CN111368904A - 一种基于电力指纹的电器设备识别方法 - Google Patents

一种基于电力指纹的电器设备识别方法 Download PDF

Info

Publication number
CN111368904A
CN111368904A CN202010132869.7A CN202010132869A CN111368904A CN 111368904 A CN111368904 A CN 111368904A CN 202010132869 A CN202010132869 A CN 202010132869A CN 111368904 A CN111368904 A CN 111368904A
Authority
CN
China
Prior art keywords
electrical equipment
training
training set
model
learner
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.)
Granted
Application number
CN202010132869.7A
Other languages
English (en)
Other versions
CN111368904B (zh
Inventor
黄晓明
余涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010132869.7A priority Critical patent/CN111368904B/zh
Publication of CN111368904A publication Critical patent/CN111368904A/zh
Application granted granted Critical
Publication of CN111368904B publication Critical patent/CN111368904B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于电力指纹的电器设备识别方法，包括以下步骤：S1、采集电器设备的电力指纹信息，构建特征数据库，并划分训练集、验证集和测试集；S2、选取若干种现有的分类学习模型，利用训练集，选定的各个分类模型进行训练，生成初级学习器和次级训练集；S3、选取另一种分类学习模型，利用步骤S2中得到的次级训练集对该分类模型进行训练；S4、将步骤S3中训练得到的分类模型作为次级学习器，与步骤S2中训练得到的初级学习器结合，得到电器设备识别模型，使用验证集验证电器设备识别模型性能，调整参数后使用测试集进行测试；S5、将待识别电器设备的电力指纹数据，输入电器设备识别模型进行设备类型的识别。

Description

一种基于电力指纹的电器设备识别方法
技术领域
本发明涉及电器设备识别技术领域，特别是涉及一种基于电力指纹的电器设备识别方法。
背景技术
近年来，随着国民经济的持续高速发展，全社会的电力需求也在不断增加，对电能质量的要求也越来越高，提高电能质量对于电网及电器设备的安全运行、保障工业产品质量以及降低能耗等均有重要意义。电力负荷的分类识别有助于了解电力系统的负荷组成，有利于掌握电力负荷的变化规律和发展趋势，也有利于对电力负荷的科学管理，在建设智能电网等方面具有重要意义。
目前负荷识别的研究对象大多以家用电器为主，不同的电器设备运行时，其电气特性不尽相同，呈现出每个电器设备独特的电力指纹。智能量测技术和信号处理技术可以快速获取电器设备的电力指纹信息，如何利用设备电力指纹信息对设备进行识别以及进一步提高识别精度是当前负荷识别研究的关键。现有的文献[Y.Lin and M.Tsai,"Development of an Improved Time–Frequency Analysis-Based Nonintrusive LoadMonitor for Load Demand Identification,"in IEEE Transactions onInstrumentation and Measurement,vol.63,no.6,pp.1470-1483,June 2014.]使用数学优化算法解决问题时存在着求解效率低的问题，而[耿赫男,刘莉,庞新富.基于人工神经网络的非侵入式居民用电负荷识别方法[J].沈阳工程学院学报(自然科学版),2019,15(03):236-240.]利用智能优化算法进行电器设备识别时也没有考虑将多种模型进行结合以提高识别效果。
发明内容
本发明提供了一种基于电力指纹的电器设备识别方法。该方法首先构建电器设备电力指纹特征数据库，然后基于此特征库，采用集成学习的思路和方法训练得到识别模型，用于识别各种电器设备。
本发明至少通过如下技术方案之一实现。
一种基于电力指纹的电器设备识别方法，包括以下步骤：
步骤S1、采集电器设备的电力指纹信息，构建用于识别电器设备的特征数据库，并划分训练集、验证集和测试集；
步骤S2、选取若干种现有的分类学习模型，利用步骤S1中得到的训练集，通过交叉验证的方法分别对选定的各个分类模型进行训练，生成初级学习器和次级训练集；
步骤S3、选取另一种分类学习模型，利用步骤S2中得到的次级训练集对该分类模型进行训练；
步骤S4、集成电器设备识别模型，使用步骤S1中划分的验证集验证电器设备识别模型性能，调整参数后使用测试集进行测试；
步骤S5、将待识别电器设备的电力指纹数据，输入电器设备识别模型进行设备类型的识别。
进一步地，步骤S1所述的电力指纹信息包括电器设备的电压电流有效值、有功功率、无功功率、功率因数、各次电流谐波含量。
进一步地，所述初级学习器选取神经网络、支持向量机、梯度提升树、随机森林4种分类模型。
进一步地，所述次级学习器选取逻辑回归模型。
进一步地，步骤S2的训练过程如下：
对选定的每一个分类模型，采用k折交叉验证的方法进行训练，初始训练集
Figure BDA0002396271500000021
Figure BDA0002396271500000022
其中Ntrain为初始训练集样本容量，xi表示样本特征向量，yi表示当前样本的设备类型标记，i＝1，2，...，Ntrain，将训练集D随机划分为K个大小相似的集合D1，D2，...，Dk，令Dj表示第j折的测试集，则
Figure BDA0002396271500000023
表示第j折的训练集，j＝1，2，...，K；选定T个分类模型，则各初级学习器
Figure BDA0002396271500000024
通过在训练集
Figure BDA0002396271500000025
上使用第t个分类模型得到，其中t＝1，2，...，T；对Dj中每个样本特征向量xi，次级训练集中每个样本特征向量的元素
Figure BDA0002396271500000026
则由初级训练集各样本特征向量xi所产生的次级训练集每个样本的特征向量为zi＝(zi1，zi2，...，ziT)，标记部分仍为yi，则当整个交叉验证训练过程结束后，从这T个分类模型产生的次级训练集为
Figure BDA0002396271500000027
此训练过程实际上起到了特征转换的过程，将电器设备的电气特征向量转换为一个T维的特征向量，向量中的元素为T种初始学习器预测结果的输出。
进一步地，步骤S4的集成是将步骤S3中训练得到的分类模型作为次级学习器与步骤S2中训练得到的初级学习器结合，得到输入→初级学习器→次级学习器→输出结构的电器设备识别模型。
与现有技术相比，本发明的有益效果是：
(1)使用交叉验证的方法训练初级学习器，可以评估模型的预测性能，尤其是训练好的模型在新数据上的表现，可以在一定程度上减小过拟合，还可以从有限的数据中获取尽可能多的有效信息。
(2)使用学习法策略构建一种有层次的融合模型进行电器设备识别，结合多种模型判断结果，模型性能好，识别准确度高。
附图说明
图1为本实施例一种基于电力指纹的电器设备识别方法的流程图；
图2为本实施例的模型训练过程示意图；
图3为本实施例的测试过程示意图。
具体实施方式
下面结合附图对本发明进一步说明。
如图1所示的一种基于电力指纹的电器设备识别方法，包括以下步骤：
步骤S1、采集电器设备的电力指纹信息，构建用于识别电器设备的特征数据库，并划分训练集、验证集和测试集。
所述的电力指纹信息即特征数据库包括电器设备的电压电流有效值、有功功率、无功功率、功率因数、各次电流谐波含量。
通过传感器对电器设备的电压、电流进行测量，得到电压电流离散数据，通过积分计算得到电压电流的有效值，然后经过功率计算可以得到有功功率、无功功率和功率因数，经过傅立叶变换可以得到电流信号各次谐波含量。上述电器设备的电压电流有效值、有功功率、无功功率、功率因数、歌词电流谐波含量作为设备识别的特征构成一个具体的样本，通过采集大量样本构建电器设备电力指纹数据库，最后以6∶2∶2的比例将样本划分为训练集、验证集和测试集。
步骤S2、选取若干种现有的分类学习模型，利用步骤S1中得到的训练集，通过交叉验证的方法分别对选定的各个分类模型进行训练，生成初级学习器和次级训练集。
本实施例中，步骤S2所述的分类学习模型选取神经网络、支持向量机、梯度提升树、随机森林4种模型。
对每一个初级学习器，采用k折交叉验证的方法进行训练，训练过程如下：
如图2所示，初始训练集
Figure BDA0002396271500000031
其中Ntrain为初始训练集样本容量，xi表示样本特征向量，yi表示当前样本的设备类型标记(i＝1，2，...，Ntrain)，将训练集D随机划分为K个大小相似的集合D1，D2，...，Dk。令Dj表示第j折的测试集，则
Figure BDA0002396271500000032
表示第j折的训练集(j＝1，2，...，K)。选定T个分类模型，则各初级学习器
Figure BDA0002396271500000033
可以通过在训练集
Figure BDA0002396271500000034
上使用第t个分类模型得到(t＝1，2，...，T)。对Dj中每个样本xi，次级训练集中每个样本特征向量的元素zit可以由
Figure BDA0002396271500000035
得到(t＝1，2，...，T)，则由初级训练集各样本特征向量xi所产生的次级训练集每个样本的特征向量为zi＝(zi1，zi2，...，ziT)，标记部分仍为yi，则当整个交叉验证训练过程结束后，从这T个分类模型产生的次级训练集为
Figure BDA0002396271500000036
此训练过程实际上起到了特征转换的过程，将电器设备的电气特征向量转换为一个T维的特征向量，向量中的元素为T种初始学习器预测结果的输出。
在该实施例中，取T为4，即步骤S2所述的分类学习模型选取神经网络、支持向量机、梯度提升树、随机森林四种模型，同时取k为5，使用5折交叉验证的方法训练初始学习器。
步骤S3、选取另一种分类学习模型，利用步骤S2中得到的次级训练集对该分类模型进行训练。
为了防止过拟合，此处的分类模型选取逻辑回归模型这一种较为简单的模型，使用步骤S2中得到的次级训练集D′对逻辑回归模型进行训练。
步骤S4、使用学习法的结合策略，即通过另外一个分类模型对若干个分类模型进行结合，最终形成一个两层结构的分类模型，将步骤S3中训练得到的分类模型作为次级学习器，与步骤S2中训练得到的初级学习器结合，得到“输入→初级学习器→次级学习器→输出”结构的电器设备识别模型，使用步骤S1中划分的验证集验证电器设备识别模型性能，调整参数后使用测试集进行测试。
使用验证集数据和测试集数据验证电器设备识别模型性能的过程与训练过程类似，如图3所示，测试集的样本容量为Ntest，对步骤S2中选取的每一种分类模型，用k折交叉验证过程生成的k个初级学习器分别对测试样本进行预测，则每个样本可以得到k个预测结果，组成维度为Ntest×k的初级预测结果空间，随后采用投票法将出现频率最高的结果作为该模型对该样本的预测结果，将各分类模型的预测结合得到次级测试集，再将次级测试集输入到次级学习器进行识别输出。度量分类模型性能的指标为常用的查准率、查全率与综合指标F1，调整参数过程包括对初级学习器进行调参和对次级学习器进行调参，具体调参方法视模型而定。
步骤S5、输入待识别电器设备的电力指纹数据进行设备类型的识别。
通过采样收集待识别设备的电力指纹数据，整理后输入电器设备识别模型进行电器设备识别。
本发明方法可以嵌入当前电网量测系统，充分利用高频负荷量测数据，实现对电器负荷的高级监测，对电力系统建立更完善的用电模型、实现更合理的调度规划以及对用户制定更合理的用电策略都有很大的作用。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于电力指纹的电器设备识别方法，其特征在于，包括以下步骤：
步骤S1、采集电器设备的电力指纹信息，构建用于识别电器设备的特征数据库，并划分训练集、验证集和测试集；
步骤S2、选取若干种现有的分类学习模型，利用步骤S1中得到的训练集，通过交叉验证的方法分别对选定的各个分类模型进行训练，生成初级学习器和次级训练集；
步骤S3、选取另一种分类学习模型，利用步骤S2中得到的次级训练集对该分类模型进行训练；
步骤S4、集成电器设备识别模型，使用步骤S1中划分的验证集验证电器设备识别模型性能，调整参数后使用测试集进行测试；
步骤S5、将待识别电器设备的电力指纹数据，输入电器设备识别模型进行设备类型的识别。
2.根据权利要求1所述的一种基于电力指纹的电器设备识别方法，其特征在于，步骤S1所述的电力指纹信息包括电器设备的电压电流有效值、有功功率、无功功率、功率因数、各次电流谐波含量。
3.根据权利要求1所述的一种基于电力指纹的电器设备识别方法，其特征在于，所述初级学习器选取神经网络、支持向量机、梯度提升树、随机森林4种分类模型。
4.根据权利要求1所述的一种基于电力指纹的电器设备识别方法，其特征在于，所述次级学习器选取逻辑回归模型。
5.根据权利要求1所述的一种基于电力指纹的电器设备识别方法，其特征在于，步骤S2的训练过程如下：
对选定的每一个分类模型，采用k折交叉验证的方法进行训练，初始训练集
Figure FDA0002396271490000011
Figure FDA0002396271490000012
其中Ntrain为初始训练集样本容量，xi表示样本特征向量，yi表示当前样本的设备类型标记，i＝1,2,…,Ntrain，将训练集D随机划分为K个大小相似的集合D1,D2,…,Dk，令Dj表示第j折的测试集，则
Figure FDA0002396271490000013
表示第j折的训练集，j＝1,2,…,K；选定T个分类模型，则各初级学习器
Figure FDA0002396271490000014
通过在训练集
Figure FDA0002396271490000015
上使用第t个分类模型得到，其中t＝1,2,…,T；对Dj中每个样本特征向量xi，次级训练集中每个样本特征向量的元素
Figure FDA0002396271490000016
则由初级训练集各样本特征向量xi所产生的次级训练集每个样本的特征向量为zi＝(zi1,zi2,…,ziT)，标记部分仍为yi，则当整个交叉验证训练过程结束后，从这T个分类模型产生的次级训练集为
Figure FDA0002396271490000017
此训练过程实际上起到了特征转换的过程，将电器设备的电气特征向量转换为一个T维的特征向量，向量中的元素为T种初始学习器预测结果的输出。
6.根据权利要求1所述的一种基于电力指纹的电器设备识别方法，其特征在于，步骤S4的集成是将步骤S3中训练得到的分类模型作为次级学习器与步骤S2中训练得到的初级学习器结合，得到输入→初级学习器→次级学习器→输出结构的电器设备识别模型。
CN202010132869.7A 2020-02-29 2020-02-29 一种基于电力指纹的电器设备识别方法 Active CN111368904B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010132869.7A CN111368904B (zh) 2020-02-29 2020-02-29 一种基于电力指纹的电器设备识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010132869.7A CN111368904B (zh) 2020-02-29 2020-02-29 一种基于电力指纹的电器设备识别方法

Publications (2)

Publication Number Publication Date
CN111368904A true CN111368904A (zh) 2020-07-03
CN111368904B CN111368904B (zh) 2023-05-23

Family

ID=71211629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010132869.7A Active CN111368904B (zh) 2020-02-29 2020-02-29 一种基于电力指纹的电器设备识别方法

Country Status (1)

Country Link
CN (1) CN111368904B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036469A (zh) * 2020-08-28 2020-12-04 上海积成能源科技有限公司 一种基于自回归和提升树算法的居民用电行为分析的系统及方法
CN112989131A (zh) * 2021-03-29 2021-06-18 广州水沐青华科技有限公司 一种图表示学习的电器设备电力指纹分解方法、存储介质及系统
CN113033633A (zh) * 2021-03-12 2021-06-25 贵州电网有限责任公司 一种结合电力指纹知识和神经网络的设备类型识别方法
CN113393121A (zh) * 2021-06-15 2021-09-14 贵州电网有限责任公司 一种基于负荷电力指纹特征的非侵入式负荷识别方法
CN114077874A (zh) * 2022-01-17 2022-02-22 广东工业大学 基于分段采样的段域神经网络回归方法、系统及存储介质
WO2022141330A1 (en) * 2020-12-31 2022-07-07 Guizhou Power Grid Company Limited A non-intrusive load identification method based on fingerprint characteristics of load power
CN115563511A (zh) * 2022-12-05 2023-01-03 广州水沐青华科技有限公司 一种基于机器学习的边缘侧电力指纹识别方法及装置
CN116881715A (zh) * 2023-07-11 2023-10-13 南方电网电力科技股份有限公司 一种锅炉积灰状态预测方法、系统、设备和介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108804696A (zh) * 2018-06-15 2018-11-13 深圳华建电力工程设计有限公司 电力用户电器指纹库的创建方法及其系统
CN110208022A (zh) * 2019-06-12 2019-09-06 济南雷森科技有限公司 基于机器学习的电力设备多特征音频指纹故障诊断方法及系统
CN110544177A (zh) * 2019-08-15 2019-12-06 广州水沐青华科技有限公司 基于电力指纹的负荷识别方法及计算机可读存储介质
CN110764064A (zh) * 2019-11-08 2020-02-07 哈尔滨工业大学 基于深度卷积神经网络集成的雷达干扰信号识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108804696A (zh) * 2018-06-15 2018-11-13 深圳华建电力工程设计有限公司 电力用户电器指纹库的创建方法及其系统
CN110208022A (zh) * 2019-06-12 2019-09-06 济南雷森科技有限公司 基于机器学习的电力设备多特征音频指纹故障诊断方法及系统
CN110544177A (zh) * 2019-08-15 2019-12-06 广州水沐青华科技有限公司 基于电力指纹的负荷识别方法及计算机可读存储介质
CN110764064A (zh) * 2019-11-08 2020-02-07 哈尔滨工业大学 基于深度卷积神经网络集成的雷达干扰信号识别方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036469A (zh) * 2020-08-28 2020-12-04 上海积成能源科技有限公司 一种基于自回归和提升树算法的居民用电行为分析的系统及方法
WO2022141330A1 (en) * 2020-12-31 2022-07-07 Guizhou Power Grid Company Limited A non-intrusive load identification method based on fingerprint characteristics of load power
CN113033633A (zh) * 2021-03-12 2021-06-25 贵州电网有限责任公司 一种结合电力指纹知识和神经网络的设备类型识别方法
CN113033633B (zh) * 2021-03-12 2022-12-09 贵州电网有限责任公司 一种结合电力指纹知识和神经网络的设备类型识别方法
CN112989131A (zh) * 2021-03-29 2021-06-18 广州水沐青华科技有限公司 一种图表示学习的电器设备电力指纹分解方法、存储介质及系统
CN112989131B (zh) * 2021-03-29 2023-04-07 广州水沐青华科技有限公司 一种图表示学习的电器设备电力指纹分解方法、存储介质及系统
CN113393121A (zh) * 2021-06-15 2021-09-14 贵州电网有限责任公司 一种基于负荷电力指纹特征的非侵入式负荷识别方法
CN114077874A (zh) * 2022-01-17 2022-02-22 广东工业大学 基于分段采样的段域神经网络回归方法、系统及存储介质
CN115563511A (zh) * 2022-12-05 2023-01-03 广州水沐青华科技有限公司 一种基于机器学习的边缘侧电力指纹识别方法及装置
CN115563511B (zh) * 2022-12-05 2023-03-10 广州水沐青华科技有限公司 一种基于机器学习的边缘侧电力指纹识别方法及装置
CN116881715A (zh) * 2023-07-11 2023-10-13 南方电网电力科技股份有限公司 一种锅炉积灰状态预测方法、系统、设备和介质

Also Published As

Publication number Publication date
CN111368904B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN111368904B (zh) 一种基于电力指纹的电器设备识别方法
CN106845717B (zh) 一种基于多模型融合策略的能源效率评价方法
CN111612650B (zh) 一种基于dtw距离的电力用户分群方法及系统
CN112561156A (zh) 基于用户负荷模式分类的短期电力负荷预测方法
CN109145949A (zh) 基于集成学习的非侵入式电力负荷监测与分解方法及系统
CN106909933A (zh) 一种三阶段多视角特征融合的窃电分类预测方法
CN110689162B (zh) 一种基于用户侧分类的母线负荷预测方法、装置及系统
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
Li et al. A nonintrusive load identification model based on time-frequency features fusion
CN111628494B (zh) 一种基于逻辑回归法的低压配电网拓扑识别方法及系统
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
CN107067143A (zh) 一种设备安全等级分类方法
Zhang et al. A new medium and long-term power load forecasting method considering policy factors
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN113659564B (zh) 基于电压波动特征聚类的低压配电网拓扑识别方法及系统
CN117559443A (zh) 尖峰负荷下大工业用户集群有序用电控制方法
CN111626559A (zh) 一种基于主因子分析法的中压配电网线损关键特征指标提取方法及系统
Paul et al. An intelligent system for domestic appliance identification using deep dense 1-D convolutional neural network
CN111090679A (zh) 基于时序影响和图嵌入的时序数据表示学习方法
CN111080089A (zh) 一种基于随机矩阵理论的线损率关键因子确定方法和装置
Du et al. Feature Selection-Based Low Voltage AC Arc Fault Diagnosis Method
CN115545422A (zh) 一种基于改进决策机制的台区户变关系识别方法
CN111539275B (zh) 一种基于负载特性可视化的电气负载分类方法和系统
RongQi et al. Research of Power User Load Classification Method Based on K-means and FSVM
Liu et al. Research and application of grid-based integrated evaluation and management of distribution grid

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