CN111583063B - 基于标准模板营业起始和终止时间检测方法和存储介质 - Google Patents
基于标准模板营业起始和终止时间检测方法和存储介质 Download PDFInfo
- Publication number
- CN111583063B CN111583063B CN202010392721.7A CN202010392721A CN111583063B CN 111583063 B CN111583063 B CN 111583063B CN 202010392721 A CN202010392721 A CN 202010392721A CN 111583063 B CN111583063 B CN 111583063B
- Authority
- CN
- China
- Prior art keywords
- power curve
- business
- data
- tested
- power
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 230000005611 electricity Effects 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 230000002354 daily effect Effects 0.000 claims description 18
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000011084 recovery Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于标准模板营业起始和终止时间检测方法和存储介质,解决的技术问题为如何利用电力数据开展商业用户营业时长的测算。本发明包括依据处理后的待测用户日用电数据,生成待测试功率曲线,将待测试功率曲线与理想参考功率曲线族进行相关性计算,所述理想参考功率曲线族从标准模板中提取。本发明可通过商户用电数据,快速准确地计算营业起始时刻和终止时刻,并据此计算营业时长,为疫情防护和政府掌握商业恢复提供了有价值的参考。
Description
技术领域
本发明涉及电网技术领域,具体涉及基于标准模板营业起始和终止时间检测方法和存储介质。
背景技术
各级政府一边抓防疫,一边采集措施推动经济有序恢复。在开展商业体恢复情况监测和评价中,商业用户有效营业时长是评价指标之一。通过商户营业时长的测算及其变化情况的刻画,可以为政策制定者掌握城市商业恢复情况及疫情防控提供有益参考。此外,作为包括商业用户在内的电力用户的典型特征,负荷的主要生产时段也是开展用户特征标签化、画像等方面研究的重要数据维度。
随着电网智能化进程的加快,智能电表的覆盖率不断提升,采集数据的广度和频度不断增加,电力数据也呈海量增长趋势。在此背景下,基于负荷特征的分析由于可以更加精准直观的反映电力负荷、客户的特点,受到越来越多的关注。面向电力用户的画像技术,融合了负荷模式,可在多种维度反映用户特征,为提升客户优质服务水平、增强源网荷互动水平奠定了基础。因此,利用电力数据开展商业用户营业时长的测算,具有良好的基础。
发明内容
本发明所要解决的技术问题是:如何利用电力数据开展商业用户营业时长的测算,本发明提供了解决上述问题的基于标准模板营业起始和终止时间检测方法和存储介质。
本发明通过下述技术方案实现:
基于标准模板营业起始和终止时间检测方法,包括以下步骤:
S1:从用电信息采集系统中抽取待测用户日用电数据,编号待测用户日用电数据,对于每个待测用户日用电数据进行清洗和预处理;
S2:依据所述S1中的处理后的待测用户日用电数据,生成待测试功率曲线,将待测试功率曲线与理想参考功率曲线族进行相关性计算,所述理想参考功率曲线族从标准模板中提取,所述理想参考功率曲线包括营业起始时间参考功率曲线族和营业终止时间参考功率曲线族;
相关性计算包括,对待测试功率曲线以12点时间节点拆分后,上半段待测试功率曲线与营业起始时间参考功率曲线族计算相关性系数,得到相关性系数最大的营业起始时间参考功率曲线对应的营业起始时间作为待测用户的营业起始时间输出;
下半段待测试功率曲线与营业终止时间参考功率曲线族计算相关性系数,得到相关性系数最大的营业终止时间参考功率曲线对应的营业终止时间作为待测用户的营业终止时间输出;
S3:结合所述S2得到的待测用户的营业起始时间和营业终止时间,二者相减取绝对值得到待测用户营业时长。
进一步地,基于用电信息采集系统中智能电表每15分钟采集一个数据点,获取每个商户每天的功率数据为96个,数据间隔为15分钟。
进一步地,所述S1中的对数据进行清洗包括空值处理、异常偏大处理,所述S1中的对数据进行预处理包括数据标幺化;
其中,数据清洗中的空值和异常偏大数据的清洗处理方法为:将空值点或异常偏大点数据替换为于时间早于空值点或异常偏大点的最临近功率数据;异常偏大点的识别方法为:若目标点功率数据>待测用户运行容量,将目标点判定为异常偏大点,其中,数据标幺化的方法为:
进一步地,所述S2具体为:
第1到48个时刻的功率,对应商户从0点0分-11点45分的用电功率,选取第1到48个功率作为起始时刻检测功率曲线,起始时刻检测功率曲线为上半段待测试功率曲线;
分别选取第1到48个计数时刻为营业起始时间,生成48条理想参考功率曲线R={r1,r2,…,r48};
计算待测试功率曲线1至48个功率点组成的功率曲线T={t1,t2,…,t48}和48条理想参考功率曲线R的相关性系数,取相关性系数最大的理想参考功率曲线对应的营业起始时间作为待测用户的营业起始时间输出;
第49到96个时刻的功率,对应待测用户从12点0分-23点45分的用电功率,选取第49到96个功率作为结束时刻检测功率曲线,结束时刻检测功率曲线为下半段待测试功率曲线;
分别选取第49到96个计数时刻为营业结束时间,生成48条理想参考功率曲线W={w1,w2,…,w48};
计算待测试功率曲线49至96个功率点组成的功率曲线T’={t49,t50,…,t96}和48条理想参考功率曲线W的相关性系数,取相关性系数最大的理想参考功率曲线对应的营业结束时间作待测用户的营业终止时间输出。
其中,T={t1,t2,…,t48},表示测试功率曲线;R={r1,r2,…,r48},表示参考功率曲线;cov(T,R)表示测试曲线与参考曲线的协方差;σT和σR分别表示测试功率曲线T和参考功率曲线R的标准差。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述中任一所述方法的步骤。
本发明具有如下的优点和有益效果:
本发明可通过商户用电数据,快速准确地计算营业起始时刻和终止时刻,并据此计算营业时长,为疫情防护和政府掌握商业恢复提供了有价值的参考。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明的流程示意图。
图2为本发明的实施例中商户的日用电功率曲线图。
图3为本发明的实施例中标准化处理后的商户的日用电功率曲线图。
图4为本发明的实施例中商户实际功率曲线和理想功率曲线对比图。
具体实施方式
在对本发明的任意实施例进行详细的描述之前,应该理解本发明的应用不局限于下面的说明或附图中所示的结构的细节。本发明可采用其它的实施例,并且可以以各种方式被实施或被执行。基于本发明中的实施例,本领域普通技术人员在没有做出创造性改进前提下所获得的所有其它实施例,均属于本发明保护的范围。
基于标准模板营业起始和终止时间检测方法,如图1所示,包括以下步骤:
S1:从用电信息采集系统中抽取待测用户日用电数据,编号待测用户日用电数据,对于每个待测用户日用电数据进行清洗和预处理;
S2:依据所述S1中的处理后的待测用户日用电数据,生成待测试功率曲线,将待测试功率曲线与理想参考功率曲线族进行相关性计算,所述理想参考功率曲线族从标准模板中提取,所述理想参考功率曲线包括营业起始时间参考功率曲线族和营业终止时间参考功率曲线族;
相关性计算包括,对待测试功率曲线以12点时间节点拆分后,上半段待测试功率曲线与营业起始时间参考功率曲线族计算相关性系数,得到相关性系数最大的营业起始时间参考功率曲线对应的营业起始时间作为待测用户的营业起始时间输出;
下半段待测试功率曲线与营业终止时间参考功率曲线族计算相关性系数,得到相关性系数最大的营业终止时间参考功率曲线对应的营业终止时间作为待测用户的营业终止时间输出;
S3:结合所述S2得到的待测用户的营业起始时间和营业终止时间,二者相减取绝对值得到待测用户营业时长。
进一步地,基于用电信息采集系统中智能电表每15分钟采集一个数据点,获取每个商户每天的功率数据为96个,数据间隔为15分钟。
进一步地,所述S1中的对数据进行清洗包括空值处理、异常偏大处理,所述S1中的对数据进行预处理包括数据标幺化;
其中,数据清洗中的空值和异常偏大数据的清洗处理方法为:将空值点或异常偏大点数据替换为于时间早于空值点或异常偏大点的最临近功率数据;异常偏大点的识别方法为:若目标点功率数据>待测用户运行容量,将目标点判定为异常偏大点,其中,数据标幺化的方法为:
第1到48个时刻的功率,对应商户从0点0分-11点45分的用电功率,选取第1到48个功率作为起始时刻检测功率曲线,起始时刻检测功率曲线为上半段待测试功率曲线;分别选取第1到48个计数时刻为营业起始时间,例如,假定第i个计数时刻为营业起始时间,则对应的理想功率曲线中第1到i-1个计数时刻的功率为0,第i到48个计数时刻的功率为1;生成48条理想参考功率曲线R={r1,r2,…,r48};计算待测试功率曲线1至48个功率点组成的功率曲线T={t1,t2,…,t48}和48条理想参考功率曲线R的相关性系数,取相关性系数最大的理想参考功率曲线对应的营业起始时间作为待测用户的营业起始时间输出;第49到96个时刻的功率,对应待测用户从12点0分-23点45分的用电功率,选取第49到96个功率作为结束时刻检测功率曲线,结束时刻检测功率曲线为下半段待测试功率曲线;分别选取第49到96个计数时刻为营业结束时间,生成48条理想参考功率曲线W={w1,w2,…,w48};计算待测试功率曲线49至96个功率点组成的功率曲线T’={t49,t50,…,t96}和48条理想参考功率曲线W的相关性系数,取相关性系数最大的理想参考功率曲线对应的营业结束时间作待测用户的营业终止时间输出。相关系数的计算方法为:
其中,T={t1,t2,…,t48},表示测试功率曲线;R={r1,r2,…,r48},表示参考功率曲线;cov(T,R)表示测试曲线与参考曲线的协方差;σT和σR分别表示测试功率曲线T和参考功率曲线R的标准差。
进一步的,一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本方法中的步骤。本方法的具体使用依赖大量计算,因此优选的通过计算机程序来实现上述计算过程,所以任何包含本方法中所保护的步骤的计算机程序及其存储介质也属于本申请的保护范围内。
实施例1:本例选取4家商户,该四家商户在某天的日功率曲线如图2所示,对4家商户的日功率曲线进行标准化处理后如图3所示,标准化处理后的日功率在0到1之间。利用与参考曲线的相关性分别计算该4家商户的营业起始时间和营业停止时间,该4家商户的功率实际曲线和理想曲线的对比如图4所示。可看出,利用相关性系数选出的理想曲线可以准确的捕捉商户用电功率突增突减时刻,即商户营业起始时间和营业结束时间,从而准确地计算出商户的日营业时长。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.基于标准模板营业起始和终止时间检测方法,其特征在于,包括以下步骤:
S1:从用电信息采集系统中抽取待测用户日用电数据,编号待测用户日用电数据,对于每个待测用户日用电数据进行清洗和预处理;
S2:依据所述S1中的处理后的待测用户日用电数据,生成待测试功率曲线,将待测试功率曲线与理想参考功率曲线族进行相关性计算,所述理想参考功率曲线族从标准模板中提取,所述理想参考功率曲线包括营业起始时间参考功率曲线族和营业终止时间参考功率曲线族;
相关性计算包括,对待测试功率曲线以12点时间节点拆分后,上半段待测试功率曲线与营业起始时间参考功率曲线族计算相关性系数,得到相关性系数最大的营业起始时间参考功率曲线对应的营业起始时间作为待测用户的营业起始时间输出;
下半段待测试功率曲线与营业终止时间参考功率曲线族计算相关性系数,得到相关性系数最大的营业终止时间参考功率曲线对应的营业终止时间作为待测用户的营业终止时间输出;
S3:结合所述S2得到的待测用户的营业起始时间和营业终止时间,二者相减取绝对值得到待测用户营业时长;
基于用电信息采集系统中智能电表每15分钟采集一个数据点,获取每个商户每天的功率数据为96个,数据间隔为15分钟;
所述S1中的对数据进行清洗包括空值处理、异常偏大处理,所述S1中的对数据进行预处理包括数据标幺化;
其中,数据清洗中的空值和异常偏大数据的清洗处理方法为:将空值点或异常偏大点数据替换为于时间早于空值点或异常偏大点的最临近功率数据;异常偏大点的识别方法为:若目标点功率数据>待测用户运行容量,将目标点判定为异常偏大点,其中,数据标幺化的方法为:
所述S2具体为:
第1到48个时刻的功率,对应商户从0点0分-11点45分的用电功率,选取第1到48个功率作为起始时刻检测功率曲线,起始时刻检测功率曲线为上半段待测试功率曲线;
分别选取第1到48个计数时刻为营业起始时间,生成48条理想参考功率曲线R={r1,r2,…,r48};
计算待测试功率曲线1至48个功率点组成的功率曲线T={t1,t2,…,t48}和48条理想参考功率曲线R的相关性系数,取相关性系数最大的理想参考功率曲线对应的营业起始时间作为待测用户的营业起始时间输出;
第49到96个时刻的功率,对应待测用户从12点0分-23点45分的用电功率,选取第49到96个功率作为结束时刻检测功率曲线,结束时刻检测功率曲线为下半段待测试功率曲线;
分别选取第49到96个计数时刻为营业结束时间,生成48条理想参考功率曲线W={w1,w2,…,w48};
计算待测试功率曲线49至96个功率点组成的功率曲线T’={t49,t50,…,t96}和48条理想参考功率曲线W的相关性系数,取相关性系数最大的理想参考功率曲线对应的营业结束时间作待测用户的营业终止时间输出;
其中,T={t1,t2,…,t48},表示测试功率曲线;R={r1,r2,…,r48},表示参考功率曲线;cov(T,R)表示测试曲线与参考曲线的协方差;σT和σR分别表示测试功率曲线T和参考功率曲线R的标准差。
2.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010392721.7A CN111583063B (zh) | 2020-05-11 | 2020-05-11 | 基于标准模板营业起始和终止时间检测方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010392721.7A CN111583063B (zh) | 2020-05-11 | 2020-05-11 | 基于标准模板营业起始和终止时间检测方法和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583063A CN111583063A (zh) | 2020-08-25 |
CN111583063B true CN111583063B (zh) | 2022-07-01 |
Family
ID=72112164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010392721.7A Active CN111583063B (zh) | 2020-05-11 | 2020-05-11 | 基于标准模板营业起始和终止时间检测方法和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583063B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915889A (zh) * | 2014-03-13 | 2015-09-16 | 湖南大学 | 一种基于日负荷曲线在线获取综合负荷模型参数的方法 |
CN106557835A (zh) * | 2016-10-24 | 2017-04-05 | 南方电网科学研究院有限责任公司 | 基于景气指数的用电量预测方法和系统 |
CN106682999A (zh) * | 2016-11-18 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 电力用户基线负荷计算方法及装置 |
CN107657544A (zh) * | 2017-09-14 | 2018-02-02 | 国网辽宁省电力有限公司 | 一种改进的电费自动缴纳方法及系统 |
CN110245771A (zh) * | 2018-03-09 | 2019-09-17 | 亿可能源科技(上海)有限公司 | 需量预测方法、需量控制方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002269470A (ja) * | 2001-03-09 | 2002-09-20 | Hitachi Ltd | 分散型電源事業の需要家情報開示・契約方法 |
-
2020
- 2020-05-11 CN CN202010392721.7A patent/CN111583063B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915889A (zh) * | 2014-03-13 | 2015-09-16 | 湖南大学 | 一种基于日负荷曲线在线获取综合负荷模型参数的方法 |
CN106557835A (zh) * | 2016-10-24 | 2017-04-05 | 南方电网科学研究院有限责任公司 | 基于景气指数的用电量预测方法和系统 |
CN106682999A (zh) * | 2016-11-18 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 电力用户基线负荷计算方法及装置 |
CN107657544A (zh) * | 2017-09-14 | 2018-02-02 | 国网辽宁省电力有限公司 | 一种改进的电费自动缴纳方法及系统 |
CN110245771A (zh) * | 2018-03-09 | 2019-09-17 | 亿可能源科技(上海)有限公司 | 需量预测方法、需量控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111583063A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN109583680B (zh) | 一种基于支持向量机的窃电辨识方法 | |
EP2595098A2 (en) | Method and system for detecting an appliance based on users' feedback information | |
CN111382789B (zh) | 基于机器学习的电力负荷识别方法及系统 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN109583679A (zh) | 一种多算法融合的窃电疑似度分析方法 | |
CN110047013B (zh) | 反专变用户间断型窃电方法 | |
CN112285494A (zh) | 一种电力电缆局部放电模式识别分析系统 | |
CN106680621A (zh) | 一种基于电流信号分离的居民负荷用电识别方法 | |
CN110852906B (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
EP4001936A1 (en) | Automatic partial discharge and noise signals separation using arithmetic coding in time domain and magnitude distributions in frequency domain | |
CN111583063B (zh) | 基于标准模板营业起始和终止时间检测方法和存储介质 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 | |
CN113076354A (zh) | 一种基于非侵入式负荷监测的用户用电数据分析方法和装置 | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
CN103809020A (zh) | 互联电网低频振荡频率和阻尼估计值联合置信区间的确定方法 | |
CN112132442A (zh) | 一种间歇启停电热工况下负荷辨识效果的评价方法 | |
CN110658385B (zh) | 一种基于复化梯形法的用电量分类计量方法 | |
CN111583064B (zh) | 基于动态时间规整的负荷生产时段检测方法和存储介质 | |
Kaddour et al. | Event Detection for Non-intrusive Load Monitoring using Tukey s Fences | |
Davarzani et al. | Study of missing meter data impact on domestic load profiles clustering and characterization | |
CN117992931B (zh) | 一种直流信号特征库与参比信号模型建立系统及方法 | |
CN112711613B (zh) | 基于智能判断用电行为的电器偏好分析方法 | |
CN113420436B (zh) | 基于gru和arima-t的非侵入式事件检测方法 | |
CN117745123A (zh) | 一种基于多维特征的变电站电压暂降综合评估方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |