CN114019281B - 基于模体挖掘和半监督法的非侵入式负荷监测方法及系统 - Google Patents
基于模体挖掘和半监督法的非侵入式负荷监测方法及系统 Download PDFInfo
- Publication number
- CN114019281B CN114019281B CN202111298090.3A CN202111298090A CN114019281B CN 114019281 B CN114019281 B CN 114019281B CN 202111298090 A CN202111298090 A CN 202111298090A CN 114019281 B CN114019281 B CN 114019281B
- Authority
- CN
- China
- Prior art keywords
- equipment
- power
- state
- window
- windows
- 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 118
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000005065 mining Methods 0.000 title claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 4
- 238000009412 basement excavation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于模体挖掘和半监督法的非侵入式负荷监测方法及系统,其中监测方法包括S1:从用户总电表接口处获取用户的负荷信息,根据所述负荷信息检测出所有的设备投切事件;S2:利用检测出的所有设备投切事件划分设备运行窗,得到多个确定的设备运行窗和多个待定的设备运行窗;S3:从多个所述确定的设备运行窗和多个所述待定的设备运行窗中提取各个设备的设备特征向量,得到设备特征向量集;S4:根据所述设备特征量集,采用半监督学习法对各个设备的设备类型进行识别。本发明以少量标记样本的基于调和函数的半监督学习算法进行负荷辨识,能够提高非侵入式负荷监测技术的准确性和实用性,且不会影响用户的正常生产、生活及隐私。
Description
技术领域
本发明涉及负荷监测研究技术领域,具体而言,涉及一种基于模体挖掘和半监督法的非侵入式负荷监测方法及系统。
背景技术
非侵入式负荷监测技术对实现用户与电网的双向互动服务模式,响应节能减排具有非常重要的现实意义。该技术分析的各类设备运行时间信息可以帮助用户通过更换节能电器、调整电器参数、错峰用电等方式来减少电费。用户也可将信息共享给电力企业,获取更多的增值服务。通过非侵入式负荷监测,电力企业能更加详细地掌握用户的用能信息,科学地制定区域电力系统的发展规划与供电计划。
目前,已对非侵入式负荷监测技术进行了大量研究,但现有的非侵入式负荷监测技术仍存在以下缺陷:
一是需依靠对单个设备单独测量来建立负荷特征库用于模式识别。但特征库是侵入式收集的,影响用户正常的生产生活与隐私。且随着用户设备类型与数量的增加,具有相近运行特征的设备也逐渐增多,这类设备交叉投切时,准确分析设备运行时间较为困难。
二是负荷特征量提取过程中,波形参数与谐波分析都需要较高的采样频率,对配置的测量设备要求较高,同时增加存储与分析难度。
三是在负荷识别过程中,所采用的监督方法对标记样本的数量需求较高,分析结果需要人工标识使得相应的非侵入式负荷监测在应用中面临成本高昂、实施繁琐与居民舒适度低。此外,无监督类方法存在分类准确度较低且分析结果需要人工标识等问题。
有鉴于此,特提出本申请。
发明内容
本发明所要解决的技术问题是:现有的非侵入式负荷监测技术会影响用户的正常生产、生活及隐私,对样本的数量需求较高,且负荷识别准确性和实用性较低。目的在于提供一种基于模体挖掘和半监督法的非侵入式负荷监测方法及系统,以低采样频率,非侵入式的负荷特征收集方法,以及少量标记样本需求的半监督进行负荷识别,实现在不影响用户正常生产、生活和隐私的情况下,对用户负荷进行准确识别。
本发明通过下述技术方案实现:
一方面,本发明提供了一种基于模体挖掘和半监督法的非侵入式负荷监测方法,包括以下步骤:
从用户总电表接口处获取用户的负荷信息,根据所述负荷信息检测出所有的设备投切事件;
利用检测出的所有设备投切事件划分设备运行窗,得到多个确定的设备运行窗和多个满足设备运行窗运行约束条件的待定的设备运行窗;
从多个所述确定的设备运行窗和多个所述待定的设备运行窗中提取各个设备的设备特征向量,得到设备特征向量集;
根据所述设备特征量集,采用半监督学习法对各个设备的设备类型进行识别。
与现有技术相比,一方面,本发明采用从用户总电表接口处获取用户的总功率、电压、电流的变化信息,获取用户的总功率曲线,通过对用户总功率曲线进行分析,确定设备投切时间,即在用户总功率曲线上产生阶跃量的事实;然后利用设备运行的基本约束、事件发生的先后逻辑与模体挖掘法,对所有可能的设备运行过程进行划分,划分出确定的设备运行窗,同时对不确定的设备运行窗进行分析,共同建立设备特征向量,因此区别于现有技术依靠对单个设备单独测量来建立负荷特征库用于模式识别的方式,可避免信息采集过程对用户的正常用电产生干扰。另一方面,本发明利用设备运行的基本约束、事件发生的先后逻辑与模体挖掘法,对所有可能的设备运行过程进行划分,在设备运行窗中,利用不同类型设备在开启瞬态与稳定运行时的波动差异等特征量,利用基于调和函数的半监督算法对不同类型设备进行识别,此过程以少量标记的特征向量作为输入,相较于现有技术需要大量标记样本,以及需人工识别结果而言具有较高的实用性,并能得到准确的识别结果。
作为对本发明的进一步描述,所述设备投切事件的检测方法包括以下步骤:
从所述负荷信息中分析得出设备的功率变化时刻,以及所述功率变化时刻对应的功率变化量;
设定功率变化量阈值,当所述功率变化量的绝对值大于所述功率变化量阈值时,判定在所述功率变化时刻发生了设备投切事件;所述功率变化时刻为设备投切时刻,大于功率变化量阈值的功率变化量为功率阶跃量。
作为对本发明的进一步描述,所述设备运行窗的划分方法包括以下步骤:
定义基于时间序列的设备运行窗识别方法,利用所述设备运行窗识别方法识别出所有确定的设备运行窗;
利用模体挖掘法,挖掘出所有满足设备运行窗运行约束条件的待定的设备运行窗。
作为对本发明的进一步描述,所述确定的设备运行窗的识别方法包括以下步骤:
S11:在时间轴上,利用检测得到的所有功率阶跃量建立功率阶跃量序列;
S12:定义设备运行的基本约束和所述基本约束对应的设备运行窗匹配条件;
S13:根据所述设备运行窗匹配条件,从所述功率阶跃量序列的初始时刻开始,依次向后对每个功率阶跃量进行检测;
S14:当检测到功率阶跃量△Pi<0时,从所述功率阶跃量△Pi<0的时刻开始,将所述功率阶跃量△Pi向前依次与每一个功率阶跃量进行设备运行窗匹配,输出所有匹配成功的确定的设备运行时间窗,i=1,2,…,n,n表示功率阶跃量的个数。
作为对本发明的进一步描述,所述S14具体包括:
S14.1:当检测到功率阶跃量△Pi<0时,设置匹配标识N=0,定义功率阶跃量的待匹配状态Pw;
S14.2:对设备类型进行假设,得到设备类型假设结果,包括:单状态设备和多个多状态设备;
S14.3:针对每一种假设结果,将△Pi向前依次与每一个功率阶跃量△Pxj进行设备运行窗匹配,当满足设备运行窗匹配条件时,对匹配标识N叠加1,否则不叠加,直到与所有△Pxj匹配完成,记录最终叠加值Nfinal;j=1,2,…,i;
S14.4:若Nfinal=1且设备类型假设为单状态设备,则执行S14.7;若Nfinal=1且设备类型假设为多状态设备,则执行S14.5;若Nfinal>1,则等待下一个△Pi<0的设备投切事件,并返回S14.1;若Nfinal=0,则将△Pi放入Pw,继续执行S14.6;
S14.5:对满足设备运行窗匹配条件下的状态窗匹配情况进行假设,得到状态窗匹配情况的假设结果,包括:状态一:与单个多状态设备匹配,状态二:与多个单状态设备匹配,以及状态三:在一个多状态设备与另一状态变化量相近的单状态设备重叠的情况下匹配;若状态窗匹配情况为状态一,则执行S14.7,否则将状态二和状态三保留在Pw中;
S14.6:检测Pw是否<0,若是,则调整Pw中初始功率P0与其余功率阶跃量的关系;
S14.7:输出所有确定的设备运行窗。
作为对本发明的进一步描述,所述待定的设备运行窗的挖掘方法包括以下步骤:
从所述功率阶跃量序列的初始时刻开始,向后依次对每个功率阶跃量进行检测,获取所有功率阶跃量△Pi>0的投切事件;
对每一个△Pi>0的投切事件进行设备类型假设,得到待匹配事件的设备类型假设结果,包括:单运行设备和多运行设备;
基于待匹配事件的设备类型假设结果,在所述功率阶跃量序列上,以设备运行窗的基本约束为依据,确定出每一类设备的第一个模体;以所述模体包括多个满足基本约束的功率阶跃量;
针对每一类设备,在所述功率阶跃量序列上寻找出所有与该类设备的第一个模体重复的相似片段,得到多个模体;
以所述模体作为设备运行窗,输出所有待定的设备运行窗。
作为对本发明的进一步描述,所述设备特征向量的提取方法包括以下步骤:
获取设备从开启到稳定运行再到设备关闭的功率变化曲线,将设备特征量表示为所述功率变化曲线中设备从开启到稳定运行的斜率Ps;
从所述功率变化曲线中,分别获取:最大功率变化量Pmax之后的第一个功率变化量负值对应的最大有功功率Pmax,最大有功功率Pmax对应的时间t1,设备进入稳定运行时段的最早时刻t1,以及最早时间t1在功率变化曲线上对应的稳定运行功率Pst;
根据最大有功功率Pmax、时间t1、稳定运行功率Pst和时间t1,计算斜率Ps的值;
分别获取:最小功率变化量Pmin之前的最后一个设备稳定运行功率Pe,稳定运行功率Pst与所述稳定运行功率Pe之间的设备稳定运行功率Pd,以及设备稳定运行时波动上限Pf1和波动下限Pf2,根据所述最大有功功率Pmax、所述斜率Ps、所述稳定运行功率Pe和所述稳定运行功率Pd,组合得到所述设备特征向量。
作为对本发明的进一步描述,所述斜率Ps的计算方法包括以下步骤:
A1:获取除所述最大功率变化量△Pmax以外的其余所有功率变化量ΔPi,i=1,2,…,n;
A2:从i=1开始,依次判断ΔPi是否为正,若是,则执行步骤A3,否则继续判断ΔPi的正负;
A3:设置阈值β,从i=1开始,依次判断ΔPi+ΔPi+1+ΔPi+2>β是否为真,若为真,则得出设备已进入稳定运行区段的结论,输出设备进入稳定运行时段的最早时刻t2;否则得出设备仍处于过度过程的结论,同时令i=i+1,返回A2;
A4:根据有功功率Pmax、有功功率Pmax的对应时刻t1、最早时刻t2和最早时刻t2对应的有功功率Pst,以及公式Ps=(Pmax-Pst)/(t2-t1)计算得到所述斜率Ps。
作为对本发明的进一步描述,所述设备类型的识别方法包括以下步骤:
在所述设备特征向量集中,对所有确定的设备运行窗对应的设备特征向量进行标记,得到已标记的设备特征向量子集Xv和未标记的设备特征向量子集Xu;
建立所述设备特征向量集对应的邻接矩阵,根据所述邻接矩阵获取图拉普拉斯矩阵;
建立所述设备特征向量子集Xv的调和函数模型,根据所述设备特征向量子集Xv的调和函数模型获取已标记样本的调和函数值;
根据所述图拉普拉斯矩阵和所述已标记样本的调和函数值,计算得到未标记样本的调和函数值;
根据已标记样本的调和函数值和未标记样本的调和函数值对设备类型进行识别。
另一方面,本发明提供一种基于模体挖掘和半监督法的非侵入式负荷监测系统,包括:
采集模块,用于从用户总电表接口处采集用户的负荷信息;
检测模块,用于从所述负荷信息中检测出所有的设备投切事件;
设备运行窗划分模块,用于检测出的所有设备投切事件划分设备运行窗,得到多个确定的设备运行窗和多个待定的设备运行窗;
特征提取模块,用于从多个所述确定的设备运行窗和多个所述待定的设备运行窗中提取各个设备的设备特征向量,得到设备特征向量集;
识别模块,用于根据所述设备特征量集对各个设备的设备类型进行识别
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明实施例提供的一种基于模体挖掘和半监督法的非侵入式负荷监测方法系统,从用户总表接口处获取用户负荷信息,不会影响用户的正常生产、生活及隐私;
2、本发明实施例提供的一种基于模体挖掘和半监督法的非侵入式负荷监测方法系统,以少量标记样本的基于调和函数的半监督学习算法进行负荷辨识,能够提高非侵入式负荷监测技术的准确性和实用性;
3、本发明实施例提供的一种基于模体挖掘和半监督法的非侵入式负荷监测方法系统,采用低频采样,可降低设备成本和分析成本。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的基于模体挖掘和半监督法的非侵入式负荷监测的方法流图;
图2为本发明实施例提供的单状态设备匹配过程示意图;
图3为本发明实施例提供的多状态设备的三种匹配过程的示意图;
图4为本发明实施例提供的单状态设备单独运行时设备运行窗数据提取过程示意图;
图5为本发明实施例提供的单状态设备与其他设备重叠运行时设备运行窗数据提取过程示意图;
图6为本发明实施例提供的依靠电机驱动或电子馈电类设备的设备运行窗示意图;
图7为本发明实施例提供的电阻类或受人为活动影响设备的设备运行窗示意图;
图8为本发明实施例提供的电阻类或受人为活动影响设备的功率变化量示意图;
图9为本发明实施例提供的电阻类或受人为活动影响设备的功率变化率的叠加示意图;
图10为本发明实施例提供的不同设备稳定运行时的波动情况示意图;
图11为本发明实施例提供的不同设备功率变化量的频数分布直方图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
在以下描述中,为了提供对本发明的透彻理解阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实施例中,为了避免混淆本发明,未具体描述公知的结构、电路、材料或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的示图都是为了说明的目的,并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中,术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制。
实施例
本实施例针对现有的非侵入式负荷监测技术对用户的正常生产、生活及隐私,对样本的数量需求较高,且负荷识别准确性和实用性较低的问题,提出了一种基于模体挖掘与调和函数的半监督学习的非侵入式负荷监测方法,以更低的采样频率,非侵入式的负荷特征收集方法以及少量标记样本需求的半监督学习法进行负荷识别。基于模体挖掘与调和函数的半监督学习的非侵入式负荷监测方法的方法流程参考图1。如图所述,该方法根据设备投切时,在用户总功率曲线上产生阶跃量的事实,利用设备运行的基本约束、事件发生的先后逻辑与模体挖掘法,对所有可能的设备运行过程进行划分。在设备运行窗中,利用不同类型设备在开启瞬态与稳定运行时的波动差异等特征量,对不同类型设备识别。具体通过以下步骤实现:
步骤1:从用户总电表接口处获取用户的负荷信息,根据所述负荷信息检测出所有的设备投切事件。此步骤中,设备投切事件的检测方法包括以下步骤:
首先,从所述负荷信息中,使用基于滑动窗的双边累计和事件检测方法分析得出设备的功率变化时刻ti,以及所述功率变化时刻ti对应的功率变化量△Pi;然后,设定功率变化量阈值η,当所述功率变化量△Pi的绝对值大于所述功率变化量阈值η时,判定在所述功率变化时刻发生了设备投切事件;所述功率变化时刻ti为设备投切时刻,大于功率变化量阈值η的功率变化量为功率阶跃量△Pi。本实施例将功率变化率阈值η设置为40W。
步骤2:利用检测出的所有设备投切事件划分设备运行窗,得到多个确定的设备运行窗和多个待定的设备运行窗。
本实施例考虑设备运行窗的基本约束与事件发生先后逻辑提出了基于时间序列的设备运行窗识别方法,利用所述设备运行窗识别方法识别出所有确定的设备运行窗。
从功率曲线的角度,用户设备主要有三种典型运行过程:一是单运行状态设备具有相近的开关时的功率阶跃量;二是多运行状态设备在运行过程中会出现多次不同状态间功率的需求变换,如洗衣机、烤箱等;三是运行状态变化设备通常开关时的功率变化量不同,设备在运行过程中的功率需求不断变化,如变频空调。
设备运行窗则定义为设备从不工作初始状态,到被开启运行,最后关闭重新回到初始状态的数据段。
根据设备运行窗的定义,本实施例提出的基于时间序列的设备运行窗识别方法包括以下步骤:
S11:当用户总功率曲线上的阶跃量被一一检测出来了后,在时间轴上,利用检测得到的所有功率阶跃量建立功率阶跃量序列。
S12:定义设备运行的基本约束和所述基本约束对应的设备运行窗匹配条件。
其中,
设备运行的基本约束包括:在设备运行窗中,所有设备的有用功率变化量总和为零;在设备运行窗中,设备在所有状态下的有功功率大于等于零;设备在被关闭前必然处于被打开状态,即事件发生的时间逻辑。例如,即当检测到的一个(△Pi<0,ti)的事件时,一定有某一单状态设备的功率阶跃量△Px>0且ΔPx≈|ΔPi|,或某多状态设备的ΔPx>0事件发生在ti时刻之前。
设备运行窗匹配条件为:
|ΔPx+ΔPi|<ε,且tx<ti (1);
|ΔPx1+ΔPx2+L+ΔPi|<ε,且tx1<tx2<L ti (2);
式(1)表示单状态设备的设备运行窗匹配条件,式中,ti表示设备投切时刻,tx表示,△Px表示,△Pi表示,ε表示匹配阈值;式(2)表示多状态设备的设备运行窗匹配条件,式中,所述匹配阈值为10W。
S13:根据所述设备运行窗匹配条件,从所述功率阶跃量序列的初始时刻开始,依次向后对每个功率阶跃量进行检测;
S14:当检测到功率阶跃量△Pi<0时,从所述功率阶跃量△Pi<0的时刻开始,将所述功率阶跃量△Pi向前依次与每一个功率阶跃量进行设备运行窗匹配,输出所有匹配成功的确定的设备运行时间窗,i=1,2,…,n,n表示功率阶跃量的个数。
具体的,所述S14具体包括:
S14.1:当检测到功率阶跃量△Pi<0时,设置匹配标识N=0;读取功率阶跃量序列的起始有功功率P0,定义功率阶跃量的待匹配状态Pw,用于暂存未匹配的功率阶跃事件,其中,待匹配状态功率总和始终大于零,且分析数据段的第一个阶跃量为正值。Pw的表达式为:
Pw=P0+ΔP1+ΔP2+...+ΔPi-1>0,
S14.2:对设备类型进行假设,得到设备类型假设结果,包括:单状态设备和多个多状态设备,多状态设备的状态数从两状态依次递增。例如,设备类型假设结果可以为单状态、两状态、三状态等。
S14.3:针对每一种假设结果,将△Pi向前依次与每一个功率阶跃量△Pxj进行设备运行窗匹配,判断是否满足上述约束条件(1)或(2),当满足设备运行窗匹配条件(1)或(2)时,即匹配成功,每匹配成功一次,对匹配标识N叠加1,否则不叠加,直到与所有△Pxj匹配完成,记录最终叠加值Nfinal;j=1,2,…,i;
S14.4:若Nfinal=1且设备类型假设为单状态设备,说明在此期间,没有发生功率需求相近的设备同时投入运行的情况,那么,执行S14.7;若Nfinal=1且设备类型假设为多状态设备,此时需进一步分析,因此执行S14.5;若Nfinal>1,说明已经发生了功率需求相近的设备同时投入运行,或某个单状态设备与某个多状态设备的状态改变量相近,此时需等待下一个△Pi<0的设备投切事件,并返回S14.1;若Nfinal=0,说明未匹配成功,则将未匹配成功的投切事件△Pi放入功率阶跃量的待匹配状态Pw中,继续执行S14.6。其中,单状态设备匹配过程可参考图2。
S14.5:在假设多状态设备满足约束条件(2)时,此时设备运行窗的状态可能出现不同的情况。因此,需对满足设备运行窗匹配条件下的状态窗匹配情况进行假设。经分析假设,本实施例得到状态窗匹配情况的假设结果,包括如图3所示的三种情况,分别是状态一:与单个多状态设备匹配,状态二:与多个单状态设备匹配,以及状态三:在一个多状态设备与另一状态变化量相近的单状态设备重叠的情况下匹配。对于状态一反映的情况,由于所有状态对应的功率阶跃量的绝对值均不相同,因此对容易区分,则执行S14.7;但对于状态二和状态三反映的情况,则将状态二和状态三保留在待匹配状态Pw中。
S14.6:检测Pw是否<0,若是,说明发生了长时间运行设备关闭的时间,且相应的设备的开启时间早于分析数据段,此时,调整Pw中初始功率P0与其余功率阶跃量的关系,重新对Pw进行调试;否则,返回到步骤S14.1中。
S14.7:输出所有确定的设备运行窗。
另外,本实施例利用数据挖掘的思想在功率阶跃量序列上进行模体挖掘,即在时间序列中寻找重复出现的相似片段。一组能够满足设备运行窗基本约束的功率阶跃量为一个模体,模体挖掘即在一组符号化信息中挖掘重复出现的相似片段模式。具体步骤为:
S21:从所述功率阶跃量序列的初始时刻开始,向后依次对每个功率阶跃量进行检测,获取所有功率阶跃量△Pi>0的投切事件;
S22:对每一个△Pi>0的投切事件进行设备类型假设,得到待匹配事件的设备类型假设结果,包括:单运行设备和多运行设备;
S23:基于待匹配事件的设备类型假设结果,在所述功率阶跃量序列上,以设备运行窗的基本约束为依据,确定出每一类设备的第一个模体;所述模体包括多个满足基本约束的功率阶跃量;
S24:针对每一类设备,在所述功率阶跃量序列上寻找出所有与该类设备的第一个模体重复的相似片段,得到多个模体;
S25:以所述模体作为设备运行窗,输出所有待定的设备运行窗。
基于上述步骤S11和S12,监测到的所有设备状态被划分为确定的设备运行窗和待定的设备运行窗。其中,确定的设备运行窗将作为标记样本,用于辨识可能的设备运行窗是否属于某类设备。因此需要将确定的设备运行窗数据和待定的设备运行窗数据进一步提取。
本实施例以单状态设备为例,对设备运行窗数据的提取方法进行说明:
当事件匹配后,设备运行窗的数据提取过程为:检查在功率阶跃量序列上的各功率阶跃量△Pi与△Px事件之间是否有其他设备事件,若否,则该设备在运行时无其他设备交叉重叠开启,那么该设备运行窗的数据窗口取(tx,ti)之间的数据与tx前一段平稳区段平均值Pav的差值,如图4所示,其中,Aon和Aoff分别代表设备A的开和关的标识。若在时间轴△Px△Px与△Pi事件之间有其他设备运行时间,那么除了取差值,还需要将其他设备事件从该数据窗口中移除。考虑到设备重叠运行时大幅度波动的设备会覆盖小幅度波动的设备,影响该方法所提的设备运行时的稳定波动幅度特征值。数据移除时,若△Px与△Pi之间是△Py>0的事件,则将△Py到△Pi之间的数据替换为△Px到△Py之间的数据;反之,则将△Px到△Py之间的数据替换为△Py到△Pi之间的数据,如图5所示,减少设备与其他设备的运行特征重合,其中,Bon和Boff分别代表设备B的开和关的标识。
步骤3:从多个所述确定的设备运行窗和多个所述待定的设备运行窗中提取各个设备的设备特征向量,得到设备特征向量集。
由于,设备在运行过程中受到主要元器件、设备功能以及人为因素等多个方面的影响,将会产生不同的运行特征。在对1Hz功率数据采样分析时,不同类型设备的表现特征如表1所示。为表征不同类型设备在开启和运行状态下瞬态和波动情况的差异,本实施例提出了两个新的负荷特征量用以进行负荷识别。
表1不同类型设备的表现特征
基于上述分析,设备特征向量的提取方法如下:
图6给出了两种典型的设备开启、稳定运行直到设备关闭的功率曲线,其中Pmax为设备开启时的有功功率最大值。图7为表1所列的依靠电机驱动或电子馈电类设备,从设备开启到稳定运行存在较大的变化。图6则为表1中所列的另外两类设备。由于不同类型设备在开启时的有功功率需求最大值、稳定运行值,与其过渡时间段不同,故定义特征量:设备开启到开始稳定运行点的斜率Ps。
为计算Ps,对图7所示的运行窗中的数据进行了Δt=1s的功率变化量分析,分析结果参考图8。
从图7中可以看出Pmax到设备开始稳定运行点Pst并不是连续下滑的过程,存在间歇性的功率值“回升”现象,所以考虑累加和的思想,判断Pst的位置。具体计算步骤为:
A1:获取除所述最大功率变化量△Pmax以外的其余所有功率变化量ΔPi,i=1,2,…,n;
A2:从i=1开始,依次判断ΔPi是否为正,若是,则执行步骤A3,否则继续判断ΔPi的正负;
A3:设置阈值β=3,从i=1开始,依次判断ΔPi+ΔPi+1+ΔPi+2>β是否为真,若为真,则得出设备已进入稳定运行区段的结论,输出设备进入稳定运行时段的最早时刻t2;否则得出设备仍处于过度过程的结论,同时令i=i+1,返回A2;图7的设备运行窗连续三个变化量相加的结果如图9,当分别确定Pmax和Pst对应的时刻点t1、t2后,执行步骤A4;
A4:根据有功功率Pmax、有功功率Pmax的对应时刻t1、最早时刻t2和最早时刻t2对应的有功功率Pst,以及公式Ps=(Pmax-Pst)/(t2-t1)计算得到所述斜率Ps。
得到斜率Ps后,分析设备稳定运行时的波动幅度:
不同类型的设备在Pst点直到Pe点的功率变化量如图10所示。可以看出,不同设备在稳态运行时波动幅度不同。在进一步的分析中,设备稳定运行时的功率变化量的频数直方图如图11所示,可以看出数据近似服从正态分布,故取90%的置信水平将每个运行窗稳态运行时的波动上限Pf1和波动下限Pf2作为设备的特征量。
最后,构建设备特征向量。每个设备运行窗对应一个特征向量T=[Pmax,Ps,Pf1,Pf2,Pd],其中,Pd为点Pst到Pe之间的设备稳定运行时的功率需求。
步骤4:根据所述设备特征量集,采用半监督学习法对各个设备的设备类型进行识别。
以基于调和函数的半监督算法来进行运行窗所属设备类型辨识。该算法的主要思想是在学习训练过程中综合利用已标记和未标记样本,从未标记样本中提取有效的信息来提高学习的性能。调和函数法在所构建的样本图G上建立连续待定函数的分布模型,与传统离散预测的图割法相比,充分考虑了样例的分类概率,解决了传统图割法对相邻类样本误判的问题。同时该方法的基本思想在后续流形正则化方法的开发中均有沿用,是准确性与实用性兼备的一类半监督学习方法。
首先将全部样本特征集X(包括未标记XU和已标记XV的部分)构建在无向图G=(N,E)中。其中,X共u+l个样本,u为XU的样本个数,l为XV的样本个数,每一个xi代表了一个样本的特征量T。Y表示已标记样本对应的值,每一个yi代表了样本的标记值。图G共N个点,E条边,每个点代表了一个样本,每条边的权重为wij∈W,代表样本xi和xj之间的相似程度。度量相似程度的办法一般是通过“距离”进行判定的,所提方法用带宽为σ的高斯核函数(6)代表样本特征量间的“距离”。
其次,对于已经标记的样本,调和函数值与标记对应;对于未标记的样本,调和函数的值满足权重平均原则。设调和函数为f(x),则:
最后,设计使目标函数最小的标记预测函数f(x),对于调和函数而言,它是优化问题式(6)的解。其中,f(x)∈R代表调和函数的数值属于实数域,具有闭合解。(8)中的第一项为带无穷大加权的损失函数,保障已标记样本的值在计算过程中保持不变。第二项是正则项Ω(f),保证预测函数对样本数据点标记值的平滑性,使得临近的样本的预测标记相似。
设对角矩阵D=(Dij)N×N,其中,N=l+u,Dij=0(i≠j),Dii=∑wij,对应的图拉普拉斯矩阵为:L=D-W。令f=[f(x1),f(x2),...f(xl+u)],在图中,数据点被划分为两个独立的标记为正和为负的数据组,而分割这两个独立数据组的边可以表示为正则化函数Ω(f)=fTLf。
其中,拉普拉斯矩阵L按照标记样本LV和未标记样本LU可以划分为四个部分:
其中LUVT=LVU,这样的话正则化函数存在式(10)对应的关系:
由于正则化函数主要是针对标签中的fU部分进行求解,对于式(8)中的而优化问题也是求极值解,所以将式(10)对fU求偏导并令结果为0,可得:
本实施例给出的上述基于模体挖掘和半监督法的非侵入式负荷监测方法,基于低频采样数据进行分析,非侵入式收集、提取和存档任意用户每个设备的唯一特征向量,并以需要少量标记样本的基于调和函数的半监督学习算法进行负荷辨识,能够提高非侵入式负荷监测技术的实用性。
与此对应的,本实施例还提供了一种用于执行该非侵入式负荷监测方法的系统,包括:
采集模块,用于从用户总电表接口处采集用户的负荷信息;
检测模块,用于从所述负荷信息中检测出所有的设备投切事件;
设备运行窗划分模块,用于检测出的所有设备投切事件划分设备运行窗,得到多个确定的设备运行窗和多个待定的设备运行窗;
特征提取模块,用于从多个所述确定的设备运行窗和多个所述待定的设备运行窗中提取各个设备的设备特征向量,得到设备特征向量集;
识别模块,用于根据所述设备特征量集对各个设备的设备类型进行识别。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于模体挖掘和半监督法的非侵入式负荷监测方法,其特征在于,所述模体挖掘为模体挖掘法,所述模体挖掘法是在一组符号化信息中挖掘重复出现的相似片段的方法;包括以下步骤:
从用户总电表接口处获取用户的负荷信息,根据所述负荷信息检测出所有的设备投切事件;
利用检测出的所有设备投切事件划分设备运行窗,得到多个确定的设备运行窗和多个满足设备运行窗运行约束条件的待定的设备运行窗;所述设备运行窗为设备从不工作初始状态,到被开启运行,最后关闭重新回到初始状态的数据段;所述设备运行窗运行约束条件包括:在设备运行窗中,所有设备的有功功率变化量总和为零;在设备运行窗中,设备在所有状态下的有功功率大于等于零;
从多个所述确定的设备运行窗和多个所述待定的设备运行窗中提取各个设备的设备特征向量,得到设备特征向量集;
根据所述设备特征向量集,采用半监督学习法对各个设备的设备类型进行识别;
所述设备运行窗的划分方法包括以下步骤:
定义基于时间序列的设备运行窗识别方法,利用所述设备运行窗识别方法识别出所有确定的设备运行窗;
利用模体挖掘法,挖掘出所有满足设备运行窗运行约束条件的待定设备运行窗;
所述确定的设备运行窗的识别方法包括以下步骤:
S11:在时间轴上,利用检测得到的所有功率阶跃量建立功率阶跃量序列;
S12:定义设备运行的基本约束和所述基本约束对应的设备运行窗匹配条件;
S13:根据所述设备运行窗匹配条件,从所述功率阶跃量序列的初始时刻开始,依次向后对每个功率阶跃量进行检测;
S14:当检测到功率阶跃量△Pi <0时,从所述功率阶跃量△Pi<0的时刻开始,将所述功率阶跃量△Pi向前依次与每一个功率阶跃量进行设备运行窗匹配,输出所有匹配成功的确定的设备运行时间窗,i=1,2,…,n,n表示功率阶跃量的个数;
所述S14具体包括:
S14.1:当检测到功率阶跃量△Pi <0时,设置匹配标识N=0,定义功率阶跃量的待匹配状态Pw;
S14.2:对设备类型进行假设,得到设备类型假设结果,包括:单状态设备和多个多状态设备;
S14.3:针对每一种假设结果,将△Pi向前依次与每一个功率阶跃量△Pxj进行设备运行窗匹配,当满足设备运行窗匹配条件时,对匹配标识N叠加1,否则不叠加,直到与所有△Pxj匹配完成,记录最终叠加值Nfinal;j=1,2,…,i;
S14.4:若Nfinal=1且设备类型假设为单状态设备,则执行S14.7;若Nfinal=1且设备类型假设为多状态设备,则执行S14.5;若Nfinal>1,则等待下一个△Pi <0的设备投切事件,并返回S14.1;若Nfinal=0,则将△Pi放入Pw,继续执行S14.6;
S14.5:对满足设备运行窗匹配条件下的状态窗匹配情况进行假设,得到状态窗匹配情况的假设结果,包括:状态一:与单个多状态设备匹配,状态二:与多个单状态设备匹配,以及状态三:在一个多状态设备与另一状态变化量相近的单状态设备重叠的情况下匹配;若状态窗匹配情况为状态一,则执行S14.7,否则将状态二和状态三保留在Pw中;
S14.6:检测Pw是否<0,若是,则调整Pw中初始功率P0与其余功率阶跃量的关系;
S14.7:输出所有确定的设备运行窗;
所述待定的设备运行窗的挖掘方法包括以下步骤:
从所述功率阶跃量序列的初始时刻开始,向后依次对每个功率阶跃量进行检测,获取所有功率阶跃量△Pi>0的投切事件;
对每一个△Pi>0的投切事件进行设备类型假设,得到待匹配事件的设备类型假设结果,包括:单运行设备和多运行设备;
基于待匹配事件的设备类型假设结果,在所述功率阶跃量序列上,以设备运行窗的基本约束为依据,确定出每一类设备的第一个模体;所述模体包括多个满足备运行窗运行约束条件的功率阶跃量;
针对每一类设备,在所述功率阶跃量序列上寻找出所有与该类设备的第一个模体重复的相似片段,得到多个相同类型的设备运行窗;
以所述模体作为设备运行窗,输出所有待定的设备运行窗;
所述设备特征向量集包括未标记样本和已标记样本;
采用半监督学习法对各个设备的设备类型进行识别,包括以下步骤:
将所述设备特征向量集构建在无向图G=(N, E)中;G表示无向图,N表示无向图G中的点的个数,E表示无向图G中边的条数;
建立基于调和函数的设备类型识别模型:
(5)
(6)
(7)
(8)
式(5)至式(8)中,X U 表示未标记样本,X V 表示已标记样本,Y表示已标记样本的值的集合,X表示所述设备特征向量集,x i 表示样本的第i个特征量, x j 表示样本的第j个特征量,y i 表示样本的标记值,i、j为特征量的标记,u为未标记样本的个数,l为已标记样本的个数;d(xi,xj)表示样本x i 与样本x j 之间的相似程度,σ表示高斯函数的带宽;为无向图的每条边的权重;f(x)为调和函数,f(x i )为样本的第i个特征量对应的调和函数;f(x j )为样本的第j个特征量对应的调和函数;
求解所述基于调和函数的设备类型识别模型,得到设备类型的识别结果。
2.根据权利要求1所述的一种基于模体挖掘和半监督法的非侵入式负荷监测方法,其特征在于,所述设备投切事件的检测方法包括以下步骤:
从所述负荷信息中分析得出设备的功率变化时刻,以及所述功率变化时刻对应的功率变化量;
设定功率变化量阈值,当所述功率变化量的绝对值大于所述功率变化量阈值时,判定在所述功率变化时刻发生了设备投切事件;所述功率变化时刻为设备投切时刻,大于功率变化量阈值的功率变化量为功率阶跃量。
3.根据权利要求1所述的一种基于模体挖掘和半监督法的非侵入式负荷监测方法,其特征在于,所述设备特征向量的提取方法包括以下步骤:
获取设备从开启到稳定运行再到设备关闭的功率变化曲线,将设备特征量表示为所述功率变化曲线中设备从开启到稳定运行的斜率Ps;
从所述功率变化曲线中,分别获取:最大功率变化量△Pmax之后的第一个功率变化量负值对应的最大有功功率Pmax,最大有功功率Pmax对应的时间t1,设备进入稳定运行时段的最早时间t2,以及最早时间t2在功率变化曲线上对应的稳定运行功率Pst;
根据最大有功功率Pmax、时间t1、稳定运行功率Pst和时间t2,计算斜率Ps的值;
分别获取:最小功率变化量Pmin之前的最后一个设备稳定运行功率Pe,稳定运行功率Pst与所述稳定运行功率Pe之间的设备稳定运行功率Pd,以及设备稳定运行时功率的波动上限Pf1和波动下限Pf2,根据所述最大有功功率Pmax、所述斜率Ps、所述设备稳定运行时功率的波动上限Pf1、设备稳定运行时功率的波动下限Pf2和所述稳定运行功率Pd,组合得到所述设备特征向量。
4.根据权利要求3所述的一种基于模体挖掘和半监督法的非侵入式负荷监测方法,其特征在于,所述斜率Ps的计算方法包括以下步骤:
A1:获取除所述最大功率变化量△Pmax以外的其余所有功率变化量ΔPi,i=1,2,…,n;
A2:从i=1开始,依次判断ΔPi是否为正,若是,则执行步骤A3,否则继续判断ΔPi的正负;
A3:设置阈值β,从i=1开始,依次判断是否为真,若为真,则得出设备已进入稳定运行区段的结论,输出设备进入稳定运行时段的最早时刻t2;否则得出设备仍处于过度过程的结论,同时令i=i+1,返回A2;
A4:根据有功功率Pmax、有功功率Pmax的对应时刻t1、设备进入稳定运行时段的最早时间t2、最早时间t2在功率变化曲线上对应的稳定运行功率Pst,以及公式计算得到所述斜率Ps。
5.根据权利要求1所述的一种基于模体挖掘和半监督法的非侵入式负荷监测方法,其特征在于,所述设备类型的识别方法包括以下步骤:
在所述设备特征向量集中,对所有确定的设备运行窗对应的设备特征向量进行标记,得到已标记的设备特征向量子集Xv和未标记的设备特征向量子集Xu;
建立所述设备特征向量集对应的邻接矩阵,根据所述邻接矩阵获取图拉普拉斯矩阵;
建立所述设备特征向量子集Xv的调和函数模型,根据所述设备特征向量子集Xv的调和函数模型获取已标记样本的调和函数值;
根据所述图拉普拉斯矩阵和所述已标记样本的调和函数值,计算得到未标记样本的调和函数值;
根据已标记样本的调和函数值和未标记样本的调和函数值对设备类型进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111298090.3A CN114019281B (zh) | 2021-11-04 | 2021-11-04 | 基于模体挖掘和半监督法的非侵入式负荷监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111298090.3A CN114019281B (zh) | 2021-11-04 | 2021-11-04 | 基于模体挖掘和半监督法的非侵入式负荷监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114019281A CN114019281A (zh) | 2022-02-08 |
CN114019281B true CN114019281B (zh) | 2024-06-04 |
Family
ID=80060538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111298090.3A Active CN114019281B (zh) | 2021-11-04 | 2021-11-04 | 基于模体挖掘和半监督法的非侵入式负荷监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114019281B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653873A (zh) * | 2016-01-15 | 2016-06-08 | 天津大学 | 基于fpga的运动障碍非侵入式康复的闭环脑-机-体系统 |
CN108429254A (zh) * | 2018-03-07 | 2018-08-21 | 国网四川省电力公司电力科学研究院 | 一种非侵入式用电负荷识别方法 |
CN110336289A (zh) * | 2019-07-11 | 2019-10-15 | 广东工业大学 | 一种用电负荷的监测识别方法、装置、设备及存储介质 |
CN110504679A (zh) * | 2019-07-25 | 2019-11-26 | 深圳供电局有限公司 | 一种基于km匹配算法的非侵入式负荷辨识方法 |
CN112580471A (zh) * | 2020-12-11 | 2021-03-30 | 浙江大学 | 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法 |
CN112924790A (zh) * | 2021-01-29 | 2021-06-08 | 上海逐鲨智能科技有限公司 | 一种基于傅里叶变换的非侵入式负荷识别装置及其方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190042952A1 (en) * | 2017-08-03 | 2019-02-07 | Beijing University Of Technology | Multi-task Semi-Supervised Online Sequential Extreme Learning Method for Emotion Judgment of User |
-
2021
- 2021-11-04 CN CN202111298090.3A patent/CN114019281B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653873A (zh) * | 2016-01-15 | 2016-06-08 | 天津大学 | 基于fpga的运动障碍非侵入式康复的闭环脑-机-体系统 |
CN108429254A (zh) * | 2018-03-07 | 2018-08-21 | 国网四川省电力公司电力科学研究院 | 一种非侵入式用电负荷识别方法 |
CN110336289A (zh) * | 2019-07-11 | 2019-10-15 | 广东工业大学 | 一种用电负荷的监测识别方法、装置、设备及存储介质 |
CN110504679A (zh) * | 2019-07-25 | 2019-11-26 | 深圳供电局有限公司 | 一种基于km匹配算法的非侵入式负荷辨识方法 |
CN112580471A (zh) * | 2020-12-11 | 2021-03-30 | 浙江大学 | 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法 |
CN112924790A (zh) * | 2021-01-29 | 2021-06-08 | 上海逐鲨智能科技有限公司 | 一种基于傅里叶变换的非侵入式负荷识别装置及其方法 |
Non-Patent Citations (7)
Title |
---|
一种适用于非侵入式负荷监测的暂态事件检测算法;牛卢璐;贾宏杰;;电力系统自动化;20110510(第09期);全文 * |
基于DTW算法与稳态电流波形的非侵入式负荷辨识方法;祁兵;董超;武昕;崔高颖;;电力系统自动化;20171204(第03期);全文 * |
基于数据流的非侵入式负荷识别与分类;谭啸风;宣婷婷;张沛超;;电源技术;20160520(第05期);全文 * |
基于设备运行状态挖掘的非侵入式负荷分解方法;庄卫金;张鸿;方国权;陈中;;电力建设;20200801(第08期);全文 * |
基于贝叶斯准则的非侵入式负荷监测方法;周晨轶;闫娇娇;刘晨阳;;浙江电力;20180525(第05期);全文 * |
家用非侵入式电力负荷监测与识别算法研究;殷波;张帅;;中国海洋大学学报(自然科学版);20200615(第06期);全文 * |
非侵入式电力负荷监测技术研究;汪四仙;毕忠勤;;上海电力学院学报;20170815(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114019281A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Baets et al. | Detection of unidentified appliances in non-intrusive load monitoring using siamese neural networks | |
Faustine et al. | A survey on non-intrusive load monitoring methodies and techniques for energy disaggregation problem | |
Liu et al. | Energy disaggregation of appliances consumptions using ham approach | |
Zia et al. | A hidden Markov model based procedure for identifying household electric loads | |
Azizi et al. | Residential household non-intrusive load monitoring via smart event-based optimization | |
CN111160798B (zh) | 一种基于蜂群算法的非侵入式家电负荷识别方法 | |
Chicco et al. | Emergent electricity customer classification | |
CN111830347B (zh) | 一种基于事件的两阶段非侵入式负荷监测方法 | |
Ma et al. | Toward energy-awareness smart building: Discover the fingerprint of your electrical appliances | |
Wu et al. | Non-intrusive load monitoring using factorial hidden markov model based on adaptive density peak clustering | |
CN111027408A (zh) | 一种基于支持向量机和v-i曲线特征的负荷识别方法 | |
Quek et al. | Load disaggregation using one-directional convolutional stacked long short-term memory recurrent neural network | |
Rehman et al. | Comparative evaluation of machine learning models and input feature space for non-intrusive load monitoring | |
CN112198385A (zh) | 一种非侵入式负荷监测方法 | |
CN114970633B (zh) | 一种基于lstm的非侵入式用电器识别方法、系统及设备 | |
Zhang et al. | A novel non-intrusive load monitoring method based on ResNet-seq2seq networks for energy disaggregation of distributed energy resources integrated with residential houses | |
CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN113887912A (zh) | 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法 | |
CN115859099A (zh) | 样本生成方法、装置、电子设备和存储介质 | |
CN114019281B (zh) | 基于模体挖掘和半监督法的非侵入式负荷监测方法及系统 | |
Parson et al. | A scalable non-intrusive load monitoring system for fridge-freezer energy efficiency estimation | |
Akbar et al. | A novel non-intrusive load monitoring technique using semi-supervised deep learning framework for smart grid | |
Varanasi et al. | Enhancing non-intrusive load monitoring with channel attention guided bi-directional temporal convolutional network for sequence-to-point learning | |
Liu et al. | Nonintrusive load disaggregation combining with external attention mechanism and Seq2Piont | |
Azizi et al. | A novel event-based non-intrusive load monitoring algorithm |
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 |