CN111461189B - 基于非侵入式量测技术的居民节律检测方法 - Google Patents
基于非侵入式量测技术的居民节律检测方法 Download PDFInfo
- Publication number
- CN111461189B CN111461189B CN202010206444.6A CN202010206444A CN111461189B CN 111461189 B CN111461189 B CN 111461189B CN 202010206444 A CN202010206444 A CN 202010206444A CN 111461189 B CN111461189 B CN 111461189B
- Authority
- CN
- China
- Prior art keywords
- power
- load
- current
- harmonic
- resident
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了基于非侵入式量测技术的居民节律检测方法,该方法包括以下步骤:建立含已知负荷功率和电流谐波信息的原始负荷特征库,运用非监督学习方法构造每个用户独有的负荷字典;通过分析居民的实时用电数据,求解混合整数规划问题,即可得出居民房间内电器的种类和运行状态;设计基于电力大数据的决策树模型,对居民昼夜节律进行检测。本发明提供的基于非侵入式量测技术的居民节律检测方法能为相关政府、科研机构提供研究居民节律的基本数据,具有广大的社会价值和科研价值。
Description
技术领域
本发明涉及居民节律检测方法,具体涉及基于非侵入式量测技术的居民节律检测方法,属于智能物联网技术领域。
背景技术
现代社会随着人造光源和用电设备的普及和生活内容的丰富,人类社会一直以来的日出而作、日落而息的生活习惯被打破,作息时间越来越不规律。生物节律紊乱引起的早衰性疾病(包括卵巢早衰等)和代谢性紊乱疾病(包括糖尿病、肥胖症等)以及癌症的发病率正在逐年增加。随着这些健康问题的日益突出,人类生物节律相关的研究吸引着越来越多研究机构和学者们的关注。
为了研究人的作息时间,需要一种长时间的、大规模的、可靠的、能代表普遍情况的数据来源,电力大数据就是一个绝佳的选择。随着电网的大规模升级,通讯技术的发展,智能电表和高级计量系统的不断普及,当前电力系统在提供可靠电能供给的同时能够提供巨量的用电数据。以往,这些数据主要被用在负荷预测、需求侧响应、智能用能管理等传统领域。而并没有将其应用于居民节律的检测,即通过对一个地区居民的用电情况进行研究处理和分析,进而得到大规模(百万甚至千万)人类样本的生物节律。
凭借电力大数据,我们将发现几十年之内人类生物节律的变迁,将有能力研究人类生物节律紊乱与疾病和衰老之间的规律,将为未来智慧养老项目提供可靠的居民节律数据,推动未来大数据工程进步。
发明内容
本发明所要解决的技术问题是:提供基于非侵入式量测技术的居民节律检测方法,以非侵入的方式测出居民房间内电器的种类和运行状态,同时设计基于电力大数据的决策树模型,对居民昼夜节律进行准确检测,进一步提高未来社区网格化管理的效率。
本发明为解决上述技术问题采用以下技术方案:
基于非侵入式量测技术的居民节律检测方法,包括如下步骤:
步骤1,根据已知电器的负荷功率信息和电流谐波信息建立原始负荷特征库,所述原始负荷特征库包括电器的有功功率下限、有功功率上限、功率因数、基波电流、三次谐波电流、五次谐波电流、七次谐波电流以及电器编号;
步骤2,设定第一阈值,获取居民房间内所有电器整体的功率曲线,当功率曲线上前、后两个时刻的功率变化量超过第一阈值时,判断为有效功率变化,否则为无效功率变化;当判断为有效功率变化时,采用基于可变窗口的快速暂态事件检测方法判断功率曲线是否进入稳态;
步骤3,对于居民房间内只有基波电流数据的负荷,依照其功率判别其种类;对于居民房间内的其他负荷,首先在原始负荷特征库中找到其有功功率和功率因数满足条件的类别,即其有功功率在满足条件的类别对应的有功功率下限和有功功率上限之间,其功率因数与满足条件的类别对应的功率因数相同,然后根据电流谐波向量投影最大原则判别其在满足条件的类别中的具体种类;从而得到居民房间内所有负荷的种类;
步骤4,对于居民房间内的每种负荷,获取其功率发生变化前的基波电流、三次谐波电流、五次谐波电流、七次谐波电流,以及功率发生变化后的基波电流、三次谐波电流、五次谐波电流、七次谐波电流,并计算其功率发生变化前后这四个数据对应的差值,采用非监督学习方法对所有差值进行训练,得到负荷字典;当检测到某个负荷存在至少两次功率变化时,将所有次功率变化对应的差值取平均再进行训练,得到负荷字典;
步骤5,将居民房间内所有电器的用电数据用负荷字典的原子进行稀疏表示,用电数据包括有功功率、无功功率、基波电流、三次谐波电流、五次谐波电流、七次谐波电流,进行负荷分解,将上述负荷分解问题转化为混合整数规划问题,用L1范数求解方法求解混合整数规划问题,从而得到居民房间内所有负荷的运行状态;
步骤6,根据居民房间内所有负荷的种类以及所有负荷的运行状态,构建决策树起床模型和决策树睡觉模型,根据决策树起床模型和决策树睡觉模型检测居民昼夜节律。
作为本发明的一种优选方案,所述步骤1的具体过程如下:
测量某个电器所有型号对应的负荷功率信息和电流谐波信息,包括有功功率下限、有功功率上限、功率因数、基波电流、三次谐波电流、五次谐波电流、七次谐波电流,对该电器的上述七个量进行概括,得到该电器的初始负荷特征;对所有电器重复前述操作得到初始负荷特征库,对初始负荷特征库中的数据进行归一化,并对每个电器进行编号,得到原始负荷特征库。
作为本发明的一种优选方案,步骤2所述采用基于可变窗口的快速暂态事件检测方法判断是否达到稳态,具体过程如下:
设定第二阈值,以功率曲线上功率发生跳变的时刻为中心,向左、右两边延伸窗口,当功率发生跳变的时刻左边相邻五个时刻对应的功率标准差小于第二阈值,且功率发生跳变的时刻右边相邻五个时刻对应的功率标准差小于第二阈值时,判断功率曲线进入稳态。
作为本发明的一种优选方案,步骤3所述根据电流谐波向量投影最大原则判别其在满足条件的类别中的具体种类,具体过程如下:
对于待判别负荷,获取其负荷运行时的基波电流、三次谐波电流、五次谐波电流、七次谐波电流四个向量,对这四个向量进行归一化,计算归一化后的向量在各个满足条件的类别上的投影,选择投影结果最大时对应的类别作为待判别负荷的种类。
作为本发明的一种优选方案,步骤6所述决策树起床模型的构建过程为:
将时间、开灯、打开厨具、打开与起床有关的家用电器作为样本属性值,将是否发生起床事件作为标记值和预测目标,以信息增益最大为目标构造决策树起床模型。
作为本发明的一种优选方案,步骤6所述决策树睡觉模型的构建过程为:
将时间、关灯、关闭与睡觉有关的家用电器作为样本属性值,将是否发生睡觉事件作为标记值和预测目标,以信息增益最大为目标构造决策树睡觉模型。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明依靠电力大数据本身的可靠性和几乎24小时不间断的数据采集特性,分析“无法观测、大量、无偏、长时间、大范围”的人类节律,实现对节律的长期稳定的观测,为未来社区网格化管理、生物医学领域、政府民政系统等提供可靠的数据支持。
2、本发明提供的基于非侵入式量测技术的居民节律检测方法能为相关政府、科研机构提供研究居民节律的基本数据,具有广大的社会价值和科研价值。
附图说明
图1是本发明基于非侵入式量测技术的居民节律检测方法的流程图。
图2是负荷特征库的示例。
图3是居民房间内冰箱打开时的整体功率曲线。
图4是决策树模型结构。
图5是决策树起床模型结构。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
如图1所示,为本发明基于非侵入式量测技术的居民节律检测方法的流程图,该方法的具体步骤如下:
1、首先将字典学习算法应用于非侵入式量测技术,使得进行负荷分解时不必进行事件检测,而是直接用稳态数据得到负荷组成。根据已知负荷功率和电流谐波信息建立一个原始负荷特征库,并在此基础上运用非监督学习方法构造每个用户独有的负荷字典。本发明通过功率特征(包括有功功率和无功功率)和谐波特征相结合来识别和分解负荷。其中功率特性模型如下所示:
同时不同负荷的功率轨迹特性也不同,因此可以同时通过记录功率变化的时间窗来识别负荷。这个时间窗即事件窗口,是由智能电表测量说的用电数据中任何一对上升和下降阶跃变化(事件)之间的所有功率序列的集合。每个窗口包含边缘信息、功率序列、变化趋势、时间特征这四种类型的功率变化特征。
负荷样本库通过测量一定数量的每种负荷,概括得到该种负荷的普遍特征,收集这些特征并为每种负荷建立一个条目。一个负荷特征库的示例如图2所示,样本库中存储着相应负荷的有功功率的上下界、功率因数、运行时的基波电流、三次五次七次谐波电流经过归一化后的数据和负荷编号。
2、事件检测阶段:构造字典的过程中,通过基于可变窗口的事件检测方法来收集房间里的用电器的信息。实际的功率数据存在噪声、尖峰和叠加增加了检测事件的难度。通过设定一定量(如12w)作为第一阈值,既可以过滤掉噪声,又可以保留有效的功率变化信息。由于电器打开过程中的功率波动(尖峰),因此需要选择合适的窗口大小。
又由于对于不同用电器窗口的大小不宜相同,因此采用基于可变窗口的快速暂态事件检测方法。首先为了过滤大量不必要的计算开销,只有检测到一个超过阈值的变化量时,才依此确定窗口大小检测变化量。为了准确判断功率是否趋于稳定,以功率(电流)发生跳变的点为中心,检测范围向两边延伸,当检测到相邻若干个点的方差小于一个阈值时窗口不再延伸,判定已经达到稳态。
如图3所示,冰箱打开过程,由分析得,当变化点一侧连续5个数据标准差小于第二阈值(如3)时认为已经进入稳态。
3、在构建用户字典的过程中,判断负荷种类方面提出了一种电流谐波向量投影判别功率辅助判别的方法,能够准确识别负荷的种类。引入四维向量,四维分别对应该负荷运行时得基波、三次谐波、五次谐波和七次谐波经过归一化后得数据。分别计算待判别负荷得谐波向量在样本库中各负荷谐波向量方向上得投影,选择投影最大得一种负荷作为判别结果。可以证明,按照谐波投影最大原则可以选择电流各次谐波配比最接近的种类。可以通过计算内积来计算投影。
max dTSp (3)
其中,d是待判别负荷的谐波向量,Sp表示表示负荷库各原子的谐波向量。投影最大的原子即为与所检测的负荷最接近的原子。为了减少误判,同时必须保证负荷的有功功率和功率因数都在该类电器规定的范围内。对于线性元件,由于只有基波数据,依照功率区分种类。
经过动态变化过程数据的非监督学习训练后即可生成用户字典,字典包含用户室内的所有用电器数据。另外,构建字典的过程中当检测到同样的负荷第二次打开时,将字典中该负荷的数据与新数据取平均值进行更新,以使得字典数据更加准确。
4、生成用户字典后要将用电数据用字典原子进行稀疏表示,进行负荷分解。
即解决如下问题:
其中,Y表示当前用户用电数据,由有功功率、无功功率、电流谐波数据组成。M为用户字典,x为Y在字典M下的稀疏表示系数,λ为根据具体情况而定的权重常数。我们用字典原子线性叠加的方式找到当前用户的用电情况。把这个问题转化为L1范数求解的混合整数规划问题。
家用电器多为开关型元件,只有少数元件是多状态用电器或连续性用电器。其中多状态用电器也可以以处理开关型元件的方法处理,这表示系数矩阵x中的元素只能是整数,大多数情况下是0或1。考虑有部分电器功率连续可变,它们的系数可以取小数,因此为混合整数规划问题。同时把解的稀疏性作为约束条件,利用软件可以得到理想的负荷组成。
5、在居民节律检测方面引入了决策树模型,决策树模型的示意图如图4所示。
以起床事件为例,判断是否发生起床事件与以下因素有关:
(1)时间:当时的时间为何时,早上5时至9时为起床高峰时间,而其他时间起床事件发生概率小。
(2)开灯:开灯是一个与起床事件相关性很大的一个事件。
(3)打开厨房用具:居民起床后准备早餐的过程中常常用到厨房的电器。
(4)打开其他家用电器:电脑、电视等家用电器的打开与起床有一定关系。这里不包括冰箱。
以上任意事件单独发生都不能充分说明发生了起床事件。因此我们建立起床事件的决策树模型。首先为模型选择样例的属性值。根据以上分析,是否开灯、是否打开厨具、是否打开其他家用电器、时间可以作为四个属性。其中前三个属性为离散值,只有是和否的区别,而时间是连续值,因此做离散化处理。如何将时间合理地划分,即从几点开始划分以及共分为几个时间段,是一个复杂的问题。
引入信息熵与信息增益的概念来解决这个问题。假设当前样本集合D中一共含|y|类样本,其中第j类样本所占的比例为pj,则D的信息熵为:
Ent(D)的值越小,样本D的纯度越高。假设离散属性s有n个可能的取值,用s对样本集合D进行划分可得到n个子集Dn,计算每个子集Dn并求得集合D按照属性s进行划分的信息熵为:
一般情况下信息增益越大,本次划分得到的样本纯度越大,即划分更加成功。对于时间而言,我们希望划分为两段,取样本计算可得到使信息增益最大化时的时间段划分。
通过计算机训练可以最后生成决策树模型。示例如图5所示。判断睡觉与判断起床事件的决策树模型同理,只需要修改相应的属性值。
把时间、开灯、打开厨具等事件作为样本属性值,把是否发生起床事件、睡觉事件作为标记值和预测目标,以信息增益最大为目标构造决策树模型,是进行节律检测的具有可行性的方法。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (6)
1.基于非侵入式量测技术的居民节律检测方法,其特征在于,包括如下步骤:
步骤1,根据已知电器的负荷功率信息和电流谐波信息建立原始负荷特征库,所述原始负荷特征库包括电器的有功功率下限、有功功率上限、功率因数、基波电流、三次谐波电流、五次谐波电流、七次谐波电流以及电器编号;
步骤2,设定第一阈值,获取居民房间内所有电器整体的功率曲线,当功率曲线上前、后两个时刻的功率变化量超过第一阈值时,判断为有效功率变化,否则为无效功率变化;当判断为有效功率变化时,采用基于可变窗口的快速暂态事件检测方法判断功率曲线是否进入稳态;
步骤3,对于居民房间内只有基波电流数据的负荷,依照其功率判别其种类;对于居民房间内的其他负荷,首先在原始负荷特征库中找到其有功功率和功率因数满足条件的类别,即其有功功率在满足条件的类别对应的有功功率下限和有功功率上限之间,其功率因数与满足条件的类别对应的功率因数相同,然后根据电流谐波向量投影最大原则判别其在满足条件的类别中的具体种类;从而得到居民房间内所有负荷的种类;
步骤4,对于居民房间内的每种负荷,获取其功率发生变化前的基波电流、三次谐波电流、五次谐波电流、七次谐波电流,以及功率发生变化后的基波电流、三次谐波电流、五次谐波电流、七次谐波电流,并计算其功率发生变化前后这四个数据对应的差值,采用非监督学习方法对所有差值进行训练,得到负荷字典;当检测到某个负荷存在至少两次功率变化时,将所有次功率变化对应的差值取平均再进行训练,得到负荷字典;
步骤5,将居民房间内所有电器的用电数据用负荷字典的原子进行稀疏表示,用电数据包括有功功率、无功功率、基波电流、三次谐波电流、五次谐波电流、七次谐波电流,进行负荷分解,将上述负荷分解问题转化为混合整数规划问题,用L1范数求解方法求解混合整数规划问题,从而得到居民房间内所有负荷的运行状态;
步骤6,根据居民房间内所有负荷的种类以及所有负荷的运行状态,构建决策树起床模型和决策树睡觉模型,根据决策树起床模型和决策树睡觉模型检测居民昼夜节律。
2.根据权利要求1所述基于非侵入式量测技术的居民节律检测方法,其特征在于,所述步骤1的具体过程如下:
测量某个电器所有型号对应的负荷功率信息和电流谐波信息,包括有功功率下限、有功功率上限、功率因数、基波电流、三次谐波电流、五次谐波电流、七次谐波电流,对该电器的上述七个量进行概括,得到该电器的初始负荷特征;对所有电器重复前述操作得到初始负荷特征库,对初始负荷特征库中的数据进行归一化,并对每个电器进行编号,得到原始负荷特征库。
3.根据权利要求1所述基于非侵入式量测技术的居民节律检测方法,其特征在于,步骤2所述采用基于可变窗口的快速暂态事件检测方法判断是否达到稳态,具体过程如下:
设定第二阈值,以功率曲线上功率发生跳变的时刻为中心,向左、右两边延伸窗口,当功率发生跳变的时刻左边相邻五个时刻对应的功率标准差小于第二阈值,且功率发生跳变的时刻右边相邻五个时刻对应的功率标准差小于第二阈值时,判断功率曲线进入稳态。
4.根据权利要求1所述基于非侵入式量测技术的居民节律检测方法,其特征在于,步骤3所述根据电流谐波向量投影最大原则判别其在满足条件的类别中的具体种类,具体过程如下:
对于待判别负荷,获取其负荷运行时的基波电流、三次谐波电流、五次谐波电流、七次谐波电流四个向量,对这四个向量进行归一化,计算归一化后的向量在各个满足条件的类别上的投影,选择投影结果最大时对应的类别作为待判别负荷的种类。
5.根据权利要求1所述基于非侵入式量测技术的居民节律检测方法,其特征在于,步骤6所述决策树起床模型的构建过程为:
将时间、开灯、打开厨具、打开与起床有关的家用电器作为样本属性值,将是否发生起床事件作为标记值和预测目标,以信息增益最大为目标构造决策树起床模型。
6.根据权利要求1所述基于非侵入式量测技术的居民节律检测方法,其特征在于,步骤6所述决策树睡觉模型的构建过程为:
将时间、关灯、关闭与睡觉有关的家用电器作为样本属性值,将是否发生睡觉事件作为标记值和预测目标,以信息增益最大为目标构造决策树睡觉模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010206444.6A CN111461189B (zh) | 2020-03-23 | 2020-03-23 | 基于非侵入式量测技术的居民节律检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010206444.6A CN111461189B (zh) | 2020-03-23 | 2020-03-23 | 基于非侵入式量测技术的居民节律检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461189A CN111461189A (zh) | 2020-07-28 |
CN111461189B true CN111461189B (zh) | 2022-11-15 |
Family
ID=71685686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010206444.6A Active CN111461189B (zh) | 2020-03-23 | 2020-03-23 | 基于非侵入式量测技术的居民节律检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461189B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898694B (zh) * | 2020-08-07 | 2021-09-17 | 广东电网有限责任公司计量中心 | 一种基于随机树分类的非入侵式负荷识别方法及装置 |
CN112035793B (zh) * | 2020-08-20 | 2023-11-10 | 国网湖南省电力有限公司 | 基于离散二阶导数的电机类电器非介入式辨识方法及系统 |
CN112149510B (zh) * | 2020-08-27 | 2022-05-10 | 广东工业大学 | 一种非侵入式负荷检测方法 |
CN112560977B (zh) * | 2020-12-23 | 2022-09-27 | 华北电力大学(保定) | 基于稀疏分类器阶层式算法的非侵入式负荷分解方法 |
CN113514717B (zh) * | 2021-04-22 | 2022-09-27 | 微企(天津)信息技术有限公司 | 一种非侵入式电力负荷监测系统 |
CN113469502B (zh) * | 2021-06-08 | 2023-08-15 | 广西大学 | 一种基于字典学习的区别分组非侵入式负荷分解方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109345409A (zh) * | 2018-09-10 | 2019-02-15 | 国家电网有限公司 | 一种基于宽带载波的居民用户综合能效管理方法 |
-
2020
- 2020-03-23 CN CN202010206444.6A patent/CN111461189B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109345409A (zh) * | 2018-09-10 | 2019-02-15 | 国家电网有限公司 | 一种基于宽带载波的居民用户综合能效管理方法 |
Non-Patent Citations (1)
Title |
---|
基于非侵入式负荷监测的居民用电行为分析;周明等;《电网技术》;20180827(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111461189A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461189B (zh) | 基于非侵入式量测技术的居民节律检测方法 | |
Adeleke et al. | Prediction of municipal solid waste generation: an investigation of the effect of clustering techniques and parameters on ANFIS model performance | |
CN108376262B (zh) | 一种风电出力典型特性的分析模型构建方法 | |
US20110307200A1 (en) | Recognizing multiple appliance operating states using circuit-level electrical information | |
Tian | A state-of-the-art review on wind power deterministic prediction | |
Liu et al. | An improved non-intrusive load disaggregation algorithm and its application | |
Sun et al. | Non-intrusive load monitoring system framework and load disaggregation algorithms: a survey | |
Wu et al. | A time-efficient factorial hidden Semi-Markov model for non-intrusive load monitoring | |
CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
Yu et al. | Non-intrusive load disaggregation by linear classifier group considering multi-feature integration | |
Wang et al. | A non-intrusive method of industrial load disaggregation based on load operating states and improved grey wolf algorithm | |
Mariño et al. | NILM: Multivariate DNN performance analysis with high frequency features | |
CN115146744B (zh) | 一种融合时间特征的电能表负荷实时辨识方法、识别系统 | |
Lyu et al. | Decomposing drivers of changes in productive and domestic water use based on the logarithmic mean Divisia index method: a regional comparison in Northern China | |
Chen et al. | A power quality evaluation method for distribution system with renewable energy | |
Gao et al. | Distributed onshore wind farm siting using intelligent optimization algorithm based on spatial and temporal variability of wind energy | |
Nahid et al. | Home occupancy classification using machine learning techniques along with feature selection | |
CN114186631A (zh) | 一种基于非侵入式智能终端的负荷识别方法 | |
Yu et al. | Residential load forecasting based on electricity consumption pattern clustering | |
Li et al. | A fusion framework using integrated neural network model for non-intrusive load monitoring | |
CN112241922A (zh) | 基于改进朴素贝叶斯分类的电网资产综合价值评估方法 | |
Zhao et al. | Analysis the Consumption Behavior Based on Weekly Load Correlation and K-means Clustering Algorithm | |
CN111695599B (zh) | 一种用户用电负荷时间弹性识别方法 | |
Lu et al. | Main control factors affecting mechanical oil recovery efficiency in complex blocks identified using the improved k-means algorithm | |
Yu et al. | Nonintrusive load disaggregation method based on graph signal processing |
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 |