CN112765826A - 基于用电功率频率分布相对熵的室内大麻种植居民用户识别方法 - Google Patents

基于用电功率频率分布相对熵的室内大麻种植居民用户识别方法 Download PDF

Info

Publication number
CN112765826A
CN112765826A CN202110108673.9A CN202110108673A CN112765826A CN 112765826 A CN112765826 A CN 112765826A CN 202110108673 A CN202110108673 A CN 202110108673A CN 112765826 A CN112765826 A CN 112765826A
Authority
CN
China
Prior art keywords
power consumption
hemp
relative entropy
frequency distribution
sequence
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
CN202110108673.9A
Other languages
English (en)
Other versions
CN112765826B (zh
Inventor
苏盛
毛源军
殷涛
张傲
刘康
郑应俊
翟中祥
李文松
赖志强
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.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202110108673.9A priority Critical patent/CN112765826B/zh
Publication of CN112765826A publication Critical patent/CN112765826A/zh
Application granted granted Critical
Publication of CN112765826B publication Critical patent/CN112765826B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Water Supply & Treatment (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于用电功率频率分布相对熵的室内大麻种植居民用户识别方法,该方法通过实验获得模拟种植大麻的一个月用电量数据,将该用电量数据转换成用电功率频率分布曲线,以此作为计算“标杆”,再获取数据集中居民用户一个月用电量数据转换成用电功率频率分布曲线;计算被测居民用户频率分布与标杆之间相对熵并运用箱线图设定阈值,当所测用户相对熵小于阈值时,获取该用户的用电量序列计算其日最大负荷变异系数进一步判断该用户是否为大麻种植户。如此,通过本方法能定位发现用电情况存在异常的居民用户,及时进行针对性稽查,缩小打击范围。

Description

基于用电功率频率分布相对熵的室内大麻种植居民用户识别 方法
技术领域
本发明属于电网用户异常用电检测领域,涉及室内大麻种植居民用户异常用电检测,具体涉及一种基于用电功率频率分布相对熵的室内大麻种植居民用户识别方法。
背景技术
大麻主要产自温暖地区或热带地区,为一年生草本植物,是国内明令禁止种植的毒品原植物,大麻叶子、苞片和花朵中含有一种叫做四氢大麻酚的化合物,吸入后易导致上瘾,长期吸食大麻会摧残人的身体和意志。受欧美国家大麻合法化风潮影响,近年来我国频繁出现室内种植大麻的违法事件,成为毒品犯罪活动的新动向,严重危害社会治安和人民身心健康。据不完全统计,我国沿海和中部地区十余个省份均有抓获室内种植大麻案例的报导,有的甚至形成了种植、运输、贩卖的产业链,影响危害巨大。为避人耳目,室内种植大麻多见于郊区及城中村的出租屋、废旧工厂、郊区别墅房、毛坯房等空置居民民房中,作业环境隐蔽,正常情况下难以发现。由于室内种植大麻需要消耗大量电能进行补光和调控温、湿度环境,在用电行为上具有比较明显的特异性,有可能利用它与正常居民用户用电行为上的差异,识别室内种植大麻的异常用户,拓展电力大数据的社会服务范畴,为稽查种毒犯罪行为的针对性工作提供新途径。
发明内容
本发明的目的是,针对现有技术的上述问题,提供一种基于用电功率频率分布相对熵的室内大麻种植居民用户识别方法,以对利用空置房进行大麻种植的居民用户的用电异常行为进行识别。
研究发现,正常居民用户家用电器设备可分为常开电器和非常开电器,其中长期处于运行状态的冰箱以及持续待机的电视机顶盒、家庭网络终端等电器为常开电器,而微波炉、电磁炉、空调、电视、洗衣机等为非常开电器。而不同类型居民用户会有不同的有效用电人数和生活习惯,采用文献[张素香,刘建明,赵丙镇,等.基于云计算的居民用电行为分析模型研究[J].电网技术,2013,37(06):1542-1546]所提方法将居民用户分为上班族、老人、其他类型以及空置房等不同类型,各类型用电情况表现为:1)对于上班族,绝大部分时间运行的是常开电器,用户在家的少数时间为非常开电器和常开电器同时耗能;2)对于老年人,白天正常生活起居开启的非常开电器持续工作时间长,夜间休息时段仅有常开电器;3)对于其他类型居民,白天正常生活起居开启的非常开电器持续工作时间长,夜间休息时段仅有常开电器;4)对于空置房,仅有常开电器耗能。对该4类用户中的典型用户一个月的用电量数据进行分析,得知除空置房以外的居民用户用电在频域上具有明显的低用电区间单峰和双峰特征,结合参见图1(由于空置房仅有常开电器用电,用电功率集中在较低数值的功率区间,图中仅绘制其它3个典型用户的用电量频率分布曲线),且除空置房外的居民用户的家用电器设备组合决定的日尖峰电量存在比较明显的波动性,见图2。
根据文献[N.Mehboob,H.E.Z.Farag and A.M.Sawas,"Energy ConsumptionModel for Indoor Cannabis Cultivation Facility,"in IEEE Open Access Journalof Power and Energy,vol.7,pp.222-233,2020,doi:10.1109/OAJPE.2020.3003540.],每平方米种植大麻面积一年消耗的电能可达1615kWh,主要耗能设施占比如下:通风、冷却和除湿占51%;照明占38%;室内加热占5%;其他占6%。大麻栽培主要包括幼苗期、营养期和开花期三个阶段,大麻处在不同阶段的时长不同,且不同阶段每天所需的温度、湿度和光照时间也不同,导致了每个阶段的能耗不同。但根据温度、湿度条件控制的要求,室内种植大麻涉及的空调、排风扇、替代阳光照射的植物补光灯等电器设备的类型和数量明确且固定,不同电器设备启停状态的组合以及在单位时间内对应的用电量明确,波动较小,从而使得种植一期大麻用电具有周期性、同时每个阶段也有明显的日用电规律性,大麻种植的日尖峰电量基本保持稳定,用电规律在频域中更为突出。
前述分析表明大麻种植与正常居民用户在时序上有明显差异,将用电数据转换到频域后能凸显差异性特征,有可能通过分析频域的差异检测大麻种植导致的用电异常行为。
基于上述研究发现,为达本发明的目的,所采用的技术方案是:一种基于用电功率频率分布相对熵的室内大麻种植居民用户识别方法,该方法步骤如下:
步骤1:建立仿真模拟大麻种植大棚,获取仿真模拟大麻种植大棚种植大麻期间连续一个月的理论用电量数据,建立单位时间用电量时间序列X=[x1,x2,…,xn],通过最大—最小标准化对序列X进行标准化,获得标准化后的序列X′=[x′1,x′2,…,x′n],X′取值范围为[0,1];根据序列X′结合频率直方图绘制方法获得理论用电量的频率分布曲线,以此作为计算标杆(计算标杆即大麻种植户的频率分布的测量标准)。
上述仿真模拟大麻种植大棚根据大麻种植手册[Growing Marijuana Indoors[EB/OL].[2018-08-01].https://growace.com/blog/growing-marijuana-indoors/]介绍的大麻生长所需的适宜环境进行搭建,并配置所需空调、植物补光灯、风扇等电器,以及温、湿度传感器。因外界高温时需空调调温,外界低温时不需空调调温,因此,模拟大麻种植试验分两种情况进行分析讨论:在春季适宜环境(20℃左右)下种植和在夏季高温环境下种植。
本发明中1个月是以30天计算。
上述提及的最大—最小标准化过程为本领域的常规技术,公式为x′i=(xi-minX)/(maxX-minX),其中,xi为序列X中第i个值,x′i为序列X中第i个标准化后的值。
上述提及的根据序列X′结合频率直方图绘制方法获得理论用电量的频率分布曲线的过程为本领域的常规技术。
步骤2:获取待检测的数个居民用户连续一个月的用电量数据,建立每个用户的单位时间用电量时间序列Y=[y1,y2,…,yn],通过最大—最小标准化对序列Y进行标准化,获得标准化后的序列Y′=[y′1,y′2,…,y′n],Y′取值范围为[0,1];根据序列Y′结合频率直方图绘制方法获得每个居民用户用电量的频率分布曲线。
较佳的,在获取待检测的数个居民用户连续一个月的用电量数据之后,先剔除一个月日均用电量小于3kWh的居民用户以避免空置房对后面计算相对熵的影响,再对余下用户建立每个用户的单位时间用电量时间序列Y。
上述提及的序列X和序列Y的单位时间相同,可为具体的时段,较佳为5-60min,最好为15min、30min或60min,即用电量时间序列为15min、30min或60min时间间隔的用电量数据。当直接获取的用量电数据的时段与单位时间不同时,可根据获取的用电量数据计算时段用电量数据后再建立单位时间用电量时间序列。
上述提及的最大—最小标准化过程为本领域的常规技术,公式为y′i=(yi-minY)/(maxY-minY),其中,yi为序列Y中第i个值,y′i为序列Y中第i个标准化后的值。
上述提及的根据序列Y′结合频率直方图绘制方法获得每个居民用户用电量的频率分布曲线的过程为本领域的常规技术。
步骤3:根据相对熵公式,计算上述每个居民用户用电量的频率分布与标杆的相对熵。
上述的相对熵公式为KL(P||Q)=∑P(x)log(P(x)/Q(x)),其中,P(x)为标杆分布函数,Q(x)为待检测的居民用户分布函数。
步骤4:将每个居民用户与标杆的相对熵按升序进行罗列,利用箱线图算法获得阈值。
箱线图是本领域一种显示一组数据分布情况的常用方法。在统计学中,将所有样本的数值从小到大排列,并分成四等分,其中处于三个分割点位置的数值就称为四分位数,按照数值从小到大的顺序,依次是下四分位数Q1、中位数Q2和上四分位数Q3,上四分位数与下四分位数的差值就称为四分位数差(Interquartile range,IQR)。可利用箱线图来检测异常值,即:大于上四分位数1.5倍四分位数差的值,以及小于下四分位数1.5倍四分位数差的值,都可划为异常值,本文结合实际应用场景将小于下四分位数1.5倍四分位数差的值划为异常值,即阈值为下四分位数1.5倍四分位数差。由于四分位数受异常值影响较小,因此箱线图法具有较高的鲁棒性。
步骤5:将每个居民用户的相对熵与阈值进行比较,获取相对熵小于阈值的居民用户的单位时间用电量时间序列Y,根据相对熵小于阈值的居民用户和仿真模拟大麻种植大棚的单位时间用电量时间序列计算日最大负荷变异系数,若相对熵小于阈值的居民用户的日最大负荷变异系数小于0.1,则判断该居民用户为用电异常用户,需实地稽查。
日最大负荷指标,参见[康宁宁,李梓欣,李川,李英娜,王昕.基于频域分量法的多模型日最大负荷预测[J].控制工程,2020,27(10):1714-1719.],本文是指1个月中每天的最大负荷,这里的日最大负荷变异系数是指利用1个月中每天的最大负荷计算变异系数。变异系数是衡量资料中各观测值变异程度的统计量,其计算过程为本领域的常规技术,是标准差与平均数的比值,若有序列A=[a1,a2,…,an],an为每天的最大负荷,则该序列的变异系数计算公式为
Figure BDA0002918482790000061
Figure BDA0002918482790000062
为序列A的平均值。本发明选用日最大负荷变异系数作为大麻种植户检测的辅助判据,尤其是针对于与大麻种植户用电数据类似的“小作坊”居民用户,“小作坊”居民用户在时序以及频率分布中与大麻种植户特性相似,用相对熵难以将其筛选出来,但居民用户日尖峰电量波动性较明显,而大麻种植户日最大负荷都是由固定的用电设备组成,几乎保持不变,则根据曲线的变异系数是否小于0.1能判断待检测的居民用户是否为大麻种植户。
本发明通过计算居民用户与标杆的相对熵并设定阈值,再获取小于阈值的居民用户一个月时序用电量计算日最大负荷变异系数,若待检测的居民用户与标杆的相对熵小于阈值且日最大负荷变异系数小于0.1,则认为待检测的居民用户为大麻种植户。相比于传统的缉毒方法,能够为缉毒工作者提供更准确、更科学的犯罪行为线索,该方法将缩小犯罪行为打击范围,为缉毒工作者提供了缉毒的新路径。
附图说明
图1为典型居民用户的用电频率分布曲线。
图2是典型居民用户日尖峰电量图。
图3为本发明方法流程图。
图4为室内大麻种植户的用电频率分布曲线图。
图5为本发明实施例箱线图阈值设定图。
图6为相对熵筛选出异常用户时序用电曲线图。
具体实施方式
结合参见图3,本发明为一种基于用电功率频率分布相对熵的室内大麻种植居民用户识别方法,该方法具体步骤如下:
步骤1:建立仿真模拟大麻种植大棚,获取仿真模拟大麻种植大棚种植大麻期间连续一个月的理论用电量数据,建立单位时间用电量时间序列X=[x1,x2,…,xn],通过最大—最小标准化对序列X进行标准化,获得标准化后的序列X′=[x′1,x′2,…,x′n],X′取值范围为[0,1];根据序列X′结合频率直方图绘制方法获得理论用电量的频率分布曲线,以此作为计算“标杆”。
上述仿真模拟大麻种植大棚为4m2,根据大麻种植手册[Growing MarijuanaIndoors[EB/OL].[2018-08-01]]介绍的大麻生长所需的适宜环境进行搭建,大棚配置4盏1000W的植物补光灯、1台50W的风扇,空调配置为2400W,并配置温、湿度传感器。模拟大麻种植试验分两种情况:在春季适宜环境(20℃左右)下种植和在夏季高温环境下种植。二种情况试验时间是持续30天,对幼苗期、营养期和开花期各按10天进行试验模拟,植物补光灯在幼苗期和营养期每天开启20h、开花期开启12h;夏季试验中空调按25℃持续开启;各期室温高于25℃时开启风扇。
上述提及的单位时间用电量时间序列X的单位时间可为具体的时段,较佳为5-60min。
最大—最小标准化公式为x′i=(xi-minX)/(maxX-minX),其中,xi为序列X中第i个值,x′i为序列X中第i个标准化后的值。
步骤2:获取待检测的数个居民用户连续一个月的用电量数据,剔除一个月日均用电量小于3kWh的居民用户,对余下居民用户建立每个用户的单位时间用电量时间序列Y=[y1,y2,…,yn],通过最大—最小标准化对序列Y进行标准化,获得标准化后的序列Y′=[y′1,y′2,…,y′n],Y′取值范围为[0,1];根据序列Y′结合频率直方图绘制方法获得每个居民用户用电量的频率分布曲线。
上述提及的单位时间用电量时间序列Y的单位时间可为具体的时段,较佳为5-60min。序列X和序列Y采用相同的单位时间。
最大—最小标准化公式为y′i=(yi-minY)/(maxY-minY),其中,yi为序列Y中第i个值,y′i为序列Y中第i个标准化后的值。
步骤3:根据相对熵公式,计算上述每个居民用户用电量的频率分布与标杆的相对熵。
相对熵计算公式为KL(P||Q)=∑P(x)log(P(x)/Q(x)),其中,P(x)为标杆分布函数,Q(x)为待检测的居民用户分布函数。
步骤4:将每个居民用户与标杆的相对熵按升序进行罗列,利用箱线图算法获得阈值。
步骤5:将每个居民用户的相对熵与阈值进行比较,获取相对熵小于阈值的居民用户的单位时间用电量时间序列Y,根据相对熵小于阈值的居民用户和仿真模拟大麻种植大棚的单位时间用电量时间序列计算日最大负荷变异系数,若相对熵小于阈值的居民用户的日最大负荷变异系数小于0.1,则判断该居民用户为用电异常用户,需实地稽查。
上述频率分布曲线采用频率直方图表示,在绘制频率直方图时需统一选择组距,若某一区间的频率为0时,计算所得的相对熵值都为0,因此,为了保证能进行相对熵的计算,做出如下规定:在转化到频域的用电数据离散性随机变量中,将大麻种植和待检测的居民用户用电量数据在每个区间的频域样本数量加1,从而消除P(x)=0或Q(x)=0的影响。
实施例1
按前述方法搭建4m2仿真模拟大麻种植大棚和进行试验,分别获取春季适宜和夏季高温环境下种植大麻持续30天的用电量时域数据。请结合参见图4,春季和夏季用电模式在频域中的大致表现为:1)春季只有植物补光灯和风扇开关切换对应的四种启停组合(四盏灯一般同时开或关,当作一种设备)。由于风扇功率较小,开启补光灯时、风扇开关与否,对应的用电功率都落在频率直方图的相同区间,而其他状态各落在不同区间;2)夏季高温时,空调、风扇和补光灯三种设备共有8种启停组合。受30min内空调启停持续时间不同的影响,对应用电功率落在频率直方图的7个区间。且由于用电设备构成明确并按设定条件启停,大麻种植的日尖峰电量基本保持稳定。
再选取数据集中4225户居民用户2009年1月的数据,按本发明方法进行运算分析(单位时间用电量时间序列为30min时间间隔的用电量数据)。剔除6户日均负荷小于3kWh的可能为空置房的居民用户后,计算剩余4119户居民用户对春季和夏季高温时大麻种植用电数据的相对熵,并将其绘制如图4所示的箱线图。图5中,夏季高温时段大部分居民用户的相对熵落在区间[2,3]中,箱线图的下四分位数Q1、上四分位数Q3分别为2.01和2.69,对应的相对熵下界阈值为0.99,低于该阈值的居民用户有2户,分别为3244和3683号居民用户。该两户1月日最大单位时间用电绘制如图6(a),图中仅绘制3天用电数据以便观察。由图可见该两居民用户日最大负荷波动较大,1月份日最大负荷变异系数达0.325,后者也达0.108,明显超过设置的0.1的阈值,可排除该两居民用户的嫌疑。
春季时大部分居民用户的相对熵落在区间[3,4]中,箱线图的Q1、Q3分别为3.21、3.95,对应的相对熵下界阈值为2.1。低于该阈值的居民用户有7户,分别为2497、2601、2603、2856、3177、4871和6399号居民用户。将该7户在1月的用电数据绘制如图6(b),其日最大负荷变异系数分别为0.03、0.33、0.33、0.14、0.26、0.08和0.25,除2497号居民用户外其他6户均超过设置的阈值,可排除大部分居民用户嫌疑,判断该2497号居民用户用电异常,进行实地稽查。

Claims (7)

1.一种基于用电功率频率分布相对熵的室内大麻种植居民用户识别方法,其特征在于,该方法步骤如下:
步骤1:建立仿真模拟大麻种植大棚,获取仿真模拟大麻种植大棚种植大麻期间连续一个月的理论用电量数据,建立单位时间用电量时间序列X=[x1,x2,…,xn],通过最大—最小标准化对序列X进行标准化,获得标准化后的序列X′=[x′1,x′2,…,x′n],X′取值范围为[0,1];根据序列X′结合频率直方图绘制方法获得理论用电量的频率分布曲线,以此作为计算“标杆”;
步骤2:获取待检测的数个居民用户连续一个月的用电量数据,建立每个用户的单位时间用电量时间序列Y=[y1,y2,…,yn],通过最大—最小标准化对序列Y进行标准化,获得标准化后的序列Y′=[y′1,y′2,…,y′n],Y′取值范围为[0,1];根据序列Y′结合频率直方图绘制方法获得每个居民用户用电量的频率分布曲线;
步骤3:根据相对熵公式,计算上述每个居民用户用电量的频率分布与标杆的相对熵;
步骤4:将每个居民用户与标杆的相对熵按升序进行罗列,利用箱线图算法获得阈值;
步骤5:将每个居民用户的相对熵与阈值进行比较,获取相对熵小于阈值的居民用户的单位时间用电量时间序列Y,根据相对熵小于阈值的居民用户和仿真模拟大麻种植大棚的单位时间用电量时间序列计算日最大负荷变异系数,若相对熵小于阈值的居民用户的日最大负荷变异系数小于0.1,则判断该居民用户为用电异常用户。
2.如权利要求1所述的基于用电功率频率分布相对熵的室内大麻种植居民用户识别方法,其特征在于,所述步骤1中仿真模拟大麻种植大棚是根据大麻种植手册介绍的大麻生长所需的环境进行建立。
3.如权利要求1所述的基于用电功率频率分布相对熵的室内大麻种植居民用户识别方法,其特征在于,所述步骤2中在获取待检测的数个居民用户连续一个月的用电量数据之后,先剔除一个月日均用电量小于3kWh的居民用户,再对余下用户建立每个用户的单位时间用电量时间序列Y。
4.如权利要求1所述的基于用电功率频率分布相对熵的室内大麻种植居民用户识别方法,其特征在于,所述步骤1和步骤2中的用电量时间序列的单位时间相同。
5.如权利要求1所述的基于用电功率频率分布相对熵的室内大麻种植居民用户识别方法,其特征在于,所述步骤1中最大—最小标准化的公式为x′i=(xi-minX)/(maxX-minX),其中,xi为序列X中第i个值,x′i为序列X中第i个标准化后的值。
6.如权利要求1所述的基于用电功率频率分布相对熵的室内大麻种植居民用户识别方法,其特征在于,所述步骤2中最大—最小标准化的公式为y′i=(yi-minY)/(maxY-minY),其中,yi为序列Y中第i个值,y′i为序列Y中第i个标准化后的值。
7.如权利要求1所述的基于用电功率频率分布相对熵的室内大麻种植居民用户识别方法,其特征在于,所述步骤3中相对熵公式为KL(P||Q)=∑P(x)log(P(x)/Q(x)),其中,P(x)为标杆分布函数,Q(x)为待检测的居民用户分布函数。
CN202110108673.9A 2021-01-27 2021-01-27 基于用电功率频率分布相对熵的室内大麻种植识别方法 Expired - Fee Related CN112765826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110108673.9A CN112765826B (zh) 2021-01-27 2021-01-27 基于用电功率频率分布相对熵的室内大麻种植识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110108673.9A CN112765826B (zh) 2021-01-27 2021-01-27 基于用电功率频率分布相对熵的室内大麻种植识别方法

Publications (2)

Publication Number Publication Date
CN112765826A true CN112765826A (zh) 2021-05-07
CN112765826B CN112765826B (zh) 2022-05-06

Family

ID=75705944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110108673.9A Expired - Fee Related CN112765826B (zh) 2021-01-27 2021-01-27 基于用电功率频率分布相对熵的室内大麻种植识别方法

Country Status (1)

Country Link
CN (1) CN112765826B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4961428A (en) * 1988-05-02 1990-10-09 Northeastern University Non-invasive method and apparatus for describing the electrical activity of the surface of an interior organ
CN103678766A (zh) * 2013-11-08 2014-03-26 国家电网公司 一种基于pso算法的异常用电客户检测方法
CN109712023A (zh) * 2018-12-26 2019-05-03 国网河南省电力公司经济技术研究院 一种区域售电市场价值评估方法
CN109726364A (zh) * 2018-07-06 2019-05-07 平安科技(深圳)有限公司 用电量异常检测方法、装置、终端及计算机可读存储介质
CN109752613A (zh) * 2018-12-31 2019-05-14 天津求实智源科技有限公司 基于非侵入式负荷监测的违约用电检测系统及方法
CN110321934A (zh) * 2019-06-12 2019-10-11 深圳供电局有限公司 一种检测用户用电异常数据的方法及系统
CN110991477A (zh) * 2019-10-29 2020-04-10 中国电力科学研究院有限公司 一种识别电力系统异常行业用户和异常用电行为的方法和系统
CN111428745A (zh) * 2020-01-03 2020-07-17 中国电力科学研究院有限公司 一种基于聚类分析的低压用户用电特征提取方法
CN111797143A (zh) * 2020-07-07 2020-10-20 长沙理工大学 基于用电量统计分布偏度系数的水产养殖业窃电检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4961428A (en) * 1988-05-02 1990-10-09 Northeastern University Non-invasive method and apparatus for describing the electrical activity of the surface of an interior organ
CN103678766A (zh) * 2013-11-08 2014-03-26 国家电网公司 一种基于pso算法的异常用电客户检测方法
CN109726364A (zh) * 2018-07-06 2019-05-07 平安科技(深圳)有限公司 用电量异常检测方法、装置、终端及计算机可读存储介质
CN109712023A (zh) * 2018-12-26 2019-05-03 国网河南省电力公司经济技术研究院 一种区域售电市场价值评估方法
CN109752613A (zh) * 2018-12-31 2019-05-14 天津求实智源科技有限公司 基于非侵入式负荷监测的违约用电检测系统及方法
CN110321934A (zh) * 2019-06-12 2019-10-11 深圳供电局有限公司 一种检测用户用电异常数据的方法及系统
CN110991477A (zh) * 2019-10-29 2020-04-10 中国电力科学研究院有限公司 一种识别电力系统异常行业用户和异常用电行为的方法和系统
CN111428745A (zh) * 2020-01-03 2020-07-17 中国电力科学研究院有限公司 一种基于聚类分析的低压用户用电特征提取方法
CN111797143A (zh) * 2020-07-07 2020-10-20 长沙理工大学 基于用电量统计分布偏度系数的水产养殖业窃电检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
苏盛等: "基于格兰杰归因分析的高损台区窃电检测", 《电力系统自动化》 *

Also Published As

Publication number Publication date
CN112765826B (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
Peng et al. Quantitative description and simulation of human behavior in residential buildings
Aigner et al. Conditional demand analysis for estimating residential end-use load profiles
CN104915562B (zh) 建筑能效诊断方法和系统
US20110040785A1 (en) System and method to monitor and manage performance of appliances
CN103617457A (zh) 电力系统中与温度有关的天气敏感负荷的预测方法
CN115222211B (zh) 一种基于物联网技术的电力能源智能分析管控系统
JP2016077090A (ja) 省エネルギ支援システムおよび省エネルギ支援方法
Kuang et al. Tree-ring growth patterns of Masson pine (Pinus massoniana L.) during the recent decades in the acidification Pearl River Delta of China
CN117172625B (zh) 一种对既有建筑进行节能改造的综合化分析方法
CN114659237B (zh) 一种基于物联网的空调能效监管方法
CN116303391A (zh) 一种智能电表远传电能时间序列数据的处理方法
CN112765826B (zh) 基于用电功率频率分布相对熵的室内大麻种植识别方法
Martin et al. Characterization of Mechanical Ventilation Systems in New US Homes: What types of systems are out there and are they functioning as intended
CN116255655B (zh) 基于大数据的设备智能检调方法、系统和介质
CN103062864A (zh) 用于新风系统中准确采集室外真实温度方法
KR100979409B1 (ko) 에너지 절감을 위한 성능평가 구성 방법
Grinewitschus et al. Influence of user behavior and home automation on energy consumption
CN114659225A (zh) 一种甲醛去除方法、装置和设备
Xiong et al. Application of digital twin technology in intelligent building energy efficiency management system
De Maré et al. Large-scale performance analysis of a smart residential MEV system based on cloud data
Bianchini et al. Reconstruction and analysis of the energy demand of a healthcare facility in Italy
Chowdhury et al. Analysis of energy performance of institutional buildings in subtropical climate
KR102146332B1 (ko) 클라우드기반의 소규모 매장 전기에너지 절감을 위한 ems 서비스 시스템
WO2004029557A1 (en) Energy performance monitoring system
CN110968135A (zh) 一种基于人工智能的智慧种植方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220506

CF01 Termination of patent right due to non-payment of annual fee