知方法 |
| CN111917114A (zh) * | 2020-08-20 | 2020-11-10 | 国网湖南省电力有限公司 | 一种适用于嵌入式平台的电力负荷事件检测方法 |
| CN112085111A (zh) * | 2020-09-14 | 2020-12-15 | 南方电网科学研究院有限责任公司 | 一种负荷辨识方法和装置 |
| CN112113316A (zh) * | 2020-09-18 | 2020-12-22 | 国网辽宁省电力有限公司电力科学研究院 | 一种空调负荷提取的方法 |
| CN112445193A (zh) * | 2019-08-14 | 2021-03-05 | 珠海格力电器股份有限公司 | 一种预测空调故障的方法、装置、设备以及存储介质 |
| CN112487991A (zh) * | 2020-12-02 | 2021-03-12 | 国网湖南综合能源服务有限公司 | 一种基于特征自学习的高精度负荷辨识方法及系统 |
| CN112653128A (zh) * | 2020-12-03 | 2021-04-13 | 江苏方天电力技术有限公司 | 一种基于k最近邻法的居民负荷辨识方法 |
| CN112801188A (zh) * | 2021-01-29 | 2021-05-14 | 国网上海市电力公司 | 一种基于仿射传播聚类算法和选择性贝叶斯分类的nilmd方法 |
| CN113033607A (zh) * | 2021-02-10 | 2021-06-25 | 上海千居智科技有限公司 | 非侵入式负荷监测事件提取方法及存储介质 |
| CN113077138A (zh) * | 2021-03-30 | 2021-07-06 | 国家电网有限公司 | 一种基于波形数据特征分析的用电负荷识别方法 |
| CN113298422A (zh) * | 2021-06-16 | 2021-08-24 | 福建亿力优能电力科技有限公司 | 一种基于用电数据的污染源企业违规生产监控方法 |
| CN113361454A (zh) * | 2021-06-25 | 2021-09-07 | 东南大学 | 一种基于非监督优化的深度学习非侵入式负荷监测方法 |
| CN113541143A (zh) * | 2021-06-29 | 2021-10-22 | 国网天津市电力公司电力科学研究院 | 一种基于elm-lstm的谐波预测方法 |
| CN113947159A (zh) * | 2021-10-26 | 2022-01-18 | 山东工商学院 | 一种用电负荷实时在线监测与识别方法 |
| CN114239762A (zh) * | 2022-02-28 | 2022-03-25 | 华北电力大学 | 基于结构化负荷特征图谱的非侵入式负荷辨识方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930723A (zh) * | 2016-04-20 | 2016-09-07 | 福州大学 | 一种基于特征选择的入侵检测方法 |
| CN106096805A (zh) * | 2016-05-10 | 2016-11-09 | 华北电力大学 | 一种基于熵权法特征选择的居民用电负荷分类方法 |
| 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 |
| CN108267637A (zh) * | 2017-12-29 | 2018-07-10 | 国网天津市电力公司电力科学研究院 | 一种基于混合频谱特性的洗衣机非侵入式运行检测方法 |
| CN108270219A (zh) * | 2018-02-28 | 2018-07-10 | 东南大学 | 一种基于信息熵评估的pmu优化配置方法 |
| CN108616120A (zh) * | 2018-04-28 | 2018-10-02 | 西安理工大学 | 一种基于rbf神经网络的非侵入式电力负荷分解方法 |
-
2018
- 2018-10-08 CN CN201811167804.5A patent/CN109492667A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930723A (zh) * | 2016-04-20 | 2016-09-07 | 福州大学 | 一种基于特征选择的入侵检测方法 |
| CN106096805A (zh) * | 2016-05-10 | 2016-11-09 | 华北电力大学 | 一种基于熵权法特征选择的居民用电负荷分类方法 |
| 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 |
| CN108267637A (zh) * | 2017-12-29 | 2018-07-10 | 国网天津市电力公司电力科学研究院 | 一种基于混合频谱特性的洗衣机非侵入式运行检测方法 |
| CN108270219A (zh) * | 2018-02-28 | 2018-07-10 | 东南大学 | 一种基于信息熵评估的pmu优化配置方法 |
| CN108616120A (zh) * | 2018-04-28 | 2018-10-02 | 西安理工大学 | 一种基于rbf神经网络的非侵入式电力负荷分解方法 |
Non-Patent Citations (1)
| Title |
|---|
| 丁世敬等: "基于事件检测的非侵入式负荷识别方法研究", 《建筑电气》 * |
Cited By (43)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110416995A (zh) * | 2019-05-10 | 2019-11-05 | 南昌航空大学 | 一种非侵入式负荷分解方法和装置 |
| CN110416995B (zh) * | 2019-05-10 | 2023-05-05 | 南昌航空大学 | 一种非侵入式负荷分解方法和装置 |
| CN110288014A (zh) * | 2019-06-21 | 2019-09-27 | 南京信息工程大学 | 一种基于信息熵加权的局部离群检测方法 |
| CN110514889A (zh) * | 2019-07-19 | 2019-11-29 | 浙江万胜智能科技股份有限公司 | 一种非侵入式家庭用电负载识别的方法及系统 |
| CN112445193A (zh) * | 2019-08-14 | 2021-03-05 | 珠海格力电器股份有限公司 | 一种预测空调故障的方法、装置、设备以及存储介质 |
| CN111126780A (zh) * | 2019-10-31 | 2020-05-08 | 内蒙古电力(集团)有限责任公司包头供电局 | 一种非侵入式负荷监测方法及存储介质 |
| CN111126780B (zh) * | 2019-10-31 | 2023-04-07 | 内蒙古电力(集团)有限责任公司包头供电局 | 一种非侵入式负荷监测方法及存储介质 |
| CN110909813B (zh) * | 2019-11-29 | 2022-04-22 | 四川万益能源科技有限公司 | 一种基于边缘算法的商业体异常用电检测方法 |
| CN110909813A (zh) * | 2019-11-29 | 2020-03-24 | 四川万益能源科技有限公司 | 一种基于边缘算法的商业体异常用电检测方法 |
| CN110907762A (zh) * | 2019-12-10 | 2020-03-24 | 深圳供电局有限公司 | 一种非侵入式负荷匹配辨识方法 |
| CN111177212B (zh) * | 2019-12-13 | 2022-09-27 | 国网北京市电力公司 | 空气源热泵工作状态的确定方法及装置、电子设备 |
| CN111177212A (zh) * | 2019-12-13 | 2020-05-19 | 国网北京市电力公司 | 空气源热泵工作状态的确定方法及装置、电子设备 |
| CN110995543B (zh) * | 2019-12-18 | 2022-11-01 | 云南大学 | 一种非侵入式未成年人异常上网行为监测方法 |
| CN110995543A (zh) * | 2019-12-18 | 2020-04-10 | 云南大学 | 一种非侵入式未成年人异常上网行为监测方法 |
| CN111428755A (zh) * | 2020-02-29 | 2020-07-17 | 国网(苏州)城市能源研究院有限责任公司 | 非侵入式负荷监测方法 |
| CN111428755B (zh) * | 2020-02-29 | 2023-09-08 | 国网(苏州)城市能源研究院有限责任公司 | 非侵入式负荷监测方法 |
| CN111244954A (zh) * | 2020-03-23 | 2020-06-05 | 广东电科院能源技术有限责任公司 | 一种非入侵式负荷辨识方法及装置 |
| CN111244954B (zh) * | 2020-03-23 | 2022-01-21 | 南方电网电力科技股份有限公司 | 一种非入侵式负荷辨识方法及装置 |
| CN111582357A (zh) * | 2020-04-30 | 2020-08-25 | 华南理工大学 | 一种基于多维度集成的电力指纹识别方法 |
| CN111582357B (zh) * | 2020-04-30 | 2023-05-26 | 华南理工大学 | 一种基于多维度集成的电力指纹识别方法 |
| CN111665387B (zh) * | 2020-05-08 | 2021-06-04 | 深圳供电局有限公司 | 一种非侵入式的家用电饭煲辨识方法 |
| CN111665387A (zh) * | 2020-05-08 | 2020-09-15 | 深圳供电局有限公司 | 一种非侵入式的家用电饭煲辨识方法 |
| CN111834999A (zh) * | 2020-05-26 | 2020-10-27 | 浙江华云信息科技有限公司 | 基于电压电流正交曲线的用电感知方法 |
| CN111564842A (zh) * | 2020-06-03 | 2020-08-21 | 吉林大学 | 一种非侵入式用电负荷监测中长期能耗统计估算的方法 |
| CN111564842B (zh) * | 2020-06-03 | 2021-06-04 | 吉林大学 | 一种非侵入式用电负荷监测中长期能耗统计估算的方法 |
| CN111917114A (zh) * | 2020-08-20 | 2020-11-10 | 国网湖南省电力有限公司 | 一种适用于嵌入式平台的电力负荷事件检测方法 |
| CN112085111A (zh) * | 2020-09-14 | 2020-12-15 | 南方电网科学研究院有限责任公司 | 一种负荷辨识方法和装置 |
| CN112085111B (zh) * | 2020-09-14 | 2024-01-23 | 南方电网科学研究院有限责任公司 | 一种负荷辨识方法和装置 |
| CN112113316A (zh) * | 2020-09-18 | 2020-12-22 | 国网辽宁省电力有限公司电力科学研究院 | 一种空调负荷提取的方法 |
| CN112487991B (zh) * | 2020-12-02 | 2022-12-16 | 国网湖南综合能源服务有限公司 | 一种基于特征自学习的高精度负荷辨识方法及系统 |
| CN112487991A (zh) * | 2020-12-02 | 2021-03-12 | 国网湖南综合能源服务有限公司 | 一种基于特征自学习的高精度负荷辨识方法及系统 |
| CN112653128A (zh) * | 2020-12-03 | 2021-04-13 | 江苏方天电力技术有限公司 | 一种基于k最近邻法的居民负荷辨识方法 |
| CN112801188A (zh) * | 2021-01-29 | 2021-05-14 | 国网上海市电力公司 | 一种基于仿射传播聚类算法和选择性贝叶斯分类的nilmd方法 |
| CN113033607B (zh) * | 2021-02-10 | 2023-07-14 | 上海千居智科技有限公司 | 非侵入式负荷监测事件提取方法及存储介质 |
| CN113033607A (zh) * | 2021-02-10 | 2021-06-25 | 上海千居智科技有限公司 | 非侵入式负荷监测事件提取方法及存储介质 |
| CN113077138A (zh) * | 2021-03-30 | 2021-07-06 | 国家电网有限公司 | 一种基于波形数据特征分析的用电负荷识别方法 |
| CN113298422A (zh) * | 2021-06-16 | 2021-08-24 | 福建亿力优能电力科技有限公司 | 一种基于用电数据的污染源企业违规生产监控方法 |
| CN113361454A (zh) * | 2021-06-25 | 2021-09-07 | 东南大学 | 一种基于非监督优化的深度学习非侵入式负荷监测方法 |
| CN113361454B (zh) * | 2021-06-25 | 2024-04-09 | 东南大学 | 一种基于非监督优化的深度学习非侵入式负荷监测方法 |
| CN113541143A (zh) * | 2021-06-29 | 2021-10-22 | 国网天津市电力公司电力科学研究院 | 一种基于elm-lstm的谐波预测方法 |
| CN113947159A (zh) * | 2021-10-26 | 2022-01-18 | 山东工商学院 | 一种用电负荷实时在线监测与识别方法 |
| CN113947159B (zh) * | 2021-10-26 | 2023-09-05 | 山东工商学院 | 一种用电负荷实时在线监测与识别方法 |
| CN114239762A (zh) * | 2022-02-28 | 2022-03-25 | 华北电力大学 | 基于结构化负荷特征图谱的非侵入式负荷辨识方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492667A (zh) | 一种用于非侵入式电力负荷监测的特征选择辨识方法 | |
| US20170351288A1 (en) | Non-invasive online real-time electric load identification method and identification system | |
| CN109146705A (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 | |
| CN107832705A (zh) | 一种基于典型相关分析的非侵入式负荷识别方法 | |
| 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 | |
| CN109165604A (zh) | 基于协同训练的非侵入式负荷识别方法及其测试系统 | |
| CN111242161B (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 | |
| CN110569876A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
| CN106646158A (zh) | 基于多分类支持向量机变压器故障诊断提升方法 | |
| TW201321763A (zh) | 基於使用者回饋資訊之電器偵測方法與系統 | |
| Quek et al. | Load disaggregation using one-directional convolutional stacked long short-term memory recurrent neural network | |
| CN111103477B (zh) | 一种基于3d卷积神经网络的电气负载监测方法和系统 | |
| CN113036759B (zh) | 一种电力用户负荷细粒度识别方法及识别系统 | |
| CN108765189A (zh) | 基于智能诊断算法的开放式局部放电大数据管理系统 | |
| CN110569888A (zh) | 基于有向无环图支持向量机的变压器故障诊断方法及装置 | |
| Punmiya et al. | Anomaly detection in power quality measurements using proximity-based unsupervised machine learning techniques | |
| CN110321390A (zh) | 基于有监督和无监督算法结合的负荷曲线数据可视化方法 | |
| CN205809165U (zh) | 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 | |
| CN116861316A (zh) | 一种电器监测方法及装置 | |
| Paul et al. | An intelligent system for domestic appliance identification using deep dense 1-D convolutional neural network | |
| CN115841338A (zh) | 确定异常用电行为的方法及装置、非易失性存储介质 | |
| CN115545422A (zh) | 一种基于改进决策机制的台区户变关系识别方法 | |
| Yang et al. | Non-technical Loss detection using missing values’ pattern | |
| Kommey et al. | An artificial intelligence‐based non‐intrusive load monitoring of energy consumption in an electrical energy system using a modified K‐Nearest Neighbour algorithm | |
| Moore et al. | Pico-grid smart home energy management system using Mel frequency cepstral coefficients |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190319 |