CN112051462A - 基于大数据的负荷分解实现方法及系统 - Google Patents
基于大数据的负荷分解实现方法及系统 Download PDFInfo
- Publication number
- CN112051462A CN112051462A CN202010720307.4A CN202010720307A CN112051462A CN 112051462 A CN112051462 A CN 112051462A CN 202010720307 A CN202010720307 A CN 202010720307A CN 112051462 A CN112051462 A CN 112051462A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- decomposition
- user
- load decomposition
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000005611 electricity Effects 0.000 claims abstract description 29
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 5
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000005265 energy consumption Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 238000013524 data verification Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 230000001052 transient effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000002898 library design Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Abstract
本发明公开了基于大数据的负荷分解实现方法及系统,所述方法及系统包括用户用电设备负荷特征库的建立、用户用电数据非侵入式负荷分解、用户用电数据的采集和负荷分解数据准确度验证,所述用户用电设备负荷特征库是整个项目的基础,基于负荷特性样本数据分析提取各种用电设备的负荷特征,将样本数据和特征数据存储到力负荷特性特征库中,所述用户用电数据非侵入式负荷分解是依托负荷特征库中的特征数据,利用相应的模型算法和机器学习技术,实现基于非侵入式用户用电设备负荷分解的模型算法。本发明基于大数据的负荷分解实现方法及系统通过运用非侵入式负荷分解技术将会提高用户用电的电能利用效率,促进电力资源的优化配置,适合广泛推广并使用。
Description
技术领域
本发明属于电力系统及其自动化技术领域,具体涉及基于大数据的负荷分解实现方法及系统。
背景技术
为了提高用户的用电体验和精细化管理电力营销,全面掌握电力用户的用电行为特征越来越重要。通过非侵入式负荷分解技术,可以为居民用户提供详实的家庭能效信息,帮助用户分析家庭能耗构成,使用户了解自身行为习惯对于家庭能效的影响,从而引导用户自觉地采取节能措施,并养成节能行为习惯,同时为用户提供个性化的用电设备节能控制策略服务。
非侵入式负荷分解于20世纪80年代由MIT团队的Hart G.W.首次提出,目的是为了降低负荷监测的硬件成本,以便使电力公司在使用尽可能少设备的情况下获取较为具体的电能数据。1997年,美国电科院开展了“非侵入式负荷监控系统”(Non-IntrusiveAppliance Load Monitoring System,NIALMS)项目,该项目构建了多处理器的电力负荷暂态事件检测系统,用于对整个建筑负荷进行跟踪与分解。Srinivasan等开发了一种基于神经网络的非侵入式检测方法,但该方法无法在不同电压下对不同的负荷进行分类研究。2012年J.F.Martins等人基于S变换提出一个新的非侵入式电力负荷监测模式,并提出了相应的监测步骤。2011—2014年,Tsai M.S.等总结了非侵入式负荷分解的发展,并提出将暂态过程电流作为特征,利用遗传算法进行特征优化,该方法对暂态过程的识别具有良好的效果。
在国内,非侵入式电力负荷分解研究起步相对较晚,但近年来发展迅速。牛卢巧提出了一种信号预处理算法——基于滑动窗的双边累积和(CUSUM)暂态事件自动检测算法,该方法可用来进行暂态过程的检测,从而为暂态过程的判别创造了条件。同年,黎鹏基于功率信号,对系统稳态时非侵入式负荷分解做了相关研究,提出了最优求解法和表格法,在负荷较少时,能够有效实现系统稳态时的非侵入式负荷分解。2013年,余贻鑫等从负荷印记入手,阐述了非侵入式负荷分解的基本原理和求解方法。
发明内容
本发明的目的在于提供基于大数据的负荷分解实现方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于大数据的负荷分解实现方法及系统,包括所述方法及系统包括用户用电设备负荷特征库的建立、用户用电数据非侵入式负荷分解、用户用电数据的采集和负荷分解数据准确度验证,所述用户用电设备负荷特征库是整个项目的基础,基于负荷特性样本数据分析提取各种用电设备的负荷特征,将样本数据和特征数据存储到力负荷特性特征库中,所述用户用电数据非侵入式负荷分解是依托负荷特征库中的特征数据,利用相应的模型算法和机器学习技术,实现基于非侵入式用户用电设备负荷分解的模型算法,所述用户用电数据的采集是为下一步负荷分解数据准确度验证提供数据支撑,所述负荷分解数据准确度验证是对居民用户非侵入式负荷分解模型进行实际的数据验证,确保数据分解的准确性和可用性,并分析用户的用能特征,包括高耗能电器识别、建立居民用户用电行为标签和居民用户用电节能建议。
进一步地,所述用户用电设备负荷特征库在建立过程中,需结合对居民用户用电设备的了解,以及用电设备的用电特征,来确定影响用户用电设备的相关电力数据,包括负荷、电压、电流、电量等数据信息,规划建立用电设备负荷特征库,并采集用户常用用电设备的负荷特征数据,进行用电设备的负荷特征提取。
进一步地,所述用户用电数据非侵入式负荷分解内容包括用户用电数据的负荷分解算法、负荷分解模型设计以及基于大数据的负荷分解实现三部分构成。
进一步地,所述用户用电数据的负荷分解过程包括数据特征提取、数据拟合算法、数据向量相似度分析等关键步骤。
进一步地,所述数据特征提取可实现用户各种用电设备不同状态的特征量数据的提取,所述数据拟合算法可实现各种用电设备不同状态数据的最优组合方法,所述数据向量相似度分析可实现组合向量与目标向量的相似度分析,确定负荷分解组合的有效性。
进一步地,所述负荷分解模型设计中的数据分解包括负荷数据分解、电压数据分解、电流数据分解和电量数据分解,以利用负荷数据、电压数据、电流数据、电量数据之间的内在关联关系,可更加准确地实现用户负荷的分解。
进一步地,所述基于大数据的负荷分解包括以下方面:
数据清洗。通过采集设备对用户的负荷进行监测,并对数据进行必要的清洗,去除无效或异常的数据,并将监测的负荷数据按照统一的数据规范存储到数据库或分布式文件系统中,作为负荷分解使用的数据对象。
数据接入。通过ETL技术将监测的负荷信息与负荷样本数据接入大数据平台,并对数据质量进行正确性、完整性、一致性、完备性、有效性验证。
数据分析建模。在大数据平台上基于负荷特性特征库样本数据信息,完成数据的分析与建模工作。选择算法完成数据样本信息的特征识别,建立特征识别模型。
模型评估。在大数据平台上,利用样本数据对模型进行验证与评估,分析模型负荷分解结果,分析模型识别的准确率,不断完善模型,提高模型的可靠程度和精准程度。
进一步地,所述用户用电数据的采集具体为自行采样或合作数据采样,所述自行数据采样是通过采样设备对电器设备的各状态负荷进行采样,所述合作数据采样是指通过与家电企业、家电联盟等机构合作进行数据采样。
与现有技术相比,本发明的有益效果是:
本发明基于大数据的负荷分解实现方法及系统通过运用非侵入式负荷分解技术能对用户用能行为进行精确高效分析,并根据居民用户的用电行为特征建立居民用电行为特征标签,分析居民用户用电设备的用能信息,可反映居民用户的节能成效,并为用户提供节能建议。进而将会提高用户用电的电能利用效率,促进电力资源的优化配置。
附图说明
图1为本发明基于大数据的负荷分解实现方法及系统的复合特性特征库设计示意图。
图2为本发明基于大数据的负荷分解实现方法及系统的数据采集流程示意图。
具体实施方式
如图1-2所示,基于大数据的负荷分解实现方法及系统,包括所述方法及系统包括用户用电设备负荷特征库的建立、用户用电数据非侵入式负荷分解、用户用电数据的采集和负荷分解数据准确度验证,所述用户用电设备负荷特征库是整个项目的基础,基于负荷特性样本数据分析提取各种用电设备的负荷特征,将样本数据和特征数据存储到力负荷特性特征库中,所述用户用电数据非侵入式负荷分解是依托负荷特征库中的特征数据,利用相应的模型算法和机器学习技术,实现基于非侵入式用户用电设备负荷分解的模型算法,所述用户用电数据的采集是为下一步负荷分解数据准确度验证提供数据支撑,所述负荷分解数据准确度验证是对居民用户非侵入式负荷分解模型进行实际的数据验证,确保数据分解的准确性和可用性,并分析用户的用能特征,包括高耗能电器识别、建立居民用户用电行为标签和居民用户用电节能建议。
其中,所述用户用电设备负荷特征库在建立过程中,需结合对居民用户用电设备的了解,以及用电设备的用电特征,来确定影响用户用电设备的相关电力数据,包括负荷、电压、电流、电量等数据信息,规划建立用电设备负荷特征库,并采集用户常用用电设备的负荷特征数据,进行用电设备的负荷特征提取。
其中,所述用户用电数据非侵入式负荷分解内容包括用户用电数据的负荷分解算法、负荷分解模型设计以及基于大数据的负荷分解实现三部分构成。
其中,所述用户用电数据的负荷分解过程包括数据特征提取、数据拟合算法、数据向量相似度分析等关键步骤。
其中,所述数据特征提取可实现用户各种用电设备不同状态的特征量数据的提取,所述数据拟合算法可实现各种用电设备不同状态数据的最优组合方法,所述数据向量相似度分析可实现组合向量与目标向量的相似度分析,确定负荷分解组合的有效性。
其中,所述负荷分解模型设计中的数据分解包括负荷数据分解、电压数据分解、电流数据分解和电量数据分解,以利用负荷数据、电压数据、电流数据、电量数据之间的内在关联关系,可更加准确地实现用户负荷的分解。
其中,所述基于大数据的负荷分解包括以下方面:
数据清洗。通过采集设备对用户的负荷进行监测,并对数据进行必要的清洗,去除无效或异常的数据,并将监测的负荷数据按照统一的数据规范存储到数据库或分布式文件系统中,作为负荷分解使用的数据对象。
数据接入。通过ETL技术将监测的负荷信息与负荷样本数据接入大数据平台,并对数据质量进行正确性、完整性、一致性、完备性、有效性验证。
数据分析建模。在大数据平台上基于负荷特性特征库样本数据信息,完成数据的分析与建模工作。选择算法完成数据样本信息的特征识别,建立特征识别模型。
模型评估。在大数据平台上,利用样本数据对模型进行验证与评估,分析模型负荷分解结果,分析模型识别的准确率,不断完善模型,提高模型的可靠程度和精准程度。
其中,所述用户用电数据的采集具体为自行采样或合作数据采样,所述自行数据采样是通过采样设备对电器设备的各状态负荷进行采样,所述合作数据采样是指通过与家电企业、家电联盟等机构合作进行数据采样。
本发明的工作原理及使用流程:
第一步:用户用电设备负荷特征库的建立是整个项目的基础,基于负荷特性样本数据分析提取各种用电设备的负荷特征,将样本数据和特征数据存储到力负荷特性特征库中,并且在建立过程中,需结合对居民用户用电设备的了解,以及用电设备的用电特征,来确定影响用户用电设备的相关电力数据,包括负荷、电压、电流、电量等数据信息,规划建立用电设备负荷特征库,并采集用户常用用电设备的负荷特征数据,进行用电设备的负荷特征提取;
第二步:用户用电数据非侵入式负荷分解是依托负荷特征库中的特征数据,利用相应的模型算法和机器学习技术,实现基于非侵入式用户用电设备负荷分解的模型算法;
第三步:用户用电数据的采集是为下一步负荷分解数据准确度验证提供数据支撑,具体为自行采样或合作数据采样,所述自行数据采样是通过采样设备对电器设备的各状态负荷进行采样,所述合作数据采样是指通过与家电企业、家电联盟等机构合作进行数据采样;
第四步:进行负荷分解数据准确度验证是对居民用户非侵入式负荷分解模型进行实际的数据验证,确保数据分解的准确性和可用性,并分析用户的用能特征,包括高耗能电器识别、建立居民用户用电行为标签和居民用户用电节能建议。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.基于大数据的负荷分解实现方法及系统,其特征在于:所述方法及系统包括用户用电设备负荷特征库的建立、用户用电数据非侵入式负荷分解、用户用电数据的采集和负荷分解数据准确度验证,所述用户用电设备负荷特征库是整个项目的基础,基于负荷特性样本数据分析提取各种用电设备的负荷特征,将样本数据和特征数据存储到力负荷特性特征库中,所述用户用电数据非侵入式负荷分解是依托负荷特征库中的特征数据,利用相应的模型算法和机器学习技术,实现基于非侵入式用户用电设备负荷分解的模型算法,所述用户用电数据的采集是为下一步负荷分解数据准确度验证提供数据支撑,所述负荷分解数据准确度验证是对居民用户非侵入式负荷分解模型进行实际的数据验证,确保数据分解的准确性和可用性,并分析用户的用能特征,包括高耗能电器识别、建立居民用户用电行为标签和居民用户用电节能建议。
2.根据权利要求1所述的基于大数据的负荷分解实现方法及系统,其特征在于:所述用户用电设备负荷特征库在建立过程中,需结合对居民用户用电设备的了解,以及用电设备的用电特征,来确定影响用户用电设备的相关电力数据,包括负荷、电压、电流、电量等数据信息,规划建立用电设备负荷特征库,并采集用户常用用电设备的负荷特征数据,进行用电设备的负荷特征提取。
3.根据权利要求1所述的基于大数据的负荷分解实现方法及系统,其特征在于:所述用户用电数据非侵入式负荷分解内容包括用户用电数据的负荷分解算法、负荷分解模型设计以及基于大数据的负荷分解实现三部分构成。
4.根据权利要求3所述的基于大数据的负荷分解实现方法及系统,其特征在于:所述用户用电数据的负荷分解过程包括数据特征提取、数据拟合算法、数据向量相似度分析等关键步骤。
5.根据权利要求4所述的基于大数据的负荷分解实现方法及系统,其特征在于:所述数据特征提取可实现用户各种用电设备不同状态的特征量数据的提取,所述数据拟合算法可实现各种用电设备不同状态数据的最优组合方法,所述数据向量相似度分析可实现组合向量与目标向量的相似度分析,确定负荷分解组合的有效性。
6.根据权利要求3所述的基于大数据的负荷分解实现方法及系统,其特征在于:所述负荷分解模型设计中的数据分解包括负荷数据分解、电压数据分解、电流数据分解和电量数据分解,以利用负荷数据、电压数据、电流数据、电量数据之间的内在关联关系,可更加准确地实现用户负荷的分解。
7.根据权利要求3所述的基于大数据的负荷分解实现方法及系统,其特征在于:所述基于大数据的负荷分解包括以下方面:
数据清洗。通过采集设备对用户的负荷进行监测,并对数据进行必要的清洗,去除无效或异常的数据,并将监测的负荷数据按照统一的数据规范存储到数据库或分布式文件系统中,作为负荷分解使用的数据对象。
数据接入。通过ETL技术将监测的负荷信息与负荷样本数据接入大数据平台,并对数据质量进行正确性、完整性、一致性、完备性、有效性验证。
数据分析建模。在大数据平台上基于负荷特性特征库样本数据信息,完成数据的分析与建模工作。选择算法完成数据样本信息的特征识别,建立特征识别模型。
模型评估。在大数据平台上,利用样本数据对模型进行验证与评估,分析模型负荷分解结果,分析模型识别的准确率,不断完善模型,提高模型的可靠程度和精准程度。
8.根据权利要求1所述的基于大数据的负荷分解实现方法及系统,其特征在于:所述用户用电数据的采集具体为自行采样或合作数据采样,所述自行数据采样是通过采样设备对电器设备的各状态负荷进行采样,所述合作数据采样是指通过与家电企业、家电联盟等机构合作进行数据采样。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010720307.4A CN112051462A (zh) | 2020-07-24 | 2020-07-24 | 基于大数据的负荷分解实现方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010720307.4A CN112051462A (zh) | 2020-07-24 | 2020-07-24 | 基于大数据的负荷分解实现方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112051462A true CN112051462A (zh) | 2020-12-08 |
Family
ID=73601078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010720307.4A Pending CN112051462A (zh) | 2020-07-24 | 2020-07-24 | 基于大数据的负荷分解实现方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112051462A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230070173A1 (en) * | 2020-11-30 | 2023-03-09 | China Electric Power Research Institute | Cloud-end collaborative system and method for load identification |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130231795A1 (en) * | 2012-03-02 | 2013-09-05 | Tata Consultancy Services Limited | Method and System for Optimizing a Composite Load Disaggregation |
CN106093652A (zh) * | 2016-07-07 | 2016-11-09 | 天津求实智源科技有限公司 | 一种具备自学习功能的非侵入式电力负荷监测系统与方法 |
CN108333423A (zh) * | 2017-12-27 | 2018-07-27 | 安徽机电职业技术学院 | 非侵入式居民电力负荷检测方法 |
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 |
CN111010602A (zh) * | 2019-12-25 | 2020-04-14 | 南京航灵信息科技有限公司 | 一种基于ai信息助手的个性化显示设置系统 |
-
2020
- 2020-07-24 CN CN202010720307.4A patent/CN112051462A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130231795A1 (en) * | 2012-03-02 | 2013-09-05 | Tata Consultancy Services Limited | Method and System for Optimizing a Composite Load Disaggregation |
CN106093652A (zh) * | 2016-07-07 | 2016-11-09 | 天津求实智源科技有限公司 | 一种具备自学习功能的非侵入式电力负荷监测系统与方法 |
CN108333423A (zh) * | 2017-12-27 | 2018-07-27 | 安徽机电职业技术学院 | 非侵入式居民电力负荷检测方法 |
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 |
CN111010602A (zh) * | 2019-12-25 | 2020-04-14 | 南京航灵信息科技有限公司 | 一种基于ai信息助手的个性化显示设置系统 |
Non-Patent Citations (4)
Title |
---|
刘世成等: "基于大数据的非侵入式负荷分解技术研究", 《电力信息与通信技术》 * |
周明等: "基于非侵入式负荷监测的居民用电行为分析", 《电网技术》 * |
周晨轶等: "基于贝叶斯准则的非侵入式负荷监测方法", 《浙江电力》 * |
梁如鑫等: "非侵入式家电智能识别与监测技术研究", 《科技创新与生产力》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230070173A1 (en) * | 2020-11-30 | 2023-03-09 | China Electric Power Research Institute | Cloud-end collaborative system and method for load identification |
US11841387B2 (en) * | 2020-11-30 | 2023-12-12 | China Electric Power Research Institute | Cloud-end collaborative system and method for load identification |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345409B (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
CN105823948A (zh) | 一种非干预式居民负荷识别方法 | |
CN104518567A (zh) | 一种用电设备状态在线跟踪方法及装置 | |
CN113902104A (zh) | 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法 | |
CN106093565A (zh) | 一种基于稳态特征波形匹配的电能分项计量方法及装置 | |
CN109325936A (zh) | 基于神经网络深度学习的配电设备缺陷图像识别终端及方法 | |
CN112615428A (zh) | 一种线损分析治理系统及方法 | |
Hamdi et al. | A new approach of electrical appliance identification in residential buildings | |
CN103018611B (zh) | 一种基于电流分解的非侵入式负载监测方法及系统 | |
Shen et al. | Short-term bus load forecasting method based on cnn-gru neural network | |
CN112051462A (zh) | 基于大数据的负荷分解实现方法及系统 | |
Suo et al. | Computer assistance analysis of power grid relay protection based on data mining | |
CN110930051A (zh) | 基于大数据分析的居民需求响应潜力分析系统及方法 | |
CN102799108B (zh) | 基于低频能耗信息的能耗解聚合方法及家庭能源管理系统 | |
CN102323975B (zh) | 基于iec61850模型文件的报文正确性判别方法 | |
CN117559443A (zh) | 尖峰负荷下大工业用户集群有序用电控制方法 | |
CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
CN102957202A (zh) | 集成型数据记录分析装置及comtrade分文件方法 | |
US20230070173A1 (en) | Cloud-end collaborative system and method for load identification | |
CN114200203A (zh) | 一种变电站计量装置故障监控方法和系统 | |
Guohua et al. | Research on non-intrusive load monitoring based on random forest algorithm | |
CN113985266B (zh) | 多智能电表集中化负荷识别方法 | |
Shuang et al. | A Method for Identifying Connectivity Relationship in Low-Voltage Area Based on Voltage Big Data | |
Wu et al. | Topology identification method of low-voltage distribution network based on measurement data of IOT devices | |
CN113486971B (zh) | 基于主成分分析和神经网络的用户状态识别方法、系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201208 |