CN112784210A - 一种基于多元高斯判别方式的负荷识别方法 - Google Patents

一种基于多元高斯判别方式的负荷识别方法 Download PDF

Info

Publication number
CN112784210A
CN112784210A CN202110095040.9A CN202110095040A CN112784210A CN 112784210 A CN112784210 A CN 112784210A CN 202110095040 A CN202110095040 A CN 202110095040A CN 112784210 A CN112784210 A CN 112784210A
Authority
CN
China
Prior art keywords
electrical
event
equipment
time
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.)
Pending
Application number
CN202110095040.9A
Other languages
English (en)
Inventor
孔丹
赵墨渲
虞剑文
刘坤
李颖
刘�东
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.)
Nanjing Zhirui Energy Internet Research Institute Co ltd
Original Assignee
Nanjing Zhirui Energy Internet Research Institute 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 Nanjing Zhirui Energy Internet Research Institute Co ltd filed Critical Nanjing Zhirui Energy Internet Research Institute Co ltd
Priority to CN202110095040.9A priority Critical patent/CN112784210A/zh
Publication of CN112784210A publication Critical patent/CN112784210A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种基于多元高斯判别方式的负荷识别方法，涉及负荷识别技术领域。本发明包括负荷识别智能终端安装在用户总进线处，采集用户总进线处的电气数据；根据电气数据进行事件检测并进行事件标记获取标记事件；提取标记事件的电气特征，对电气特征描述并传递电气特征至模式识别模块；模式识别模块根据电气特征辨识设备名；将设备名对比黑名单获取危险负荷设备。本发明在用户总进线处检测电气数据，模式识别模块可实现准确识别出电器设备的种类，并实时辨识出是否属于危险性负荷，一旦检测出有危险性负荷投入，能够快速切断支路供电，从源头控制电气火灾的发生，降低人身安全及财产安全的损失。

Description

一种基于多元高斯判别方式的负荷识别方法
技术领域
本发明属于负荷识别技术领域，特别是涉及一种基于多元高斯判别方式的负荷识别方法。
背景技术
电气火灾一直是火灾事故中发生频率最高造成损失最大的火灾类型，引发电气火灾的原因大多是用电行为不规范、设备故障等造成的短路而引起的，因此保证用电安全一直是电力部门、消防部门、企业/高校管理部门、居民用户等各界密切关注的重点。
负荷识别技术发展至目前阶段大多采用侵入式和非侵入式两种识别方法：侵入式识别方法需要在各负荷节点处安装传感器，虽然可以获知各节点数据，但成本高、安装繁杂、维护困难。非侵入式则主要是通过在电力用户入口处监测电压、电流等电气负荷特征数据，通过系统对数据进行分析分解，实现用电负荷的识别。
现有的非侵入式识别技术大多只针对各用电设备的电器类型识别和电能计量，采集和分析用户的某天或某月的数据，并不能实时判断识别用电设备，快速断开危险性负荷，响应用户需求。
因此，针对上述问题，本发明提供一种基于多元高斯判别方式的负荷识别方法。
发明内容
本发明的目的在于提供一种基于多元高斯判别方式的负荷识别方法，用于解决背景技术中提出的技术问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为一种基于多元高斯判别方式的负荷识别方法，包括如下过程：
A00：负荷识别智能终端安装在用户总进线处，采集用户总进线处的电气数据；
A01：根据电气数据进行事件检测并进行事件标记获取标记事件；
A02：提取标记事件的电气特征，对电气特征描述并传递电气特征至模式识别模块；
A03：模式识别模块根据电气特征辨识设备名或电器类型；
A04：将设备名或电器类型对比黑名单判断是否为危险负荷设备；若是，则执行A05；若否，则输出设备名或电器类型；
A05：在危险负荷应变时间内输出跳闸命令至电控系统，电控系统控制切断电源。
作为一种优选的技术方案，A00之前建立黑名单以及白名单中电器的特征库，具体为：采集各电器设备的稳态运行数据，建立不同电器数据的多元特征，利用多元高斯分布模型对各电器设备进行特征描述，进行样本数据分析，过程如下：
B00：创建CSV文件，进行数据清洗；去除异常数据后补充缺失数据；
B01：构建各电气设备的多元特征：
均值
Figure BDA0002913585080000021
u1,u2...up分别指代各个维度的平均值；
对于P维高斯模型，n个样本点，在空间内构成簇，获取其极大似然估计，计算均值和协方差矩阵：
Figure BDA0002913585080000031
其中，Xi为样本点矩阵X的底i个样本点；通过p维行向量描述样本点Xi＝(xi1,xi2,......,xip)，i＝1,2,3,...,n；
其极大似然估计公式为：
Figure BDA0002913585080000032
其中，
Figure BDA0002913585080000033
为均值；
Figure BDA0002913585080000034
其中，
Figure BDA0002913585080000035
为协方差矩阵；
B02：取最小概率密度为参考边界阈值：
Figure BDA0002913585080000036
Figure BDA0002913585080000037
Xi∈X表示各样本点，其中，
Figure BDA0002913585080000038
为各样本点对应的概率密度，取样本点中的最小概率密度值作为边界阈值Fm；
以
Figure BDA0002913585080000039
Fm描述对应电器设备在空间内的分布情况。
作为一种优选的技术方案，A01中事件检测以及事件标记具体包括如下：
以时间序列内有功的最值差作为变化依据：ΔPt＝|Pt.max-Pt.min|；其中，Pt.max为时间序列内的有功功率最大值，Pt.min为时间序列内的有功功率最小值；
电器设备稳态运行时，时间序列内相邻两个稳态有功功率的差值为：ΔPt；当ΔPt>Pf时，Pf为自身波动阈值，则电器设备进入下一稳态；其中，Pf可动态设置以适应总有功功率；
当新设备接入或原设备退出时，引起有功功率跳变，预设时间跳变阈值Pe；在时间序列内相邻稳态有功功率均值差ΔPi值作为变化依据，判断依据如下：
当
Figure BDA0002913585080000041
时，则有事件发生，进行事件标记；
其中，
Figure BDA0002913585080000042
为第i+1时刻的平均有功功率，
Figure BDA0002913585080000043
为第i时刻的平均有功功率。
作为一种优选的技术方案，A02中提取标记事件的电气特征过程如下：
对标记事件后稳态与标记事件前稳态作差值运算：
有功功率：
Figure BDA0002913585080000044
无功功率：
Figure BDA0002913585080000045
其中，
Figure BDA0002913585080000046
为第i+1时刻的平均无功功率，
Figure BDA0002913585080000047
为第i时刻的平均无功功率；
将事件动作前记为i1时刻，事件动作后记为i2时刻，则：
k次电流谐波：ΔIk＝Ik2,i1+Ik2,i2-Ik,i1*Ik,i2cos(θk,i1-θk,i2)；其中，Ik,i1为i1时刻的h次电流谐波，Ik,i2为i2时刻的h次电流谐波，θk,i1为i1时刻的h次电流谐波相角，θk,i2为i2时刻的h次电流谐波相角；
根据电压相角修正电流谐波相角：
Figure BDA0002913585080000048
其中，θk为修正后的k次电流谐波相角，
Figure BDA0002913585080000049
为修正前k次电流谐波相角，
Figure BDA00029135850800000410
为电压基波相角；
电流总谐波畸变率：
Figure BDA00029135850800000411
其中，I1为基波电流，Ih为h次谐波。
作为一种优选的技术方案，A03中模式识别模块根据电气特征辨识设备名或电器类型的过程如下：
将标记事件前后相邻两稳态间的事件电气特征作为识别的测试点(xi1,xi2,......,xip)，判断测试点是否位于特征区域内；若检测到在特征区域内，则返回相应的设备名。
本发明具有以下有益效果：
1、本发明首先通过建立不同电器数据的多元特征，利用多元高斯分布模型对各电器设备进行特征描述，建立黑名单以及白名单中电器的特征库；使用时，在用户总进线处检测电气数据，根据电气数据进行事件检测并进行事件标记获取标记事件，而后提取标记事件的电气特征，对电气特征描述并传递电气特征至模式识别模块；模式识别模块可实现准确识别出电器设备的种类，并实时辨识出是否属于危险性负荷，一旦检测出有危险性负荷投入，能够快速切断支路供电，从源头控制电气火灾的发生，降低人身安全及财产安全的损失。
2、本发明利用电器设备的稳态运行特征进行负荷辨识，大大降低了对测量芯片的数据通讯要求，满足进行实时负荷识别的需求，基于多元高斯的识别方法能够提高负荷识别的辨识精度和匹配准确率，也为进行用户行为画像提供有力支撑。
3、本发明用户能够自主获取电器设备的负荷特征参数，保证了本方法拥有更广泛的适用范围和应用环境。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明的一种基于多元高斯判别方式的负荷识别方法的流程图；
图2为本发明的建立黑名单以及白名单中电器的特征库的流程图；
图3为本发明中利用多元高斯判别方式判别被测点test是否落在检测区域内的示意图；
图4为本发明中三种电器设备在P、Q、Ithd空间中的分布的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明为一种基于多元高斯判别方式的负荷识别方法，包括如下过程：
A00：负荷识别智能终端安装在用户总进线处，采集用户总进线处的电气数据；
请参阅图2所示，具体的，在本步骤之前建立黑名单以及白名单中电器的特征库，具体为：采集各电器设备的稳态运行数据(稳态运行数据可以包括有功功率、无功功率、谐波、功率因数等多元特征；本实施例中采用有功功率P、无功功率Q以及总谐波畸变率Ithd)，建立不同电器数据的多元特征，利用多元高斯分布模型对各电器设备进行特征描述，进行样本数据分析，过程如下：
B00：创建CSV文件，进行数据清洗；去除异常数据后补充缺失数据；
B01：构建各电气设备的多元特征：
均值
Figure BDA0002913585080000071
u1,u2...up分别指代各个维度的平均值；
对于P维高斯模型，n个样本点，在空间内构成簇，获取其极大似然估计，计算均值和协方差矩阵(本实施例中采用三个维度：有功功率P、无功功率Q以及总谐波畸变率Ithd)：
Figure BDA0002913585080000072
其中，Xi为样本点矩阵X的第i个样本点，通过p维行向量描述样本点Xi＝(xi1,xi2,......,xip)，i＝1,2,3,...,n；
其极大似然估计公式为：
Figure BDA0002913585080000073
其中，
Figure BDA0002913585080000074
为均值；
Figure BDA0002913585080000075
其中，
Figure BDA0002913585080000076
为协方差矩阵；
B02：取最小概率密度为参考边界阈值：
实际上，请参阅图3所示，利用多元高斯判别方式判别被测点test是否落在检测区域内的示意图，图3中五星标识点为被测点test；对于空间内的簇，以簇的边沿作为参考边界，认为落在边界区域内是对应电气设备的特征区域；利用概率密度函数计算各元素对应的概率密度值，取最小值为边界阈值；
Figure BDA0002913585080000081
Figure BDA0002913585080000082
Xi∈X表示各样本点；其中，
Figure BDA0002913585080000083
为各样本点对应的概率密度，取样本点中的最小概率密度值作为边界阈值Fm；
请参阅图4所示，为三种电器设备在P、Q、Ithd空间中的分布；以
Figure BDA0002913585080000084
Fm描述对应电器设备在空间内的分布情况。
A01：根据电气数据进行事件检测并进行事件标记获取标记事件；
具体的，事件检测以及事件标记包括如下过程：
实际上，电气设备的启停总是伴随着总有功功率的变化，故以用功功率序列的变化作为事件检测的依据；以时间序列内有功的最值差作为变化依据：ΔPt＝|Pt.max-Pt.min|；其中，Pt.max为时间序列内的有功功率最大值，Pt.min为时间序列内的有功功率最小值；
电器设备稳态运行时，时间序列内相邻两个稳态有功功率的差值为：ΔPt；当ΔPt>Pf时，Pf为自身波动阈值，则电器设备进入下一稳态；其中，Pf为电气设备处于稳态运行状态下ΔPt处于的波动范围的预设值，对Pf动态设置以适应总有功功率；
当新设备接入或原设备退出时，会引起有功功率跳变，预设时间跳变阈值Pe；在时间序列内相邻稳态有功功率均值差ΔPi值作为变化依据，判断依据如下：
当
Figure BDA0002913585080000085
时，则有事件发生，进行事件标记；
其中，
Figure BDA0002913585080000086
为第i+1时刻的平均有功功率，
Figure BDA0002913585080000087
为第i时刻的平均有功功率。
A02：提取标记事件的电气特征，对电气特征描述并传递电气特征至模式识别模块；
具体的，提取标记事件的电气特征过程如下：
电气特征提取建立在事件检测的基础上，发生事件突变后，对标记事件后稳态与标记事件前稳态作差值运算：
有功功率：
Figure BDA0002913585080000091
无功功率：
Figure BDA0002913585080000092
其中，
Figure BDA0002913585080000093
为第i+1时刻的平均无功功率，
Figure BDA0002913585080000094
为第i时刻的平均无功功率；
k次电流谐波：
Figure BDA0002913585080000099
其中，Ik,i1为i1时刻的h次电流谐波，Ik,i2为i2时刻的h次电流谐波，θk,i1为i1时刻的h次电流谐波相角，θk,i2为i2时刻的h次电流谐波相角；
根据电压相角修正电流谐波相角：
Figure BDA0002913585080000095
其中，θk为修正后的k次电流谐波相角，
Figure BDA0002913585080000096
为修正前k次电流谐波相角，
Figure BDA0002913585080000097
为电压基波相角；
电流总谐波畸变率：
Figure BDA0002913585080000098
其中，I1为基波电流，Ih为h次谐波。
A03：模式识别模块根据电气特征辨识设备名或电器类型；
具体包括如下过程：将标记事件前后相邻两稳态间的事件电气特征作为识别的测试点(xi1,xi2,......,xip)，判断测试点是否位于特征区域内；若检测到在特征区域内，则返回相应的设备名。
A04：将设备名或电器类型对比黑名单判断是否为危险负荷设备；若是，则执行A05；若否，则输出设备名或电器类型；
A05：在危险负荷应变时间内输出跳闸命令至电控系统，电控系统控制切断电源；具体的，危险负荷应变时间为预设的传递出跳闸命令的应变时间，本实施例中危险负荷应变时间为5秒。
本发明实际使用时，首先通过建立不同电器数据的多元特征，利用多元高斯分布模型对各电器设备进行特征描述，建立黑名单以及白名单中电器的特征库；使用时，在用户总进线处检测电气数据，根据电气数据进行事件检测并进行事件标记获取标记事件，而后提取标记事件的电气特征，对电气特征描述并传递电气特征至模式识别模块；模式识别模块可实现准确识别出电器设备的种类，并实时辨识出是否属于危险性负荷，一旦检测出有危险性负荷投入，能够快速切断支路供电，从源头控制电气火灾的发生，降低人身安全及财产安全的损失。
另外，利用电器设备的稳态运行特征进行负荷辨识，大大降低了对测量芯片的数据通讯要求，满足进行实时负荷识别的需求，基于多元高斯的识别方法能够提高负荷识别的辨识精度和匹配准确率，也为进行用户行为画像提供有力支撑；用户能够自主获取电器设备的负荷特征参数，保证了本方法拥有更广泛的适用范围和应用环境。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (5)

1.一种基于多元高斯判别方式的负荷识别方法，其特征在于，包括如下过程：
A00：负荷识别智能终端安装在用户总进线处，采集用户总进线处的电气数据；
A01：根据电气数据进行事件检测并进行事件标记获取标记事件；
A02：提取标记事件的电气特征，对电气特征描述并传递电气特征至模式识别模块；
A03：模式识别模块根据电气特征辨识设备名或电器类型；
A04：将设备名或电器类型对比黑名单判断是否为危险负荷设备；若是，则执行A05；若否，则输出设备名或电器类型；
A05：在危险负荷应变时间内输出跳闸命令至电控系统，电控系统控制切断电源。
2.根据权利要求1所述的一种基于多元高斯判别方式的负荷识别方法，其特征在于，A00之前建立黑名单以及白名单中电器的特征库，具体为：采集各电器设备的稳态运行数据，建立不同电器数据的多元特征，利用多元高斯分布模型对各电器设备进行特征描述，进行样本数据分析，过程如下：
B00：创建CSV文件，进行数据清洗；去除异常数据后补充缺失数据；
B01：构建各电气设备的多元特征：
均值
Figure FDA0002913585070000011
u1,u2...up分别指代各个维度的平均值；
对于P维高斯模型，n个样本点，在空间内构成簇，获取其极大似然估计，计算均值和协方差矩阵：
Figure FDA0002913585070000021
其中，Xi为样本点矩阵X的底i个样本点；通过p维行向量描述样本点Xi＝(xi1,xi2,......,xip)，i＝1,2,3,...,n；
其极大似然估计公式为：
Figure FDA0002913585070000022
其中，
Figure FDA0002913585070000023
为均值；
Figure FDA0002913585070000024
其中，
Figure FDA0002913585070000025
为协方差矩阵；
B02：取最小概率密度为参考边界阈值：
Figure FDA0002913585070000026
Figure FDA0002913585070000027
Xi∈X表示各样本点，其中，
Figure FDA0002913585070000028
为各样本点对应的概率密度，取样本点中的最小概率密度值作为边界阈值Fm；
以
Figure FDA0002913585070000029
Fm描述对应电器设备在空间内的分布情况。
3.根据权利要求1或2所述的一种基于多元高斯判别方式的负荷识别方法，其特征在于，A01中事件检测以及事件标记具体包括如下：
以时间序列内有功的最值差作为变化依据：ΔPt＝|Pt.max-Pt.min|；其中，Pt.max为时间序列内的有功功率最大值，Pt.min为时间序列内的有功功率最小值；
电器设备稳态运行时，时间序列内相邻两个稳态有功功率的差值为：ΔPt；当ΔPt>Pf时，Pf为自身波动阈值，则电器设备进入下一稳态；其中，Pf可动态设置以适应总有功功率；
当新设备接入或原设备退出时，引起有功功率跳变，预设时间跳变阈值Pe；在时间序列内相邻稳态有功功率均值差ΔPi值作为变化依据，判断依据如下：
当
Figure FDA0002913585070000031
时，则有事件发生，进行事件标记；
其中，
Figure FDA0002913585070000032
为第i+1时刻的平均有功功率，
Figure FDA0002913585070000033
为第i时刻的平均有功功率。
4.根据权利要求3所述的一种基于多元高斯判别方式的负荷识别方法，其特征在于，A02中提取标记事件的电气特征过程如下：
对标记事件后稳态与标记事件前稳态作差值运算：
有功功率：
Figure FDA0002913585070000034
无功功率：
Figure FDA0002913585070000035
其中，
Figure FDA0002913585070000036
为第i+1时刻的平均无功功率，
Figure FDA0002913585070000037
为第i时刻的平均无功功率；
将事件动作前记为i1时刻，事件动作后记为i2时刻，则：
k次电流谐波：
Figure FDA0002913585070000038
其中，Ik,i1为i1时刻的h次电流谐波，Ik,i2为i2时刻的h次电流谐波，θk,i1为i1时刻的h次电流谐波相角，θk,i2为i2时刻的h次电流谐波相角；
根据电压相角修正电流谐波相角：
Figure FDA0002913585070000039
其中，θk为修正后的k次电流谐波相角，
Figure FDA00029135850700000310
为修正前k次电流谐波相角，
Figure FDA00029135850700000311
为电压基波相角；
电流总谐波畸变率：
Figure FDA00029135850700000312
其中，I1为基波电流，Ih为h次谐波。
5.根据权利要求4所述的一种基于多元高斯判别方式的负荷识别方法，其特征在于，A03中模式识别模块根据电气特征辨识设备名或电器类型的过程如下：
将标记事件前后相邻两稳态间的事件电气特征作为识别的测试点(xi1,xi2,......,xip)，判断测试点是否位于特征区域内；若检测到在特征区域内，则返回相应的设备名。
CN202110095040.9A 2021-01-25 2021-01-25 一种基于多元高斯判别方式的负荷识别方法 Pending CN112784210A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110095040.9A CN112784210A (zh) 2021-01-25 2021-01-25 一种基于多元高斯判别方式的负荷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110095040.9A CN112784210A (zh) 2021-01-25 2021-01-25 一种基于多元高斯判别方式的负荷识别方法

Publications (1)

Publication Number Publication Date
CN112784210A true CN112784210A (zh) 2021-05-11

Family

ID=75758854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110095040.9A Pending CN112784210A (zh) 2021-01-25 2021-01-25 一种基于多元高斯判别方式的负荷识别方法

Country Status (1)

Country Link
CN (1) CN112784210A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723806A (zh) * 2021-08-30 2021-11-30 南京智睿能源互联网研究院有限公司 一种用于负荷识别的用电负荷特征画像的建立方法
CN114202011A (zh) * 2021-10-30 2022-03-18 湖南江军科技有限责任公司 一种用电安全感知方法
CN114400784A (zh) * 2022-01-24 2022-04-26 北京广元科技有限公司 一种用电设备监控终端
CN115146744A (zh) * 2022-09-01 2022-10-04 安徽南瑞中天电力电子有限公司 一种融合时间特征的电能表负荷实时辨识方法、识别系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348354A (zh) * 2019-07-02 2019-10-18 南京智睿能源互联网研究院有限公司 一种用电负荷识别系统、方法及宿舍用电管理系统
CN111090014A (zh) * 2019-12-17 2020-05-01 深圳华建电力物联技术有限公司 一种基于高斯模型的电器识别方法及装置
CN111553444A (zh) * 2020-05-15 2020-08-18 东南大学 一种基于非侵入负荷终端数据的负荷辨识方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348354A (zh) * 2019-07-02 2019-10-18 南京智睿能源互联网研究院有限公司 一种用电负荷识别系统、方法及宿舍用电管理系统
CN111090014A (zh) * 2019-12-17 2020-05-01 深圳华建电力物联技术有限公司 一种基于高斯模型的电器识别方法及装置
CN111553444A (zh) * 2020-05-15 2020-08-18 东南大学 一种基于非侵入负荷终端数据的负荷辨识方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张潼 等: "基于非侵入式负荷辨识的聚合负荷需求响应能力在线评估", 《电力工程技术》, vol. 39, no. 6, pages 19 - 25 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723806A (zh) * 2021-08-30 2021-11-30 南京智睿能源互联网研究院有限公司 一种用于负荷识别的用电负荷特征画像的建立方法
CN114202011A (zh) * 2021-10-30 2022-03-18 湖南江军科技有限责任公司 一种用电安全感知方法
CN114400784A (zh) * 2022-01-24 2022-04-26 北京广元科技有限公司 一种用电设备监控终端
CN115146744A (zh) * 2022-09-01 2022-10-04 安徽南瑞中天电力电子有限公司 一种融合时间特征的电能表负荷实时辨识方法、识别系统

Similar Documents

Publication Publication Date Title
CN112784210A (zh) 一种基于多元高斯判别方式的负荷识别方法
US20230384355A1 (en) Non-intrusive load monitoring method
CN111669375B (zh) 一种电力工控终端在线安全态势评估方法及系统
Zhang et al. Mitigating blackouts via smart relays: A machine learning approach
CN107241224A (zh) 一种变电站的网络风险监测方法及系统
Anwar et al. Ensuring data integrity of OPF module and energy database by detecting changes in power flow patterns in smart grids
Efstathopoulos et al. Operational data based intrusion detection system for smart grid
CN111367209A (zh) 物联网智慧安全用电管理系统
CN108512222A (zh) 一种智能变电站综合自动化系统
CN113285495B (zh) 一种针对虚假注入攻击的微电网分布式同步检测方法
CN116961242B (zh) 一种一二次融合柱上断路器实时数据管理方法及系统
El Chamie et al. Physics-based features for anomaly detection in power grids with micro-pmus
Yan et al. Robust event detection for residential load disaggregation
CN117674140B (zh) 一种配电网测控系统及方法
Bhuiyan et al. A deep learning through DBN enabled transmission line fault transient classification framework for multimachine microgrid systems
Li et al. Identification of distribution network topology parameters based on multidimensional operation data
CN117110798B (zh) 智能配电网的故障检测方法和系统
Ahmed et al. Spatio-temporal deep graph network for event detection, localization and classification in cyber-physical electric distribution system
De Santis et al. Fault recognition in smart grids by a one-class classification approach
CN110601261B (zh) 基于感控逻辑的微网控制器业务逻辑一致性分析方法
CN114550046A (zh) 火灾隐患识别方法、装置、处理器、存储介质和电子设备
Elbez et al. Early Detection of GOOSE Denial of Service (DoS) Attacks in IEC 61850 Substations
CN106094554A (zh) 智能家居监测系统
CN117728421B (zh) 微电网集群协调调度方法、系统、计算机设备和存储介质
You et al. Build Smart Grids on Artificial Intelligence–A Real-world Example

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