CN112711613A - 基于智能判断用电行为的电器偏好分析方法 - Google Patents

基于智能判断用电行为的电器偏好分析方法 Download PDF

Info

Publication number
CN112711613A
CN112711613A CN202011367506.8A CN202011367506A CN112711613A CN 112711613 A CN112711613 A CN 112711613A CN 202011367506 A CN202011367506 A CN 202011367506A CN 112711613 A CN112711613 A CN 112711613A
Authority
CN
China
Prior art keywords
electric appliance
power utilization
preference
appliance
characteristic
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
CN202011367506.8A
Other languages
English (en)
Other versions
CN112711613B (zh
Inventor
李云龙
王健
张再益
樊玉泊
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.)
Zhejiang Haipufa Technology Co ltd
Original Assignee
Zhejiang Haipufa Technology Co ltd
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 Zhejiang Haipufa Technology Co ltd filed Critical Zhejiang Haipufa Technology Co ltd
Priority to CN202011367506.8A priority Critical patent/CN112711613B/zh
Publication of CN112711613A publication Critical patent/CN112711613A/zh
Application granted granted Critical
Publication of CN112711613B publication Critical patent/CN112711613B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及基于智能判断用电行为的电器偏好分析方法，包括用电特性数据采集、用电行为判断以及电器偏好分析；所述用电特性数据采集通过传感器连接断路器采集对象电器用电信息，建立用电特性图，得到实际用电数据；所述用电行为判断基于采集现有电器的用电信息建立用电特性数据库，将实际用电数据与用电特性数据库中的样品值经过产品相似度算法计算后，得到对象电器的类型；所述电器偏好分析基于用电行为判断的结果，记录对象电器的使用信息，并通过电器偏好算法得到该电器的偏好程度；通过检测电器的工作特性信息并分析用电行为，使用者能依据自身喜好规划电器在不同时间段使用的同时，避免电器总功率过大产生安全隐患。

Description

基于智能判断用电行为的电器偏好分析方法
技术领域
本发明属于用电信息分析技术领域，尤其涉及基于智能判断用电行为的电器偏好分析方法。
背景技术
现有的电器用电行为检测通常包括对电流、电压、功耗和能量监控，检测结果主要用于节能环保分析，这种检测分析方法在日常使用中，不能检测电器的工作特性信息并分析对象电器的类型，也就无法自学习电器类型的判断；同时无法通过分析使用者的用电行为得到使用者对该电器设备的偏好；难以对使用者的用电行为提出合理的建议。
因此，研发能检测电器的工作特性信息并分析用电行为的基于智能判断用电行为的电器偏好分析方法成为了急需解决的技术问题。
发明内容
本发明为解决上述问题，提供了基于智能判断用电行为的电器偏好分析方法。
本发明的技术方案，基于智能判断用电行为的电器偏好分析方法，包括用电特性数据采集、用电行为判断以及电器偏好分析；所述用电特性数据采集通过传感器连接断路器采集对象电器用电信息，建立用电特性图，得到实际用电数据；所述用电行为判断基于采集现有电器的用电信息建立用电特性数据库，将实际用电数据与用电特性数据库中的样品值经过产品相似度算法计算后，得到对象电器的类型；所述电器偏好分析基于用电行为判断的结果，记录对象电器的使用信息，并通过电器偏好算法得到该电器的偏好程度。
采用上述方法后，通过用电特性数据采集，生成用电特性图，为分析对象电器的类型提供了基础；通过用电行为判断，可以通过用电特性比对用电特性数据库判断出对象电器的类型，进而通过电器偏好算法得出使用者的电器偏好分析；通过分析使用者的电器偏好，能帮助使用者安排电器的使用时间，将电器错峰使用，避免电器总功率过大产生安全隐患，还能帮助使用者了解电器使用情况，合理规划电器使用频率。
作为本发明的进一步改进，所述用电特性图包括Ui-Ti时域Ui曲线特性图、Ii-Ti时域Ii曲线特性图、Pi-Ti时域Pi曲线特性图以及Ei-Ti时域Ei曲线特性图；基于采集对象电器Yi(i＝1000)的五维数据(Ui，Ii，Pi，Ei，Ti)，其中Ui为电压，Ii为电流，Pi为功率，Ei为能量，Ti为时间；通过以对象电器开始工作前到工作结束为一个周期Ti(单位为小时)，取1秒为最小单位画出曲线特性图。
采用上述方法后，通过以对象电器的五维数据为基础，完成一次工作为周期画出曲线特性图，反应对象电器工作过程中各个时刻的状态，有助于分析对象电器的类型。
作为本发明的进一步改进，所述样品值通过将用电特性数据库中电器五维数据的Ui、Ii、Pi、Ei计算平均值得到，计算方法为
Figure BDA0002803242110000031
Figure BDA0002803242110000032
Figure BDA0002803242110000033
Figure BDA0002803242110000034
计算的结果作为对应电器的样品值。
采用上述方法后，通过计算五维数据中的Ui、Ii、Pi、Ei的平均值作为样品值，使得样品值更加接近该类电器的标椎值，分析的结果也更加精准。
作为本发明的进一步改进，所述相似度算法通过将对象电器的用电特性图比对用电特性数据库得到可能的电器类型，再根据线性回归方程：
Figure BDA0002803242110000035
通过带入对象电器的实际值与用电特性数据库的样品值，得到下列方程，
(1)对电压U
Figure BDA0002803242110000036
Figure BDA0002803242110000037
Figure BDA0002803242110000038
(2)对电流I
Figure BDA0002803242110000041
Figure BDA0002803242110000042
Figure BDA0002803242110000043
(3)对功率P
Figure BDA0002803242110000044
Figure BDA0002803242110000045
Figure BDA0002803242110000046
(4)对能量E
Figure BDA0002803242110000047
Figure BDA0002803242110000048
Figure BDA0002803242110000049
将线性回归的结果进行加权计算得到产品相似度Q，
Figure BDA00028032421100000410
其中K1、K2、K3、K4为加权值，基于比较现有不同样式的同类电器计算得出；当Q<0.9时，判断对象电器与可能的电器类型相同，并将对象电器的用电特性录入到用电特性数据库中相应的电器类型数据内。
采用上述方法后，通过将样品值与实际值经线性回归方程处理过后，可以计算出样品值与实际值的相关性，将加权后的电压、电流、功率以及能量四项的相关性相加，得到综合的产品相似度，更科学地避免了样品值与实际值相近产生的误判，判断出对象电器的正确类型；通过将对象电器的用电特性进行记录，每次判断电器类型都使得下次判断时样品值更精准，实现电器判断的自学习。
作为本发明的进一步改进，所述电器偏好算法首先采集对象电器Yi的Cdate、Ccounter以及T，其中Cdate为天数，Ccounter为次数，T为时间段，通过多组数据获取平均值(Yi，Cdatei，Ccounteri，Ti)；再与用电特性数据库中同类电器的设定值(Yx，Cdatex，Ccounterx，Tx)比较，通过
k＝(Cdatei-Cdatex，Ccounteri-Ccounterx，Ti-Tx)
得到偏好系数k，对象电器偏好值的大小与偏好系数k的大小正相关。
采用上述方法后，通过在确定对象电器类型的基础上，收集对象电器的不同时间段的使用频率，帮助使用者了解自身对于对象电器的使用偏好以及使用习惯，依据自身喜好规划电器在不同时间段使用。
具体实施方式
基于智能判断用电行为的电器偏好分析方法，包括用电特性数据采集、用电行为判断以及电器偏好分析；所述用电特性数据采集通过传感器连接断路器采集对象电器用电信息，建立用电特性图，得到实际用电数据；所述用电行为判断基于采集现有电器的用电信息建立用电特性数据库，将实际用电数据与用电特性数据库中的样品值经过产品相似度算法计算后，得到对象电器的类型；所述电器偏好分析基于用电行为判断的结果，记录对象电器的使用信息，并通过电器偏好算法得到该电器的偏好程度。
通过用电特性数据采集，生成用电特性图，为分析对象电器的类型提供了基础；通过用电行为判断，可以通过用电特性比对用电特性数据库判断出对象电器的类型，进而通过电器偏好算法得出使用者的电器偏好分析；通过分析使用者的电器偏好，能帮助使用者安排电器的使用时间，将电器错峰使用，避免电器总功率过大产生安全隐患，还能帮助使用者了解电器使用情况，合理规划电器使用频率。
所述用电特性图包括Ui-Ti时域Ui曲线特性图、Ii-Ti时域Ii曲线特性图、Pi-Ti时域Pi曲线特性图以及Ei-Ti时域Ei曲线特性图；基于采集对象电器Yi(i＝1000)的五维数据(Ui，Ii，Pi，Ei，Ti)，其中Ui为电压，Ii为电流，Pi为功率，Ei为能量，Ti为时间；通过以对象电器开始工作前到工作结束为一个周期Ti(单位为小时)，取1秒为最小单位画出曲线特性图。
通过以对象电器的五维数据为基础，完成一次工作为周期画出曲线特性图，反应对象电器工作过程中各个时刻的状态，有助于分析对象电器的类型。
所述样品值通过将用电特性数据库中电器五维数据的Ui、Ii、Pi、Ei计算平均值得到，计算方法为
Figure BDA0002803242110000061
Figure BDA0002803242110000062
Figure BDA0002803242110000063
Figure BDA0002803242110000064
计算的结果作为对应电器的样品值。
通过计算五维数据中的Ui、Ii、Pi、Ei的平均值作为样品值，使得样品值更加接近该类电器的标椎值，分析的结果也更加精准。
所述相似度算法通过将对象电器的用电特性图比对用电特性数据库得到可能的电器类型，再根据线性回归方程：
Figure BDA0002803242110000071
通过带入对象电器的实际值与用电特性数据库的样品值，得到下列方程，
(1)对电压U
Figure BDA0002803242110000072
Figure BDA0002803242110000073
Figure BDA0002803242110000074
(2)对电流I
Figure BDA0002803242110000075
Figure BDA0002803242110000076
Figure BDA0002803242110000077
(3)对功率P
Figure BDA0002803242110000078
Figure BDA0002803242110000079
Figure BDA00028032421100000710
(4)对能量E
Figure BDA00028032421100000711
Figure BDA00028032421100000712
Figure BDA00028032421100000713
将线性回归的结果进行加权计算得到产品相似度Q，
Figure BDA0002803242110000081
其中K1、K2、K3、K4为加权值，基于比较现有不同样式的同类电器计算得出；当Q<0.9时，判断对象电器与可能的电器类型相同，并将对象电器的用电特性录入到用电特性数据库中相应的电器类型数据内。
通过将样品值与实际值经线性回归方程处理过后，可以计算出样品值与实际值的相关性，将加权后的电压、电流、功率以及能量四项的相关性相加，得到综合的产品相似度，更科学地避免了样品值与实际值相近产生的误判，判断出对象电器的正确类型；通过将对象电器的用电特性进行记录，每次判断电器类型都使得下次判断时样品值更精准，实现电器判断的自学习。
所述电器偏好算法首先采集对象电器Yi的Cdate、Ccounter以及T，其中Cdate为天数，Ccounter为次数，T为时间段，通过多组数据获取平均值(Yi，Cdatei，Ccounteri，Ti)；再与用电特性数据库中同类电器的设定值(Yx，Cdatex，Ccounterx，Tx)比较，通过
k＝(Cdatei-Cdatex，Ccounteri-Ccounterx，Ti-Tx)
得到偏好系数k，对象电器偏好值的大小与偏好系数k的大小正相关。
通过在确定对象电器类型的基础上，收集对象电器的不同时间段的使用频率，帮助使用者了解自身对于对象电器的使用偏好以及使用习惯，依据自身喜好规划电器在不同时间段使用。

Claims (5)

1.基于智能判断用电行为的电器偏好分析方法，其特征在于：包括用电特性数据采集、用电行为判断以及电器偏好分析；所述用电特性数据采集通过传感器连接断路器采集对象电器用电信息，建立用电特性图，得到实际用电数据；所述用电行为判断基于采集现有电器的用电信息建立用电特性数据库，将实际用电数据与用电特性数据库中的样品值经过产品相似度算法计算后，得到对象电器的类型；所述电器偏好分析基于用电行为判断的结果，记录对象电器的使用信息，并通过电器偏好算法得到该电器的偏好程度。
2.根据权利要求1所述基于智能判断用电行为的电器偏好分析方法，其特征在于：所述用电特性图包括Ui-Ti时域Ui曲线特性图、Ii-Ti时域Ii曲线特性图、Pi-Ti时域Pi曲线特性图以及Ei-Ti时域Ei曲线特性图；基于采集对象电器Yi(i＝1000)的五维数据(Ui，Ii，Pi，Ei，Ti)，其中Ui为电压，Ii为电流，Pi为功率，Ei为能量，Ti为时间；通过以对象电器开始工作前到工作结束为一个周期Ti(单位为小时)，取1秒为最小单位画出曲线特性图。
3.根据权利要求2所述基于智能判断用电行为的电器偏好分析方法，其特征在于：所述样品值通过将用电特性数据库中电器五维数据的Ui、Ii、Pi、Ei计算平均值得到，计算方法为
Figure FDA0002803242100000021
Figure FDA0002803242100000022
Figure FDA0002803242100000023
Figure FDA0002803242100000024
计算的结果作为对应电器的样品值。
4.根据权利要求3所述基于智能判断用电行为的电器偏好分析方法，其特征在于：所述相似度算法通过将对象电器的用电特性图比对用电特性数据库得到可能的电器类型，再根据线性回归方程：
Figure FDA0002803242100000025
通过带入对象电器的实际值与用电特性数据库的样品值，得到下列方程，
(1)对电压U
xi＝Ui
Figure FDA0002803242100000026
(样品值)
yi＝Uj
Figure FDA0002803242100000027
(实际值)
Figure FDA0002803242100000028
(2)对电流I
xi＝Ii
Figure FDA0002803242100000029
(样品值)
yi＝Ij
Figure FDA00028032421000000210
(实际值)
Figure FDA00028032421000000211
(3)对功率P
xi＝Pi
Figure FDA0002803242100000031
(样品值)
yi＝Pj
Figure FDA0002803242100000032
(实际值)
Figure FDA0002803242100000033
(4)对能量E
xi＝Ei
Figure FDA0002803242100000034
(样品值)
yi＝Ej
Figure FDA0002803242100000035
(实际值)
Figure FDA0002803242100000036
将线性回归的结果进行加权计算得到产品相似度Q，
Figure FDA0002803242100000037
其中K1、K2、K3、K4为加权值，基于比较现有不同样式的同类电器计算得出；当Q<0.9时，判断对象电器与可能的电器类型相同，并将对象电器的用电特性录入到用电特性数据库中相应的电器类型数据内。
5.根据权利要求4所述基于智能判断用电行为的电器偏好分析方法，其特征在于：所述电器偏好算法首先采集对象电器Yi的Cdate、Ccounter以及T，其中Cdate为天数，Ccounter为次数，T为时间段，通过多组数据获取平均值(Yi，Cdatei，Ccounteri，Ti)；再与用电特性数据库中同类电器的设定值(Yx，Cdatex，Ccounterx，Tx)比较，通过
k＝(Cdatei-Cdatex，Ccounteri-Ccounterx，Ti-Tx)
得到偏好系数k，对象电器偏好值的大小与偏好系数k的大小正相关。
CN202011367506.8A 2020-11-27 2020-11-27 基于智能判断用电行为的电器偏好分析方法 Active CN112711613B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011367506.8A CN112711613B (zh) 2020-11-27 2020-11-27 基于智能判断用电行为的电器偏好分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011367506.8A CN112711613B (zh) 2020-11-27 2020-11-27 基于智能判断用电行为的电器偏好分析方法

Publications (2)

Publication Number Publication Date
CN112711613A true CN112711613A (zh) 2021-04-27
CN112711613B CN112711613B (zh) 2022-07-29

Family

ID=75542161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011367506.8A Active CN112711613B (zh) 2020-11-27 2020-11-27 基于智能判断用电行为的电器偏好分析方法

Country Status (1)

Country Link
CN (1) CN112711613B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104090176A (zh) * 2014-06-09 2014-10-08 深圳市宏电技术股份有限公司 一种基于耗电特征曲线的家用电器智能识别方法
CN105067857A (zh) * 2015-08-21 2015-11-18 南方电网科学研究院有限责任公司 用电信息采集系统和分析方法
KR20160120361A (ko) * 2015-04-07 2016-10-18 경희대학교 산학협력단 먼지의 종류를 판별하는 방법 및 장치
CN109118330A (zh) * 2018-08-09 2019-01-01 珠海格力电器股份有限公司 一种家电推荐方法、装置、存储介质及服务器
CN109299134A (zh) * 2018-09-18 2019-02-01 四川长虹电器股份有限公司 一种非侵入式监测系统下电器的识别方法
CN109815994A (zh) * 2019-01-04 2019-05-28 国网山西省电力公司长治供电公司 一种用户用电负荷特征分析方法
CN111025011A (zh) * 2019-12-27 2020-04-17 国网内蒙古东部电力有限公司呼伦贝尔供电公司 一种基于谐波相似度算法的非侵入式电器识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104090176A (zh) * 2014-06-09 2014-10-08 深圳市宏电技术股份有限公司 一种基于耗电特征曲线的家用电器智能识别方法
KR20160120361A (ko) * 2015-04-07 2016-10-18 경희대학교 산학협력단 먼지의 종류를 판별하는 방법 및 장치
CN105067857A (zh) * 2015-08-21 2015-11-18 南方电网科学研究院有限责任公司 用电信息采集系统和分析方法
CN109118330A (zh) * 2018-08-09 2019-01-01 珠海格力电器股份有限公司 一种家电推荐方法、装置、存储介质及服务器
CN109299134A (zh) * 2018-09-18 2019-02-01 四川长虹电器股份有限公司 一种非侵入式监测系统下电器的识别方法
CN109815994A (zh) * 2019-01-04 2019-05-28 国网山西省电力公司长治供电公司 一种用户用电负荷特征分析方法
CN111025011A (zh) * 2019-12-27 2020-04-17 国网内蒙古东部电力有限公司呼伦贝尔供电公司 一种基于谐波相似度算法的非侵入式电器识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PRAHASTONO I等: "Electricity load profile classification using fuzzy c-means method", 《3RD INTERNATIONAL UNIVERSITIES POWER ENGINEERING》 *
张倩: "供需互动的居民用户用电决策模型及信息系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN112711613B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN108021736B (zh) 一种基于滑动窗残差模型的负荷投切动作监测方法
WO2022042070A1 (zh) 一种非侵入式负荷检测方法
TWI440862B (zh) Electrical detection method and system based on user feedback information
CN102566555B (zh) 基于模式识别的白色家电工作状态监测方法
US20120059607A1 (en) Method and device for filtering electrical consumption curves and allocating consumption to classes of appliances
CN111985824A (zh) 一种智能电表箱的非侵入式负荷监测方法及其监测设备
CN109345409A (zh) 一种基于宽带载波的居民用户综合能效管理方法
CN109815994A (zh) 一种用户用电负荷特征分析方法
CN116307944B (zh) 基于人工智能与物联网的配电箱远程监测系统
CN111327118B (zh) 一种非侵入式电力负荷识别方法
CN111563827A (zh) 基于电器物理特性及居民用电行为的负荷分解方法
CN116976707B (zh) 基于用电信息采集的用户用电数据异常分析方法及系统
CN105676028B (zh) 一种基于模板匹配滤波的居民负荷用电识别方法
CN106680621A (zh) 一种基于电流信号分离的居民负荷用电识别方法
CN115792479A (zh) 一种智能插座的用电智能监测方法及系统
CN113901973A (zh) 电力负荷识别方法、装置以及存储介质和芯片设备
CN112711613B (zh) 基于智能判断用电行为的电器偏好分析方法
WO2021171303A1 (en) A system and method for energy management of identical appliances using non-intrusive load monitoring technique
CN113094562A (zh) 基于智能判断用电行为的电器偏好分析方法
CN113159988B (zh) 用户电器负荷状态分析方法、装置、设备及可读存储介质
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
CN106228244A (zh) 一种基于自适应关联规则挖掘的能源解聚合方法
CN115687999A (zh) 融合多时间尺度电器特征的非侵入式负荷感知方法
CN115112989A (zh) 基于低频数据的非侵入式负荷监测方法
CN115133659A (zh) 低压配电网络低压线损的在线监测方法与系统

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
GR01 Patent grant
GR01 Patent grant