CN115204250A - 一种用于智能电能表的非介入式负荷监测方法 - Google Patents
一种用于智能电能表的非介入式负荷监测方法 Download PDFInfo
- Publication number
- CN115204250A CN115204250A CN202210537968.2A CN202210537968A CN115204250A CN 115204250 A CN115204250 A CN 115204250A CN 202210537968 A CN202210537968 A CN 202210537968A CN 115204250 A CN115204250 A CN 115204250A
- Authority
- CN
- China
- Prior art keywords
- data
- characteristic
- sample
- electric energy
- load monitoring
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于负荷监测领域,尤其是一种用于智能电能表的非介入式负荷监测方法,针对现有的依靠研究者的主观判断进行选择具有较强的经验主观性,不同的特征间又具有较强的相关性,会造成信息的冗余,影响识别的效果问题,现提出如下方案,其包括以下步骤:S1:采集居民用户的电力数据,提取出负荷特征信息,使每一样本数据对应多个特征信息数据;S2:对特征数据进行归一化处理;S3:针对所有样本数据使用ReliefF算法对所有信息进行排序;S4:将所有特征的相关度数据进行归一化处理,本发明得到的特征可以删除冗余无效的特征,同时避免了人为主观因素的干扰,同时大大提高了识别效率,并具有较好的鲁棒性。
Description
技术领域
本发明涉及负荷监测技术领域,尤其涉及一种用于智能电能表的非介入式负荷监测方法。
背景技术
随着智能化电网的进步和发展,电力物联网概念的提出,电网对信息的交互及数据的分析和挖掘,提出了更高的要求。有效的非介入监测不仅能够及时的获取数据,合理的调配用电;而且能够提高大大提高电力资源利用效。非介入式负荷监测可以进行实时的电量统计,用电预测及能耗的评价,进而对节能策略进行相应的配合调整,实现电力数据的科学收集和管理。
对比于工业用电与商业用电,居民用电负荷信息分布较为离散,私密性较强,难以获取。非介入式负荷监测,仅需要在用户用电入口处即可分析用户用电信息,进而来识别用户内部的负荷用电情况,从而预测用电规律和耗能等信息,具有较好的经济性和实用性,因此备受关注。
当前负荷识别方法众多,主要借助机器学习进行识别,机器学习方法中关键在于特征的输入,优异的特征提取算法对识别有着重要的意义。优异的特征可以大大的提高识别效率。在特征选择中,现有的方法一般是依靠研究者的主观判断进行选择具有较强的经验主观性,不同的特征间又具有较强的相关性,会造成信息的冗余,影响识别的效果。
发明内容
本发明的目的是为了解决现有技术中存在依靠研究者的主观判断进行选择具有较强的经验主观性,不同的特征间又具有较强的相关性,会造成信息的冗余,影响识别的效果的缺点,而提出的一种用于智能电能表的非介入式负荷监测方法。
为了实现上述目的,本发明采用了如下技术方案:
一种用于智能电能表的非介入式负荷监测方法,包括以下步骤:
S1:采集居民用户的电力数据,提取出负荷特征信息,使每一样本数据对应多个特征信息数据;
S2:对特征数据进行归一化处理;
S3:针对所有样本数据使用ReliefF算法对所有信息进行排序;
S4:将所有特征的相关度数据进行归一化处理,对每一特征的相关度数据求和,保留大于平均值的特征数据;
S5:对所有保留特征利用互信息法进行相关性计算,当相关度大于80%时判定为强相关,保留强相关特征,作为有效特征,用于后续负荷识别的关键特征。
优选的,所述S1中,获取居民用户的电力数据包含负荷启动的冲击电流、稳态电流高次谐波、电流序列的平均值,特征数据的个数为n个,相应的特征信息为n维特征。
优选的,所述S2中,对m个样本特征归一化,得到m*n维的样本集。
优选的,所述S3中,利用ReliefF算法计算所有样本特征的权重:
ReliefF算法具体的伪代码如下所示:
设训练数据集为D,样本抽样次数m,特征权重的阈值,最近邻样本个数k;输出为各个特性的特征权重T;
1、置所有特征权重为0,T为空集;
2、for i=1 to m do
1)从D中随机选择一个样本R;
2)从R的同类样本集中找到R的k个最近邻Hj(j=1,2,……k),从每一个不同类样本集中找出k个最近邻Mj(C);
3)for A=1 to N all feature do
优选的,所述S4中,将样本特征数据进行归一化处理,计算每一特征的权重和求取平均值,保留大于平均值的特征
优选的,所述S5中,通过互信息法计算不同类特征间的相关性保留有利于识别的特征,去除冗余特征,通过互信息法计算
优选的,所述S1中,采集电力数据时,同时采集两组电力数据,两组电力数据分开传输,两组电力数据传输间隔1-10s,将两组电力数据传输至控制中心,控制中心对接收的两组数据进行对比,判断两组数据是否存在差异,若存在差异则进行分析,判断是否因传输导致数据损坏。
优选的,当第一组电力数据传输完成后,对传输用时进行记录,同样的,当第二组电力数据传输完成后,记录第二组用时,将两组传输用时进行对比,可以得到不同时间传输用时是否一致。
优选的,所述S1中,采集电力数据后,对采集的数据进行识别,得出采集数据类型,根据采集数据类型进行分类。
优选的,所述S1中,先将采集的数据与历史数据进行对比,根据数据对比情况判断数据是否存在异常,将异常数据提取出进行标记。
与现有技术相比,本发明的有益效果在于:
在获取特征信息后进行数据归一化处理,利用ReliefF算法进行特征有效性排序,计算某一特征的相关度数据和进而求取平均值初步筛选特征数据,对筛选后的数据特征进行相关性计算,保留强相关的特征数据。
本发明得到的特征可以删除冗余无效的特征,同时避免了人为主观因素的干扰,同时大大提高了识别效率,并具有较好的鲁棒性。
附图说明
图1为本发明提出的一种用于智能电能表的非介入式负荷监测方法的流程示意图;
图2为ReliefF算法权重计算流程图。
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。
实施例一
参照图1-2,一种用于智能电能表的非介入式负荷监测方法,包括以下步骤:
S1:采集居民用户的电力数据,提取出负荷特征信息,使每一样本数据对应多个特征信息数据;
S2:对特征数据进行归一化处理;
S3:针对所有样本数据使用ReliefF算法对所有信息进行排序;
S4:将所有特征的相关度数据进行归一化处理,对每一特征的相关度数据求和,保留大于平均值的特征数据;
S5:对所有保留特征利用互信息法进行相关性计算,当相关度大于80%时判定为强相关,保留强相关特征,作为有效特征,用于后续负荷识别的关键特征。
本实施例中,S1中,获取居民用户的电力数据包含负荷启动的冲击电流、稳态电流高次谐波、电流序列的平均值,特征数据的个数为n个,相应的特征信息为n维特征。
本实施例中,S2中,对m个样本特征归一化,得到m*n维的样本集。
本实施例中,S3中,利用ReliefF算法计算所有样本特征的权重:
ReliefF算法具体的伪代码如下所示:
设训练数据集为D,样本抽样次数m,特征权重的阈值,最近邻样本个数k;输出为各个特性的特征权重T;
1、置所有特征权重为0,T为空集;
2、for i=1 to m do
1)从D中随机选择一个样本R;
2)从R的同类样本集中找到R的k个最近邻Hj(j=1,2,……k),从每一个不同类样本集中找出k个最近邻Mj(C);
3)for A=1 to N all feature do
本实施例中,S4中,将样本特征数据进行归一化处理,计算每一特征的权重和求取平均值,保留大于平均值的特征
本实施例中,S5中,通过互信息法计算不同类特征间的相关性保留有利于识别的特征,去除冗余特征,通过互信息法计算
本实施例中,S1中,采集电力数据时,同时采集两组电力数据,两组电力数据分开传输,两组电力数据传输间隔1s,将两组电力数据传输至控制中心,控制中心对接收的两组数据进行对比,判断两组数据是否存在差异,若存在差异则进行分析,判断是否因传输导致数据损坏。
本实施例中,当第一组电力数据传输完成后,对传输用时进行记录,同样的,当第二组电力数据传输完成后,记录第二组用时,将两组传输用时进行对比,可以得到不同时间传输用时是否一致。
本实施例中,S1中,采集电力数据后,对采集的数据进行识别,得出采集数据类型,根据采集数据类型进行分类。
本实施例中,S1中,先将采集的数据与历史数据进行对比,根据数据对比情况判断数据是否存在异常,将异常数据提取出进行标记。
实施例二
参照图1-2,一种用于智能电能表的非介入式负荷监测方法,包括以下步骤:
S1:采集居民用户的电力数据,提取出负荷特征信息,使每一样本数据对应多个特征信息数据;
S2:对特征数据进行归一化处理;
S3:针对所有样本数据使用ReliefF算法对所有信息进行排序;
S4:将所有特征的相关度数据进行归一化处理,对每一特征的相关度数据求和,保留大于平均值的特征数据;
S5:对所有保留特征利用互信息法进行相关性计算,当相关度大于80%时判定为强相关,保留强相关特征,作为有效特征,用于后续负荷识别的关键特征。
本实施例中,S1中,获取居民用户的电力数据包含负荷启动的冲击电流、稳态电流高次谐波、电流序列的平均值,特征数据的个数为n个,相应的特征信息为n维特征。
本实施例中,S2中,对m个样本特征归一化,得到m*n维的样本集。
本实施例中,S3中,利用ReliefF算法计算所有样本特征的权重:
ReliefF算法具体的伪代码如下所示:
设训练数据集为D,样本抽样次数m,特征权重的阈值,最近邻样本个数k;输出为各个特性的特征权重T;
1、置所有特征权重为0,T为空集;
2、for i=1 to m do
1)从D中随机选择一个样本R;
2)从R的同类样本集中找到R的k个最近邻Hj(j=1,2,……k),从每一个不同类样本集中找出k个最近邻Mj(C);
3)for A=1 to N all feature do
本实施例中,S4中,将样本特征数据进行归一化处理,计算每一特征的权重和求取平均值,保留大于平均值的特征
本实施例中,S5中,通过互信息法计算不同类特征间的相关性保留有利于识别的特征,去除冗余特征,通过互信息法计算
本实施例中,S1中,采集电力数据时,同时采集两组电力数据,两组电力数据分开传输,两组电力数据传输间隔5s,将两组电力数据传输至控制中心,控制中心对接收的两组数据进行对比,判断两组数据是否存在差异,若存在差异则进行分析,判断是否因传输导致数据损坏。
本实施例中,当第一组电力数据传输完成后,对传输用时进行记录,同样的,当第二组电力数据传输完成后,记录第二组用时,将两组传输用时进行对比,可以得到不同时间传输用时是否一致。
本实施例中,S1中,采集电力数据后,对采集的数据进行识别,得出采集数据类型,根据采集数据类型进行分类。
本实施例中,S1中,先将采集的数据与历史数据进行对比,根据数据对比情况判断数据是否存在异常,将异常数据提取出进行标记。
实施例三
参照图1-2,一种用于智能电能表的非介入式负荷监测方法,包括以下步骤:
S1:采集居民用户的电力数据,提取出负荷特征信息,使每一样本数据对应多个特征信息数据;
S2:对特征数据进行归一化处理;
S3:针对所有样本数据使用ReliefF算法对所有信息进行排序;
S4:将所有特征的相关度数据进行归一化处理,对每一特征的相关度数据求和,保留大于平均值的特征数据;
S5:对所有保留特征利用互信息法进行相关性计算,当相关度大于80%时判定为强相关,保留强相关特征,作为有效特征,用于后续负荷识别的关键特征。
本实施例中,S1中,获取居民用户的电力数据包含负荷启动的冲击电流、稳态电流高次谐波、电流序列的平均值,特征数据的个数为n个,相应的特征信息为n维特征。
本实施例中,S2中,对m个样本特征归一化,得到m*n维的样本集。
本实施例中,S3中,利用ReliefF算法计算所有样本特征的权重:
ReliefF算法具体的伪代码如下所示:
设训练数据集为D,样本抽样次数m,特征权重的阈值,最近邻样本个数k;输出为各个特性的特征权重T;
1、置所有特征权重为0,T为空集;
2、for i=1 to m do
1)从D中随机选择一个样本R;
2)从R的同类样本集中找到R的k个最近邻Hj(j=1,2,……k),从每一个不同类样本集中找出k个最近邻Mj(C);
3)for A=1 to N all feature do
本实施例中,S4中,将样本特征数据进行归一化处理,计算每一特征的权重和求取平均值,保留大于平均值的特征
本实施例中,S5中,通过互信息法计算不同类特征间的相关性保留有利于识别的特征,去除冗余特征,通过互信息法计算
本实施例中,S1中,采集电力数据时,同时采集两组电力数据,两组电力数据分开传输,两组电力数据传输间隔10s,将两组电力数据传输至控制中心,控制中心对接收的两组数据进行对比,判断两组数据是否存在差异,若存在差异则进行分析,判断是否因传输导致数据损坏。
本实施例中,当第一组电力数据传输完成后,对传输用时进行记录,同样的,当第二组电力数据传输完成后,记录第二组用时,将两组传输用时进行对比,可以得到不同时间传输用时是否一致。
本实施例中,S1中,采集电力数据后,对采集的数据进行识别,得出采集数据类型,根据采集数据类型进行分类。
本实施例中,S1中,先将采集的数据与历史数据进行对比,根据数据对比情况判断数据是否存在异常,将异常数据提取出进行标记。
在采集到居民用户中的数据信息后,提取出电力负荷的特征信息,特征数量为n个,同时得到对应的特征样本数据,样本数据共有m个,得到n维样本数据,样本集为m*n的样本矩阵,利用ReliefF算法计算出所有样本特征的权重值,对样本特征的权重数据进行归一化处理,计算每类特征的加权平均值,并对其排序,取大于权重平均值的特征作为初步筛选特征集合,将初选特征集合的特征间的相关性进行计算,将强相关的特征进行选择,保留排序靠前的特征,滤除排序靠后的数据,得到最终的特征集合,本发明在特征选择中有效进行了特征选择,避免了特征冗余和人为主观因素对特征筛选的影响。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,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,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种用于智能电能表的非介入式负荷监测方法,其特征在于,包括以下步骤:
S1:采集居民用户的电力数据,提取出负荷特征信息,使每一样本数据对应多个特征信息数据;
S2:对特征数据进行归一化处理;
S3:针对所有样本数据使用ReliefF算法对所有信息进行排序;
S4:将所有特征的相关度数据进行归一化处理,对每一特征的相关度数据求和,保留大于平均值的特征数据;
S5:对所有保留特征利用互信息法进行相关性计算,当相关度大于80%时判定为强相关,保留强相关特征,作为有效特征,用于后续负荷识别的关键特征。
2.根据权利要求1所述的一种用于智能电能表的非介入式负荷监测方法,其特征在于,所述S1中,获取居民用户的电力数据包含负荷启动的冲击电流、稳态电流高次谐波、电流序列的平均值,特征数据的个数为n个,相应的特征信息为n维特征。
3.根据权利要求1所述的一种用于智能电能表的非介入式负荷监测方法,其特征在于,所述S2中,对m个样本特征归一化,得到m*n维的样本集。
7.根据权利要求1所述的一种用于智能电能表的非介入式负荷监测方法,其特征在于,所述S1中,采集电力数据时,同时采集两组电力数据,两组电力数据分开传输,两组电力数据传输间隔1-10s,将两组电力数据传输至控制中心,控制中心对接收的两组数据进行对比,判断两组数据是否存在差异,若存在差异则进行分析,判断是否因传输导致数据损坏。
8.根据权利要求7所述的一种用于智能电能表的非介入式负荷监测方法,其特征在于,当第一组电力数据传输完成后,对传输用时进行记录,同样的,当第二组电力数据传输完成后,记录第二组用时,将两组传输用时进行对比,可以得到不同时间传输用时是否一致。
9.根据权利要求1所述的一种用于智能电能表的非介入式负荷监测方法,其特征在于,所述S1中,采集电力数据后,对采集的数据进行识别,得出采集数据类型,根据采集数据类型进行分类。
10.根据权利要求1所述的一种用于智能电能表的非介入式负荷监测方法,其特征在于,所述S1中,先将采集的数据与历史数据进行对比,根据数据对比情况判断数据是否存在异常,将异常数据提取出进行标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210537968.2A CN115204250A (zh) | 2022-05-18 | 2022-05-18 | 一种用于智能电能表的非介入式负荷监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210537968.2A CN115204250A (zh) | 2022-05-18 | 2022-05-18 | 一种用于智能电能表的非介入式负荷监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115204250A true CN115204250A (zh) | 2022-10-18 |
Family
ID=83574571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210537968.2A Pending CN115204250A (zh) | 2022-05-18 | 2022-05-18 | 一种用于智能电能表的非介入式负荷监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204250A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116028799A (zh) * | 2023-03-30 | 2023-04-28 | 青岛鼎信通讯股份有限公司 | 一种电能表负荷特征提取方法、装置、设备及介质 |
-
2022
- 2022-05-18 CN CN202210537968.2A patent/CN115204250A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116028799A (zh) * | 2023-03-30 | 2023-04-28 | 青岛鼎信通讯股份有限公司 | 一种电能表负荷特征提取方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110518880B (zh) | 一种光伏电站状态诊断方法及装置 | |
CN111614491B (zh) | 一种面向电力监控系统安全态势评估指标选取方法及系统 | |
CN112766550B (zh) | 基于随机森林的停电敏感用户预测方法、系统、存储介质及计算机设备 | |
CN109190950B (zh) | 一种电表和水表档案贯通的用能异常识别方法 | |
CN110837963A (zh) | 一种基于数据、模型及策略的风险控制平台建设方法 | |
CN108765004A (zh) | 一种基于数据挖掘识别用户窃电行为的方法 | |
CN110222592B (zh) | 一种基于互补时序行为提案生成的时序行为检测网络模型的构建方法 | |
CN110930198A (zh) | 基于随机森林的电能替代潜力预测方法、系统、存储介质及计算机设备 | |
CN106228178A (zh) | 网络用户行为预测系统 | |
CN112801411B (zh) | 一种基于生成对抗网络的网络流量预测方法 | |
CN115204250A (zh) | 一种用于智能电能表的非介入式负荷监测方法 | |
CN114596061B (zh) | 一种基于大数据的项目数据管理方法及系统 | |
CN116581750A (zh) | 一种基于电网负荷水平的智能线路负载充电方法 | |
CN116402187A (zh) | 一种基于电力大数据的企业排污预测方法 | |
CN113901985A (zh) | 一种用于智能电能表的非侵入式特征提取方法 | |
CN112631161A (zh) | 一种建筑大数据的智慧运维系统 | |
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 | |
CN111405605A (zh) | 一种基于自组织映射的无线网络中断检测方法 | |
CN105634781B (zh) | 一种多故障数据解耦方法和装置 | |
CN111507752A (zh) | 基于双向长短期记忆网络的异常用户行为识别方法 | |
CN104519511B (zh) | 一种检测通信网络小区场景突变的方法和装置 | |
CN115905319A (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
CN114638465A (zh) | 一种基于二次评分的采集终端网络信号质量评价方法 | |
CN115883182A (zh) | 一种提高网络安全态势要素识别效率的方法及系统 | |
CN115617846A (zh) | 基于大数据和区块链的信息筛选方法及系统 |
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 |