CN110569876A - 非侵入式负荷识别方法、装置及计算设备 - Google Patents
非侵入式负荷识别方法、装置及计算设备 Download PDFInfo
- Publication number
- CN110569876A CN110569876A CN201910727845.3A CN201910727845A CN110569876A CN 110569876 A CN110569876 A CN 110569876A CN 201910727845 A CN201910727845 A CN 201910727845A CN 110569876 A CN110569876 A CN 110569876A
- Authority
- CN
- China
- Prior art keywords
- load
- clustering
- index value
- clustering result
- data
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000013598 vector Substances 0.000 claims abstract description 71
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 15
- 230000001052 transient effect Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000007621 cluster analysis Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000007619 statistical method 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
- G06F18/21—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
Abstract
本申请提供一种非侵入式负荷识别方法、装置及计算设备,涉及居民用电监测技术领域,该方法包括:获取目标家庭用电总线上的历史负荷数据,并根据历史负荷数据计算获得负荷特征向量数据集;根据预设聚类参数对负荷特征向量数据集进行聚类分析得到聚类结果,并根据聚类结果确定泛化能力指标值;判断泛化能力指标值是否大于阈值,若泛化能力指标值大于阈值,则根据聚类结果确定负荷特征库;根据负荷特征库对目标家庭用电总线上的实时负荷数据进行识别。由于泛化能力指标值表征聚类结果的准确性,因此可以判断泛化能力指标值,并在泛化能力指标值大于阈值时,再根据聚类结果确定负荷特征库,从而保证根据负荷特征库进行非侵入式负荷识别时的准确性。
Description
技术领域
本申请涉及居民用电监测技术领域,具体而言,涉及一种非侵入式负荷识别方法、装置及计算设备。
背景技术
随着世界人口的迅速增长导致能源快速消耗,环保节能也是目前能源领域共同追求的目标,其中,非侵入式居民用电监测技术在国内外都有较广泛的应用和研究,为了减少成本,目前进行非侵入式负荷识别时使用的负荷特征库的一般都是针对用户所在用电总线上采集的历史总线数据采用聚类分析的方式建立的,但是无法保证经聚类分析得到的聚类结果效果,因此导致无法保证非侵入式负荷识别准确率的问题。
发明内容
本申请实施例的目的在于提供一种非侵入式负荷识别方法、装置及计算设备,用以改善现有技术中无法保证非侵入式负荷识准确率的问题。
第一方面,本申请实施例提供了一种非侵入式负荷识别方法,所述方法包括:获取目标家庭用电总线上的历史负荷数据,并根据所述历史负荷数据计算获得负荷特征向量数据集;根据预设聚类参数对所述负荷特征向量数据集进行聚类分析得到聚类结果,并根据所述聚类结果确定泛化能力指标值;判断所述泛化能力指标值是否大于阈值,若所述泛化能力指标值大于所述阈值,则根据所述聚类结果确定负荷特征库;根据所述负荷特征库对所述目标家庭用电总线上的实时负荷数据进行识别。
在上述实现过程中,根据目标家庭用电总线上的历史负荷数据计算得到负荷特征向量数据集,再根据预设聚类参数对负荷特征向量数据集进行聚类分析得到聚类结果,聚类结果可能存在不准确的问题,因此需要对聚类结果进一步进行分析并确定出泛化能力指标值,泛化能力指标值可以表征聚类结果的准确性,继而可以对泛化能力指标值进行判断,并只在泛化能力指标值大于阈值时,才根据聚类结果确定负荷特征库,从而保证根据负荷特征库进行非侵入式负荷识别时的准确性。
可选地,判断所述泛化能力指标值是否大于阈值之后,所述方法还包括:若所述泛化能力指标值不大于所述阈值,则调整所述预设聚类参数,转至所述根据预设聚类参数对所述负荷特征向量数据集进行聚类分析得到聚类结果的步骤。当泛化能力指标值不大于阈值时,则表明无法保证根据此时得到的聚类结果确定出负荷特征库进行准确的负荷识别,继而可以通过调整预设聚类参数重新进行聚类分析,从而保证根据重新进行聚类分析确定出负荷特征库能够进行准确的负荷识别。
可选地,所述负荷特征向量数据集包括训练样本和测试样本,所述聚类结果包括作为训练样本的聚类结果和作为测试样本的聚类结果,根据所述聚类结果确定泛化能力指标值,包括:对作为所述训练样本的聚类结果进行分类学习,得到判别函数;根据所述判别函数对所述测试样本进行判别,得到判别结果;计算所述判别结果中的判别元素以及作为所述测试样本的聚类结果中与所述判别元素相应的测试元素之间的差值的绝对值;获取不大于预设值的绝对值的个数,并根据所述不大于预设值的绝对值的个数确定所述泛化能力指标值,其中,所述泛化能力指标值等于所述不大于预设值的绝对值的个数与所有所述测试元素的个数的比值。
在上述实现过程中,先对训练样本的聚类结果进行分类学习得到判别函数,由于理论上判别函数可以对测试样本进行准确的分类,因此可以将得到的判别函数对测试样本进行判别,得到判别结果,再比对判别结果以及作为测试样本的聚类结果,以分析聚类分析的效果,并可以通过计算出泛化能力指标值,来说明若根据当前的聚类结果确定出的负荷特征库对负荷数据进行非侵入式负荷识别时的准确率是否满足条件。
可选地,根据所述负荷特征库对所述目标家庭用电总线上的实时负荷数据进行识别,包括:采集所述目标家庭用电总线上的所述实时负荷数据,并根据所述实时负荷数据检测所述家庭用电总线上是否出现切换事件;若出现所述切换事件,则根据所述负荷特征库对所述实时负荷数据进行识别,以确定所述切换事件对应的负载类型。
上述方法先根据负荷特征库以及目标家庭用电总线上的实时负荷数据判断目标家庭用电总线是否出现切换事件,若出现切换事件则根据该实时负荷数据分析计算出稳态或者暂态负荷特征值,由于稳态或者暂态负荷特征值能够区分出不同电器,从而可以根据稳态或者暂态负荷特征值以及负荷特征库准确的进行非侵入式负荷识别。
可选地,采集所述目标家庭用电总线上的所述实时负荷数据,并根据所述实时负荷数据检测所述家庭用电总线上是否出现切换事件之后,还包括:若出现所述切换事件,则对所述实时负荷数据进行计算,并根据所述计算的结果更新所述负荷特征向量数据集,以获得更新后的所述负荷特征库。
在上述实现过程中,发生切换事件后,可以根据此时检测到的实时负荷数据更新负荷特征库,能够使负荷特征库与目标用户家庭总线上实际使用的家庭电器的情况更匹配,从而可以提高非侵入式负荷识别的适用性。
可选地,根据所述历史负荷数据计算获得负荷特征向量数据集,包括:根据所述历史负荷数据计算电压-电流曲线特征向量,并根据所述电压-电流曲线特征向量确定所述负荷特征向量数据集。
在上述实现过程中,由于电压-电流曲线与负载的阻抗有关,因此可以通过电压-电流曲线特征向量区分出稳态特征相近的不同电器,从而可以准确地进行非侵入式负荷识别,并识别出不同的负载类型。
第二方面,本申请实施例提供了一种非侵入式负荷识别装置,所述装置包括:负荷特征向量数据集计算模块,用于获取目标家庭用电总线上的历史负荷数据,并根据所述历史负荷数据计算获得负荷特征向量数据集;泛化能力指标值确定模块,用于根据预设聚类参数对所述负荷特征向量数据集进行聚类分析得到聚类结果,并根据所述聚类结果确定泛化能力指标值;负荷特征库确定模块,用于判断所述泛化能力指标值是否大于阈值,若所述泛化能力指标值大于所述阈值,则根据所述聚类结果确定负荷特征库;识别模块,用于根据所述负荷特征库对所述目标家庭用电总线上的实时负荷数据进行识别。
可选地,所述装置还包括:泛化能力指标值确定模块,还用于在所述泛化能力指标值不大于所述阈值时,调整所述预设聚类参数。
可选地,所述负荷特征向量数据集包括训练样本和测试样本,所述聚类结果包括作为训练样本的聚类结果和作为测试样本的聚类结果,泛化能力指标值确定模块包括:判别函数获取单元,用于对所述作为训练样本的聚类结果进行分类学习,得到判别函数;判别结果获取单元,用于根据所述判别函数对所述测试样本进行判别,得到判别结果;差值绝对值计算单元,用于计算所述判别结果中的判别元素以及所述作为测试样本的聚类结果中与所述判别元素相应的测试元素之间的差值的绝对值;泛化能力指标值确定单元,用于获取不大于预设值的绝对值的个数,并根据所述不大于预设值的绝对值的个数确定所述泛化能力指标值,其中,所述泛化能力指标值等于所述不大于预设值的绝对值的个数与所有所述测试元素的个数的比值。
可选地,识别模块包括:切换事件检测单元,用于采集所述目标家庭用电总线上的所述实时负荷数据,并根据所述实时负荷数据检测所述家庭用电总线上是否出现切换事件负载类型确定单元,用于在出现所述切换事件时,根据所述负荷特征库对所述实时负荷数据进行识别,以确定所述切换事件对应的负载类型。
可选地,识别模块还包括:负荷特征库更新单元,用于在未出现所述切换事件时,对所述实时负荷数据进行计算,并根据所述计算的结果更新所述负荷特征向量数据集,以获得更新后的所述负荷特征库。
可选地,负荷特征向量数据集计算模块包括:负荷特征向量数据集确定单元,用于根据所述历史负荷数据计算电压-电流曲线特征向量,并根据所述电压-电流曲线特征向量确定所述负荷特征向量数据集。
第三方面,本申请实施例提供一种计算设备,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如上述第一方面提供的所述方法中的步骤。
第四方面,本申请实施例提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请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申请的某些实施例,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为本申请实施例提供的一种计算设备的结构框图;
图2为本申请实施例提供的一种非侵入式负荷识别方法的流程图;
图3为本申请实施例提供的一种根据聚类结果确定泛化能力指标值的流程图;
图4为本申请实施例提供的一种非侵入式负荷识别装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,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,都属于本申请保护的范围。
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。
本申请提供一种非侵入式负荷识别的方法,用于准确的识别出不同电器,非侵入式负荷识别技术在上世纪80年代由麻省理工学院的一位学者提出,目的是为了降低负荷检测识别的硬件成本以便电力公司可以低成本获取具体的电能数据。因为每个电器设备在特定的用电环境,该电器设备的负荷特征信息都是特有的,可以理解为每个电器设备的负荷特征信息相当于基因,因此通过对总负荷信号数据进行分析,并提取信号数据中的负荷特征信息,就可以对信号数据进行分析和识别。非侵入式负荷监测(non-intrusive loadmonitoring,NILM)装置就是测量总负荷的电压电流等包含了不同负荷特征信息的信号数据,再提取信号数据中的负荷特征信息,实现只需要监测用户所在家庭用电总线上的总负荷,就能够利用负荷特征库对总负荷进行分析,并分析出用户所在家庭用电总线上在使用的电器种类。
上述非侵入式负荷识别的涉及的过程可以在计算设备中执行,下面请参照图1,图1为本发明实施例提供的一种计算设备的结构示意图,所述计算设备可以包括:至少一个处理器110,例如CPU,至少一个通信接口120,至少一个存储器130和至少一个通信总线140。其中,通信总线140用于实现这些组件直接的连接通信。其中,本申请实施例中设备的通信接口120用于与其他节点设备进行信令或数据的通信。存储器130可以是高速RAM存储器,也可以是非易失性的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器130可选的还可以是至少一个位于远离前述处理器的存储装置。存储器130中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器110执行时,计算设备执行下述图2所示方法过程。
可以理解,图1所示的结构仅为示意,计算设备还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。于本申请实施例中,计算设备可以是,但不限于专用检测设备、台式机、笔记本电脑、智能手机、智能穿戴设备、车载设备等实体设备,还可以是虚拟机等虚拟设备。另外,计算设备也不一定是单台设备,还可以是多台设备的组合,例如服务器集群,等等。
图2为本申请实施例提供的一种非侵入式负荷识别方法的流程图,该方法中包括如下步骤:
步骤S110:获取目标家庭用电总线上的历史负荷数据,并根据历史负荷数据计算获得负荷特征向量数据集。
获取历史负荷数据的方式可以为:在目标家庭用电总线上安装数据采集装置,利用该数据采集装置采集该目标家庭用电总线上的负荷数据作为历史负荷数据,该数据采集装置可以是电压电流采集装置,如型号为PCI1706U的研华数据采集卡,该数据采集装置可以以设定的采样频率实时采集用户家庭进店总线上的电压和电流的原始数据,如可以设定在每个电压/电流的周波上采集128个采样点,每秒钟内电压/电流输出50个周波信号,则对应转化速率为50×128=6.4Ksps。在一些实施例中,可以采集目标家庭用电总线上的一定量的负荷数据作为历史负荷数据,例如,可以采集1000个负荷数据作为历史负荷数据。此外,为了保证历史负荷数据能够全面的表示出该目标家庭用电总线上的所有时间段情况,也可以采集该目标家庭用电总线上某一周的负荷数据作为历史负荷数据,以保证历史负荷数据可以反映该目标家庭一种的用电情况。
采集到历史负荷数据后,可以先对历史负荷数据进行滤波处理,提高通过历史负荷数据计算获得负荷特征向量数据集的准确性,然后可以通过快速傅里叶变换(FastFourier Transformation,FFT)算法对历史负荷数据进行数据分析,以计算出负载的稳态或者暂态负荷特征值,例如,负载的有功功率、无功功率、基波电流、谐波电流等。接着可以对负载的稳态或者暂态负荷特征值可以计算对应的负荷特征向量,并得到负荷特征向量数据集。
作为一种实施方式,还可以根据历史负荷数据计算电压-电流曲线特征向量,并根据电压-电流曲线特征向量确定所述负荷特征向量数据集。例如,先根据电路叠加原理、交流电相量分析法以及快速傅里叶变换从历史负荷数据中计算出与切换事件对应的电流和电压,然后根据电流和电压计算电压-电流曲线特征向量。
步骤S120:根据预设聚类参数对负荷特征向量数据集进行聚类分析得到聚类结果,并根据聚类结果确定泛化能力指标值。
通过聚类分析的方式,可以实现仅需要较少量的样本数据就可以得到类间元素的同质性最大化以及类与类间元素的异质性最大化的聚类结果,由于模糊聚类法可以把没有类别标记的样本数据按照某种未知的准则划分为若干子集,并使样本数据中相似的样本数据尽可能的归于一类,而把差异较大的样本划分到不同的类中,能够更客观的对样本数据进行反应,因此,本申请中可以采用模糊聚类算法对负荷特征向量数据集进行聚类分析,以获取聚类结果,例如,可以采用k均值聚类算法或者模糊c均值聚类算法。
将负荷特征向量数据集分为训练样本和测试样本,并分别根据预设参数对训练样本和测试样本进行聚类分析,对应得到作为训练样本的聚类结果和作为测试样本的聚类结果,其中,预设聚类参数可以为根据选定的聚类算法初始化的关键参数,如,聚类数。
例如,可以将负荷特征向量数据集分为训练样本Xtrain和测试样本Xtest,其表达式分别如下所示:
Xtrain={X1 tr,X2 tr,…,Xm tr},Xtest={X1 te,X2 te,…,Xn te},其中,Xm tr表示训练样本Xtrain中第m个数据,Xn te表示测试样本Xtest中第n个数据。
根据预设聚类参数对负荷特征向量数据集进行聚类分析得到聚类结果,也就是根据训练样本Xtrain和测试样本Xtest分别进行聚类分析,得到作为训练样本的聚类结果Rtrain和作为测试样本的聚类结果Rtest,其表达式分别如下所示:
Rtrain={r1 tr,r2 tr,…,rm tr},Rtest={r1 te,r2 te,…,rn te},其中,rm tr表示作为训练样本的第m个聚类结果,rn te表示作为训练样本的第n个聚类结果。
图3为本申请实施例提供的一种根据聚类结果确定泛化能力指标值的流程示意图,包括以下步骤:
步骤S121:对作为训练样本的聚类结果进行分类学习,得到判别函数。
当通过对训练样本进行聚类分析后可以得到作为训练样本的聚类结果,因此可以通过对作为训练样本的聚类结果进行分析得到判别函数,用于描述作为训练样本的聚类结果中的不同聚类结果。
步骤S122:根据判别函数对测试样本进行判别,得到判别结果。
步骤S123:计算判别结果中的判别元素以及作为测试样本的聚类结果中与判别元素相应的测试元素之间的差值的绝对值。
由于判别函数是根据作为训练样本的聚类结果进行分类学习后得到的,因此通过比对该判别函数对测试样本进行判别得到的判别结果以及作为测试样本的聚类结果之间的差异可以反映出聚类结果的准确度。
步骤S124:获取不大于预设值的绝对值的个数,并根据不大于预设值的绝对值的个数确定泛化能力指标值。
其中,泛化能力指标值等于不大于预设值的绝对值的个数与所有测试元素的个数的比值。
例如,根据判别函数对测试样本Xtest={X1 te,X2 te,…,Xn te}进行判别,得到判别结果为Ytest={y1 te,y2 te,…,yn te},接着比对测试样本中第n个数据Xn te以及判别结果中第n个数据yn te。可以计算Xn te与yn te之间的差值的绝对值,若该绝对值越大,则说明判别函数的误差越大,也就是说若根据当前的聚类结果确定出的负荷特征库对负荷数据进行识别的准确率越低,若该绝对值越小,则说明该判别函数的误差越小,也就是说若根据当前的聚类结果确定出的负荷特征库对负荷数据进行识别的准确率越高,因此,可以选定一个预设值,当该绝对值小于该预设值则表示此时判别函数的误差处于可接受范围内。
根据Xtest={X1 te,X2 te,…,Xn te}和Ytest={y1 te,y2 te,…,yn te}得到绝对值|A|={a1,a2,…,an},其中,an表示测试样本中第n个数据Xn te以及判别结果中第n个数据yn te之间的差值的绝对值,若在|A|中有i个绝对值不大于预设值,i<n,则可以确定泛化能力指标值为k的取值区间为[0,1],k值越大,则说明当前聚类分析的效果越好,也就是说若根据当前的聚类结果确定出的负荷特征库对负荷数据进行识别的准确率越高。
在上述实现过程中,先对训练样本的聚类结果进行分类学习得到判别函数,由于理论上判别函数可以对测试样本进行准确的分类,因此可以将得到的判别函数对测试样本进行判别,得到判别结果,再比对判别结果以及作为测试样本的聚类结果,以分析聚类分析的效果,并可以通过计算出泛化能力指标值,来说明若根据当前的聚类结果确定出的负荷特征库对负荷数据进行非侵入式负荷识别时的准确率是否满足条件。
步骤S130:判断泛化能力指标值是否大于阈值,若泛化能力指标值大于阈值,则转至步骤S140。
步骤S140:根据聚类结果确定负荷特征库。
步骤S150:根据负荷特征库对目标家庭用电总线上的实时负荷数据进行识别。
可以根据具体的应用场景确定阈值,保证负荷特征库的可用性,例如,若针对用户A所在家庭用电总线进行数据采集样本数据,并进行分析确定了泛化能力指标值a,由于此时样本数据是从用户A所在家庭用电总线上采集的,且此次确定的负荷特征库也是要用于对用户A所在家庭用电总线上进行负荷识别,样本数据与识别数据较为相近,可以将阈值设定的稍微高一些,如0.95或者0.98等,保证根据确定的负荷特征库能够准确的对用户A所在家庭用电总线上进行负荷识别,若某一公司,想要针对某一地区的所有用户确定一个负荷特征库,此时的样本数据与每个用户对应的识别数据可能差异较大,此时则可以选择将阈值设定的稍微低一些,如0.75或者0.8等,从而保证确定的负荷特征库能够对所有用户的对应的家庭用电总线进行准确的负荷识别。
可选地,若步骤S130中,判断出所述泛化能力指标值不大于所述阈值,则执行步骤S160:调整预设聚类参数,然后转至步骤S120。
其中,可以根据泛化能力指标值与阈值之间的差值确定需要调整预设聚类参数的方案,例如,若泛化能力指标值远小于阈值,则可以对预设聚类参数调整幅度相应的大一些,若泛化能力指标值小于阈值,并且十分接近该阈值,则可以对预设聚类参数调整幅度相应的小一些。
在上述实现过程中,根据目标家庭用电总线上的历史负荷数据计算得到负荷特征向量数据集,再根据预设聚类参数对负荷特征向量数据集进行聚类分析得到聚类结果,聚类结果可能存在不准确的问题,因此需要对聚类结果进一步进行分析并确定出泛化能力指标值,泛化能力指标值可以表征聚类结果的准确性,继而可以对泛化能力指标值进行判断,只有在泛化能力指标值大于阈值时,才根据聚类结果确定负荷特征库,从而保证根据负荷特征库进行非侵入式负荷识别时的准确性。
其中,在根据历史负荷数据计算获得负荷特征向量数据集的实施例中,由于采用与负载的阻抗有关的电压-电流曲线特征向量建立负荷特征向量数据集,能够区分出稳态特征相近的不同电器,从而可以准确地识别出不同的负载类型。
作为一种可选实施方式,根据所述负荷特征库对所述目标家庭用电总线上的实时负荷数据进行识别时,可以先根据实时负荷数据检测所述家庭用电总线上是否出现切换事件;若出现所述切换事件,则根据所述负荷特征库对所述实时负荷数据进行识别,以确定所述切换事件对应的负载类型。
其中,可以通过累积和算法(Cumulative Sum Control Chart,CUSUM)检测是否出现切换事件,CUSUM算法是一种属于变点识别的较为先进的统计方法,利用当前的和最近的过程数据来检验过程均值中不大的变化或变异性,因此,在通过FFT算法对实时负荷数据进行分析,并计算出负载的稳态或者暂态负荷特征值之后,可以利用CUSUM算法对负荷数据分析,分析是否出现切换事件进行检测。若出现切换事件,则可以利用负荷特征库对根据实时负荷数据计算出负载的稳态或者暂态负荷特征值进行识别。
例如,若通过FFT算法对实时负荷数据进行分析得到的稳态或者暂态负荷特征值与负荷特征库中的某一已知负载类型的工作模式相同的稳态或者暂态负荷特征值向量相匹配,则可以确定出现切换事件对应的稳态或者暂态负荷特征值为该已知负载类型的工作模式,例如,已知负荷特征库中空调的制冷模式工作时对应的稳态或者暂态负荷特征值为A,以及暖风扇的在最大档工作时对应的稳态或者暂态负荷特征值为B,而检测到出现切换事件对应的负荷数据对应的稳态或者暂态负荷特征值为B',其中,B'与B可以是相等的,也可以是B'与B之间的差值处于预设范围内,则可以确定该切换事件为暖风扇切换为最大档工作的状态。
上述方法先根据负荷特征库以及目标家庭用电总线上的实时负荷数据判断目标家庭用电总线是否出现切换事件,若出现切换事件则根据该实时负荷数据分析计算出稳态或者暂态负荷特征值,由于稳态或者暂态负荷特征值能够区分出不同电器,从而可以根据稳态或者暂态负荷特征值以及负荷特征库准确的进行非侵入式负荷识别。
作为一种实施方式,根据实时负荷数据检测到家庭用电总线上出现切换事件,则对实时负荷数据进行计算,并根据计算的结果更新所述负荷特征向量数据集,以获得更新后的所述负荷特征库。
可以先将发生切换事件时检测到的实时负荷数据存储在指定的存储区域,然后根据需求利用存储区域中的实时负荷数据更新负荷特征库,例如,可以根据存储区域中实时负荷数据的个数进行更新,也可以根据预设时间段内存储区域中的实时负荷数据进行更新。
在上述实现过程中,在发生切换事件时,可以根据此时检测到的实时负荷数据更新负荷特征库,能够使负荷特征库与目标用户家庭总线上实际使用的家庭电器的情况更匹配,从而可以提高非侵入式负荷识别的适用性。
此外,当根据存储区域中的实时负荷数据更新了负荷特征库之后,还可以对更新后的负荷特征库进行进一步的扩展操作,以进一步保证利用更新后的负荷特征库准确的进行负荷识别,例如,可以判断每个实时负荷数据对应的特征向量与每个聚类中心之间的最小距离是否大于预设距离,再对聚类参数进行调整以获得新的负荷特征库,保证更新后的负荷特征库中实时负荷数据对应的特征向量与相应的聚类中心相匹配,或者,可以将相关系数过大的两个类融合为一个融合后的类,保证更新后的负荷特征库中存在两个聚类中心之间的相关系数不超过预设值,从而保证更新的负荷特征库中实时负荷数据对应的特征向量与相应的聚类中心相匹配,进而保证得到的新负荷特征库准确的对负载的类型进行识别,又如,可以将与聚类中心距离大于预设距离的实时负荷数据对应的特征向量删除,保证更新后的负荷特征库中不存在与聚类中心距离大于预设距离的实时负荷数据对应的特征向量,从而保证更新后的负荷特征库能够对负载的类型进行准确识别。
基于同一发明构思,本申请实施例中还提供非侵入式负荷识别装置200,图4为本申请实施例提供的一种非侵入式负荷识别装置200的结构框图。该装置可以是计算设备上的模块、程序段或代码。应理解,该非侵入式负荷识别装置200与上述图2法实施例对应,能够执行图2方法实施例涉及的各个步骤,该非侵入式负荷识别装置200具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。
可选地,该非侵入式负荷识别装置200包括:
负荷特征向量数据集计算模块210,用于获取目标家庭用电总线上的历史负荷数据,并根据历史负荷数据计算获得负荷特征向量数据集。
泛化能力指标值确定模块220,用于根据预设聚类参数对负荷特征向量数据集进行聚类分析得到聚类结果,并根据聚类结果确定泛化能力指标值;
负荷特征库确定模块230,用于判断泛化能力指标值是否大于阈值,若泛化能力指标值大于阈值,则根据聚类结果确定负荷特征库。
识别模块240,用于根据负荷特征库对目标家庭用电总线上的实时负荷数据进行识别。
可选地,非侵入式负荷识别装置200还包括:
泛化能力指标值确定模块220,还用于在泛化能力指标值不大于阈值时,调整预设聚类参数。
可选地,负荷特征向量数据集包括训练样本和测试样本,聚类结果包括作为训练样本的聚类结果和作为测试样本的聚类结果,泛化能力指标值确定模块220包括:
判别函数获取单元,用于对作为训练样本的聚类结果进行分类学习,得到判别函数。
判别结果获取单元,用于根据判别函数对作为测试样本的聚类结果进行判别,得到判别结果。
差值绝对值计算单元,用于计算判别结果中的判别元素以及作为测试样本的测试聚类结果中与判别元素相应的测试元素之间的差值的绝对值。
泛化能力指标值确定单元,用于获取不大于预设值的绝对值的个数,并根据不大于预设值的绝对值的个数确定泛化能力指标值,其中,泛化能力指标值等于不大于预设值的绝对值的个数与所有测试元素的个数的比值。
可选地,识别模块240包括:
切换事件检测单元,用于采集目标家庭用电总线上的实时负荷数据,并根据实时负荷数据以及负荷特征库检测家庭用电总线上是否出现切换事件。
负载类型确定单元,用于在出现切换事件时,根据负荷特征库对实时负荷数据进行识别,以确定切换事件对应的负载类型。
可选地,识别模块240还包括:
负荷特征库更新单元,用于在未出现切换事件时,对实时负荷数据进行计算,并根据计算的结果更新负荷特征向量数据集,以获得更新后的负荷特征库。
可选地,负荷特征向量数据集计算模块210包括:
负荷特征向量数据集确定单元,用于根据历史负荷数据计算电压-电流曲线特征向量,并根据电压-电流曲线特征向量确定负荷特征向量数据集。
本申请实施例提供一种可读取存储介质,所述计算机程序被处理器执行时,执行如图2所示方法实施例中计算设备所执行的方法过程。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
综上所述,本申请提供一种非侵入式负荷识别方法、装置及计算设备,在该方法中,根据目标家庭用电总线上的历史负荷数据计算得到负荷特征向量数据集,再根据预设聚类参数对负荷特征向量数据集进行聚类分析得到聚类结果,聚类结果可能存在不准确的问题,因此需要对聚类结果进一步进行分析并确定出泛化能力指标值,泛化能力指标值可以表征聚类结果的准确性,继而可以对泛化能力指标值进行判断,并在泛化能力指标值大于阈值时,再根据聚类结果确定负荷特征库,从而保证根据负荷特征库进行非侵入式负荷识别时的准确性。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,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,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请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。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种非侵入式负荷识别方法,其特征在于,所述方法包括:
获取目标家庭用电总线上的历史负荷数据,并根据所述历史负荷数据计算获得负荷特征向量数据集;
根据预设聚类参数对所述负荷特征向量数据集进行聚类分析得到聚类结果,并根据所述聚类结果确定泛化能力指标值;
判断所述泛化能力指标值是否大于阈值,若所述泛化能力指标值大于所述阈值,则根据所述聚类结果确定负荷特征库;
根据所述负荷特征库对所述目标家庭用电总线上的实时负荷数据进行识别。
2.根据权利要求1所述的非侵入式负荷识别方法,其特征在于,判断所述泛化能力指标值是否大于阈值之后,所述方法还包括:
若所述泛化能力指标值不大于所述阈值,则调整所述预设聚类参数,转至所述根据预设聚类参数对所述负荷特征向量数据集进行聚类分析得到聚类结果的步骤。
3.根据权利要求1所述的非侵入式负荷识别方法,其特征在于,所述负荷特征向量数据集包括训练样本和测试样本,所述聚类结果包括作为所述训练样本的聚类结果和作为所述测试样本的聚类结果,根据所述聚类结果确定泛化能力指标值,包括:
对作为所述训练样本的聚类结果进行分类学习,得到判别函数;
根据所述判别函数对所述测试样本进行判别,得到判别结果;
计算所述判别结果中的判别元素以及作为所述测试样本的聚类结果中与所述判别元素相应的测试元素之间的差值的绝对值;
获取不大于预设值的绝对值的个数,并根据所述不大于预设值的绝对值的个数确定所述泛化能力指标值,其中,所述泛化能力指标值等于所述不大于预设值的绝对值的个数与所有所述测试元素的个数的比值。
4.根据权利要求1所述的非侵入式负荷识别方法,其特征在于,根据所述负荷特征库对所述目标家庭用电总线上的实时负荷数据进行识别,包括:
采集所述目标家庭用电总线上的所述实时负荷数据,并根据所述实时负荷数据检测所述家庭用电总线上是否出现切换事件;
若出现所述切换事件,则根据所述负荷特征库对所述实时负荷数据进行识别,以确定所述切换事件对应的负载类型。
5.根据权利要求4所述的非侵入式负荷识别方法,其特征在于,采集所述目标家庭用电总线上的所述实时负荷数据,并根据所述实时负荷数据检测所述家庭用电总线上是否出现切换事件之后,还包括:
若出现所述切换事件,则对所述实时负荷数据进行计算,并根据所述计算的结果更新所述负荷特征向量数据集,以获得更新后的所述负荷特征库。
6.根据权利要求1所述的非侵入式负荷识别方法,其特征在于,根据所述历史负荷数据计算获得负荷特征向量数据集,包括:
根据所述历史负荷数据计算电压-电流曲线特征向量,并根据所述电压-电流曲线特征向量确定所述负荷特征向量数据集。
7.一种非侵入式负荷识别装置,其特征在于,所述装置包括:
负荷特征向量数据集计算模块,用于获取目标家庭用电总线上的历史负荷数据,并根据所述历史负荷数据计算获得负荷特征向量数据集;
泛化能力指标值确定模块,用于根据预设聚类参数对所述负荷特征向量数据集进行聚类分析得到聚类结果,并根据所述聚类结果确定泛化能力指标值;
负荷特征库确定模块,用于判断所述泛化能力指标值是否大于阈值,若所述泛化能力指标值大于所述阈值,则根据所述聚类结果确定负荷特征库;
识别模块,用于根据所述负荷特征库对所述目标家庭用电总线上的实时负荷数据进行识别。
8.根据权利要求7所述的非侵入式负荷识别装置,其特征在于,所述装置还包括:
泛化能力指标值确定模块,还用于在所述泛化能力指标值不大于所述阈值时,调整所述预设聚类参数。
9.一种计算设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-6任一所述方法中的步骤。
10.一种可读取存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,运行如权利要求1-6任一所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910727845.3A CN110569876A (zh) | 2019-08-07 | 2019-08-07 | 非侵入式负荷识别方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910727845.3A CN110569876A (zh) | 2019-08-07 | 2019-08-07 | 非侵入式负荷识别方法、装置及计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110569876A true CN110569876A (zh) | 2019-12-13 |
Family
ID=68774869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910727845.3A Withdrawn CN110569876A (zh) | 2019-08-07 | 2019-08-07 | 非侵入式负荷识别方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110569876A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111308185A (zh) * | 2020-02-28 | 2020-06-19 | 宁波三星医疗电气股份有限公司 | 一种非侵入式负荷识别方法 |
CN111693765A (zh) * | 2020-05-29 | 2020-09-22 | 杭州电子科技大学 | 一种基于改进谱聚类的非侵入式负荷监测的方法 |
CN111782708A (zh) * | 2020-06-29 | 2020-10-16 | 国网上海市电力公司 | 一种非侵入式变电站馈线负荷识别分解方法 |
CN111932146A (zh) * | 2020-09-01 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 污染成因的分析方法、装置、计算机设备和可读存储介质 |
CN112560889A (zh) * | 2020-11-06 | 2021-03-26 | 云南电网有限责任公司电力科学研究院 | 一种电力负荷识别方法 |
CN113034305A (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的分类方法及存储介质 |
CN113052724A (zh) * | 2021-04-29 | 2021-06-29 | 杭州电力设备制造有限公司 | 一种非侵入式负荷用电信息的聚类方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980202A (zh) * | 2010-11-04 | 2011-02-23 | 西安电子科技大学 | 不平衡数据的半监督分类方法 |
WO2015059272A1 (en) * | 2013-10-24 | 2015-04-30 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
CN109387712A (zh) * | 2018-10-09 | 2019-02-26 | 厦门理工学院 | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 |
CN109813978A (zh) * | 2018-12-25 | 2019-05-28 | 武汉中原电子信息有限公司 | 一种综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法 |
-
2019
- 2019-08-07 CN CN201910727845.3A patent/CN110569876A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980202A (zh) * | 2010-11-04 | 2011-02-23 | 西安电子科技大学 | 不平衡数据的半监督分类方法 |
WO2015059272A1 (en) * | 2013-10-24 | 2015-04-30 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
CN109387712A (zh) * | 2018-10-09 | 2019-02-26 | 厦门理工学院 | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 |
CN109813978A (zh) * | 2018-12-25 | 2019-05-28 | 武汉中原电子信息有限公司 | 一种综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法 |
Non-Patent Citations (3)
Title |
---|
YU-HSIU LIN ET AL.: "Non-Intrusive Load Monitoring by Novel Neuro-Fuzzy Classification Considering Uncertainties", 《IEEE TRANSACTIONS ON SMART GRID》 * |
宋旭帆: "基于k_NN结合核Fisher判别的非侵入式负荷监测方法", 《电力系统自动化》 * |
李云峰 等: "基于改进最近邻算法的非侵入式电器负荷识别", 《信息技术与网络安全》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111308185A (zh) * | 2020-02-28 | 2020-06-19 | 宁波三星医疗电气股份有限公司 | 一种非侵入式负荷识别方法 |
CN111693765A (zh) * | 2020-05-29 | 2020-09-22 | 杭州电子科技大学 | 一种基于改进谱聚类的非侵入式负荷监测的方法 |
CN111782708A (zh) * | 2020-06-29 | 2020-10-16 | 国网上海市电力公司 | 一种非侵入式变电站馈线负荷识别分解方法 |
CN111782708B (zh) * | 2020-06-29 | 2024-02-02 | 国网上海市电力公司 | 一种非侵入式变电站馈线负荷识别分解方法 |
CN111932146A (zh) * | 2020-09-01 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 污染成因的分析方法、装置、计算机设备和可读存储介质 |
CN112560889A (zh) * | 2020-11-06 | 2021-03-26 | 云南电网有限责任公司电力科学研究院 | 一种电力负荷识别方法 |
CN113034305A (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的分类方法及存储介质 |
CN113052724A (zh) * | 2021-04-29 | 2021-06-29 | 杭州电力设备制造有限公司 | 一种非侵入式负荷用电信息的聚类方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569876A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
Wang et al. | Non-intrusive load monitoring algorithm based on features of V–I trajectory | |
CN110569877A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
Charrad et al. | NbClust: an R package for determining the relevant number of clusters in a data set | |
CN102955902B (zh) | 雷达模拟设备可信度的评估方法及评估系统 | |
US9898442B2 (en) | Data processing device, data processing method, and program | |
CN112699913A (zh) | 一种台区户变关系异常诊断方法及装置 | |
CN107832705A (zh) | 一种基于典型相关分析的非侵入式负荷识别方法 | |
CN109387712A (zh) | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 | |
CN111027408A (zh) | 一种基于支持向量机和v-i曲线特征的负荷识别方法 | |
KR20130056150A (ko) | 사용자 피드백 정보에 기초한 전기기구 탐지 방법과 시스템 | |
CN109583679A (zh) | 一种多算法融合的窃电疑似度分析方法 | |
CN109190916A (zh) | 基于大数据分析的反窃电方法 | |
CN101738998A (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN109726770A (zh) | 一种模拟电路故障测试诊断方法 | |
Frank et al. | Extracting operating modes from building electrical load data | |
CN116796271A (zh) | 一种居民用能异常识别方法 | |
CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
CN117471227B (zh) | 汽车线束参数性能测试方法及测试系统 | |
Wu et al. | Analysis of electricity stealing based on user electricity characteristics of electricity information collection system | |
CN116861316B (zh) | 一种电器监测方法及装置 | |
Azizi et al. | Quantification of disaggregation difficulty with respect to the number of smart meters | |
CN111273126B (zh) | 一种配电网拓扑快速感知方法 | |
CN115841338A (zh) | 确定异常用电行为的方法及装置、非易失性存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191213 |
|
WW01 | Invention patent application withdrawn after publication |