CN112396087B - 基于智能电表的独居老人用电数据分析方法及装置 - Google Patents
基于智能电表的独居老人用电数据分析方法及装置 Download PDFInfo
- Publication number
- CN112396087B CN112396087B CN202011043880.2A CN202011043880A CN112396087B CN 112396087 B CN112396087 B CN 112396087B CN 202011043880 A CN202011043880 A CN 202011043880A CN 112396087 B CN112396087 B CN 112396087B
- Authority
- CN
- China
- Prior art keywords
- data
- electricity
- power consumption
- solitary old
- consumption 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000005611 electricity Effects 0.000 claims abstract description 161
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 238000010801 machine learning Methods 0.000 claims abstract description 37
- 230000004927 fusion Effects 0.000 claims abstract description 30
- 238000013145 classification model Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000006399 behavior Effects 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims description 50
- 238000001228 spectrum Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 238000011835 investigation Methods 0.000 abstract description 7
- 238000007418 data mining Methods 0.000 abstract description 2
- 230000002354 daily effect Effects 0.000 description 30
- 238000004364 calculation method Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明提出了一种基于智能电表的独居老人用电数据分析方法及装置,包括:通过智能电表采集住宅小区中所有用户的用电数据;根据预设的指标特征,从用电数据中提取出特征数据;将特征数据输入包含若干个机器学习分类器的融合分类模型,根据融合分类模型的分类结果判断特征数据对应的用户是否为独居老人;若判断是独居老人,对独居老人的特征数据进行用电异常分析,根据分析结果决定是否发出异常用电行为告警。与传统人工排查相比,本发明通过智能电表获取用电数据,并基于特征提取算法对用户的智能电表数据进行数据挖掘,再通过结合多种机器学习分类器的分类结果,提高识别独居老人的准确性,大大降低了人工排查成本。
Description
技术领域
本发明属于电力系统大数据领域,尤其涉及一种基于智能电表的独居老人用电数据分析方法及装置。
背景技术
随着大数据技术的发展以及智能电表普及率的提高,利用大数据分析用户用电行为的应用越来越多,通过分析用户的异常用电行为,能够及时发现用电系统出现的问题。在监控独居老人用电行为的应用场景下,现有的识别技术多数为人工上门排查,通过上门走访形式进行用户是否为独居老人的判断,排查成本大,消耗时间长,而实际情况中往往存在多个台区,其排查成本巨大,难以实现对独居老人用电行为进行实时监控与异常预警。
发明内容
为了解决现有技术中存在的缺点和不足,本发明提出了一种基于智能电表的独居老人用电数据分析方法,包括:
通过智能电表采集住宅小区中所有用户的用电数据;
根据预设的指标特征,从用电数据中提取出特征数据;
将特征数据输入包含若干个机器学习分类器的融合分类模型,根据融合分类模型的分类结果判断特征数据对应的用户是否为独居老人;
若判断是独居老人,对独居老人的特征数据进行用电异常分析,根据分析结果决定是否发出异常用电行为告警。
可选的,所述独居老人用电行为分析方法还包括对采集的用电数据进行数据预处理的过程,所述过程包括:
分析采集到的用电数据是否有缺失项,若有缺失项,则根据实际需要将其他采样点采集到的用电数据填充到缺失项上;
基于离群判定公式分析采集到的用电数据是否有离群点,若有离群点,则将离群点处的数据剔除。
具体的,所述离群判定公式为:
Q1-k(Q3-Q1)<xi<Q3+k(Q3-Q1);
其中,xi为采样到的第i列用电数据,Q1为xi的第一分位数,Q3为xi的第三分位数,k为人工设定的判定参数;
xi、Q1、Q3的取值范围均为正数,k为固定值。
可选的,所述根据预设的指标特征,从用电数据中提取出特征数据,包括:
基于采集到的用电数据,通过特征提取公式计算每个用户的指标特征对应的特征数据,所述指标特征包括日用电量均值、日用电量方差以及瞬时有功功率小波能量熵;
所述特征提取公式包括计算日用电量均值DP的公式一、计算日用电量方差σ2的公式二以及计算瞬时有功功率小波能量熵WEE的公式三:
其中,n为采样天数,xi,j表示第i个用户在第j天零点时采样到的总用电量,xi,j-1表示第i个用户在第j-1天零点时采样到的总用电量,μi为用户所有日用电量的均值;pm表示第m个尺度上小波能谱占总小波能谱的比值,Em为用户i的瞬时有功功率在第m个尺度上小波能谱,E为瞬时有功功率的总小波能谱;
n、i、j、m的取值范围为正整数,DP、σ2、xi,j、xi,j-1、μi的取值范围为正数,WEE、Em、E、pm的取值范围为实数。
可选的,所述将特征数据输入包含若干个机器学习分类器的融合分类模型,根据融合分类模型的分类结果判断特征数据对应的用户是否为独居老人,包括:
将特征数据分别输入融合分类模型中的各个机器学习分类器;
获取各个机器学习分类器的分类结果,若判断是独居老人的机器学习分类器的个数超过预设阈值,则判定输入的特征数据对应的用户为独居老人。
可选的,所述若判断是独居老人,对独居老人的特征数据进行用电异常分析,根据分析结果决定是否发出异常用电行为告警,包括:
计算独居老人正常用电时用电数据的平均值和方差,得到各个采样点的正常用电数据;
获取采样时刻T时的用电数据,基于T前后两个采样时刻的用电数据进行均值滤波;
将均值滤波后的用电数据与正常用电数据作差,若差值超过三倍方差线,则判定该独居老人在采样时刻T时的用电数据出现异常情况;
当用电数据出现异常情况时,发出异常用电行为告警。
本发明还基于同样的发明思路提出了一种基于智能电表的独居老人用电数据分析装置,所述独居老人用电数据分析装置包括:
采集装置:用于通过智能电表采集住宅小区中所有用户的用电数据;
特征提取装置:用于根据预设的指标特征,从用电数据中提取出特征数据;
判断装置:用于将特征数据输入包含若干个机器学习分类器的融合分类模型,根据融合分类模型的分类结果判断特征数据对应的用户是否为独居老人;
告警装置:用于判断是独居老人时,对独居老人的特征数据进行用电异常分析,根据分析结果决定是否发出异常用电行为告警。
可选的,所述独居老人用电数据分析装置还包括预处理装置,用于:
分析采集到的用电数据是否有缺失项,若有缺失项,则根据实际需要将其他采样点采集到的用电数据填充到缺失项上;
基于离群判定公式分析采集到的用电数据是否有离群点,若有离群点,则将离群点处的数据剔除。
所述特征提取装置具体用于:
基于采集到的用电数据,通过特征提取公式计算每个用户的指标特征对应的特征数据,所述指标特征包括日用电量均值、日用电量方差以及瞬时有功功率小波能量熵;
所述特征提取公式包括计算日用电量均值DP的公式一、计算日用电量方差σ2的公式二以及计算瞬时有功功率小波能量熵WEE的公式三;
其中,n为采样天数,xi,j表示第i个用户在第j天零点时采样到的总用电量,xi,j-1表示第i个用户在第j-1天零点时采样到的总用电量,μi为用户所有日用电量的均值;pm表示第m个尺度上小波能谱占总小波能谱的比值,Em为用户i的瞬时有功功率在第m个尺度上小波能谱,E为瞬时有功功率的总小波能谱;
n、i、j、m的取值范围为正整数,DP、σ2、xi,j、xi,j-1、μi的取值范围为正数,WEE、Em、E、pm的取值范围为实数。
可选的,所述判断装置具体用于:
将特征数据分别输入融合分类模型中的各个机器学习分类器;
获取各个机器学习分类器的分类结果,若判断是独居老人的机器学习分类器的个数超过预设阈值,则判定输入的特征数据对应的用户为独居老人。
本发明提供的技术方案带来的有益效果是:
与传统人工排查相比,本发明通过智能电表获取用电数据,并基于特征提取算法对用户的智能电表数据进行数据挖掘,再通过结合多种机器学习分类器的分类结果,提高识别独居老人的准确性,大大降低了人工排查成本,有利于电力公司对独居老人这一类特定用户群进行用电安全进行监控等个性化定制服务。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提出的基于智能电表的独居老人用电数据分析方法的流程示意图;
图2为智能电表所采集的用电数据样式;
图3为本发明提出的基于智能电表的独居老人用电数据分析装置的架构框图。
具体实施方式
为使本发明的结构和优点更加清楚,下面将结合附图对本发明的结构作进一步地描述。
实施例一
如图1所示,本发明提出了一种基于智能电表的独居老人用电数据分析方法,包括:
S1:通过智能电表采集住宅小区中所有用户的用电数据。
通过智能电表采集每个用户的用电数据,如图2所示,采集到的数据包括A相电压(V)、A相电流(A)、瞬时有功功率(kw)、正向有功总功率(kWh)、零线电流(A)以及总功率因数共6列数据。另外还包括用电数据的编号,如图2中的第一列数据100001,即代表编号为100001的用户,编号后的数据表示采样时间,数据样式例如“2019-08-30 23:45:00”表示采样时间为2019年8月30日的23点45分采样到的用电数据。后面的数据为每个用户的用电数据,以编号为100001的用户在2019年8月30日的23点45分采样到的用电数据为例,“227”表示A相电压227V,“0.649”表示A相电流0.649A,“0.0857”表示瞬时有功功率0.0857kw,“8680.01”表示正向有功总功率8680.01kwh,“0.657”表示零线电流0.657A,“0.584”表示总功率因数为0.578。其他数据以此类推,这里不再赘述。
采集到用电数据后还需要对进行数据预处理,包括数据填充和数据剔除两部分。其中,数据填充包括分析采集到的用电数据是否有缺失项,若有缺失项,则根据实际需要将其他采样点采集到的用电数据填充到缺失项上。利用pandas自带的函数库,直接调用填充程序算法,在一实施例中,将缺失项的前一个采样点采集到的用电数据填充到缺失项上;在另一实施例中,将缺失项前后的两个采样点采集到的用电数据的平均值填充到缺失项上。
数据剔除包括基于离群判定公式分析采集到的用电数据是否有离群点,若有离群点,则将离群点处的数据剔除。
基于统计学中的Tukey准则,所述离群判定公式为:
Q1-k(Q3-Q1)<xi<Q3+k(Q3-Q1);
其中,xi为采样到的第i列用电数据,Q1为xi的第一分位数,Q3为xi的第三分位数,k为人工设定的判定参数;
xi、Q1、Q3的取值范围均为正数,k为固定值,在本实施例中取值1.5。
通过数据预处理中的数据填充步骤,使每个用户的用电数据长度一致,便于后续对用电数据的分析处理。通过数据预处理中的数据剔除步骤进行离群点校验,减少明显错误的数据,提高了采集到的用电数据的准确性。
S2:根据预设的指标特征,从用电数据中提取出特征数据。
利用治理完的数据进行特征提取,指标特征的好坏决定了算法的正确率、鲁棒性。本实施例选用三个指标特征来区分是否为独居老人,分别为日用电量均值、日用电量方差以及瞬时有功功率小波能量熵,通过特征提取公式计算上述三个指标特征,包括计算日用电量均值DP的公式一、计算日用电量方差σ2的公式二以及计算瞬时有功功率小波能量熵WEE的公式三:
其中,n为采样天数,xi,j表示第i个用户在第j天零点时采样到的总用电量,xi,j-1表示第i个用户在第j-1天零点时采样到的总用电量,μi为用户所有日用电量的均值;pm表示第m个尺度上小波能谱占总小波能谱的比值,Em为用户i的瞬时有功功率在第m个尺度上小波能谱,E为瞬时有功功率的总小波能谱;
n、i、j、m的取值范围为正整数,DP、σ2、xi,j、xi,j-1、μi的取值范围为正数,WEE、Em、E、pm的取值范围为实数。
由公式一分别计算出所有用户在采样时间范围内的日用电量均值,独居老人用电量均值相比于非独居用户一般会小于非独居用户用电均值。由公式二计算所有用户在采样时间范围内的日用电量方差,即反映每个用户每日用电波动状况,独居老人用电模式较为固定,日用电量方差较小,该特征有利于区分用户类型。由公式三计算用户在采样时间范围内瞬时有功功率的小波小波能量熵,由于智能电表的采集数据序列使时间序列,可利用小波变换对其进行降噪处理,再计算出每个用户相电压、瞬时有功、零线电流,总功率因数4列数据的小波小波能量熵,作为该用户的用电特征。
在完成上述特征的提取之后,可以得到,对于每一个用户被处理为一个1×N的向量,其中N为指标特征的个数,在本实施例中由上述三种特征提取方法可确定为6,所以对于M个用户,其最终数据形式被处理为一个M×N的矩阵,数据形式如表1所示。
表1
通过计算用户的日用电量均值、日用电量方差以及瞬时有功功率小波能量熵,提取用户的用电特征,便于根据用电特征识别出独居老人。尤其是计算的瞬时有功功率小波能量熵,能够实现在样本有限的情况下提高识别的灵敏度。
S3:将特征数据输入包含若干个机器学习分类器的融合分类模型,根据融合分类模型的分类结果判断特征数据对应的用户是否为独居老人。
首先,将特征数据分别输入融合分类模型中的各个机器学习分类器,在本实施例中,选取的机器学习分类器包括但不限于XGboost、LightGBM、CatBoost、RandomForest、SVM。
获取上述各个机器学习分类器的分类结果,若判断是独居老人的机器学习分类器的个数超过预设阈值,则判定输入的特征数据对应的用户为独居老人。在本实施例中,分类结果中1代表判断是独居老人,0代表判断是非独居老人。例如:
在一实施例中,利用stacking模型将多个分类结果进行投票处理。输入某一个用户的特征数据后,当XGBoost分类结果为1,LightGBM预测为1,CatBoost预测为1,RandomForest预测为0,SVM预测为0,stacking模型的vote投票制根据少数服从多数原则,三个机器学习分类器分类结果为1,2个为0,所以最终结果为1,即融合分类模型判断该用户为独居老人。
在另一实施例中,输入某一个用户的特征数据后,假设预设阈值为4,获取各个机器学习分类器的分类结果,只有当4个以上的机器学习分类器输出的分类结果均为1时,才能够表示融合分类模型判断该用户为独居老人。
通过多个机器学习算法的融合提高识别结果的准确性,克服了单一机器学习算法在识别独居老人时的局限。
S4:若判断是独居老人,对独居老人的特征数据进行用电异常分析,根据分析结果决定是否发出异常用电行为告警。
计算独居老人的用电数据在预设时间段内的平均值和方差,得到各个采样点的正常用电数据。平均值Xmean(i,j)的计算公式为
方差的计算公式为
其中,Xmean(i,j)表示用户i在第j个采样点的用电数据平均值,j的取值范围为0到24之间的正整数,n为智能电表的采样天数,xi,j为用户i在每天第j个采样点采集到的用电数据。Xmean(i,j)、xi,j、的取值范围为正数,i、n的取值范围为正整数。
获取采样时刻T时的用电数据,基于T前后两个采样时刻的用电数据进行均值滤波;将均值滤波后的用电数据与正常用电数据作差,若差值超过三倍方差线,即当时,判定该独居老人在采样时刻T时的用电数据出现异常情况,其中xi,T为用户在采样时刻T采集到的用电数据,xi,T-1、xi,T+1分别为用户i在采样时刻T的前一时刻和后一时刻采集到的用电数据。
当用电数据出现异常情况时,发出异常用电行为告警。如当出现异常情况时,电力公司的电力驾驶舱发出异常用电行为告警,显示出异常情况发生的位置,经过现场排查家中电力系统线路问题如电器短路等,从而保证独居老人的人身财产安全。
实施例二
如图3所示,本发明提出了一种基于智能电表的独居老人用电数据分析装置5,包括:
采集装置51:用于通过智能电表采集住宅小区中所有用户的用电数据。
通过智能电表采集每个用户的用电数据,如图2所示,采集到的数据包括A相电压(V)、A相电流(A)、瞬时有功功率(kw)、正向有功总功率(kWh)、零线电流(A)以及总功率因数共6列数据。另外还包括用电数据的编号,如图2中的第一列数据100001,即代表编号为100001的用户,编号后的数据表示采样时间,数据样式例如“2019-08-30 23:45:00”表示采样时间为2019年8月30日的23点45分采样到的用电数据。后面的数据为每个用户的用电数据,以编号为100001的用户在2019年8月30日的23点45分采样到的用电数据为例,“227”表示A相电压227V,“0.649”表示A相电流0.649A,“0.0857”表示瞬时有功功率0.0857kw,“8680.01”表示正向有功总功率8680.01kwh,“0.657”表示零线电流0.657A,“0.584”表示总功率因数为0.578。其他数据以此类推,这里不再赘述。
采集到用电数据后还需要对进行数据预处理,包括数据填充和数据剔除两部分。其中,数据填充包括分析采集到的用电数据是否有缺失项,若有缺失项,则根据实际需要将其他采样点采集到的用电数据填充到缺失项上。利用pandas自带的函数库,直接调用填充程序算法,在一实施例中,将缺失项的前一个采样点采集到的用电数据填充到缺失项上;在另一实施例中,将缺失项前后的两个采样点采集到的用电数据的平均值填充到缺失项上。
数据剔除包括基于离群判定公式分析采集到的用电数据是否有离群点,若有离群点,则将离群点处的数据剔除。
基于统计学中的Tukey准则,所述离群判定公式为:
Q1-k(Q3-Q1)<xi<Q3+k(Q3-Q1);
其中,xi为采样到的第i列用电数据,Q1为xi的第一分位数,Q3为xi的第三分位数,k为人工设定的判定参数;
xi、Q1、Q3的取值范围均为正数,k为固定值,在本实施例中取值1.5。
通过数据预处理中的数据填充步骤,使每个用户的用电数据长度一致,便于后续对用电数据的分析处理。通过数据预处理中的数据剔除步骤进行离群点校验,减少明显错误的数据,提高了采集到的用电数据的准确性。
特征提取装置52:用于根据预设的指标特征,从用电数据中提取出特征数据。
利用治理完的数据进行特征提取,指标特征的好坏决定了算法的正确率、鲁棒性。本实施例选用三个指标特征来区分是否为独居老人,分别为日用电量均值、日用电量方差以及瞬时有功功率小波能量熵,通过特征提取公式计算上述三个指标特征,包括计算日用电量均值DP的公式一、计算日用电量方差σ2的公式二以及计算瞬时有功功率小波能量熵WEE的公式三:
其中,n为采样天数,xi,j表示第i个用户在第j天零点时采样到的总用电量,xi,j-1表示第i个用户在第j-1天零点时采样到的总用电量,μi为用户所有日用电量的均值;pm表示第m个尺度上小波能谱占总小波能谱的比值,Em为用户i的瞬时有功功率在第m个尺度上小波能谱,E为瞬时有功功率的总小波能谱;
n、i、j、m的取值范围为正整数,DP、σ2、xi,j、xi,j-1、μi的取值范围为正数,WEE、Em、E、pm的取值范围为实数。
由公式一分别计算出所有用户在采样时间范围内的日用电量均值,独居老人用电量均值相比于非独居用户一般会小于非独居用户用电均值。由公式二计算所有用户在采样时间范围内的日用电量方差,即反映每个用户每日用电波动状况,独居老人用电模式较为固定,日用电量方差较小,该特征有利于区分用户类型。由公式三计算用户在采样时间范围内瞬时有功功率的小波小波能量熵,由于智能电表的采集数据序列使时间序列,可利用小波变换对其进行降噪处理,再计算出每个用户相电压、瞬时有功、零线电流,总功率因数4列数据的小波小波能量熵,作为该用户的用电特征。
在完成上述特征的提取之后,可以得到,对于每一个用户被处理为一个1×N的向量,其中N为指标特征的个数,在本实施例中由上述三种特征提取方法可确定为6,所以对于M个用户,其最终数据形式被处理为一个M×N的矩阵,数据形式如表1所示。
表1
通过计算用户的日用电量均值、日用电量方差以及瞬时有功功率小波能量熵,提取用户的用电特征,便于根据用电特征识别出独居老人。尤其是计算的瞬时有功功率小波能量熵,能够实现在样本有限的情况下提高识别的灵敏度。
判断装置53:用于将特征数据输入包含若干个机器学习分类器的融合分类模型,根据融合分类模型的分类结果判断特征数据对应的用户是否为独居老人。
首先,将特征数据分别输入融合分类模型中的各个机器学习分类器,在本实施例中,选取的机器学习分类器包括但不限于XGboost、LightGBM、CatBoost、RandomForest、SVM。
获取上述各个机器学习分类器的分类结果,若判断是独居老人的机器学习分类器的个数超过预设阈值,则判定输入的特征数据对应的用户为独居老人。在本实施例中,分类结果中1代表判断是独居老人,0代表判断是非独居老人。例如:
在一实施例中,利用stacking模型将多个分类结果进行投票处理。输入某一个用户的特征数据后,当XGBoost分类结果为1,LightGBM预测为1,CatBoost预测为1,RandomForest预测为0,SVM预测为0,stacking模型的vote投票制根据少数服从多数原则,三个机器学习分类器分类结果为1,2个为0,所以最终结果为1,即融合分类模型判断该用户为独居老人。
在另一实施例中,输入某一个用户的特征数据后,假设预设阈值为4,获取各个机器学习分类器的分类结果,只有当4个以上的机器学习分类器输出的分类结果均为1时,才能够表示融合分类模型判断该用户为独居老人。
通过多个机器学习算法的融合提高识别结果的准确性,克服了单一机器学习算法在识别独居老人时的局限。
告警装置54:用于判断是独居老人时,对独居老人的特征数据进行用电异常分析,根据分析结果决定是否发出异常用电行为告警。
计算独居老人的用电数据在预设时间段内的平均值和方差,得到各个采样点的正常用电数据。平均值Xmean(i,j)的计算公式为
方差的计算公式为
其中,Xmean(i,j)表示用户i在第j个采样点的用电数据平均值,j的取值范围为0到24之间的正整数,n为智能电表的采样天数,xi,j为用户i在每天第j个采样点采集到的用电数据。Xmean(i,j)、xi,j、的取值范围为正数,i、n的取值范围为正整数。
获取采样时刻T时的用电数据,基于T前后两个采样时刻的用电数据进行均值滤波;将均值滤波后的用电数据与正常用电数据作差,若差值超过三倍方差线,即当时,判定该独居老人在采样时刻T时的用电数据出现异常情况,其中xi,T为用户在采样时刻T采集到的用电数据,xi,T-1、xi,T+1分别为用户i在采样时刻T的前一时刻和后一时刻采集到的用电数据。
当用电数据出现异常情况时,发出异常用电行为告警。如当出现异常情况时,电力公司的电力驾驶舱发出异常用电行为告警,显示出异常情况发生的位置,经过现场排查家中电力系统线路问题如电器短路等,从而保证独居老人的人身财产安全。
上述实施例中的各个序号仅仅为了描述,不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于智能电表的独居老人用电数据分析方法,其特征在于,所述独居老人用电数据分析方法包括:
通过智能电表采集住宅小区中所有用户的用电数据;
根据预设的指标特征,从用电数据中提取出特征数据;
将特征数据输入包含若干个机器学习分类器的融合分类模型,根据融合分类模型的分类结果判断特征数据对应的用户是否为独居老人;
若判断是独居老人,对独居老人的特征数据进行用电异常分析,根据分析结果决定是否发出异常用电行为告警;
所述根据预设的指标特征,从用电数据中提取出特征数据,包括:
基于采集到的用电数据,通过特征提取公式计算每个用户的指标特征对应的特征数据,所述指标特征包括日用电量均值、日用电量方差以及瞬时有功功率小波能量熵;
所述特征提取公式包括计算日用电量均值DP的公式一、计算日用电量方差σ2的公式二以及计算瞬时有功功率小波能量熵WEE的公式三:
其中,n为采样天数,xi,j表示第i个用户在第j天零点时采样到的总用电量,xi,j-1表示第i个用户在第j-1天零点时采样到的总用电量,μi为用户所有日用电量的均值;pm表示第m个尺度上小波能谱占总小波能谱的比值,Em为用户i的瞬时有功功率在第m个尺度上小波能谱,E为瞬时有功功率的总小波能谱;
n、i、j、m的取值范围为正整数,DP、σ2、xi,j、xi,j-1、μi的取值范围为正数,WEE、Em、E、pm的取值范围为实数;
所述将特征数据输入包含若干个机器学习分类器的融合分类模型,根据融合分类模型的分类结果判断特征数据对应的用户是否为独居老人,包括:
将特征数据分别输入融合分类模型中的各个机器学习分类器;
获取各个机器学习分类器的分类结果,若判断是独居老人的机器学习分类器的个数超过预设阈值,则判定输入的特征数据对应的用户为独居老人。
2.根据权利要求1所述的基于智能电表的独居老人用电数据分析方法,其特征在于,所述独居老人用电行为分析方法还包括对采集的用电数据进行数据预处理的过程,所述过程包括:
分析采集到的用电数据是否有缺失项,若有缺失项,则根据实际需要将其他采样点采集到的用电数据填充到缺失项上;
基于离群判定公式分析采集到的用电数据是否有离群点,若有离群点,则将离群点处的数据剔除。
3.根据权利要求2所述的基于智能电表的独居老人用电数据分析方法,其特征在于,所述离群判定公式为:
Q1-k(Q3-Q1)<x<Q3+k(Q3-Q1);
其中,x为采样到的用电数据,Q1为x的第一分位数,Q3为x的第三分位数,k为人工设定的判定参数;
x、Q1、Q3的取值范围均为正数,k为固定值。
4.根据权利要求1所述的基于智能电表的独居老人用电数据分析方法,其特征在于,所述若判断是独居老人,对独居老人的特征数据进行用电异常分析,根据分析结果决定是否发出异常用电行为告警,包括:
计算独居老人正常用电时用电数据的平均值和方差,得到各个采样点的正常用电数据;
获取采样时刻T时的用电数据,基于T前后两个采样时刻的用电数据进行均值滤波;
将均值滤波后的用电数据与正常用电数据作差,若差值超过三倍方差线,则判定该独居老人在采样时刻T时的用电数据出现异常情况;
当用电数据出现异常情况时,发出异常用电行为告警。
5.基于智能电表的独居老人用电数据分析装置,其特征在于,所述独居老人用电数据分析装置包括:
采集装置:用于通过智能电表采集住宅小区中所有用户的用电数据;
特征提取装置:用于根据预设的指标特征,从用电数据中提取出特征数据;
判断装置:用于将特征数据输入包含若干个机器学习分类器的融合分类模型,根据融合分类模型的分类结果判断特征数据对应的用户是否为独居老人;
告警装置:用于判断是独居老人时,对独居老人的特征数据进行用电异常分析,根据分析结果决定是否发出异常用电行为告警;
所述特征提取装置具体用于:
基于采集到的用电数据,通过特征提取公式计算每个用户的指标特征对应的特征数据,所述指标特征包括日用电量均值、日用电量方差以及瞬时有功功率小波能量熵;
所述特征提取公式包括计算日用电量均值DP的公式一、计算日用电量方差σ2的公式二以及计算瞬时有功功率小波能量熵WEE的公式三;
其中,n为采样天数,xi,j表示第i个用户在第j天零点时采样到的总用电量,xi,j-1表示第i个用户在第j-1天零点时采样到的总用电量,μi为用户所有日用电量的均值;pm表示第m个尺度上小波能谱占总小波能谱的比值,Em为用户i的瞬时有功功率在第m个尺度上小波能谱,E为瞬时有功功率的总小波能谱;
n、i、j、m的取值范围为正整数,DP、σ2、xi,j、xi,j-1、μi的取值范围为正数,WEE、Em、E、pm的取值范围为实数。
6.根据权利要求5所述的基于智能电表的独居老人用电数据分析装置,其特征在于,所述独居老人用电数据分析装置还包括预处理装置,用于:
分析采集到的用电数据是否有缺失项,若有缺失项,则根据实际需要将其他采样点采集到的用电数据填充到缺失项上;
基于离群判定公式分析采集到的用电数据是否有离群点,若有离群点,则将离群点处的数据剔除。
7.根据权利要求5所述的基于智能电表的独居老人用电数据分析装置,其特征在于,所述判断装置具体用于:
将特征数据分别输入融合分类模型中的各个机器学习分类器;
获取各个机器学习分类器的分类结果,若判断是独居老人的机器学习分类器的个数超过预设阈值,则判定输入的特征数据对应的用户为独居老人。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011043880.2A CN112396087B (zh) | 2020-09-28 | 2020-09-28 | 基于智能电表的独居老人用电数据分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011043880.2A CN112396087B (zh) | 2020-09-28 | 2020-09-28 | 基于智能电表的独居老人用电数据分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396087A CN112396087A (zh) | 2021-02-23 |
CN112396087B true CN112396087B (zh) | 2024-04-26 |
Family
ID=74595513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011043880.2A Active CN112396087B (zh) | 2020-09-28 | 2020-09-28 | 基于智能电表的独居老人用电数据分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396087B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159140A (zh) * | 2021-04-01 | 2021-07-23 | 上海应用技术大学 | 独居老人日常用水均值数据处理方法 |
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 |
CN113298577A (zh) * | 2021-06-23 | 2021-08-24 | 福建亿力优能电力科技有限公司 | 一种基于智能监测终端的孤寡老人异常状态告警监测方法 |
CN113447711A (zh) * | 2021-08-02 | 2021-09-28 | 宁夏隆基宁光仪表股份有限公司 | 具有老人用电异常报警功能的智能电表及其报警方法 |
CN113780452B (zh) * | 2021-09-16 | 2024-06-14 | 国网北京市电力公司 | 独居群体的监控方法、监控装置以及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101609999B1 (ko) * | 2015-04-30 | 2016-04-07 | 옴니시스템주식회사 | 검침장치를 이용한 독거 노인 모니터링 시스템 |
CN106780115A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电监测与定位系统及方法 |
CN106778841A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电检测模型的建立方法 |
WO2018120283A1 (zh) * | 2016-12-29 | 2018-07-05 | 合肥工业大学 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
CN108776939A (zh) * | 2018-06-07 | 2018-11-09 | 上海电气分布式能源科技有限公司 | 用户用电行为的分析方法及系统 |
CN109190890A (zh) * | 2018-07-27 | 2019-01-11 | 南京理工大学 | 一种基于用户电力消费数据的用户行为分析方法 |
CN110826641A (zh) * | 2019-11-13 | 2020-02-21 | 上海积成能源科技有限公司 | 一种基于聚类分析归类居民用电情况的系统及方法 |
CN111179109A (zh) * | 2019-11-29 | 2020-05-19 | 国网浙江省电力有限公司杭州供电公司 | 用于独居老人检测的用电数据处理方法 |
CN111489073A (zh) * | 2020-03-31 | 2020-08-04 | 深圳市康拓普信息技术有限公司 | 一种基于分类算法的用户用电廉情预警方法 |
-
2020
- 2020-09-28 CN CN202011043880.2A patent/CN112396087B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101609999B1 (ko) * | 2015-04-30 | 2016-04-07 | 옴니시스템주식회사 | 검침장치를 이용한 독거 노인 모니터링 시스템 |
CN106780115A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电监测与定位系统及方法 |
CN106778841A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电检测模型的建立方法 |
WO2018120283A1 (zh) * | 2016-12-29 | 2018-07-05 | 合肥工业大学 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
CN108776939A (zh) * | 2018-06-07 | 2018-11-09 | 上海电气分布式能源科技有限公司 | 用户用电行为的分析方法及系统 |
CN109190890A (zh) * | 2018-07-27 | 2019-01-11 | 南京理工大学 | 一种基于用户电力消费数据的用户行为分析方法 |
CN110826641A (zh) * | 2019-11-13 | 2020-02-21 | 上海积成能源科技有限公司 | 一种基于聚类分析归类居民用电情况的系统及方法 |
CN111179109A (zh) * | 2019-11-29 | 2020-05-19 | 国网浙江省电力有限公司杭州供电公司 | 用于独居老人检测的用电数据处理方法 |
CN111489073A (zh) * | 2020-03-31 | 2020-08-04 | 深圳市康拓普信息技术有限公司 | 一种基于分类算法的用户用电廉情预警方法 |
Non-Patent Citations (2)
Title |
---|
基于小波熵理论的决策树信号分类识别算法;李靖超;钱迪;董春蕾;;上海电机学院学报;20190425(第02期);全文 * |
基于数据挖掘判别用电类别异常的分析与研究;金昌铉;朱宇龙;马博;刘森;黎晚晴;陈玲娜;;科技与创新(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112396087A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396087B (zh) | 基于智能电表的独居老人用电数据分析方法及装置 | |
Zhang et al. | Data-based line trip fault prediction in power systems using LSTM networks and SVM | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN110133610A (zh) | 基于时变距离-多普勒图的超宽带雷达动作识别方法 | |
CN109190950B (zh) | 一种电表和水表档案贯通的用能异常识别方法 | |
CN112308124B (zh) | 一种面向用电信息采集系统的智能防窃电方法 | |
CN106709816A (zh) | 基于非参数回归分析的电力负荷异常数据识别与修正方法 | |
CN113485302A (zh) | 基于多元时序数据的车辆运行过程故障诊断方法及系统 | |
CN107257351A (zh) | 一种基于灰色lof流量异常检测系统及其检测方法 | |
CN114723285A (zh) | 一种电网设备安全性评估预测方法 | |
CN110119816A (zh) | 一种适用于非侵入式电力监测的负荷特征自学习方法 | |
CN104915654B (zh) | 一种基于受限玻尔兹曼机的路径点数据行为识别方法 | |
CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
CN117092980B (zh) | 一种基于大数据的电气故障检测控制系统 | |
CN114881665A (zh) | 一种基于目标识别算法识别窃电嫌疑用户的方法及系统 | |
CN116523681A (zh) | 电动汽车的负荷分解方法、装置、电子设备及存储介质 | |
CN106599865A (zh) | 刀闸状态识别装置与方法 | |
CN112884000A (zh) | 一种基于数据挖掘的用电检查智能诊断方法及诊断系统 | |
CN114511007B (zh) | 一种基于多尺度特征感知的非侵入式电气指纹识别方法 | |
Wang et al. | Turn-to-turn short circuit of motor stator fault diagnosis using dropout rate improved deep sparse autoencoder | |
CN116150666B (zh) | 储能系统故障检测方法、装置及智能终端 | |
CN111899448A (zh) | 牵引变电站智能巡检信息过滤的方法及系统 | |
Yaemprayoon et al. | Non-intrusive load monitoring using multi-layer perceptron for appliances classification | |
Chen et al. | A transformer vibration amplitude prediction method via fusion of multi-signals | |
CN117200458B (zh) | 一种基于智能低压开关柜的数字化管理方法及装置 |
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 |