CN113486971B - 基于主成分分析和神经网络的用户状态识别方法、系统 - Google Patents
基于主成分分析和神经网络的用户状态识别方法、系统 Download PDFInfo
- Publication number
- CN113486971B CN113486971B CN202110811704.7A CN202110811704A CN113486971B CN 113486971 B CN113486971 B CN 113486971B CN 202110811704 A CN202110811704 A CN 202110811704A CN 113486971 B CN113486971 B CN 113486971B
- Authority
- CN
- China
- Prior art keywords
- sample data
- principal component
- data
- information
- user state
- 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
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 44
- 230000005611 electricity Effects 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 13
- 238000013139 quantization Methods 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 6
- 238000003062 neural network model Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000005485 electric heating Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于主成分分析和神经网络的用户状态识别方法、系统,所述方法包括如下步骤:步骤1:采集用户各分支电路的实时用电数据;步骤2:在采集的数据中获取样本数据并对样本数据进行预处理;步骤3:利用主成分分析方法,生成主成分系数矩阵,将样本数据进行降维处理;步骤4:对降维后的样本数据建立用户状态识别模型;步骤5:将采集的除样本数据外的用户用电数据代入建立的用户状态识别模型,进行用户状态识别。利用主成分分析方法对原始电量监测数据及时间信息进行降维,有效减小了数据处理难度。采用效果较好的神经网络模型进行用户状态识别,模型准确度结果高。
Description
技术领域
本发明涉及电能计量技术领域,具体涉及一种基于主成分分析和神经网络的用户状态识别方法、系统。
背景技术
电能替代是能源互联网战略的重要组成部分,对于促进能源清洁化发展意义重大。大量电采暖设备接入极易造成尖峰负荷,影响用电安全。
另一方面,现有的温度控制运行方式很难最大程度地利用产出的热能。因此有必要优化现有电采暖的控制技术,基于现有的电负荷状态监测技术,探索电量监测与用户用能行为的关联性。其作为调节电采暖设备运行状态、保障供暖效果的重要依据,使电量监测成为感知用户用能需求的重要手段。对用户状态进行识别不但能够帮助电网和政府监督居民安全适当用电,还能向各类人群提供有效的数据,对提高用户生活品质,推动用电智能化具有重要意义。
现有研究主要通过监测家庭用电量和用气量,以自动控制家庭供暖,然而该系统布置过于复杂。因此,如何利用家庭电量监测信息进行用户状态识别是需要解决的关键问题。
发明内容
针对如何利用家庭电量监测信息进行用户状态识别是需要解决的关键问题,本发明提供一种基于主成分分析和神经网络的用户状态识别方法、系统以解决上述技术问题。
本发明的技术方案是:
一方面,本发明技术方案提供一种基于主成分分析和神经网络的用户状态识别方法,包括如下步骤:
步骤1:采集用户各分支电路的实时用电数据;
步骤2:在采集的数据中获取样本数据并对样本数据进行预处理;
步骤3:利用主成分分析方法,生成主成分系数矩阵,将样本数据进行降维处理;
步骤4:对降维后的样本数据建立用户状态识别模型;
步骤5:将采集的除样本数据外的用户用电数据代入建立的用户状态识别模型,进行用户状态识别。
优选地,步骤1中,采集用户各分支电路的实时用电数据的步骤包括:
利用采集终端将用户各分支电路用电信息传输至监控中心,监控中心将接收到的用户各分支电路用电信息进行存储;具体的:采集终端包含智能电能表及远程终端单元;智能电能表连接在用户中的插座和插板之间,获取各插板上各用电器的用电情况,即分支电路用电信息;远程终端单元与智能电能表的RS485接口连接,将智能电能表获取的用电信息及其对应的时间传输到监控中心,监控中心将接收到的用户各分支电路的用电信息进行存储。
优选地,步骤1中,具体包括:
步骤11:采集用户各分支电路的实时有功功率,采样周期为T;
步骤12:判断采集的数据是否存在数据缺失,若是,执行步骤13;若否,执行步骤2;
步骤13:对于缺失数据,选取上一采集时刻的实时有功功率值进行填补;执行步骤2。
优选地,步骤2中,具体包括:
步骤21:在采集的数据中获取样本数据输入信息;具体是在监控中心接收到的用户各分支电路用电信息中获取样本数据输入信息;
步骤22:记录对应时刻用户状态信息,获取样本数据输出信息;
步骤23:量化样本数据对应的时间信息,在样本数据的输入信息中增加时间信息维度。
优选地,步骤23中,具体包括:
步骤231:设定不同时间段的量化时间值;
步骤232:在样本数据的输入信息中增加量化时间值维度;其中,当用户共有N条分支电路时,样本数据的输入信息为N+1维。
布置的复杂程度有所减少,将关注点聚焦于电量监测与用户状态间的关联性。
优选地,步骤3中还包括对样本数据的N+1维输入信息进行KMO检验的步骤,步骤3具体包括:
步骤31:获取采集的原始数据的KMO值;
步骤32:判断KMO值是否大于设定阈值;若是,执行步骤33,否则,放弃主成分分析;
步骤33:利用主成分分析法,生成主成分系数矩阵,对N+1维样本数据的输入信息进行降维处理。
优选地,步骤33的具体步骤包括:
步骤331:对所有样本数据进行去中心化;
步骤332:计算样本数据协方差矩阵;
步骤333:获得协方差矩阵的特征值,按照大小排序,最大的特征值是第一主成分,第二大的特征值是第二主成分,以此类推;
步骤334:取M个特征值所对应的单位特征向量生成主成分系数矩阵;
步骤335:将样本数据的输入信息矩阵与主成分系数矩阵相乘,得到降维后的样本数据的输入信息。
利用主成分分析方法对原始电量监测数据及时间信息进行降维,有效减小了数据处理难度。
优选地,步骤4中,具体包括:
以降维后的样本数据的输入信息为输入,以记录的对应时刻用户状态信息为输出,建立基于神经网络的用户状态识别模型。
采用效果较好的神经网络模型进行用户状态识别,模型准确度结果高。
优选地,步骤5的具体步骤包括:
步骤51:仿照步骤23,生成各分支电路实时功率对应的时间信息;
步骤52:将生成的时间信息及原始实时功率信息利用步骤3,生成的主成分系数矩阵,进行降维处理;
步骤53:将降维后的各主成分信息输入步骤4中建立的基于神经网络的用户状态识别模型,模型输出即为用户状态识别结果。
另一方面,本发明技术方案还提供一种基于主成分分析和神经网络的用户状态识别系统,包括采集终端、预处理模块、主成分分析模块、模型建立模块和识别输出模块;
采集终端,用于采集用户各分支电路的实时用电数据;
预处理模块,用于在采集的数据中获取样本数据并对样本数据进行预处理;
主成分分析模块,用于利用主成分分析方法,生成主成分系数矩阵,将样本数据进行降维处理;
模型建立模块,用于对降维后的样本数据建立用户状态识别模型;
识别输出模块,将采集的除样本数据外的用户用电数据代入建立的用户状态识别模型,进行用户状态识别。
优选地,该系统还包括监控中心;
采集终端包括智能电能表及远程终端单元;
智能电能表连接在用户家庭中的插座和插板之间,获取各插板上各用电器的用电情况,即分支电路用电信息;
远程终端单元与智能电能表的RS485接口连接,将智能电能表获取的用电信息及其对应的时间传输到监控中心,监控中心将接收到的用户各分支电路的用电信息进行存储。
优选地,该系统还包括判断模块、缺失处理模块;
智能电能表,用于采集用户各分支电路的实时有功功率,采样周期为T;
判断模块,用于判断采集的数据是否存在数据缺失,若是输出信息到缺失处理模块;
缺失处理模块,用于对于缺失数据,选取上一采集时刻的实时有功功率值进行填补。
优选地,预处理模块包括输入信息获取单元、输出信息获取单元、量化处理单元、
输入信息获取单元,用于在监控中心接收到的用户各分支电路用电信息中获取样本数据输入信息;
输出信息获取单元,用于记录对应时刻用户状态信息,获取样本数据输出信息;
量化处理单元,用于量化样本数据对应的时间信息,在样本数据的输入信息中增加时间信息维度。
优选地,量化处理单元,具体用于设定不同时间段的量化时间值,在样本数据的输入信息中增加量化时间值维度;其中,当用户共有N条分支电路时,样本数据的输入信息为N+1维。
优选地,主成分分析模块包括检验单元和主成分分析单元;
检验单元,用于对样本数据的N+1维输入信息进行KMO检验;
主成分分析单元,用于当检验单元判断KMO值大于设定阈值时,利用主成分分析法,生成主成分系数矩阵,对N+1维样本数据的输入信息进行降维处理。
优选地,主成分分析单元包括数据处理子模块、计算子模块、主成分获取子模块、主成分系数矩阵生成子模块、降维处理子模块;
数据处理子模块,用于对所有样本数据进行去中心化;
计算子模块,用于计算样本数据协方差矩阵;
主成分获取子模块,用于获得协方差矩阵的特征值,按照大小排序,最大的特征值是第一主成分,第二大的特征值是第二主成分,以此类推;
主成分系数矩阵生成子模块,用于取M个特征值所对应的单位特征向量生成主成分系数矩阵;
降维处理子模块,用于将样本数据的输入信息矩阵与主成分系数矩阵相乘,得到降维后的样本数据的输入信息。
优选地,模型建立模块,具体用于以降维后的样本数据的输入信息为输入,以记录的对应时刻用户状态信息为输出,建立基于神经网络的用户状态识别模型。
从以上技术方案可以看出,本发明具有以下优点:基于主成分分析和神经网络方法,利用家庭分支电路电量检测信息及用户状态样本数据建立用户状态识别模型,对采集到的各分支电路实时功率情况及时间信息进行主成分分析,并将将为结果作为模型预测输入,最终得到用户状态识别结果,实现了通过电量监测对用户状态进行感知,为调节电采暖设备运行状态、保障供暖效果提供重要依据。布置的复杂程度有所减少,将关注点聚焦于电量监测与用户状态间的关联性;利用主成分分析方法对原始电量监测数据及时间信息进行降维,有效减小了数据处理难度。采用效果较好的神经网络模型进行用户状态识别,模型准确度结果高。
此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
由此可见,本发明与现有技术相比,具有突出的实质性特点和显著地进步,其实施的有益效果也是显而易见的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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是本发明一个实施例的方法的示意性流程图。
图2是本发明另一个实施例的方法中数据采集的示意性流程图。
图3是本发明另一个实施例的方法中数据预处理的示意性流程图。
图4是本发明另一个实施例的方法中降维处理的示意性流程图。
图5是本发明一个实施例的系统的示意性框图。
图中,1-采集终端,2-预处理模块,3-主成分分析模块,4-模型建立模块,5-识别输出模块。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。下面对本发明中出现的关键术语进行解释。
KMO(Kaiser-Meyer-Olkin)检验统计量是用于比较变量间简单相关系数和偏相关系数的指标。KMO统计量是取值在0和1之间。
如图1所示,本发明的实施例提供一种基于主成分分析和神经网络的用户状态识别方法,包括如下步骤:
步骤1:采集用户各分支电路的实时用电数据;
步骤2:在采集的数据中获取样本数据并对样本数据进行预处理;
步骤3:利用主成分分析方法,生成主成分系数矩阵,将样本数据进行降维处理;
步骤4:对降维后的样本数据建立用户状态识别模型;
步骤5:将采集的除样本数据外的用户用电数据代入建立的用户状态识别模型,进行用户状态识别。
如图2所示,在有些实施例中,步骤1中,采集用户各分支电路的实时用电数据的步骤包括:
步骤11:采集用户各分支电路的实时有功功率;
步骤12:判断采集的数据是否存在数据缺失,若是,执行步骤13;若否,执行步骤2;
步骤13:对于缺失数据,选取上一采集时刻的实时有功功率值进行填补;执行步骤2。
需要说明的是,步骤1中实际获取的是样本数据初步输入信息,具体利用采集终端将用户各分支电路用电信息传输至监控中心,采集终端包含智能电能表及远程终端单元;智能电能表连接在用户中的插座和插板之间,获取各插板上各用电器的用电情况,即分支电路用电信息;远程终端单元与智能电能表的RS485接口连接,将智能电能表获取的用电信息及其对应的时间传输到监控中心,监控中心将接收到的用户各分支电路的用电信息进行存储。采集家庭各条分支电路的用电信息,具体为各分支电路的实时有功功率,采样周期为一分钟。对于缺失数据,选取上一采集时刻的实时有功功率值填补,最终形成初步样本数据输入信息。
如图3所示,在有些实施例中,步骤2中,具体包括:
步骤21:在采集的数据中获取样本数据输入信息;具体是在监控中心接收到的用户各分支电路用电信息中获取样本数据输入信息;
步骤22:记录对应时刻用户状态信息,获取样本数据输出信息;
记录步骤1中各条样本数据输入信息对应时刻的用户状态,作为样本数据输出信息。包括但不限于:睡眠、不在家、日常等。
步骤23:量化样本数据对应的时间信息,在样本数据的输入信息中增加时间信息维度。步骤23中,具体包括:
步骤231:设定不同时间段的量化时间值;
步骤232:在样本数据的输入信息中增加量化时间值维度;其中,当用户共有N条分支电路时,样本数据的输入信息为N+1维。
对采集样本中各条数据对应的时间信息进行量化。具体为:00:00-00:59时间段内的量化时间值为0,01:00-01:59时间段内的量化时间值为1,以此类推,23:00-23:59时间段内的量化时间值为23。引入数据对应的时间值,在样本数据库的输入信息中新增加量化时间值维度。当家庭共有N条分支电路时,样本数据库的输入信息为N+1维。
布置的复杂程度有所减少,将关注点聚焦于电量监测与用户状态间的关联性。
在有些实施例中,步骤3中还包括对样本数据的N+1维输入信息进行KMO检验的步骤,步骤3具体包括:
步骤31:获取采集的原始数据的KMO值;
步骤32:判断KMO值是否大于设定阈值;若是,执行步骤33,否则,放弃主成分分析;具体的,对样本数据库的N+1维输入信息进行KMO检验过程如下:根据原始数据的KMO值判定数据是否进行主成分分析。KMO值判定时,需要说明的是,当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时,KMO值接近1.KMO值越接近于1,意味着变量间的相关性越强,原有变量越适合作因子分析;当所有变量间的简单相关系数平方和接近0时,KMO值接近0.KMO值越接近于0,意味着变量间的相关性越弱,原有变量越不适合作因子分析。
具体判定原则如下:
1≥KMO>0.9非常适合
0.9≥KMO>0.8很适合
0.8≥KMO>0.7适合
0.7≥KMO>0.6尚可
0.6≥KMO>0.5较差
KMO≤0.5不适合。
当原始数据的KMO值>0.5时,利用主成分分析方法,对N+1维样本数据库输入信息进行降维处理,生成主成分系数矩阵;当数据KMO值在0.5以下,放弃主成分分析。在这里步骤32中的设定阈值为0.5。
步骤33:利用主成分分析法,生成主成分系数矩阵,对N+1维样本数据的输入信息进行降维处理。如图4所示,步骤33的具体步骤包括:
步骤331:对所有样本数据进行去中心化;
步骤332:计算样本数据协方差矩阵;
步骤333:获得协方差矩阵的特征值,按照大小排序,最大的特征值是第一主成分,第二大的特征值是第二主成分,以此类推;
步骤334:取M个特征值所对应的单位特征向量生成主成分系数矩阵;
步骤335:将样本数据的输入信息矩阵与主成分系数矩阵相乘,得到降维后的样本数据的输入信息。
利用主成分分析方法对原始电量监测数据及时间信息进行降维,有效减小了数据处理难度。
在有些实施例中,步骤4中,具体包括:
以降维后的样本数据的输入信息为输入,以记录的对应时刻用户状态信息为输出,建立基于神经网络的用户状态识别模型。可以设定,神经网络模型的输入层数为M,隐藏层数为10。
采用效果较好的神经网络模型进行用户状态识别,模型准确度结果高。
在有些实施例中,步骤5的具体步骤包括:
步骤51:仿照步骤23,生成各分支电路实时功率对应的时间信息;
步骤52:将生成的时间信息及原始实时功率信息利用步骤3,生成的主成分系数矩阵,进行降维处理;
步骤53:将降维后的各主成分信息输入步骤4中建立的基于神经网络的用户状态识别模型,模型输出即为用户状态识别结果。
如图5所示,本发明另一个实施例还提供一种基于主成分分析和神经网络的用户状态识别系统,包括采集终端1、预处理模块2、主成分分析模块3、模型建立模块4和识别输出模块5;
采集终端1,用于采集用户各分支电路的实时用电数据;
预处理模块2,用于在采集的数据中获取样本数据并对样本数据进行预处理;
主成分分析模块3,用于利用主成分分析方法,生成主成分系数矩阵,将样本数据进行降维处理;
模型建立模块4,用于对降维后的样本数据建立用户状态识别模型;
识别输出模块5,将采集的除样本数据外的用户用电数据代入建立的用户状态识别模型,进行用户状态识别。
在有些实施例中,该系统还包括监控中心;
采集终端1包括智能电能表及远程终端单元;
智能电能表连接在用户家庭中的插座和插板之间,获取各插板上各用电器的用电情况,即分支电路用电信息;
远程终端单元与智能电能表的RS485接口连接,将智能电能表获取的用电信息及其对应的时间传输到监控中心,监控中心将接收到的用户各分支电路的用电信息进行存储。
在有些实施例中,该系统还包括判断模块、缺失处理模块;
智能电能表,用于采集用户各分支电路的实时有功功率,采样周期为T;
判断模块,用于判断采集的数据是否存在数据缺失,若是输出信息到缺失处理模块;
缺失处理模块,用于对于缺失数据,选取上一采集时刻的实时有功功率值进行填补。
在有些实施例中,预处理模块2包括输入信息获取单元、输出信息获取单元、量化处理单元;
输入信息获取单元,用于在监控中心接收到的用户各分支电路用电信息中获取样本数据输入信息;
输出信息获取单元,用于记录对应时刻用户状态信息,获取样本数据输出信息;
量化处理单元,用于量化样本数据对应的时间信息,在样本数据的输入信息中增加时间信息维度。具体用于设定不同时间段的量化时间值,在样本数据的输入信息中增加量化时间值维度;其中,当用户共有N条分支电路时,样本数据的输入信息为N+1维。
在有些实施例中,主成分分析模块3包括检验单元和主成分分析单元;
检验单元,用于对样本数据的N+1维输入信息进行KMO检验;
主成分分析单元,用于当检验单元判断KMO值大于设定阈值时,利用主成分分析法,生成主成分系数矩阵,对N+1维样本数据的输入信息进行降维处理。主成分分析单元包括数据处理子模块、计算子模块、主成分获取子模块、主成分系数矩阵生成子模块、降维处理子模块;
数据处理子模块,用于对所有样本数据进行去中心化;
计算子模块,用于计算样本数据协方差矩阵;
主成分获取子模块,用于获得协方差矩阵的特征值,按照大小排序,最大的特征值是第一主成分,第二大的特征值是第二主成分,以此类推;
主成分系数矩阵生成子模块,用于取M个特征值所对应的单位特征向量生成主成分系数矩阵;
降维处理子模块,用于将样本数据的输入信息矩阵与主成分系数矩阵相乘,得到降维后的样本数据的输入信息。
在有些实施例中,模型建立模块4,具体用于以降维后的样本数据的输入信息为输入,以记录的对应时刻用户状态信息为输出,建立基于神经网络的用户状态识别模型。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述,但本发明并不限于此。在不脱离本发明的精神和实质的前提下,本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换,而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种基于主成分分析和神经网络的用户状态识别方法,其特征在于,包括如下步骤:
步骤1:采集用户各分支电路的实时用电数据;
步骤2:在采集的数据中获取样本数据并对样本数据进行预处理;
步骤3:利用主成分分析方法,生成主成分系数矩阵,将样本数据进行降维处理;
步骤4:对降维后的样本数据建立用户状态识别模型;
步骤5:将采集的除样本数据外的用户用电数据代入建立的用户状态识别模型,进行用户状态识别;
步骤1中,具体包括:
步骤11:采集用户各分支电路的实时有功功率;
步骤12:判断采集的数据是否存在数据缺失,若是,执行步骤13;若否,执行步骤2;
步骤13:对于缺失数据,选取上一采集时刻的实时有功功率值进行填补;执行步骤2;
步骤2中,具体包括:
步骤21:在采集的数据中获取样本数据输入信息;
步骤22:记录对应时刻用户状态信息,获取样本数据输出信息;
步骤23:量化样本数据对应的时间信息,在样本数据的输入信息中增加时间信息维度;
步骤23中,具体包括:
步骤231:设定不同时间段的量化时间值;
步骤232:在样本数据的输入信息中增加量化时间值维度;其中,当用户共有N条分支电路时,样本数据的输入信息为N+1维。
2.根据权利要求1所述的基于主成分分析和神经网络的用户状态识别方法,其特征在于,步骤3中还包括对样本数据的N+1维输入信息进行KMO检验的步骤,步骤3具体包括:
步骤31:获取采集的原始数据的KMO值;
步骤32:判断KMO值是否大于设定阈值;若是,执行步骤33,否则,放弃主成分分析;
步骤33:利用主成分分析法,生成主成分系数矩阵,对N+1维样本数据的输入信息进行降维处理。
3.根据权利要求2所述的基于主成分分析和神经网络的用户状态识别方法,其特征在于,步骤33的具体步骤包括:
步骤331:对所有样本数据进行去中心化;
步骤332:计算样本数据协方差矩阵;
步骤333:获得协方差矩阵的特征值,按照大小排序,最大的特征值是第一主成分,第二大的特征值是第二主成分,以此类推;
步骤334:取M个特征值所对应的单位特征向量生成主成分系数矩阵;
步骤335:将样本数据的输入信息矩阵与主成分系数矩阵相乘,得到降维后的样本数据的输入信息。
4.根据权利要求3所述的基于主成分分析和神经网络的用户状态识别方法,其特征在于,步骤4中,具体包括:
以降维后的样本数据的输入信息为输入,以记录的对应时刻用户状态信息为输出,建立基于神经网络的用户状态识别模型。
5.根据权利要求4所述的基于主成分分析和神经网络的用户状态识别方法,其特征在于,步骤5的具体步骤包括:
步骤51:仿照步骤23,生成各分支电路实时功率对应的时间信息;
步骤52:将生成的时间信息及原始实时功率信息利用步骤3,生成的主成分系数矩阵,进行降维处理;
步骤53:将降维后的各主成分信息输入步骤4中建立的基于神经网络的用户状态识别模型,模型输出即为用户状态识别结果。
6.一种基于主成分分析和神经网络的用户状态识别系统,其特征在于,包括采集终端、预处理模块、主成分分析模块、模型建立模块和识别输出模块;采集终端,用于采集用户各分支电路的实时用电数据;
预处理模块,用于在采集的数据中获取样本数据并对样本数据进行预处理;
主成分分析模块,用于利用主成分分析方法,生成主成分系数矩阵,将样本数据进行降维处理;
模型建立模块,用于对降维后的样本数据建立用户状态识别模型;
识别输出模块,将采集的除样本数据外的用户用电数据代入建立的用户状态识别模型,进行用户状态识别;
该系统还包括判断模块、缺失处理模块;
智能电能表,用于采集用户各分支电路的实时有功功率,采样周期为T;
判断模块,用于判断采集的数据是否存在数据缺失,若是输出信息到缺失处理模块;
缺失处理模块,用于对于缺失数据,选取上一采集时刻的实时有功功率值进行填补;
预处理模块包括输入信息获取单元、输出信息获取单元、量化处理单元;
输入信息获取单元,用于在监控中心接收到的用户各分支电路用电信息中获取样本数据输入信息;
输出信息获取单元,用于记录对应时刻用户状态信息,获取样本数据输出信息;
量化处理单元,用于量化样本数据对应的时间信息,在样本数据的输入信息中增加时间信息维度,具体用于设定不同时间段的量化时间值,在样本数据的输入信息中增加量化时间值维度;其中,当用户共有N条分支电路时,样本数据的输入信息为N+1维。
7.根据权利要求6所述的基于主成分分析和神经网络的用户状态识别系统,其特征在于,该系统还包括监控中心;
采集终端包括智能电能表及远程终端单元;
智能电能表连接在用户家庭中的插座和插板之间,获取各插板上各用电器的用电情况,即分支电路用电信息;
远程终端单元与智能电能表的RS485接口连接,将智能电能表获取的用电信息及其对应的时间传输到监控中心,监控中心将接收到的用户各分支电路的用电信息进行存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110811704.7A CN113486971B (zh) | 2021-07-19 | 2021-07-19 | 基于主成分分析和神经网络的用户状态识别方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110811704.7A CN113486971B (zh) | 2021-07-19 | 2021-07-19 | 基于主成分分析和神经网络的用户状态识别方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486971A CN113486971A (zh) | 2021-10-08 |
CN113486971B true CN113486971B (zh) | 2023-10-27 |
Family
ID=77941248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110811704.7A Active CN113486971B (zh) | 2021-07-19 | 2021-07-19 | 基于主成分分析和神经网络的用户状态识别方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486971B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2887579A1 (en) * | 2013-12-19 | 2015-06-24 | BAE Systems PLC | Data communications performance monitoring using principal component analysis |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN109377409A (zh) * | 2018-09-29 | 2019-02-22 | 重庆大学 | 一种基于bp神经网络的用户用电异常行为检测方法 |
CN109979161A (zh) * | 2019-03-08 | 2019-07-05 | 河海大学常州校区 | 一种基于卷积循环神经网络的人体跌倒检测方法 |
CN209297302U (zh) * | 2018-12-13 | 2019-08-23 | 云南电网有限责任公司玉溪供电局 | 一种基于pca算法的用电行为异常监察装置 |
WO2019237492A1 (zh) * | 2018-06-13 | 2019-12-19 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
CN111160204A (zh) * | 2019-12-23 | 2020-05-15 | 山东大学 | 基于主元分析bp神经网络的地质雷达图像识别方法及系统 |
CN111932069A (zh) * | 2020-07-08 | 2020-11-13 | 深圳市深鹏达电网科技有限公司 | 家庭电力用户用电能效分析方法、计算机设备、存储介质 |
CN112836738A (zh) * | 2021-01-29 | 2021-05-25 | 华能国际电力股份有限公司 | 基于bp神经网络的窃电行为检测方法 |
CN112966219A (zh) * | 2021-03-01 | 2021-06-15 | 北京市腾河智慧能源科技有限公司 | 识别户表与表箱关系的方法及系统、设备、介质 |
CN113110089A (zh) * | 2021-04-29 | 2021-07-13 | 广东电网有限责任公司 | 一种家庭电器优化使用管理方法、装置、设备及介质 |
-
2021
- 2021-07-19 CN CN202110811704.7A patent/CN113486971B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2887579A1 (en) * | 2013-12-19 | 2015-06-24 | BAE Systems PLC | Data communications performance monitoring using principal component analysis |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
WO2019237492A1 (zh) * | 2018-06-13 | 2019-12-19 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
CN109377409A (zh) * | 2018-09-29 | 2019-02-22 | 重庆大学 | 一种基于bp神经网络的用户用电异常行为检测方法 |
CN209297302U (zh) * | 2018-12-13 | 2019-08-23 | 云南电网有限责任公司玉溪供电局 | 一种基于pca算法的用电行为异常监察装置 |
CN109979161A (zh) * | 2019-03-08 | 2019-07-05 | 河海大学常州校区 | 一种基于卷积循环神经网络的人体跌倒检测方法 |
CN111160204A (zh) * | 2019-12-23 | 2020-05-15 | 山东大学 | 基于主元分析bp神经网络的地质雷达图像识别方法及系统 |
CN111932069A (zh) * | 2020-07-08 | 2020-11-13 | 深圳市深鹏达电网科技有限公司 | 家庭电力用户用电能效分析方法、计算机设备、存储介质 |
CN112836738A (zh) * | 2021-01-29 | 2021-05-25 | 华能国际电力股份有限公司 | 基于bp神经网络的窃电行为检测方法 |
CN112966219A (zh) * | 2021-03-01 | 2021-06-15 | 北京市腾河智慧能源科技有限公司 | 识别户表与表箱关系的方法及系统、设备、介质 |
CN113110089A (zh) * | 2021-04-29 | 2021-07-13 | 广东电网有限责任公司 | 一种家庭电器优化使用管理方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
基于PCA和模糊聚类的用电行为分析;李英娜等;数据通信(第02期);全文 * |
基于主成分分析和概率神经网络的变压器局部放电模式识别;苑津莎;尚海昆;;电力自动化设备(第06期);全文 * |
基干机器学习的非侵入式电力负荷监测及用户行为研究;张玉蕾;硕士学位论文(第4期);第1-5章 * |
Also Published As
Publication number | Publication date |
---|---|
CN113486971A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111382789B (zh) | 基于机器学习的电力负荷识别方法及系统 | |
CN112215406A (zh) | 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 | |
CN113076985B (zh) | 电力用户负荷识别方法、装置及计算机可读介质 | |
CN113554361B (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
CN116008714B (zh) | 一种基于智能量测终端的反窃电分析方法 | |
CN115759708A (zh) | 一种考虑电力时空分布特性的线损分析方法及系统 | |
CN110361609B (zh) | 特高压设备监测系统及方法 | |
CN112989133B (zh) | 一种电器设备的图数据建模电力指纹识别方法、存储介质及系统 | |
Han et al. | Non‐intrusive load monitoring by voltage–current trajectory enabled asymmetric deep supervised hashing | |
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 | |
CN116756575B (zh) | 基于bgain-dd网络的非侵入式负荷分解方法 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN117829203A (zh) | 一种非侵入式负荷分解方法及系统 | |
CN111199014A (zh) | 一种基于时间序列的seq2point的NILM方法及装置 | |
CN115932435A (zh) | 一种基于低频采集信号的居民非侵入式负荷监测方法 | |
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 | |
CN115983347A (zh) | 一种非侵入式负荷分解方法、装置及存储介质 | |
Gao et al. | Fault prediction in electric power communication network based on improved DenseNet | |
Gu et al. | Power quality early warning based on anomaly detection | |
CN114358160A (zh) | 一种电力系统中的数据异常检测方法 | |
CN113033775A (zh) | 一种基于有监督学习的非侵入式负荷识别网络架构 | |
CN112580875A (zh) | 一种配电装置的故障预测方法及系统 | |
CN112016587A (zh) | 基于主站特征库技术的用能监测云端协同非侵入辨识方法 | |
CN113762619B (zh) | 配电物联网用户负荷识别方法、系统、设备和存储介质 | |
CN113238092B (zh) | 一种基于机器学习的非侵入式检测方法 |
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 |