CN110738433A - 一种用电设备负荷识别方法和装置 - Google Patents
一种用电设备负荷识别方法和装置 Download PDFInfo
- Publication number
- CN110738433A CN110738433A CN201911060599.7A CN201911060599A CN110738433A CN 110738433 A CN110738433 A CN 110738433A CN 201911060599 A CN201911060599 A CN 201911060599A CN 110738433 A CN110738433 A CN 110738433A
- Authority
- CN
- China
- Prior art keywords
- sequence
- module
- identified
- deviation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims description 143
- 238000004364 calculation method Methods 0.000 claims description 45
- 238000009825 accumulation Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 description 28
- 238000013507 mapping Methods 0.000 description 13
- 241000209094 Oryza Species 0.000 description 8
- 235000007164 Oryza sativa Nutrition 0.000 description 8
- 235000009566 rice Nutrition 0.000 description 8
- 238000005406 washing Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 229920003169 water-soluble polymer Polymers 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Water Supply & Treatment (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种用电设备负荷识别方法和装置，其中方法包括：获取待识别用电负荷变化的数据序列；对待识别用电负荷变化的数据序列进行分段近似，得到分段数据序列；对分段数据序列编码，得到待识别数据模化序列；计算待识别数据模化序列与预置样本库中每个样本数据模化序列的偏差值；将所有偏差值中最小偏差值对应的预置用电设备负荷类型作为待识别用电负荷类型，解决了现有的用电设备负荷识别方法计算密度大、复杂度高和对硬件要求高，从而导致现有的用电设备负荷识别方法在智能电表的应用上受到限制的技术问题。
Description
技术领域
本申请涉及智能电网技术领域，尤其涉及一种用电设备负荷识别方法和装置。
背景技术
随着科技和经济的全面发展，用电负荷愈加智能化和复杂化，大功率电器层出不穷，使得用电负荷对电网的峰谷差的影响越来越大，因此，对智能用电技术的要求越来越严苛，使得用电负荷监测面临更严峻的挑战。目前，用电设备负荷识别大都采用非侵入式负荷监测技术，非侵入式负荷监测技术可以分为三大类，第一类是基于暂态和稳态电气特征的识别方法，第二类是数学优化类识别方法，第三类是基于有功功率和无功功率的智能识别方法。这三类负荷设备识别方法都属于计算密集型方法，需要大量样本数据进行训练，这些方法计算复杂度高，对硬件要求较高，从而限制了该方法在智能电表的应用。
发明内容
本申请提供了一种用电设备负荷识别方法和装置，用于解决现有的用电设备负荷识别方法计算密度大、复杂度高和对硬件要求高，从而导致现有的用电设备负荷识别方法在智能电表的应用上受到限制的技术问题。
有鉴于此，本申请第一方面提供了一种用电设备负荷识别方法，包括：
获取待识别用电负荷变化的数据序列；
对所述待识别用电负荷变化的数据序列进行分段近似，得到分段数据序列；
对所述分段数据序列编码，得到待识别数据模化序列；
计算所述待识别数据模化序列与预置样本库中每个样本数据模化序列的偏差值；
将所有偏差值中最小偏差值对应的预置用电设备负荷类型作为待识别用电负荷类型。
可选的，所述获取待识别用电负荷变化的数据序列，之前还包括：
建立预置用电设备负荷变化的样本数据序列库；
对所述预置用电设备负荷变化的样本数据序列库中的每个样本数据序列进行分段近似，得到若干个分段样本序列；
对每个所述分段样本数据序列编码，得到若干个所述样本数据模化序列；
根据若干个所述样本数据模化序列建立所述预置样本库。
可选的，对所述预置用电设备负荷变化的样本数据序列库中的每个样本数据序列进行分段近似，得到若干个分段样本序列，之前还包括：
对所述预置用电设备负荷变化的样本数据序列库中的每个样本数据序列进行归一化处理。
可选的，所述对所述待识别用电负荷变化的数据序列进行分段近似，得到分段数据序列，之前还包括：
对所述待识别用电负荷变化的数据序列进行归一化处理。
可选的，所述对所述待识别用电负荷变化的数据序列进行分段近似，得到分段数据序列，具体包括：
基于无重叠滑动窗对所述待识别用电负荷变化的数据序列进行分段近似，得到分段数据序列。
可选的，所述对每个所述分段数据序列编码，得到待识别数据模化序列，具体包括：
设置多个负荷变化区间，每个所述负荷变化区间对应一个数字或字母；
根据每个负荷变化区间设置低限报警模块和高限/低限报警模块的门槛值，所述低限报警模块和高限/低限报警模块用于通过定值模块输出一个数字或字母；
将所述分段数据序列输入到所述低限报警模块和所述高限/低限报告模块，所述定值模块输出所述分段数据序列的每个负荷值所在的负荷变化区间对应的数字或字母，将所述分段数据序列转化为数字模化序列或字母模化序列，得到待识别数据模化序列。
可选的，所述计算所述待识别数据模化序列与预置样本库中每个样本数据模化序列的偏差值，具体包括：
当所述待识别数据模化序列为数字模化序列时，将所述待识别数据模化序列和预置样本库中每个所述样本数据模化序列分别输入到偏差计算模组中，得到第一偏差序列，所述偏差计算模组包括偏差模块和绝对值模块；
所述偏差模块用于对输入的所述识别数据模化序列和所述样本数据模化序列进行作差运算；
所述偏差模块的输出端连接所述绝对值模块，所述绝对值模块输出所述第一偏差序列，所述绝对值模块用于对所述偏差模块的输出求取绝对值；
当所述待识别数据模化序列为字母模化序列时，根据预置字母偏差间距查询表得到所述待识别数据模化序列和每个所述样本数据模化序列的第二偏差序列；
将所述第一偏差序列或所述第二偏差序列输入到偏差值计算模组中，得到所述偏差值，所述偏差值计算模组包括第一乘法模块、累加模块、第二乘法模块、除法模块和开平方模块；
所述第一乘法模块用于对输入的所述第一偏差序列或第二偏差序列计算偏差平方序列，得到第一偏差平方序列或第二偏差平方序列；
所述第一乘法模块的输出端连接到累加模块的输入端，所述累加模块用于对所述第一偏差平方序列或第二偏差平方序列中的每个偏差平方值进行累加求和；
所述累加模块的输出端连接第二乘法模块的第一输入端；
所述除法模块的第一输入端输入所述样本数据序列的长度或所述待识别用电负荷变化的数据序列的长度，所述除法模块的第二输入端输入所述样本数据序列的分段数据长度或所述待识别用电负荷变化的数据序列的分段数据长度，所述除法模块的输出端连接所述第二乘法模块的第二输入端；
所述第二乘法模块的输出端连接开平方模块的输入端，所述开平方模块输出所述偏差值。
本申请第二方面提供了一种用电设备负荷识别装置，包括：
获取模块，用于获取待识别用电负荷变化的数据序列；
第一分段近似模块，用于对所述待识别用电负荷变化的数据序列进行分段近似，得到分段数据序列；
第一编码模块，用于对所述分段数据序列编码，得到待识别数据模化序列；
偏差值计算模块，用于计算所述待识别数据模化序列与预置样本库中每个样本数据模化序列的偏差值；
识别模块，用于将所有偏差值中最小偏差值对应的预置用电设备负荷类型作为待识别用电负荷类型。
可选的，还包括：
第一建立模块，用于建立预置用电设备负荷变化的样本数据序列库；
第二分段近似模块，用于对所述预置用电设备负荷变化的样本数据序列库中的每个样本数据序列进行分段近似，得到若干个分段样本序列；
第二编码模块，用于对每个所述分段样本数据序列编码，得到若干个所述样本数据模化序列；
第二建立模块，用于根据若干个所述样本数据模化序列建立所述预置样本库。
可选的，还包括：
第一预处理模块，用于对所述待识别用电负荷变化的数据序列进行归一化处理；
第二预处理模块，用于对所述预置用电设备负荷变化的样本数据序列库中的每个样本数据序列进行归一化处理。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种用电设备负荷识别方法，包括：获取待识别用电负荷变化的数据序列；对待识别用电负荷变化的数据序列进行分段近似，得到分段数据序列；对分段数据序列编码，得到待识别数据模化序列；计算待识别数据模化序列与预置样本库中每个样本数据模化序列的偏差值；将所有偏差值中最小偏差值对应的预置用电设备负荷类型作为待识别用电负荷类型。
本申请中提供的用电设备负荷识别方法，通过对获取的待识别用电负荷变化的数据序列进行分段近似，得到分段数据序列，将分段数据序列进行编码，得到待识别数据模化序列，通过计算待识别数据模化序列和每个样本数据模化序列的偏差值，从而将最小偏差值对应的预置用电设备负荷类型作为待识别用电负荷类型，该计算过程较为简单，没有涉及复杂的计算方法，该计算程序可以很方便地写到计算机芯片内，从而嵌入到智能电表中，对硬件要求不高，避免了采用现有的用电设备负荷识别方法存在的需要大量样本数据进行训练，计算密度大、复杂度高和对硬件要求较高，限制了这些方法应用于智能电表的问题，从而解决了现有的用电设备负荷识别方法计算密度大、复杂度高和对硬件要求高，从而导致现有的用电设备负荷识别方法在智能电表的应用上受到限制的技术问题。
附图说明
图1为本申请提供的一种用电设备负荷识别方法的一个实施例的流程示意图；
图2为本申请提供的一种用电设备负荷识别方法的另一个实施例的流程示意图；
图3为本申请提供的一种用电设备负荷识别装置的一个实施例的结构示意图；
图4为本申请提供的一种数字模化序列转换方法的流程示意图；
图5为本申请提供的字母模化序列映射表；
图6为本申请提供的计算样本数据模化序列和待识别数据模化序列偏差间距的流程示意图；
图7为本申请提供的计算样本数据模化序列和待识别数据模化序列偏差值的流程示意图；
图8为本申请提供的电饭锅运行时对应的数字模化序列；
图9为本申请提供的变频空调运行时对应的字母模化序列；
图10为本申请提供的滚筒洗衣机运行时对应的字母模化序列；
图11为本申请提供的电饭锅运行时对应的字母模化序列；
图12为本申请提供的依据60％待识别用电负荷变化的数据序列识别的偏差值计算结果；
图13为本申请提供的依据72％待识别用电负荷变化的数据序列识别的偏差值计算结果；
图14为本申请提供的依据100％待识别用电负荷变化的数据序列识别的偏差值计算结果。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动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。
为了便于理解，请参阅图1，本申请提供的一种用电设备负荷识别方法的一个实施例，包括：
步骤101、获取待识别用电负荷变化的数据序列。
需要说明的是，可以通过待识别用电负荷的启动-停止状态信号，获取待识别用电负荷变化的数据序列。
步骤102、对待识别用电负荷变化的数据序列进行分段近似，得到分段数据序列。
需要说明的是，可以将待识别用电负荷变化的数据序列分别分成相同长度的若干段数据序列，可以对每段数据序列中的所有负荷值进行近似计算，可以是对每段中的所有负荷值计算平均负荷值。
步骤103、对分段数据序列编码，得到待识别数据模化序列。
需要说明的是，通过对分段数据序列进行编码处理，使得分段数据序列中的每个负荷值转换成一个代码，从而得到待识别数据模化序列，以便于后续计算每个样本数据序列和待识别数据序列间的偏差值，有助于减少计算量和降低计算复杂度。
步骤104、计算待识别数据模化序列与预置样本库中每个样本数据模化序列的偏差值。
步骤105、将所有偏差值中最小偏差值对应的预置用电设备负荷类型作为待识别用电负荷类型。
需要说明的是，可以通过计算待识别数据模化序列与预置样本库中每个样本数据模化序列之间的差值，然后累加差值得到偏差值，也可以通过计算待识别数据模化序列与预置样本库中每个样本数据模化序列之间的欧氏距离得到偏差值，通过计算得到的偏差值，有助于识别待识别用电负荷类型。通过计算待识别数据模化序列和每个样本数据模化序列之间的偏差值，得到待识别数据模化序列和每个样本数据模化序列的偏差值，偏差值越小，说明待识别数据模化序列与该偏差值对应的样本数据模化序列越相似，也就说明待识别用电负荷变化的数据序列与该偏差值对应的样本数据序列越相近，从而就能确定待识别用电负荷变化是由该偏差值对应的预置用电设备引起的，从而就达到了识别用电设备负荷的目的。因此，在得到的多个偏差值中选出最小的偏差值，将最小的偏差值对应的预置用电设备负荷类型作为待识别用电负荷类型。
本申请实施例中提供的用电设备负荷识别方法，通过对获取的待识别用电负荷变化的数据序列进行分段近似，得到分段数据序列，将分段数据序列进行编码，得到待识别数据模化序列，通过计算待识别数据模化序列和每个样本数据模化序列的偏差值，从而将最小偏差值对应的预置用电设备负荷类型作为待识别用电负荷类型，该计算过程较为简单，没有涉及复杂的计算方法，该计算程序可以很方便地写到计算机芯片内，从而嵌入到智能电表中，对硬件要求不高，避免了采用现有的用电设备负荷识别方法存在的需要大量样本数据进行训练，计算密度大、复杂度高和对硬件要求较高，限制了这些方法应用于智能电表的问题，从而解决了现有的用电设备负荷识别方法计算密度大、复杂度高和对硬件要求高，从而导致现有的用电设备负荷识别方法在智能电表的应用上受到限制的技术问题。
为了便于理解，请参阅图2，本申请提供的一种用电设备负荷识别方法的另一个实施例，包括：
步骤201、建立预置用电设备负荷变化的样本数据序列库。
需要说明的是，可以分别依次启动和停止单个预置用电设备，记录从电表上测得的该用电设备运行的完整负荷变化曲线，还可以给该用电设备标记识别号，通过采集多个预置用电设备运行的完整负荷变化曲线，建立多个预置用电设备负荷变化的样本数据序列库。
步骤202、对预置用电设备负荷变化的样本数据序列库中的每个样本数据序列进行分段近似，得到若干个分段样本序列。
需要说明的是，对预置用电设备负荷变化的样本数据序列库中的每个样本数据序列进行分段近似前，可以对每个样本数据序列进行归一化处理，采用分段近似公式对归一化后的样本数据序列进行分段近似，得到若干个分段样本序列。
步骤203、对每个分段样本数据序列编码，得到若干个样本数据模化序列。
需要说明的是，可以设置多个负荷变化区间，每个负荷变化区间对应一个数字或字母，负荷变化区间可以根据实际情况进行设置；可以根据每个负荷变化区间设置低限报警模块和高限/低限报警模块的门槛值，低限报警模块和高限/低限报警模块用于通过定值模块输出一个数字或字母，其中，低限报警模块的数量为1个，高限/低限报警模块的数量比负荷变化区间的数量少1个或少2个，当高限/低限报警模块的数量比负荷变化区间的数量少1个时，低限报警模块和每个高限/低限报警模块分别对应一个负荷变化区间，当高限/低限报警模块的数量比负荷变化区间的数量少1个时，可以参阅图4；将分段样本数据序列输入到低限报警模块和高限/低限报告模块，定值模块输出分段样本数据序列的每个负荷值所在的负荷变化区间对应的数字或字母，将分段样本数据序列转化为数字模化序列或字母模化序列，得到若干个样本数据模化序列。
步骤204、根据若干个样本数据模化序列建立预置样本库。
需要说明的是，建立的预置样本库用于后续识别用电负荷类型。
本申请实施例中的步骤202至步骤203的对样本数据序列的处理方法，与下面的步骤206至步骤208对待识别用电负荷变化的数据序列的处理方法可以一致，具体处理过程在步骤206至步骤208中进行具体阐述，在此不再对样本数据序列的处理过程进行赘述。
步骤205、获取待识别用电负荷变化的数据序列。
需要说明的是，可以通过待识别用电负荷的启动-停止状态信号，获取待识别用电负荷变化的数据序列。
步骤206、对待识别用电负荷变化的数据序列进行归一化处理。
需要说明的是，为了减少由不同用电设备之间功率差别大而引起的干扰，本申请实施例中对待识别用电负荷变化的数据序列进行归一化处理，假设待识别用电负荷变化的数据序列为D＝{d1，d2，…di，…，dm}，m≥1，归一化公式为：
其中，Dmean为待识别用电负荷变化的数据序列的均值，Dvar为待识别用电负荷变化的数据序列的方差，d′i为归一化后待识别用电负荷变化的数据序列中的负荷值，归一化后的待识别用电负荷变化的数据序列为D′＝{d′1，d′2，…d′i，…，d′m}。
步骤207、对待识别用电负荷变化的数据序列进行分段近似，得到分段数据序列。
需要说明的是，可以基于无重叠滑动窗对待识别用电负荷变化的数据序列进行分段近似，分段近似的公式为：
其中，m为待识别用电负荷变化的数据序列的长度，n为分段近似时待识别用电负荷变化的数据序列的分段长度，m是n的整数倍，d′i为归一化处理后的待识别用电负荷变化的数据序列的第i个负荷值，为分段数据序列的第j个负荷值。
步骤208、对分段数据序列编码，得到待识别数据模化序列。
需要说明的是，可以设置多个负荷变化区间，每个负荷变化区间对应一个数字或字母，负荷变化区间可以根据实际情况进行设置，其中，该多个负荷变化区间与步骤202中的多个负荷变化区间一致，每个负荷变化区间对应的数字或字母与步骤202中的每个负荷变化区间对应的数字或字母也一致；根据每个负荷变化区间设置低限报警模块和高限/低限报警模块的门槛值，低限报警模块和高限/低限报警模块用于通过定值模块输出一个数字或字母，其中，低限报警模块的数量为1个，高限/低限报警模块的数量比负荷变化区间的数量少1个或少2个，当高限/低限报警模块的数量比负荷变化区间的数量少1个时，低限报警模块和每个高限/低限报警模块分别对应一个负荷变化区间，当高限/低限报警模块的数量比负荷变化区间的数量少1个时，可以参阅图4；将分段数据序列输入到低限报警模块和高限/低限报告模块，定值模块输出分段数据序列的每个负荷值所在的负荷变化区间对应的数字或字母，将分段数据序列转化为数字模化序列或字母模化序列，得到待识别数据模化序列。
通过对分段数据序列编码，使得负荷值转换成一个数字或字母，从而将分段数据序列转化为数字模化序列或字母模化序列，得到待识别数据模化序列，以便于后续计算每个样本数据序列和待识别数据序列间的偏差值，有助于减少计算量和降低计算复杂度。
步骤209、计算待识别数据模化序列与预置样本库中每个样本数据模化序列的偏差值。
需要说明的是，当待识别数据模化序列和样本数据模化序列为数字模化序列时，将待识别数据模化序列和预置样本库中每个样本数据模化序列分别输入到偏差计算模组中，得到第一偏差序列，偏差计算模组包括偏差模块和绝对值模块；
偏差模块用于对输入的识别数据模化序列和样本数据模化序列进行作差运算；偏差模块的输出端连接绝对值模块，绝对值模块输出第一偏差序列，绝对值模块用于对偏差模块的输出求取绝对值。
当待识别数据模化序列和样本数据模化序列为字母模化序列时，根据预置字母偏差间距查询表得到待识别数据模化序列和每个样本数据模化序列的第二偏差序列。
将第一偏差序列或第二偏差序列输入到偏差值计算模组中，得到偏差值，偏差值计算模组包括第一乘法模块、累加模块、第二乘法模块、除法模块和开平方模块；第一乘法模块用于对输入的第一偏差序列或第二偏差序列计算偏差平方序列，得到第一偏差平方序列或第二偏差平方序列；第一乘法模块的输出端连接到累加模块的输入端，累加模块用于对第一偏差平方序列或第二偏差平方序列中的每个偏差平方值进行累加求和；累加模块的输出端连接第二乘法模块的第一输入端；除法模块的第一输入端输入样本数据序列的长度或待识别用电负荷变化的数据序列的长度，除法模块的第二输入端输入样本数据序列的分段数据长度或待识别用电负荷变化的数据序列的分段数据长度，除法模块的输出端连接第二乘法模块的第二输入端；第二乘法模块的输出端连接开平方模块的输入端，开平方模块输出偏差值。
通过偏差计算模组和偏差值计算模组，得到待识别数据模化序列与每个样本数据模化序列的偏差值，该偏差值计算模组可以用公式表示为：
其中，
为第k个待识别数据模化序列的第j个数字或字母
与第l个样本数据模化序列的第j个数字或字母
的差值，其中，l为非0的自然数，当获取的待识别用电负荷变化的数据序列为一个时，此时k＝1，当获取的待识别用电负荷变化的数据序列为多个时，此时k为大于1的自然数。通过计算得到的偏差值，有助于识别待识别用电负荷类型。
步骤210、将所有偏差值中最小偏差值对应的预置用电设备负荷类型作为待识别用电负荷类型。
需要说明的是，通过计算待识别数据模化序列和每个样本数据模化序列之间的偏差值，得到待识别数据模化序列和每个样本数据模化序列的偏差值，偏差值越小，说明待识别数据模化序列与该偏差值对应的样本数据模化序列越相似，也就说明待识别用电负荷变化的数据序列与该偏差值对应的样本数据序列越相近，从而就能确定待识别用电负荷变化是由该偏差值对应的预置用电设备引起的，从而就达到了识别用电设备负荷的目的。因此，在得到的多个偏差值中筛选最小的偏差值，最小的偏差值对应的预置用电设备负荷类型为待识别用电负荷类型。
为了便于理解，请参阅图4至图14，本申请提供的一种用电设备负荷识别方法的应用例。
假设建立的多个预置用电设备负荷变化的样本数据序列库中包括8种典型的用电设备，分别为微波炉、波轮洗衣机、电冰箱、电磁炉、滚筒洗衣机、电饭锅、变频空调和热水器，得到8种样本数据序列，采集的待识别用电负荷变化的数据序列为1个，对待识别用电负荷变化的数据序列和8个样本数据序列分别进行归一化处理。
将待识别用电负荷变化的数据序列和8个样本数据序列转换为数字模化序列的具体步骤为：
根据负荷变化幅度，按高斯幅度变化分级，采用幅度分级模化译码器的形式对数据序列进行编码处理，该译码器包括低限报警模块、多个高限/低限报警模块、多个切换模块和多个定值模块。如图4所示，设负荷变化区间分别为(-∞，-1.15]、(-1.15，-0.67]、(-0.67，-0.32]、(-0.32，0]、(0，0.32]、(0.32，0.67]、(0.67，1.15]和(1.15，+∞)，负荷变化区间对应的模化代码分别为1、2、3、4、5、6、7和8。
图4中，取第一级低限报警模块(502)的越低限动作门槛值为-1.15，取第二级高限/低限报警模块(505)的越低限动作门槛值为-0.67及越高限动作门槛值为-1.15，取第三级高限/低限报警模块(508)的越低限动作门槛值为-0.32及越高限动作门槛值为-0.67，取第四级高限/低限报警模块(511)的越低限动作门槛值为0及越高限动作门槛值为-0.32，取第五级高限/低限报警模块(514)的越低限动作门槛值为0.32及越高限动作门槛值为0，取第六级高限/低限报警模块(517)的越低限动作门槛值为0.67及越高限动作门槛值为0.32和取第七级高限/低限报警模块(520)的越低限动作门槛值为1.15及越高限动作门槛值为0.67。
第一级切换模块(503)的A输入端接第一定值模块(501)、第一级切换模块(503)的B输入端接第二定值模块(504)、第一级切换模块(503)的控制端接第一级低限报警模块(502)的越限动作端；第二级切换模块(506)的A输入端接第一级切换模块(503)的输出端、第二级切换模块(506)的B输入端接第二定值模块(507)、第二级切换模块(506)的控制端接第二级高限/低限报警模块(505)的越限动作端，第三级切换模块(509)的A输入端接第二级切换模块(506)的输出端、第三级切换模块(509)的B输入端接第三定值模块(510)、第三级切换模块(509)的控制端接第二级高限/低限报警模块(508)的越限动作端；第四级切换模块(512)的A输入端接第三级切换模块(509)的输出端、第四级切换模块(512)的B输入端接第四定值模块(513)、第四级切换模块(512)的控制端接第四级高限/低限报警模块(511)的越限动作端；第五级切换模块(515)的A输入端接第四级切换模块(512)的输出端、第五级切换模块(515)的B输入端接第五定值模块(516)、第五级切换模块(515)的控制端接第五级高限/低限报警模块(514)的越限动作端；第六级切换模块(518)的A输入端接第五级切换模块(515)的输出端、第六级切换模块(518)的B输入端接第六定值模块(519)、第六级切换模块(518)的控制端接第六级高限/低限报警模块(517)的越限动作端；第七级切换模块(521)的A输入端接第六级切换模块(518)的输出端、第七级切换模块(521)的B输入端接第七定值模块(522)、第七级切换模块(521)的控制端接第七级高限/低限报警模块(520)的越限动作端；第七级切换模块(521)的输出样本数据模化序列和待识别数据模化序列，以便于后续进行偏差间距计算。
第一定值模块(501)定值设为8，第二定值模块(504)定值设为1，第三定值模块(507)定值设为2，第四定值模块(510)定值设为3，第五定值模块(513)定值设为4，第六定值模块(516)定值设为5，第七定值模块(519)定值设为6，第八定值模块(522)定值设为7，对分段近似后的8个分段样本序列和分段数据序列分别进行编码处理，具体步骤为：
将分段近似后的8个分段样本序列和分段数据序列通过输入模块(401)分别接到第一级低限报警模块(502)、第二级高限/低限报警模块(505)、第三级高限/低限报警模块(508)、第四级高限/低限报警模块(511)、第五级高限/低限报警模块(514)、第六级高限/低限报警模块(517)和第七级高限/低限报警模块(520)。
当8个分段样本序列和分段数据序列中负荷值
时，符合第一级低限报警模块(502)的越限动作门槛值，第一级低限报警模块(502)输出越限动作信号，第一级切换模块(503)在第一级低限报警模块(502)越限动作信号的控制下，选择输出为接在第一级切换模块(503)B端的第二定值模块(504)数值1，而第二级到第七级高限/低限报警模块(505、508、511、514、517和520)都未符合越限动作门槛值，不发出越限动作信号，第二级到第七级高限/低限报警模块对应的第二级至第七级切换模块的输出仍保持连接在A端，接收上一级切换模块的输出值，这样经译码器就将负荷值
的负荷值
转化为数字模化代码1输出。
当8个分段样本序列和分段数据序列中负荷值
时，符合第二级高限/低限报警模块(505)的越限动作门槛值，第二级高限/低限报警模块(505)输出越限动作信号，第二级切换模块(506)在第二级高限/低限报警模块(505)越限动作信号的控制下，选择输出为连接在第二级切换模块(506)B端的第二定值模块(507)数值2，而第一级低限报警模块(502)及第三级到第七级高限/低限报警模块(508、511、514、517和520)都未符合越限动作门槛值，不发出越限动作信号，第一级低限报警模块(502)及第三级到第七级高限/低限报警模块(508、511、514、517和520)对应的第一级及第三级至第七级切换模块(503、509、512、515、518和521)的输出仍保持连接在A端，接收上一级切换模块的输出值，这样经译码器就将负荷值
的负荷值
转化为数字代码2输出。
当8个分段样本序列和分段数据序列中负荷值
时，不符合所有报警模块(502、505、508、511、514、517和520)的越限动作门槛值，所有报警模块都不发出越限动作信号，第一级到第七级切换模块(503、506、509、512、515、518和521)的输出仍保持连接在A端，就将第一定值模块(501)的设定值8送出来，这样经译码器就将负荷值
的负荷值
转化为数字代码8，最终通过输出模块(523)输出。
通过本申请实施例中的译码器就实现了8段分级模化的功能，当8个分段样本序列和分段数据序列中的负荷值
时，负荷值
经译码器编码为数字代码1，当
时，负荷值
经译码器编码为数字代码2，当
时，负荷值
经译码器编码为数字代码3，当
时，负荷值
经译码器编码为数字代码4，当
时，负荷值
经译码器编码为数字代码5，当
时，负荷值
经译码器编码为数字代码6，当
时，负荷值
经译码器编码为数字代码7，当
时，负荷值
经译码器编码为数字代码8，从而得到样本数据模化序列l∈[1,8]和待识别数据模化序列
请参阅图8，本申请实施例给出了电饭锅运行时对应的数字模化序列。
在对8个分段样本序列和分段数据序列进行编码处理时，也可以将待识别用电负荷变化的数据序列和8个样本数据序列转换为字母模化序列，具体步骤为：
根据负荷变化幅度和制作的字母模化代码映射表，将负荷值转换为字母模化代码，请参阅图5的映射表，图5给出了三种映射表，分别为8段负荷变换区间对应的字母模化代码、7段负荷变换区间对应的字母模化代码和6段负荷变换区间对应的字母模化代码。将8个分段样本序列和分段数据序列输入到映射表，可以通过查表的方式将负荷值转换为字母模化代码，从而得到字母模化序列，同样的，负荷变化区间分别为(-∞，-1.15]、(-1.15，-0.67]、(-0.67，-0.32]、(-0.32，0]、(0，0.32]、(0.32，0.67]、(0.67，1.15]和(1.15，+∞)，负荷变化区间对应的字母模化代码为a、b、c、d、e、f、g和h。
当8个分段样本序列和分段数据序列中的负荷值时，负荷值
经映射表转换为字母代码a，当
时，负荷值经映射表转换为字母代码b，当
时，负荷值
经映射表转换为字母代码c，当
时，负荷值
经映射表转换为字母代码d，当
时，负荷值
经映射表转换为字母代码e，当
时，负荷值经映射表转换为字母代码f，当
时，负荷值
经映射表转换为字母代码g，当
时，负荷值
经映射表转换为字母代码h，从而得到样本字母模化序列
l∈[1,8]和待识别字母模化序列
请参阅图9至图11，本申请实施例分别给出了变频空调运行时对应的字母模化序列、滚筒洗衣机运行时对应的字母模化序列和电饭锅运行时对应的字母模化序列。
当待识别数据模化序列和样本数据模化序列为数字模化序列时，请参阅图6，通过输入模块(523)将分别得到的样本数据模化序列
l∈[1,8]和待识别数据模化序列
分别输入到偏差模块(601)，对待识别数据模化序列和每个样本数据模化序列分别进行作差运算，将通过偏差模块(601)将计算得到的差值送入到绝对值模块(602)，就计算得到了
当
为6，
为5，计算得到的
绝对值模块输出端输出第一偏差序列。
当待识别数据模化序列和样本数据模化序列为字母模化序列时，请参阅表1，根据预置字母偏差间距查询表得到待识别数据模化序列和每个样本数据模化序列的第二偏差序列，例如，当
为f，
为e，根据查询表1，经查表就能得到
和
的偏差间距为
表1字母偏差间距查询表
当待识别数据模化序列和样本数据模化序列为数字模化序列时，请参阅图7，将绝对值模块(602)的输出分别连接到第一乘法模块(701)的第一输入端和第二输入端，从而将第一偏差序列输入到第一乘法模块(701)；当待识别数据模化序列和样本数据模化序列为字母模化序列时，将通过查表计算得到的第二偏差序列输入到第一乘法模块(701)。计算各模化代码间距平方
第一乘法模块(701)的输出连接到累加模块(702)的输入端，对全部模化代码间距平方进行累加
累加模块(702)的输出端连接到第二乘法模块(703)的第一输入端，除法模块(705)的第一输入端连接第八定值模块(703)的输出，第八定值模块(703)的数值为m，m为样本数据序列的长度或待识别用电负荷变化的数据序列的长度，除法模块(705)的第二输入端连接第九定值模块(706)的输出，第九定值模块(706)的数值是n，n为分段数据长度，经过除法模块(705)计算得到系数mn，第二乘法模块(703)的第二输入端连接除法模块(705)的输出，获得系数mn，第二乘法模块(703)计算得到
第二乘法模块(703)的输出端连接开平方模块(707)，计算开方计算，这样就得到了待识别数据模化序列和每个样本数据模化序列的偏差值
计算待识别数据模化序列和每个样本数据模化序列的偏差值，在得到多个偏差值中筛选出最小的偏差值，此最小偏差值对应的用电设备类型就是待识别用电负荷类型。请参阅图12，本申请实施例依据采集的待识别用电负荷变化的数据序列的部分运行数据(60％的数据)，待识别用电负荷变化的数据序列与微波炉的负荷变化数据序列的偏差值为104.44119876753582，待识别用电负荷变化的数据序列与波轮洗衣机的负荷变化数据序列的偏差值为74.6502645675148，待识别用电负荷变化的数据序列与电冰箱的荷变化数据序列的偏差值为81.20722874227357，待识别用电负荷变化的数据序列与电磁炉的负荷变化数据序列的偏差值为137.85583774363747，待识别用电负荷变化的数据序列与滚筒洗衣机的负荷变化数据序列的偏差值为114.73914763497267，待识别用电负荷变化的数据序列与电饭锅的负荷变化数据序列的偏差值为62.94167141091805，待识别用电负荷变化的数据序列与变频空调的间距标准差＝155.96665028139972，待识别用电负荷变化的数据序列与热水器的负荷变化数据序列的偏差值为212.4779682696503。待识别用电负荷变化的数据序列与电饭锅的偏差值最小，可见当收集待识别用电负荷变化的数据序列的数据达到60％时，已能确定出该负荷变化是电饭锅引起的了。随着收集到的待识别用电负荷变化数据增多，待识别用电负荷变化的数据序列与电饭锅的偏差值进一步减少，请参阅图13，当收集的待识别用电负荷变化的数据序列的数据达到72％时，待识别用电负荷变化的数据序列与电饭锅的偏差值减少到48.69406534681602；请参阅图14，当收集的待识别用电负荷变化的数据序列的数据达到100％时，待识别用电负荷变化的数据序列与电饭锅的偏差值减少到0，而待识别用电负荷变化的数据序列与其他电器的偏差值仍然很大。
本申请应用例中提供的用电设备负荷识别方法只需要统计、累加和四则运算等简单的计算方法，就可以实现用电设备负荷的识别，大大降低了计算密度和计算复杂度，并且对硬件要求不高，所设计的计算程序可以很方便地写入到计算机芯片中，嵌入到智能电表中，避免了采用现有的支持向量机、遗传算法和神经网络等识别方法存在的需要大量样本数据进行训练，计算密度大、复杂度高和对硬件要求较高，限制了这些方法应用于智能电表的问题，从而解决了现有的用电设备负荷识别方法计算密度大、复杂度高和对硬件要求高，从而导致现有的用电设备负荷识别方法不能应用于智能电表的技术问题。
为了便于理解，请参阅图3，本申请提供的一种用电设备负荷识别装置的一个实施例，包括：
获取模块301，用于获取待识别用电负荷变化的数据序列。
第一分段近似模块302，用于对待识别用电负荷变化的数据序列进行分段近似，得到分段数据序列。
第一编码模块303，用于对分段数据序列编码，得到待识别数据模化序列。
偏差值计算模块304，用于计算待识别数据模化序列与预置样本库中每个样本数据模化序列的偏差值。
识别模块305，用于将所有偏差值中最小偏差值对应的预置用电设备负荷类型作为待识别用电负荷类型。
进一步的，还包括：
第一建立模块306，用于建立预置用电设备负荷变化的样本数据序列库。
第二分段近似模块307，用于对预置用电设备负荷变化的样本数据序列库中的每个样本数据序列进行分段近似，得到若干个分段样本序列。
第二编码模块308，用于对每个分段样本数据序列编码，得到若干个样本数据模化序列。
第二建立模块309，用于根据若干个样本数据模化序列建立预置样本库。
进一步的，还包括：
第一预处理模块310，用于对待识别用电负荷变化的数据序列进行归一化处理。
第二预处理模块311，用于对预置用电设备负荷变化的样本数据序列库中的每个样本数据序列进行归一化处理。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，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，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。
所述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。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种用电设备负荷识别方法，其特征在于，包括：
获取待识别用电负荷变化的数据序列；
对所述待识别用电负荷变化的数据序列进行分段近似，得到分段数据序列；
对所述分段数据序列编码，得到待识别数据模化序列；
计算所述待识别数据模化序列与预置样本库中每个样本数据模化序列的偏差值；
将所有偏差值中最小偏差值对应的预置用电设备负荷类型作为待识别用电负荷类型。
2.根据权利要求1所述的用电设备负荷识别方法，其特征在于，所述获取待识别用电负荷变化的数据序列，之前还包括：
建立预置用电设备负荷变化的样本数据序列库；
对所述预置用电设备负荷变化的样本数据序列库中的每个样本数据序列进行分段近似，得到若干个分段样本序列；
对每个所述分段样本数据序列编码，得到若干个所述样本数据模化序列；
根据若干个所述样本数据模化序列建立所述预置样本库。
3.根据权利要求2所述的用电设备负荷识别方法，其特征在于，对所述预置用电设备负荷变化的样本数据序列库中的每个样本数据序列进行分段近似，得到若干个分段样本序列，之前还包括：
对所述预置用电设备负荷变化的样本数据序列库中的每个样本数据序列进行归一化处理。
4.根据权利要求1所述的用电设备负荷识别方法，其特征在于，所述对所述待识别用电负荷变化的数据序列进行分段近似，得到分段数据序列，之前还包括：
对所述待识别用电负荷变化的数据序列进行归一化处理。
5.根据权利要求1所述的用电设备负荷识别方法，其特征在于，所述对所述待识别用电负荷变化的数据序列进行分段近似，得到分段数据序列，具体包括：
基于无重叠滑动窗对所述待识别用电负荷变化的数据序列进行分段近似，得到分段数据序列。
6.根据权利要求1所述的用电设备负荷识别方法，其特征在于，所述对每个所述分段数据序列编码，得到待识别数据模化序列，具体包括：
设置多个负荷变化区间，每个所述负荷变化区间对应一个数字或字母；
根据每个负荷变化区间设置低限报警模块和高限/低限报警模块的门槛值，所述低限报警模块和高限/低限报警模块用于通过定值模块输出一个数字或字母；
将所述分段数据序列输入到所述低限报警模块和所述高限/低限报告模块，所述定值模块输出所述分段数据序列的每个负荷值所在的负荷变化区间对应的数字或字母，将所述分段数据序列转化为数字模化序列或字母模化序列，得到待识别数据模化序列。
7.根据权利要求6所述的用电设备负荷识别方法，其特征在于，所述计算所述待识别数据模化序列与预置样本库中每个样本数据模化序列的偏差值，具体包括：
当所述待识别数据模化序列为数字模化序列时，将所述待识别数据模化序列和预置样本库中每个所述样本数据模化序列分别输入到偏差计算模组中，得到第一偏差序列，所述偏差计算模组包括偏差模块和绝对值模块；
所述偏差模块用于对输入的所述识别数据模化序列和所述样本数据模化序列进行作差运算；
所述偏差模块的输出端连接所述绝对值模块，所述绝对值模块输出所述第一偏差序列，所述绝对值模块用于对所述偏差模块的输出求取绝对值；
当所述待识别数据模化序列为字母模化序列时，根据预置字母偏差间距查询表得到所述待识别数据模化序列和每个所述样本数据模化序列的第二偏差序列；
将所述第一偏差序列或所述第二偏差序列输入到偏差值计算模组中，得到所述偏差值，所述偏差值计算模组包括第一乘法模块、累加模块、第二乘法模块、除法模块和开平方模块；
所述第一乘法模块用于对输入的所述第一偏差序列或第二偏差序列计算偏差平方序列，得到第一偏差平方序列或第二偏差平方序列；
所述第一乘法模块的输出端连接到累加模块的输入端，所述累加模块用于对所述第一偏差平方序列或第二偏差平方序列中的每个偏差平方值进行累加求和；
所述累加模块的输出端连接第二乘法模块的第一输入端；
所述除法模块的第一输入端输入所述样本数据序列的长度或所述待识别用电负荷变化的数据序列的长度，所述除法模块的第二输入端输入所述样本数据序列的分段数据长度或所述待识别用电负荷变化的数据序列的分段数据长度，所述除法模块的输出端连接所述第二乘法模块的第二输入端；
所述第二乘法模块的输出端连接开平方模块的输入端，所述开平方模块输出所述偏差值。
8.一种用电设备负荷识别装置，其特征在于，包括：
获取模块，用于获取待识别用电负荷变化的数据序列；
第一分段近似模块，用于对所述待识别用电负荷变化的数据序列进行分段近似，得到分段数据序列；
第一编码模块，用于对所述分段数据序列编码，得到待识别数据模化序列；
偏差值计算模块，用于计算所述待识别数据模化序列与预置样本库中每个样本数据模化序列的偏差值；
识别模块，用于将所有偏差值中最小偏差值对应的预置用电设备负荷类型作为待识别用电负荷类型。
9.根据权利要求8所述的用电设备负荷识别装置，其特征在于，还包括：
第一建立模块，用于建立预置用电设备负荷变化的样本数据序列库；
第二分段近似模块，用于对所述预置用电设备负荷变化的样本数据序列库中的每个样本数据序列进行分段近似，得到若干个分段样本序列；
第二编码模块，用于对每个所述分段样本数据序列编码，得到若干个所述样本数据模化序列；
第二建立模块，用于根据若干个所述样本数据模化序列建立所述预置样本库。
10.根据权利要求9所述的用电设备负荷识别装置，其特征在于，还包括：
第一预处理模块，用于对所述待识别用电负荷变化的数据序列进行归一化处理；
第二预处理模块，用于对所述预置用电设备负荷变化的样本数据序列库中的每个样本数据序列进行归一化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911060599.7A CN110738433A (zh) | 2019-11-01 | 2019-11-01 | 一种用电设备负荷识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911060599.7A CN110738433A (zh) | 2019-11-01 | 2019-11-01 | 一种用电设备负荷识别方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110738433A true CN110738433A (zh) | 2020-01-31 |
Family
ID=69270545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911060599.7A Pending CN110738433A (zh) | 2019-11-01 | 2019-11-01 | 一种用电设备负荷识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110738433A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115444685A (zh) * | 2022-09-16 | 2022-12-09 | 喜临门家具股份有限公司 | 一种过久离床提醒控制方法、系统、智能床和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020183971A1 (en) * | 2001-04-10 | 2002-12-05 | Wegerich Stephan W. | Diagnostic systems and methods for predictive condition monitoring |
| CN102355530A (zh) * | 2011-09-27 | 2012-02-15 | 周小伟 | 利用信号强度波动判断移动终端运动状态的方法 |
| CN104182460A (zh) * | 2014-07-18 | 2014-12-03 | 浙江大学 | 基于倒排索引的时间序列相似性查询方法 |
| CN104572886A (zh) * | 2014-12-23 | 2015-04-29 | 浙江大学 | 基于k线图表示的金融时间序列相似性查询方法 |
| CN105116872A (zh) * | 2015-07-13 | 2015-12-02 | 哈尔滨工业大学 | 一种工业过程中基于度量学习与时间序列的故障诊断方法 |
-
2019
- 2019-11-01 CN CN201911060599.7A patent/CN110738433A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020183971A1 (en) * | 2001-04-10 | 2002-12-05 | Wegerich Stephan W. | Diagnostic systems and methods for predictive condition monitoring |
| CN102355530A (zh) * | 2011-09-27 | 2012-02-15 | 周小伟 | 利用信号强度波动判断移动终端运动状态的方法 |
| CN104182460A (zh) * | 2014-07-18 | 2014-12-03 | 浙江大学 | 基于倒排索引的时间序列相似性查询方法 |
| CN104572886A (zh) * | 2014-12-23 | 2015-04-29 | 浙江大学 | 基于k线图表示的金融时间序列相似性查询方法 |
| CN105116872A (zh) * | 2015-07-13 | 2015-12-02 | 哈尔滨工业大学 | 一种工业过程中基于度量学习与时间序列的故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 周永章 等著: "《地球科学大数据挖掘与机器学习》", 30 September 2018 * |
| 安云杰: ""基于形态特征的时间序列相似性搜索研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115444685A (zh) * | 2022-09-16 | 2022-12-09 | 喜临门家具股份有限公司 | 一种过久离床提醒控制方法、系统、智能床和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110514889A (zh) | 一种非侵入式家庭用电负载识别的方法及系统 | |
| CN112881942B (zh) | 基于小波分解与经验模态分解的异常电流诊断方法和系统 | |
| CN110147760B (zh) | 一种高效电能质量扰动图像特征提取与识别新方法 | |
| CN113191253A (zh) | 一种边缘机器学习下基于特征融合的非侵入式负荷识别方法 | |
| CN112085111B (zh) | 一种负荷辨识方法和装置 | |
| CN111426905B (zh) | 一种配电网同母线变关系异常诊断方法、装置及系统 | |
| CN112952828A (zh) | 一种用于低压配电网的用户台区分析方法 | |
| CN112819649B (zh) | 确定台区户变关系的方法及装置 | |
| CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
| CN107292061A (zh) | 一种数据驱动的流程工业复杂机电系统信息建模方法 | |
| CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
| CN110738433A (zh) | 一种用电设备负荷识别方法和装置 | |
| CN108918928B (zh) | 一种负荷分解中功率信号自适应重构方法 | |
| CN115100466A (zh) | 一种非侵入式负荷监测方法、装置及介质 | |
| CN112730984B (zh) | 一种基于智能电表的低压配电网相位识别方法 | |
| CN113627289A (zh) | 一种基于深度学习的电力设备识别方法及其装置 | |
| CN111199014B (zh) | 一种基于时间序列的seq2point的NILM方法及装置 | |
| CN111898694B (zh) | 一种基于随机树分类的非入侵式负荷识别方法及装置 | |
| CN116595401A (zh) | 一种基于pocs聚类算法的负荷识别方法 | |
| CN110990383A (zh) | 一种基于工业大数据集的相似度计算方法 | |
| CN112016684B (zh) | 一种深度并行柔性发射网络的电力终端指纹识别方法 | |
| Li et al. | Non-intrusive load monitoring for consistent shape loads based on convolutional neural network | |
| CN115345202B (zh) | 一种第三方负荷聚合平台交互数据异常检测方法及系统 | |
| CN116257735B (zh) | 用于智慧城市治理的数据处理方法及系统 | |
| CN114034966A (zh) | 一种基于支持向量机的输电线路故障识别方法和装置 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room 501-503, annex building, Huaye building, No.1-3 Chuimao new street, Xihua Road, Yuexiu District, Guangzhou City, Guangdong Province 510000 Applicant after: China Southern Power Grid Power Technology Co.,Ltd. Address before: Room 501-503, annex building, Huaye building, No.1-3 Chuimao new street, Xihua Road, Yuexiu District, Guangzhou City, Guangdong Province 510000 Applicant before: GUANGDONG DIANKEYUAN ENERGY TECHNOLOGY Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200131 |