CN114202011A - 一种用电安全感知方法 - Google Patents
一种用电安全感知方法 Download PDFInfo
- Publication number
- CN114202011A CN114202011A CN202111278318.2A CN202111278318A CN114202011A CN 114202011 A CN114202011 A CN 114202011A CN 202111278318 A CN202111278318 A CN 202111278318A CN 114202011 A CN114202011 A CN 114202011A
- Authority
- CN
- China
- Prior art keywords
- event
- behavior
- electricity
- power
- utilization
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000005611 electricity Effects 0.000 claims abstract description 199
- 230000006399 behavior Effects 0.000 claims abstract description 171
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 15
- 230000008447 perception Effects 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用电安全的技术领域,公开了一种用电安全感知方法,包括:检测用户用电行为事件,判断用电行为事件是否为安全用电行为事件,对用电行为进行特征提取;依据提取到的用电行为特征,对用户用电行为进行聚类处理;根据用电行为聚类结果,利用极大似然概率估计方法判断发生用电行为事件的用电电器;计算非安全用电行为事件与用电电器用电事件的发生时间差,若发生时间差小于阈值,则说明出现的非安全用电行为事件为检测到的用电电器用电事件。本发明所述方法通过检测用户用电行为事件是否存在安全风险,并基于用电特征判断发生用电行为的用电电器,根据两者发生用电行为的时间差,确定存在不安全用电的用电电器,实现用电安全感知。
Description
技术领域
本发明涉及用电安全的技术领域,尤其涉及一种用电安全感知方法。
背景技术
近年来,因电器故障、设备老化等原因引发的电气火灾事故时有发生,已造成重大的人员伤亡与财产损失,居民用户用电安全问题逐渐成为人们所关注的焦点。由于不安全的用电行为可能引发电气火灾,威胁人身和财产安全,如何进行居民用户用电安全感知成为当前研究的热门话题。
随着用电信息采集系统的完善,用户用电数据呈现出数据量大、数据类型多等大数据特征,在大数据环境下挖掘潜藏在用电数据之中的用电行为、用能情况等大量有价值的特征信息,能为用电安全感知提供有效的参考和建议。
现有用电安全感知机制存在着针对性弱、前瞻性不足等问题,难以及时有效地发现用电安全问题。得益于物联网以及大数据技术的日益成熟,从海量的用电数据中发掘用电行为信息和安全隐患线索,可以为实现全面、立体的用电安全感知提供新的手段。
鉴于此,本发明提出一种用电安全感知方法,感知用户是否存在不安全用电行为事件,以及是否存在不安全用电的用电电器。
发明内容
本发明提供一种用电安全感知方法,目的在于(1)感知用户是否存在不安全用电行为事件;(2)是否存在不安全用电的用电电器。
实现上述目的,本发明提供的一种用电安全感知方法,包括以下步骤:
S1:利用智能电表获取用户用电数据;
S2:检测用户用电行为事件,判断用电行为事件是否为安全用电行为事件,对每户家庭的用电行为进行特征提取;
S3:依据检测到的用户用电行为事件以及提取到的用电行为特征,对用户用电行为进行聚类处理;
S4:根据用电行为聚类结果,利用极大似然概率估计方法判断发生用电行为事件的用电电器;
S5:计算非安全用电行为事件与用电电器用电事件的发生时间差,若发生时间差小于阈值,则说明出现的非安全用电行为事件为检测到的用电电器用电事件,所判断的用电电器存在非安全用电行为,否则说明存在未知的用电器引发了安全用电事件,需要重新进行聚类进行安全用电检测。
作为本发明的进一步改进方法:
所述S1步骤中设置若干智能电表,智能电表生成用户的用电数据,包括:
将用户用电区域划分为m个子区域,其中每个子区域内的用户数量均为n,且每个子区域内存在一个云服务器节点;
在每个子区域i内的每户家庭放置wi个智能电表,wi为子区域i内的用户户数,w≤n,则子区域i内的第j个智能电表表示为Sij,1≤i≤m;
在固定时间周期Ts内,智能电表Sij生成在时间周期Ts内的用户用电数据uij:
uij=IDij||dij||Ts
其中:
IDij表示智能电表Sij的ID;
dij表示用户在时间周期Ts内的用电信息,所述用电信息为时序数据:
其中表示在时刻ts-1时,智能电表Sij显示的用户用电量,表示在时刻ts-1时,智能电表Sij显示的有功功率,表示在时刻ts-1时,智能电表Sij显示的无功功率,Ts表示时刻t0~ts-1的时间长度;
在本发明一个具体实施例中,智能电表采集的有功功率分为不同用电电器的有功功率。
所述S2步骤中根据所获取的用户用电数据,检测用户用电行为事件,包括:
根据智能电表所生成的用户用电数据uij,检测子区域i内第j户家庭的用电行为,将子区域i内的第j户家庭ID表示为ij,则家庭ij的用电行为检测功率结果为:
其中:
U表示家庭内的用电电器数量;
将聚合有功功率事件序列划分为若干稳态片段,计算相邻稳态片段的有功功率差值:
其中:
根据相邻稳态片段的有功平均功率差值判断是否有用电电器用电行为发生,即若δu+1>Th,说明在稳态片段对应的时刻内发生了用电行为,其中Th表示自适应阈值:
其中:
Th0表示初始阈值;
Rt表示在t时刻的聚合有功功率;
Rth表示对应初始阈值Th0的聚合有功功率上限值;
α表示阈值增长速率,将其设置为0.2。
所述S2步骤中判断用户用电行为事件是否为安全用电行为事件,包括:
若用户用电行为事件中任意相邻稳态片段的有功功率差值δ>β,则说明用户用电行为事件为非安全用电行为事件,其中β为安全用电功率阈值。
所述S2步骤中对用户用电数据以及用户用电行为进行特征提取,得到用户用电行为特征,包括:
提取发生用电行为事件稳态片段的用户用电行为特征:
其中:
ΔQy+1表示第y+1段稳态片段的无功率特征,其中第y+1段稳态片段发生了用电行为;
Ih,y+1表示第y+1段稳态片段的h次谐波电流幅值;
θh,y+1表示第y+1段稳态片段的h次谐波电流相角;
所述S3步骤中对用户用电行为事件进行聚类处理,得到若干事件簇,包括:
依据所检测到的用电行为事件以及对应的用电行为特征,对基于用电行为事件的用电行为特征进行聚类处理,聚类得到若干事件簇,所述聚类算法的流程为:
2)在用户用电行为特征F中随机选择一个特征点x作为初始点;
3)计算均值漂移量b(x):
其中:
xi表示用户用电行为特征F中的任意特征点;
4)找出距离特征点x在带宽H的所有特征点,记作事件簇C,簇中所有特征点的被访问数+1;
5)更新x=x+b(x);
6)重复步骤3)-4,直到b(x)收敛,保存事件簇C以及x;
7)重复步骤2)-6),直到所有特征点均被访问,若得到事件簇的特征点x与已存在的事件簇的特征点的距离小于阈值,则合并两个簇,否则,把事件簇C作为新的事件簇;
8)对于每个特征点,根据该特征点被事件簇访问的频率,选择访问频率最高的事件簇作为特征点的所属类。
所述S4步骤中根据聚类得到的若干事件簇以及对应的用户用电行为特征,利用极大似然概率估计方法判断发生用电行为事件的用电电器,包括:
基于每一类事件簇中用电电器的用电特征,利用极大似然概率估计方法确定用电电器开关事件的概率密度值,所述利用极大似然概率估计方法确定每个事件簇C中每个特征点的概率密度值的过程为:
其中:
γ表示事件簇C中的特征点总数;
P(x)表示事件簇C中特征点x的概率密度值;
将概率密度值最大的特征点所对应的用电电器作为发生用电行为事件的候选用电电器。
所述S5步骤中计算非安全用电行为事件与用电电器用电事件的发生时间差,若发生时间差小于阈值,则说明出现的非安全用电行为事件为检测到的用电电器用电事件,包括:
根据检测到的非安全用电行为事件,计算非安全用电行为事件与候选用电电器的用电事件的发生时间差,若发生时间差小于阈值,则说明出现的非安全用电行为事件为检测到的候选电器用电电器的用电事件,所判断的候选用电电器存在非安全用电行为,否则说明存在未知的用电器引发了安全用电事件,需要重新进行聚类进行安全用电检测。
相对于现有技术,本发明提出一种用电安全感知方法,该技术具有以下优势:
首先,本方案提出一种用电行为检测方法,根据智能电表所生成的用户用电数据uij,检测子区域i内第j户家庭的用电行为,将子区域i内的第j户家庭ID表示为ij,则家庭ij的用电行为检测功率结果为:
其中:表示家庭ij在t时刻的聚合有功功率,t∈[t0,ts-1];U表示家庭内的用电电器数量;表示家庭ij内的用电电器k在t时刻的有功功率消耗;表示智能电表的测量误差和未知电器在t时刻的有功功率消耗;将聚合有功功率事件序列划分为若干稳态片段,计算相邻稳态片段的有功功率差值:
其中:Th0表示初始阈值;Rt表示在t时刻的聚合有功功率;Rth表示对应初始阈值Th0的聚合有功功率上限值;α表示阈值增长速率,将其设置为0.2。本方案所提出的自适应阈值Th可以根据每户家庭的有功功率动态调整阈值大小,即在有功功率较小时,使用较小初始阈值Th0,保证能够准确检测出小功率用电电器的开关事件,也可以有功功率较大时,使用基于当前功率的变化阈值,降低小功率电器开关事件的误判率,从而实现大功率用电电器以及小功率用电电器的用电行为事件检测。
同时,本方案通过获取用户用电行为事件以及用户用电数据特征,实现用电行为事件聚类,得到若干事件簇,基于每一类事件簇中用电电器的用电特征,利用极大似然概率估计方法确定用电电器开关事件的概率密度值,所述利用极大似然概率估计方法确定每个事件簇C中每个特征点的概率密度值的过程为:
其中:γ表示事件簇C中的特征点总数;P(x)表示事件簇C中特征点x的概率密度值;将概率密度值最大的特征点所对应的用电电器作为发生用电行为事件的候选电器。根据检测到的非安全用电行为事件,计算非安全用电行为事件与候选用电电器的用电事件的发生时间差,若发生时间差小于阈值,则说明出现的非安全用电行为事件为检测到的候选用电电器用电事件,所判断的用电电器存在非安全用电行为,否则说明存在未知的用电器引发了安全用电事件,需要重新进行聚类进行安全用电检测,从而实现用户是否存在不安全用电行为事件的感知,以及实现存在不安全用电的用电电器的感知。
附图说明
图1为本发明一实施例提供的一种用电安全感知方法的流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
S1:利用智能电表获取用户用电数据。
所述S1步骤中设置若干智能电表,智能电表生成用户的用电数据,包括:
将用户用电区域划分为m个子区域,其中每个子区域内的用户数量均为n,且每个子区域内存在一个云服务器节点;
在每个子区域i内的每户家庭放置wi个智能电表,wi为子区域i内的用户户数,w≤n,则子区域i内的第j个智能电表表示为Sij,1≤i≤m;
在固定时间周期Ts内,智能电表Sij生成在时间周期Ts内的用户用电数据uij:
uij=IDij||dij||Ts
其中:
IDij表示智能电表Sij的ID;
dij表示用户在时间周期Ts内的用电信息,所述用电信息为时序数据:
其中表示在时刻ts-1时,智能电表Sij显示的用户用电量,表示在时刻ts-1时,智能电表Sij显示的有功功率,表示在时刻ts-1时,智能电表Sij显示的无功功率,Ts表示时刻t0~ts-1的时间长度;
在本发明一个具体实施例中,智能电表采集的有功功率分为不同用电电器的有功功率。
S2:检测用户用电行为事件,判断用电行为事件是否为安全用电行为事件,对每户家庭的用电行为进行特征提取。
所述S2步骤中根据所获取的用户用电数据,检测用户用电行为事件,包括:
根据智能电表所生成的用户用电数据uij,检测子区域i内第j户家庭的用电行为,将子区域i内的第j户家庭ID表示为ij,则家庭ij的用电行为检测功率结果为:
其中:
U表示家庭内的用电电器数量;
将聚合有功功率事件序列划分为若干稳态片段,计算相邻稳态片段的有功功率差值:
其中:
根据相邻稳态片段的有功平均功率差值判断是否有用电电器用电行为发生,即若δu+1>Th,说明在稳态片段对应的时刻内发生了用电行为,其中Th表示自适应阈值:
其中:
Th0表示初始阈值;
Rt表示在t时刻的聚合有功功率;
Rth表示对应初始阈值Th0的聚合有功功率上限值;
α表示阈值增长速率,将其设置为0.2。自适应阈值可以根据家庭的总有功功率变化情况动态调整阈值大小,既可以在家庭总有功功率较小时,保证能够准确检测出小功率电器的开关事件,也可以在家庭总有功功率较大时,降低小功率电器开关事件的误判率
所述S2步骤中判断用户用电行为事件是否为安全用电行为事件,包括:
若用户用电行为事件中任意相邻稳态片段的有功功率差值δ>β,则说明用户用电行为事件为非安全用电行为事件,其中β为安全用电功率阈值。
所述S2步骤中对用户用电数据以及用户用电行为进行特征提取,得到用户用电行为特征,包括:
提取发生用电行为事件稳态片段的用户用电行为特征:
其中:
ΔQy+1表示第y+1段稳态片段的无功率特征,其中第y+1段稳态片段发生了用电行为;
Ih,y+1表示第y+1段稳态片段的h次谐波电流幅值;
θh,y+1表示第y+1段稳态片段的h次谐波电流相角;
S3:依据检测到的用户用电行为事件以及提取到的用电行为特征,对用户用电行为进行聚类处理。
所述S3步骤中对用户用电行为事件进行聚类处理,得到若干事件簇,包括:
依据所检测到的用电行为事件以及对应的用电行为特征,对基于用电行为事件的用电行为特征进行聚类处理,聚类得到若干事件簇,所述聚类算法的流程为:
2)在用户用电行为特征F中随机选择一个特征点x作为初始点;
3)计算均值漂移量b(x):
其中:
xi表示用户用电行为特征F中的任意特征点;
4)找出距离特征点x在带宽H的所有特征点,记作事件簇C,簇中所有特征点的被访问数+1;
5)更新x=x+b(x);
6)重复步骤3)-4,直到b(x)收敛,保存事件簇C以及x;
7)重复步骤2)-6),直到所有特征点均被访问,若得到事件簇的特征点x与已存在的事件簇的特征点的距离小于阈值,则合并两个簇,否则,把事件簇C作为新的事件簇;
8)对于每个特征点,根据该特征点被事件簇访问的频率,选择访问频率最高的事件簇作为特征点的所属类。
S4:根据用电行为聚类结果,利用极大似然概率估计方法判断发生用电行为事件的用电电器。
所述S4步骤中根据聚类得到的若干事件簇以及对应的用户用电行为特征,利用极大似然概率估计方法判断发生用电行为事件的用电电器,包括:
基于每一类事件簇中用电电器的用电特征,利用极大似然概率估计方法确定用电电器开关事件的概率密度值,所述利用极大似然概率估计方法确定每个事件簇C中每个特征点的概率密度值的过程为:
其中:
γ表示事件簇C中的特征点总数;
P(x)表示事件簇C中特征点x的概率密度值;
将概率密度值最大的特征点所对应的用电电器作为发生用电行为事件的候选用电电器。
S5:计算非安全用电行为事件与用电电器用电事件的发生时间差,若发生时间差小于阈值,则说明出现的非安全用电行为事件为检测到的用电电器用电事件,所判断的用电电器存在非安全用电行为,否则说明存在未知的用电器引发了安全用电事件,需要重新进行聚类进行安全用电检测。
所述S5步骤中计算非安全用电行为事件与用电电器用电事件的发生时间差,若发生时间差小于阈值,则说明出现的非安全用电行为事件为检测到的用电电器用电事件,包括:
根据检测到的非安全用电行为事件,计算非安全用电行为事件与候选用电电器的用电事件的发生时间差,若发生时间差小于阈值,则说明出现的非安全用电行为事件为检测到的候选电器用电电器的用电事件,所判断的候选用电电器存在非安全用电行为,否则说明存在未知的用电器引发了安全用电事件,需要重新进行聚类进行安全用电检测。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种用电安全感知方法,其特征在于,所述方法包括:
S1:利用智能电表获取用户用电数据;
S2:检测用户用电行为事件,判断用电行为事件是否为安全用电行为事件,对每户家庭的用电行为进行特征提取;
S3:依据检测到的用户用电行为事件以及提取到的用电行为特征,对用户用电行为进行聚类处理;
S4:根据用电行为聚类结果,利用极大似然概率估计方法判断发生用电行为事件的用电电器;
S5:计算非安全用电行为事件与用电电器用电事件的发生时间差,若发生时间差小于阈值,则说明出现的非安全用电行为事件为检测到的用电电器用电事件,所判断的用电电器存在非安全用电行为,否则说明存在未知的用电器引发了安全用电事件,需要重新进行聚类进行安全用电检测。
2.如权利要求1所述的一种用电安全感知方法,其特征在于,所述S1步骤中设置若干智能电表,智能电表生成用户的用电数据,包括:
将用户用电区域划分为m个子区域,其中每个子区域内的用户数量均为n,且每个子区域内存在一个云服务器节点;
在每个子区域i内的每户家庭放置wi个智能电表,wi为子区域i内的用户户数,w≤n,则子区域i内的第j个智能电表表示为Sij,1≤i≤m;
在固定时间周期Ts内,智能电表Sij生成在时间周期Ts内的用户用电数据uij:
uij=IDij||dij||Ts
其中:
IDij表示智能电表Sij的ID;
dij表示用户在时间周期Ts内的用电信息,所述用电信息为时序数据:
3.如权利要求2所述的一种用电安全感知方法,其特征在于,所述S2步骤中根据所获取的用户用电数据,检测用户用电行为事件,包括:
根据智能电表所生成的用户用电数据uij,检测子区域i内第j户家庭的用电行为,将子区域i内的第j户家庭ID表示为ij,则家庭ij的用电行为检测功率结果为:
其中:
U表示家庭内的用电电器数量;
将聚合有功功率事件序列划分为若干稳态片段,计算相邻稳态片段的有功功率差值:
其中:
根据相邻稳态片段的有功平均功率差值判断是否有用电电器用电行为发生,即若δu+1>Th,说明在稳态片段对应的时刻内发生了用电行为,其中Th表示自适应阈值:
其中:
Th0表示初始阈值;
Rt表示在t时刻的聚合有功功率;
Rth表示对应初始阈值Th0的聚合有功功率上限值;
α表示阈值增长速率,将其设置为0.2。
4.如权利要求3所述的一种用电安全感知方法,其特征在于,所述S2步骤中判断用户用电行为事件是否为安全用电行为事件,包括:
若用户用电行为事件中任意相邻稳态片段的有功功率差值δ>β,则说明用户用电行为事件为非安全用电行为事件,其中β为安全用电功率阈值。
5.如权利要求4所述的一种用电安全感知方法,其特征在于,所述S2步骤中对用户用电数据以及用户用电行为进行特征提取,得到用户用电行为特征,包括:
提取发生用电行为事件稳态片段的用户用电行为特征:
其中:
ΔQy+1表示第y+1段稳态片段的无功率特征,其中第y+1段稳态片段发生了用电行为;
Ih,y+1表示第y+1段稳态片段的h次谐波电流幅值;
θh,y+1表示第y+1段稳态片段的h次谐波电流相角;
6.如权利要求5所述的一种用电安全感知方法,其特征在于,所述S3步骤中对用户用电行为事件进行聚类处理,得到若干事件簇,包括:
依据所检测到的用电行为事件以及对应的用电行为特征,对基于用电行为事件的用电行为特征进行聚类处理,聚类得到若干事件簇,所述聚类算法的流程为:
2)在用户用电行为特征F中随机选择一个特征点x作为初始点;
3)计算均值漂移量b(x):
其中:
xi表示用户用电行为特征F中的任意特征点;
4)找出距离特征点x在带宽H的所有特征点,记作事件簇C,簇中所有特征点的被访问数+1;
5)更新x=x+b(x);
6)重复步骤3)-4,直到b(x)收敛,保存事件簇C以及x;
7)重复步骤2)-6),直到所有特征点均被访问,若得到事件簇的特征点x与已存在的事件簇的特征点的距离小于阈值,则合并两个簇,否则,把事件簇C作为新的事件簇;
8)对于每个特征点,根据该特征点被事件簇访问的频率,选择访问频率最高的事件簇作为特征点的所属类。
8.如权利要求7所述的一种用电安全感知方法,其特征在于,所述S5步骤中计算非安全用电行为事件与用电电器用电事件的发生时间差,若发生时间差小于阈值,则说明出现的非安全用电行为事件为检测到的用电电器用电事件,包括:
根据检测到的非安全用电行为事件,计算非安全用电行为事件与候选用电电器的用电事件的发生时间差,若发生时间差小于阈值,则说明出现的非安全用电行为事件为检测到的候选电器用电电器的用电事件,所判断的候选用电电器存在非安全用电行为,否则说明存在未知的用电器引发了安全用电事件,需要重新进行聚类进行安全用电检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111278318.2A CN114202011A (zh) | 2021-10-30 | 2021-10-30 | 一种用电安全感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111278318.2A CN114202011A (zh) | 2021-10-30 | 2021-10-30 | 一种用电安全感知方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114202011A true CN114202011A (zh) | 2022-03-18 |
Family
ID=80646538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111278318.2A Pending CN114202011A (zh) | 2021-10-30 | 2021-10-30 | 一种用电安全感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202011A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105556A (zh) * | 2013-01-30 | 2013-05-15 | 西安交通大学 | 基于稳态与暂态特征联合匹配的智能电网负载检测与识别方法 |
CN110825723A (zh) * | 2019-10-09 | 2020-02-21 | 上海电力大学 | 一种基于用电负荷分析的居民用户分类方法 |
CN111932051A (zh) * | 2020-06-05 | 2020-11-13 | 电子科技大学 | 一种基于非侵入式电力终端时序监测的恶意行为检测方法 |
CN112784210A (zh) * | 2021-01-25 | 2021-05-11 | 南京智睿能源互联网研究院有限公司 | 一种基于多元高斯判别方式的负荷识别方法 |
US20210208548A1 (en) * | 2018-12-30 | 2021-07-08 | Electric Power Science & Research Institute Of State Grid Tianjin Electric Power Company | Source-load cooperation access method for a power distribution region, terminal and storage medium |
-
2021
- 2021-10-30 CN CN202111278318.2A patent/CN114202011A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105556A (zh) * | 2013-01-30 | 2013-05-15 | 西安交通大学 | 基于稳态与暂态特征联合匹配的智能电网负载检测与识别方法 |
US20210208548A1 (en) * | 2018-12-30 | 2021-07-08 | Electric Power Science & Research Institute Of State Grid Tianjin Electric Power Company | Source-load cooperation access method for a power distribution region, terminal and storage medium |
CN110825723A (zh) * | 2019-10-09 | 2020-02-21 | 上海电力大学 | 一种基于用电负荷分析的居民用户分类方法 |
CN111932051A (zh) * | 2020-06-05 | 2020-11-13 | 电子科技大学 | 一种基于非侵入式电力终端时序监测的恶意行为检测方法 |
CN112784210A (zh) * | 2021-01-25 | 2021-05-11 | 南京智睿能源互联网研究院有限公司 | 一种基于多元高斯判别方式的负荷识别方法 |
Non-Patent Citations (1)
Title |
---|
陈维育: "非侵入式居民负荷安全感知关键技术研究", 《中国优秀硕士学位论文 工程科技Ⅱ辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109813978B (zh) | 一种综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法 | |
de Souza et al. | Detection and identification of energy theft in advanced metering infrastructures | |
JP5291177B2 (ja) | ユーザーフィードバック情報に基づく電気器具検出方法とシステム | |
CN110672934A (zh) | 一种非侵入式负荷辨识方法、终端及系统 | |
Tang et al. | Estimation and validation of characteristic load profile through smart grid trials in a medium voltage distribution network | |
CN110569877A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
Liebgott et al. | Active learning with cross-dataset validation in event-based non-intrusive load monitoring | |
Bogovic et al. | Probability‐based approach for parametrisation of traditional underfrequency load‐shedding schemes | |
CN107832949A (zh) | 一种面向电力用户的大数据服务方法 | |
Hua et al. | Efficient probabilistic contingency analysis through a stability measure considering wind perturbation | |
Zhu et al. | A novel CUSUM-based approach for event detection in smart metering | |
CN116777121B (zh) | 基于大数据的非法用电的稽查方法、存储介质及电子设备 | |
CN109377052B (zh) | 一种电力负荷匹配方法、装置、设备及可读存储介质 | |
Miraftabzadeh et al. | K-means and alternative clustering methods in modern power systems | |
CN113094448A (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
Xiang et al. | Abnormal behaviour analysis algorithm for electricity consumption based on density clustering | |
CN114202011A (zh) | 一种用电安全感知方法 | |
Li et al. | Dual cost‐sensitivity factors‐based power system transient stability assessment | |
CN106682705A (zh) | 负载特性的识别方法及装置 | |
CN111090014A (zh) | 一种基于高斯模型的电器识别方法及装置 | |
CN115758188A (zh) | 一种非侵入式的负荷识别方法、装置、设备和介质 | |
Li et al. | Real‐time approach for oscillatory stability assessment in large‐scale power systems based on MRMR classifier | |
CN108090647B (zh) | 取得用电户的负载运作机率的方法及取得用电户群组的负载运作机率的方法 | |
Tang et al. | A data-driven approach for online aggregated load modeling through intelligent terminals | |
CN110133364B (zh) | 一种负载开关事件检测的方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220318 |