CN115982576B - 一种恶性负载的识别方法、装置及电能表 - Google Patents
一种恶性负载的识别方法、装置及电能表 Download PDFInfo
- Publication number
- CN115982576B CN115982576B CN202310257512.5A CN202310257512A CN115982576B CN 115982576 B CN115982576 B CN 115982576B CN 202310257512 A CN202310257512 A CN 202310257512A CN 115982576 B CN115982576 B CN 115982576B
- Authority
- CN
- China
- Prior art keywords
- load
- matrix
- metering data
- malignant
- characteristic parameters
- 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
- 230000003211 malignant effect Effects 0.000 title claims abstract description 178
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000003595 spectral effect Effects 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 171
- 230000006870 function Effects 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 27
- 230000006641 stabilisation Effects 0.000 claims description 23
- 238000011105 stabilization Methods 0.000 claims description 23
- 238000011084 recovery Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 17
- 238000009432 framing Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000036210 malignancy Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 238000010438 heat treatment Methods 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
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Measurement Of Current Or Voltage (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供一种恶性负载的识别方法、装置及电能表。本发明通过对待识别负载的实时电流，有功功率和无功功率等计量数据进行计算，得到各计量数据的峰值因子、裕度因子和谱熵值等特征参数；并将特征参数输入判别函数中得到各特征参数的判别结果，之后，基于各特征参数的判定结果，确定待识别负载是否为恶性负载，实现恶性负载的识别。相比于功率增量法和功率因数法，本发明采用的峰值因子、裕度因子和谱熵值等特征参数，均为无量纲参数，既可以实现对大功率负载的识别，又可以应用于功率因素多变的情况，不受设备类型变化的影响，提高了恶性负载识别的准确度。
Description
技术领域
本发明涉及供配电技术领域，尤其涉及一种恶性负载的识别方法、装置及电能表。
背景技术
随着社会得飞速发展，学校及企事业单位宿舍的用电器种类增多和普及，用电安全隐患和用电浪费成为目前管理者急需解决的问题。特别是大功率电阻性负载在使用过程中极容易引发火灾，带来巨大的安全隐患。从安全用电考虑，需要限制在宿舍内使用大功率电器设备，如电炉、热得快、电吹风等发热设备，以防止发生火灾，造成重大的经济损失。
目前，电炉、热得快、电吹风等恶性负载的识别算法，主要采用功率增量法和功率因数法。功率增量算法为对负载在单位时间的功率增量进行计量，从而确定是否为恶性负载。功率增量算法虽然可有效防止大功率用电设备的使用，但同时也限制住了非恶性负载的大功率设备，如空调等。功率因数法是对负载的功率因数进行检测，并基于检测到的功率因数进行负载类型的判别。但是当前用电设备类型和特征参数越来越多元化和复杂化，功率因数复杂多变，单纯依靠功率因数无法准确的进行负载类型的辨识，进而出现误操作，效果不尽理想，不能达到准确的区分恶性负载和非恶性负载的目的。
发明内容
本发明提供了一种恶性负载的识别方法、装置及电能表，能够提高对恶性负载识别的准确度。
第一方面，本发明提供了一种恶性负载的识别方法，包括：获取待识别负载的计量数据；计量数据包括实时电流，有功功率和无功功率；基于计量数据，分析得到各计量数据的特征参数；特征参数包括：峰值因子、裕度因子和谱熵值；将各计量数据的特征参数输入预设的判别函数，得到各特征参数的判定结果；判别函数为根据已知类型负载的特征参数构建的线性判别函数；基于各特征参数的判定结果，确定待识别负载是否为恶性负载。
在一种可能的实现方式中，基于计量数据，分析得到各计量数据的特征参数，包括：对于任一计量数据，利用滑窗分帧技术，对该计量数据进行时间窗口划分，得到该计量数据的样本矩阵；样本矩阵的每行样本为一个时间窗口内各时刻的计量数据，样本矩阵的行数等于滑窗分帧的总帧数；利用逐差法，逐个计算该计量数据的样本矩阵中相邻两行之间的差值；基于相邻两行之间的差值，筛选该计量数据的样本矩阵中处于稳定状态的样本，构建该计量数据的稳定矩阵；稳定状态为连续多个相邻两行之间的差值小于设定差值的状态；基于该计量数据的稳定矩阵，计算该计量数据的特征参数；
在一种可能的实现方式中，基于该计量数据的稳定矩阵，计算该计量数据的特征参数，包括：基于如下公式，确定该计量数据的峰值因子；
其中，
为该计量数据的峰值因子，/>
为所述稳定矩阵中第n个元素，
为所述稳定矩阵中元素的最大值，/>
为所述稳定矩阵的行数；
基于如下公式，确定该计量数据的裕度因子；
其中，
为该计量数据的裕度因子，/>
为所述稳定矩阵中第n个元素，
为所述稳定矩阵中元素的绝对值的最大值，/>
为所述稳定矩阵的行数；
对该计量数据的稳定矩阵中各元素进行傅里叶变换，得到变换后的稳定矩阵；基于如下公式，确定该计量数据的谱熵值；
其中，
为该计量数据的谱熵值，/>
为所述稳定矩阵中第n个元素，/>
对所述稳定矩阵中各元素进行傅里叶变换后得到的频谱序列，/>
，/>
为
频谱序列的前1/2中各频率下的相对功率谱值，/>
为所述变换后的稳定矩阵中第k行元素的相对功率谱的概率值；/>
为所述变换后的稳定矩阵中频域内能量总和，/>
为所述变换后的稳定矩阵的行数。
在一种可能的实现方式中，将各计量数据的特征参数输入预设的判别函数，得到各特征参数的判定结果之前，还包括：获取已知类型负载在历史时期内的计量数据；已知类型负载包括恶性负载和非恶性负载；对于任一已知类型负载的任一计量数据，利用滑窗分帧技术，计算该计量数据的特征参数；基于恶性负载各计量数据的特征参数，构建第一矩阵；并基于非恶性负载各计量数据的特征参数，构建第二矩阵；计算第一矩阵中各特征参数的第一均值；并计算第二矩阵中各特征参数的第二均值；基于第一矩阵、第二矩阵、第一均值和第二均值，确定第一矩阵和第二矩阵的协方差矩阵；基于第一均值，第二均值和协方差矩阵，构建线性分类函数；求解线性分类函数，确定线性分类函数的分类概率最大时对应的参数值；基于分类概率最大时对应的参数值，确定判别函数。
在一种可能的实现方式中，判定结果包括恶性负载或非恶性负载；相应的，基于各特征参数的判定结果，确定待识别负载是否为恶性负载，包括：若任一特征参数的判定结果为恶性负载，则确定待识别负载为恶性负载；或者，统计判定结果为恶性负载的特征参数的数量和特征参数总数量之间的比值；若比值大于设定比值，则确定待识别负载为恶性负载；若比值小于等于设定比值，则确定待识别负载为非恶性负载。
在一种可能的实现方式中，基于各特征参数的判定结果，确定待识别负载是否为恶性负载之后，还包括：若确定待识别负载为恶性负载，则生成跳闸指令；向电能表的控制模块发送跳闸指令，指示电能表断开待识别负载的供电。
在一种可能的实现方式中，向电能表的控制模块发送跳闸指令之后，还包括：发出跳闸指令预设时长后，生成恢复指令；向电能表的控制模块发送恢复指令，指示电能表恢复待识别负载的供电。
在一种可能的实现方式中，发出跳闸指令预设时长后，生成恢复指令之后，还包括：记录待识别负载的识别结果和跳闸恢复次数；基于待识别负载的识别结果、跳闸恢复次数和用户标识，生成恶性负载识别信息；将恶性负载识别信息上报给主站控制系统，以便于主站控制系统定位待识别负载的用户。
第二方面，本发明实施例提供了一种恶性负载的识别装置，包括：通信单元，用于获取待识别负载的计量数据；计量数据包括实时电流，有功功率和无功功率；处理单元，用于基于计量数据，分析得到各计量数据的特征参数；特征参数包括：峰值因子、裕度因子和谱熵值；将各计量数据的特征参数输入预设的判别函数，得到各特征参数的判定结果；判别函数为根据已知类型负载的特征参数构建的线性判别函数；基于各特征参数的判定结果，确定待识别负载是否为恶性负载。
在一种可能的实现方式中，处理单元，具体用于对于任一计量数据，利用滑窗分帧技术，对该计量数据进行时间窗口划分，得到该计量数据的样本矩阵；样本矩阵的每行样本为一个时间窗口内各时刻的计量数据，样本矩阵的行数等于滑窗分帧的总帧数；利用逐差法，逐个计算该计量数据的样本矩阵中相邻两行之间的差值；基于相邻两行之间的差值，筛选该计量数据的样本矩阵中处于稳定状态的样本，构建该计量数据的稳定矩阵；稳定状态为连续多个相邻两行之间的差值小于设定差值的状态；基于该计量数据的稳定矩阵，计算该计量数据的特征参数；
在一种可能的实现方式中，通信单元，还用于获取已知类型负载在历史时期内的计量数据；已知类型负载包括恶性负载和非恶性负载；处理单元，还用于对于任一已知类型负载的任一计量数据，利用滑窗分帧技术，计算该计量数据的特征参数；基于恶性负载各计量数据的特征参数，构建第一矩阵；并基于非恶性负载各计量数据的特征参数，构建第二矩阵；计算第一矩阵中各特征参数的第一均值；并计算第二矩阵中各特征参数的第二均值；基于第一矩阵、第二矩阵、第一均值和第二均值，确定第一矩阵和第二矩阵的协方差矩阵；基于第一均值，第二均值和协方差矩阵，构建线性分类函数；求解线性分类函数，确定线性分类函数的分类概率最大时对应的参数值；基于分类概率最大时对应的参数值，确定判别函数。
在一种可能的实现方式中，判定结果包括恶性负载或非恶性负载；相应的，处理单元，具体用于若任一特征参数的判定结果为恶性负载，则确定待识别负载为恶性负载；或者，统计判定结果为恶性负载的特征参数的数量和特征参数总数量之间的比值；若比值大于设定比值，则确定待识别负载为恶性负载；若比值小于等于设定比值，则确定待识别负载为非恶性负载。
在一种可能的实现方式中，处理单元，还用于若确定待识别负载为恶性负载，则生成跳闸指令；通信单元，还用于向电能表的控制模块发送跳闸指令，指示电能表断开待识别负载的供电。
在一种可能的实现方式中，处理单元，还用于发出跳闸指令预设时长后，生成恢复指令；通信单元，还用于向电能表的控制模块发送恢复指令，指示电能表恢复待识别负载的供电。
在一种可能的实现方式中，处理单元，还用于记录待识别负载的识别结果和跳闸恢复次数；基于待识别负载的识别结果、跳闸恢复次数和用户标识，生成恶性负载识别信息；通信单元，还用于将恶性负载识别信息上报给主站控制系统，以便于主站控制系统定位待识别负载的用户。
第三方面，本发明实施例提供了一种电能表，包括：识别模块；所述识别模块包括存储器和处理器，该存储器存储有计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序执行如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
本发明提供一种恶性负载的识别方法、装置及电能表，本发明通过对待识别负载的实时电流，有功功率和无功功率等计量数据进行计算，得到各计量数据的峰值因子、裕度因子和谱熵值等特征参数；并将特征参数输入判别函数中得到各特征参数的判别结果，之后，基于各特征参数的判定结果，确定待识别负载是否为恶性负载，实现恶性负载的识别。相比于功率增量法和功率因数法，本发明采用的峰值因子、裕度因子和谱熵值等特征参数，均为无量纲参数，既可以实现对大功率负载的识别，又可以应用于功率因素多变的情况，不受设备类型变化的影响，提高了恶性负载识别的准确度。
此外，本发明中通过各特征参数的判定结果，综合确定待识别负载是否为恶性负载，避免单一参数判定导致误判问题，进一步提高了恶性负载识别的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种恶性负载的识别方法的流程示意图；
图2是本发明实施例提供的另一种恶性负载的识别方法的流程示意图；
图3是本发明实施例提供的另一种恶性负载的识别方法的流程示意图；
图4是本发明实施例提供的一种恶性负载的识别装置的结构示意图；
图5是本发明实施例提供的一种电能表的识别模块的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
在本发明的描述中，除非另有说明，“/”表示“或”的意思，例如，A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。此外，“至少一个”“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念，便于理解。
此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是可选的还包括其他没有列出的步骤或模块，或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明的附图通过具体实施例来进行说明。
如图1所示，本发明实施例提供一种恶性负载的识别方法。执行主体为恶性负载的识别装置。该方法包括步骤S101-S103。
S101、获取待识别负载的计量数据。
本申请实施例中，计量数据包括实时电流，有功功率和无功功率。
S102、基于计量数据，分析得到各计量数据的特征参数。
本申请实施例中，特征参数包括：峰值因子、裕度因子和谱熵值。
作为一种可能的实现方式，对于任一类计量数据，识别装置可以基于步骤S1021-S1024，计算计算该计量数据的特征参数。
S1021、利用滑窗分帧技术，对该计量数据进行时间窗口划分，得到该计量数据的样本矩阵。
在一些实施例中，样本矩阵的每行样本为一个时间窗口内各时刻的计量数据，样本矩阵的行数等于滑窗分帧的总帧数。
为了减少扰动误差，识别装置可以将采集到的任一类计量数据，采用滑窗加分帧技术处理，得到多帧数据，以一帧数据为样本矩阵的一行，以帧数量为样本矩阵的行数，构建样本矩阵。
示例性的，滑窗分帧中时间窗口的大小可以为M，帧移可以为D。其中，一般取D/M大小为0~0.5。经过滑窗分帧处理后得到Ni*M矩阵，即样本矩阵。i=1表示恶性负载，i=2表示非恶性负载，Ni代表总帧数，也即样本矩阵中的样本总数。
S1022、利用逐差法，逐个计算该计量数据的样本矩阵中相邻两行之间的差值。
作为一种可能的实现方式，识别装置可以计算样本矩阵中每行数据的平均值S，基于各行数据的平均值，计算相邻两行之间的差值。
示例性的，识别装置可以基于如下公式，确定相邻两行之间的差值。
∆ηi=Si-Si-1；
其中，Si为第i行数据的平均值，Si-1为第i-1行数据的平均值，∆ηi为第i行数据与第i-1行数据的平均值之间的差值，即相邻两行之间的差值。
S1023、基于相邻两行之间的差值，筛选该计量数据的样本矩阵中处于稳定状态的样本，构建该计量数据的稳定矩阵。
在一些实施例中，稳定状态为连续多个相邻两行之间的差值小于设定差值的状态。
示例性的，连续时间段t内，若满足∆ηi≤H，则表示在此时间段t内，该负荷处理稳定状态。识别装置可以筛选此时间段t内的Ti个样本数据，得到稳定矩阵，即Ti*M矩阵。Ti≤Ni。
其中，H为最小功率变化差值或最小电流变化差值。
S1024、基于该计量数据的稳定矩阵，计算该计量数据的特征参数；
示例性的，识别装置可以基于如下公式，确定该计量数据的峰值因子。
其中，
为该计量数据的峰值因子，/>
为所述稳定矩阵中第n个元素，
为所述稳定矩阵中元素的最大值，/>
为所述稳定矩阵的行数；
示例性的，识别装置可以基于如下公式，确定该计量数据的裕度因子。
其中，
为该计量数据的裕度因子，/>
为所述稳定矩阵中第n个元素，
为所述稳定矩阵中元素的绝对值的最大值，/>
为所述稳定矩阵的行数；
示例性的，识别装置可以对该计量数据的稳定矩阵中各元素进行傅里叶变换，得到变换后的稳定矩阵；基于如下公式，确定该计量数据的谱熵值；
其中，
为该计量数据的谱熵值，/>
为所述稳定矩阵中第n个元素，/>
对所述稳定矩阵中各元素进行傅里叶变换后得到的频谱序列，此公式为离散傅里叶变换公式，/>
，为公式化简形式，/>
为/>
频谱序列的前1/2中各频率下的相对功率谱值，/>
为所述变换后的稳定矩阵中第k行元素的相对功率谱的概率值；/>
为所述变换后的稳定矩阵中频域内能量总和，也即相对功率谱中所有频率下的相对功率谱值之和，/>
为所述变换后的稳定矩阵的行数。
需要说明的是，各计量数据的特征参数计算完成后，识别装置可以基于各计量数据的特征参数，确定特征参数矩阵。例如，对于恶性负载的3种计量数据，特征参数矩阵的第一行为实时电流的峰值因子、裕度因子和谱熵值，第二行为有功功率的峰值因子、裕度因子和谱熵值，第三行为无功功率的峰值因子、裕度因子和谱熵值。
S103、将各计量数据的特征参数输入预设的判别函数，得到各特征参数的判定结果。
本申请实施例中，判别函数为根据已知类型负载的特征参数构建的线性判别函数。
在一些实施例中，判定结果包括恶性负载或非恶性负载。
示例性的，对于任一类计量数据，识别装置可以基于如下公式，得到该计量数据的特征参数的判定结果。
其中，
为判别函数，当/>
时，表示判定结果为恶性负载，当/>
时，表示判定结果为非恶性负载，/>
为该类计量数据的第i个特征参数，/>
为恶性负载的该类计量数据在历史时期内的均值，/>
为非恶性负载的该类计量数据在历史时期内的均值，
为恶性负载的特征参数矩阵和非恶性负载的特征参数矩阵之间的协方差矩阵。
S104、基于各特征参数的判定结果，确定待识别负载是否为恶性负载。
作为一种可能的实现方式，若任一特征参数的判定结果为恶性负载，则识别装置可以确定待识别负载为恶性负载。
作为另一种可能的实现方式，识别装置可以统计判定结果为恶性负载的特征参数的数量和特征参数总数量之间的比值；若比值大于设定比值，则确定待识别负载为恶性负载；若比值小于等于设定比值，则确定待识别负载为非恶性负载。
本发明提供一种恶性负载的识别方法，通过对待识别负载的实时电流，有功功率和无功功率等计量数据进行计算，得到各计量数据的峰值因子、裕度因子和谱熵值等特征参数；并将特征参数输入判别函数中得到各特征参数的判别结果，之后，基于各特征参数的判定结果，确定待识别负载是否为恶性负载，实现恶性负载的识别。相比于功率增量法和功率因数法，本发明采用的峰值因子、裕度因子和谱熵值等特征参数，均为无量纲参数，既可以实现对大功率负载的识别，又可以应用于功率因素多变的情况，不受设备类型变化的影响，提高了恶性负载识别的准确度。
此外，本发明中通过各特征参数的判定结果，综合确定待识别负载是否为恶性负载，避免单一参数判定导致误判问题，进一步提高了恶性负载识别的准确度。
可选的，如图2所示，在步骤S103之前，本发明实施例提供的恶性负载的识别方法，还包括步骤S201-S206。
S201、获取已知类型负载在历史时期内的计量数据。
在一些实施例中，已知类型负载包括恶性负载和非恶性负载；
S202、对于任一已知类型负载的任一计量数据，利用滑窗分帧技术，计算该计量数据的特征参数。
示例性的，识别装置可以基于步骤S1021-S1024，计算该计量数据的特征参数，在此不再赘述。
S203、基于恶性负载各计量数据的特征参数，构建第一矩阵；并基于非恶性负载各计量数据的特征参数，构建第二矩阵。
示例性的，识别装置可以将恶性负载的特征参数矩阵确定为第一矩阵。第一矩阵的第一行为恶性负载的实时电流的峰值因子、裕度因子和谱熵值，第二行为恶性负载的有功功率的峰值因子、裕度因子和谱熵值，第三行为恶性负载的无功功率的峰值因子、裕度因子和谱熵值。
示例性的，识别装置可以将非恶性负载的特征参数矩阵确定为第二矩阵。第二矩阵的第一行为非恶性负载的实时电流的峰值因子、裕度因子和谱熵值，第二行为非恶性负载的有功功率的峰值因子、裕度因子和谱熵值，第三行为非恶性负载的无功功率的峰值因子、裕度因子和谱熵值。
S204、基于第一矩阵和第二矩阵，进行线性判别，确定判别函数。
作为一种可能的实现方式，步骤S204具体可以实现为步骤S2041-S2045。
S2041、计算第一矩阵中各特征参数的第一均值；并计算第二矩阵中各特征参数的第二均值。
示例性的，识别装置可以基于如下公式，确定第一均值和第二均值。
其中，
表示第一均值或第二均值，/>
表示第一均值，/>
表示是第二均值，/>
表示第i类负载的特征参数的数量，/>
表示恶性负载的特征参数的数量，/>
表示非恶性负载的特征参数的数量，/>
表示第i类负载的第j个特征参数的取值，i表示负载类型，i=1表示恶性负载，i=2表示非恶性负载。
S2042、基于第一矩阵、第二矩阵、第一均值和第二均值，确定第一矩阵和第二矩阵的协方差矩阵。
示例性的，识别装置可以基于如下公式，确定协方差矩阵。
其中，
为协方差矩阵，/>
表示恶性负载的特征参数的数量，/>
表示非恶性负载的特征参数的数量，/>
表示第i类负载的第j个特征参数的取值，/>
表示第一均值或第二均值，
表示第一均值，/>
表示是第二均值。
需要说明的是，
。/>
、/>
为该公式的化简形式。
S2043、基于第一均值，第二均值和协方差矩阵，构建线性分类函数。
S2044、求解线性分类函数，确定线性分类函数的分类概率最大时对应的参数值。
S2045、基于分类概率最大时对应的参数值，确定判别函数。
设X1和X2两总体的样本x的线性组合
，即线性分类函数，且α为M维向量。则该线性分类函数的均值和方差分别为：
均值：
；
方差：
；
则根据Fisher思想，当且仅当
比值达到最大时，选取的该线性分类函数对于两总体的分类达到最佳，此时
。其中，/>
为恶性负载样本均值和普通负载样本均值向量差值。
定义限值
公式如下：
则有
得到恶性负载和非恶性负载的判别函数为ѡ(x)：
如此，本发明可以在对待识别负载识别之前，构建线性分类函数，对已知类型负载的计量数据进行分析，得到判别函数，提高恶性负载识别的识别能力，从而提高恶性负载识别的准确度。
可选的，如图3所示，在步骤S104之后，本发明实施例提供的恶性负载的识别方法，还包括步骤S301-S302。
S301、若确定待识别负载为恶性负载，则生成跳闸指令。
S302、向电能表的控制模块发送跳闸指令，指示电能表断开待识别负载的供电。
如此，本发明可以在确定待识别负载为恶性负载后，对恶性负载进行跳闸控制，实现安全用电，达到警示作用，提高用电安全性。
可选的，在步骤S302之后，本发明实施例提供的恶性负载的识别方法，还包括步骤S303-S304。
S303、发出跳闸指令预设时长后，生成恢复指令。
S304、向电能表的控制模块发送恢复指令，指示电能表恢复待识别负载的供电。
如此，本发明可以在确定待识别负载为恶性负载后，先断开恶性负载，后恢复恶性负载，实现恶性负载的自动断开和恢复，保证用户的正常供电，提高用户体验感，降低管理者和用户之间的矛盾。
可选的，在步骤S304之后，本发明实施例提供的恶性负载的识别方法，还包括步骤S305-S307。
S305、记录待识别负载的识别结果和跳闸恢复次数。
S306、基于待识别负载的识别结果、跳闸恢复次数和用户标识，生成恶性负载识别信息。
S307、将恶性负载识别信息上报给主站控制系统，以便于主站控制系统定位待识别负载的用户。
需要说明的是，本发明可以在确定待识别负载为恶性负载后，可以将识别结果、跳闸恢复次数和用户标识发送给主站控制系统，以便于主站控制系统定位恶性负载用户，实现恶性负载用户的准确定位。
示例性的，识别装置可以将电能表的模块地址，通过蓝牙、载波、微功率等无线通讯方式上报给主站控制系统，主站控制系统根据恶性负载识别信息中的模块地址，准确定位使用恶性负载的用户，便于对恶性负载进行进一步处理。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图4示出了本发明实施例提供的一种恶性负载的识别装置的结构示意图。该识别装置400包括通信单元401和处理单元402。
通信单元401，用于获取待识别负载的计量数据；计量数据包括实时电流，有功功率和无功功率。
处理单元402，用于基于计量数据，分析得到各计量数据的特征参数；特征参数包括：峰值因子、裕度因子和谱熵值；将各计量数据的特征参数输入预设的判别函数，得到各特征参数的判定结果；判别函数为根据已知类型负载的特征参数构建的线性判别函数；基于各特征参数的判定结果，确定待识别负载是否为恶性负载。
在一种可能的实现方式中，处理单元402，具体用于对于任一计量数据，利用滑窗分帧技术，对该计量数据进行时间窗口划分，得到该计量数据的样本矩阵；样本矩阵的每行样本为一个时间窗口内各时刻的计量数据，样本矩阵的行数等于滑窗分帧的总帧数；利用逐差法，逐个计算该计量数据的样本矩阵中相邻两行之间的差值；基于相邻两行之间的差值，筛选该计量数据的样本矩阵中处于稳定状态的样本，构建该计量数据的稳定矩阵；稳定状态为连续多个相邻两行之间的差值小于设定差值的状态；基于该计量数据的稳定矩阵，计算该计量数据的特征参数；
在一种可能的实现方式中，处理单元402，具体用于基于如下公式，确定该计量数据的峰值因子；
其中，
为该计量数据的峰值因子，/>
为所述稳定矩阵中第n个元素，
为所述稳定矩阵中元素的最大值，/>
为所述稳定矩阵的行数；
基于如下公式，确定该计量数据的裕度因子；
其中，
为该计量数据的裕度因子，/>
为所述稳定矩阵中第n个元素，
为所述稳定矩阵中元素的绝对值的最大值，/>
为所述稳定矩阵的行数；
对该计量数据的稳定矩阵中各元素进行傅里叶变换，得到变换后的稳定矩阵；基于如下公式，确定该计量数据的谱熵值；
其中，
为该计量数据的谱熵值，/>
为所述稳定矩阵中第n个元素，/>
对所述稳定矩阵中各元素进行傅里叶变换后得到的频谱序列，/>
，/>
为
频谱序列的前1/2中各频率下的相对功率谱值，/>
为所述变换后的稳定矩阵中第k行元素的相对功率谱的概率值；/>
为所述变换后的稳定矩阵中频域内能量总和，/>
为所述变换后的稳定矩阵的行数。
在一种可能的实现方式中，通信单元401，还用于获取已知类型负载在历史时期内的计量数据；已知类型负载包括恶性负载和非恶性负载；处理单元402，还用于对于任一已知类型负载的任一计量数据，利用滑窗分帧技术，计算该计量数据的特征参数；基于恶性负载各计量数据的特征参数，构建第一矩阵；并基于非恶性负载各计量数据的特征参数，构建第二矩阵；计算第一矩阵中各特征参数的第一均值；并计算第二矩阵中各特征参数的第二均值；基于第一矩阵、第二矩阵、第一均值和第二均值，确定第一矩阵和第二矩阵的协方差矩阵；基于第一均值，第二均值和协方差矩阵，构建线性分类函数；求解线性分类函数，确定线性分类函数的分类概率最大时对应的参数值；基于分类概率最大时对应的参数值，确定判别函数。
在一种可能的实现方式中，判定结果包括恶性负载或非恶性负载；相应的，处理单元402，具体用于若任一特征参数的判定结果为恶性负载，则确定待识别负载为恶性负载；或者，统计判定结果为恶性负载的特征参数的数量和特征参数总数量之间的比值；若比值大于设定比值，则确定待识别负载为恶性负载；若比值小于等于设定比值，则确定待识别负载为非恶性负载。
在一种可能的实现方式中，处理单元402，还用于若确定待识别负载为恶性负载，则生成跳闸指令；通信单元401，还用于向电能表的控制模块发送跳闸指令，指示电能表断开待识别负载的供电。
在一种可能的实现方式中，处理单元402，还用于发出跳闸指令预设时长后，生成恢复指令；通信单元401，还用于向电能表的控制模块发送恢复指令，指示电能表恢复待识别负载的供电。
在一种可能的实现方式中，处理单元402，还用于记录待识别负载的识别结果和跳闸恢复次数；基于待识别负载的识别结果、跳闸恢复次数和用户标识，生成恶性负载识别信息；通信单元401，还用于将恶性负载识别信息上报给主站控制系统，以便于主站控制系统定位待识别负载的用户。
图5是本发明实施例提供的一种电能表的识别模块的结构示意图。如图5所示，该实施例的识别模块500包括：处理器501、存储器502以及存储在所述存储器502中并可在所述处理器501上运行的计算机程序503。所述处理器501执行所述计算机程序503时实现上述各方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，所述处理器501执行所述计算机程序503时实现上述各装置实施例中各模块/单元的功能，例如，图4所示通信单元401和处理单元402的功能。
示例性的，所述计算机程序503可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器502中，并由所述处理器501执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序503在所述识别模块500中的执行过程。例如，所述计算机程序503可以被分割成图4所示通信单元401和处理单元402。
所称处理器501可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器502可以是所述识别模块500的内部存储单元，例如识别模块500的硬盘或内存。所述存储器502也可以是所述识别模块500的外部存储设备，例如所述识别模块500上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（SecureDigital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器502还可以既包括所述识别模块500的内部存储单元也包括外部存储设备。所述存储器502用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器502还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（RandomAccess Memory，RAM）、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (8)
1.一种恶性负载的识别方法，其特征在于，包括：
获取待识别负载的计量数据；所述计量数据包括实时电流，有功功率和无功功率；
基于所述计量数据，分析得到各计量数据的特征参数；所述特征参数包括：峰值因子、裕度因子和谱熵值；
将各计量数据的特征参数输入预设的判别函数，得到各特征参数的判定结果；所述判别函数为根据已知类型负载的特征参数构建的线性判别函数；
基于所述各特征参数的判定结果，确定所述待识别负载是否为恶性负载；所述判定结果包括恶性负载或非恶性负载；
所述基于所述计量数据，分析得到各计量数据的特征参数，包括：对于任一计量数据，利用滑窗分帧技术，对该计量数据进行时间窗口划分，得到该计量数据的样本矩阵；所述样本矩阵的每行样本为一个时间窗口内各时刻的计量数据，所述样本矩阵的行数等于滑窗分帧的总帧数；利用逐差法，逐个计算该计量数据的样本矩阵中相邻两行之间的差值；基于所述相邻两行之间的差值，筛选该计量数据的样本矩阵中处于稳定状态的样本，构建该计量数据的稳定矩阵；所述稳定状态为连续多个相邻两行之间的差值小于设定差值的状态；基于该计量数据的稳定矩阵，计算该计量数据的特征参数；
所述基于所述各特征参数的判定结果，确定所述待识别负载是否为恶性负载，包括：若任一特征参数的判定结果为恶性负载，则确定所述待识别负载为恶性负载；或者，统计判定结果为恶性负载的特征参数的数量和特征参数总数量之间的比值；若所述比值大于设定比值，则确定所述待识别负载为恶性负载；若所述比值小于等于所述设定比值，则确定所述待识别负载为非恶性负载；
所述将各计量数据的特征参数输入预设的判别函数，得到各特征参数的判定结果，包括：对于任一类计量数据，基于如下公式，得到所述任一类计量数据的特征参数的判定结果；
其中，
为判别函数，当/>
时，表示判定结果为恶性负载，当/>
时，表示判定结果为非恶性负载，/>
为所述任一类计量数据的第i个特征参数，/>
为恶性负载的所述任一类计量数据在历史时期内的均值，/>
为非恶性负载的所述任一类计量数据在历史时期内的均值，/>
为恶性负载的特征参数矩阵和非恶性负载的特征参数矩阵之间的协方差矩阵。
2.根据权利要求1所述的恶性负载的识别方法，其特征在于，所述基于该计量数据的稳定矩阵，计算该计量数据的特征参数，包括：
基于如下公式，确定该计量数据的峰值因子；
其中，
为该计量数据的峰值因子，/>
为所述稳定矩阵中第n个元素，
为所述稳定矩阵中元素的最大值，/>
为所述稳定矩阵的行数；
基于如下公式，确定该计量数据的裕度因子；
其中，
为该计量数据的裕度因子，/>
为所述稳定矩阵中第n个元素，
为所述稳定矩阵中元素的绝对值的最大值，/>
为所述稳定矩阵的行数；
对该计量数据的稳定矩阵中各元素进行傅里叶变换，得到变换后的稳定矩阵；基于如下公式，确定该计量数据的谱熵值；
其中，
为该计量数据的谱熵值，/>
为所述稳定矩阵中第n个元素，/>
对所述稳定矩阵中各元素进行傅里叶变换后得到的频谱序列，/>
，为公式化简形式，
为/>
频谱序列的前1/2中各频率下的相对功率谱值，/>
为所述变换后的稳定矩阵中第k行元素的相对功率谱的概率值；/>
为所述变换后的稳定矩阵中频域内能量总和，
为所述变换后的稳定矩阵的行数。
3.根据权利要求1所述的恶性负载的识别方法，其特征在于，所述将各计量数据的特征参数输入预设的判别函数，得到各特征参数的判定结果之前，还包括：
获取已知类型负载在历史时期内的计量数据；所述已知类型负载包括恶性负载和非恶性负载；
对于任一已知类型负载的任一计量数据，利用滑窗分帧技术，计算该计量数据的特征参数；
基于恶性负载各计量数据的特征参数，构建第一矩阵；并基于非恶性负载各计量数据的特征参数，构建第二矩阵；
计算第一矩阵中各特征参数的第一均值；并计算第二矩阵中各特征参数的第二均值；
基于第一矩阵、第二矩阵、第一均值和第二均值，确定第一矩阵和第二矩阵的协方差矩阵；
基于所述第一均值，第二均值和协方差矩阵，构建线性分类函数；
求解所述线性分类函数，确定所述线性分类函数的分类概率最大时对应的参数值；
基于所述分类概率最大时对应的参数值，确定所述判别函数。
4.根据权利要求1所述的恶性负载的识别方法，其特征在于，所述基于所述各特征参数的判定结果，确定所述待识别负载是否为恶性负载之后，还包括：
若确定所述待识别负载为恶性负载，则生成跳闸指令；
向电能表的控制模块发送所述跳闸指令，指示所述电能表断开所述待识别负载的供电。
5.根据权利要求4所述的恶性负载的识别方法，其特征在于，所述向电能表的控制模块发送所述跳闸指令之后，还包括：
发出所述跳闸指令预设时长后，生成恢复指令；
向所述电能表的控制模块发送所述恢复指令，指示所述电能表恢复所述待识别负载的供电。
6.根据权利要求5所述的恶性负载的识别方法，其特征在于，所述发出所述跳闸指令预设时长后，生成恢复指令之后，还包括：
记录所述待识别负载的识别结果和跳闸恢复次数；
基于所述待识别负载的识别结果、跳闸恢复次数和用户标识，生成恶性负载识别信息；
将所述恶性负载识别信息上报给主站控制系统，以便于所述主站控制系统定位所述待识别负载的用户。
7.一种恶性负载的识别装置，其特征在于，包括：
通信单元，用于获取待识别负载的计量数据；所述计量数据包括实时电流，有功功率和无功功率；
处理单元，用于基于所述计量数据，分析得到各计量数据的特征参数；所述特征参数包括：峰值因子、裕度因子和谱熵值；将各计量数据的特征参数输入预设的判别函数，得到各特征参数的判定结果；所述判别函数为根据已知类型负载的特征参数构建的线性判别函数；基于所述各特征参数的判定结果，确定所述待识别负载是否为恶性负载；所述判定结果包括恶性负载或非恶性负载；
处理单元，具体用于对于任一计量数据，利用滑窗分帧技术，对该计量数据进行时间窗口划分，得到该计量数据的样本矩阵；所述样本矩阵的每行样本为一个时间窗口内各时刻的计量数据，所述样本矩阵的行数等于滑窗分帧的总帧数；利用逐差法，逐个计算该计量数据的样本矩阵中相邻两行之间的差值；基于所述相邻两行之间的差值，筛选该计量数据的样本矩阵中处于稳定状态的样本，构建该计量数据的稳定矩阵；所述稳定状态为连续多个相邻两行之间的差值小于设定差值的状态；基于该计量数据的稳定矩阵，计算该计量数据的特征参数；
处理单元，具体用于若任一特征参数的判定结果为恶性负载，则确定所述待识别负载为恶性负载；或者，统计判定结果为恶性负载的特征参数的数量和特征参数总数量之间的比值；若所述比值大于设定比值，则确定所述待识别负载为恶性负载；若所述比值小于等于所述设定比值，则确定所述待识别负载为非恶性负载；
处理单元，具体用于对于任一类计量数据，基于如下公式，得到所述任一类计量数据的特征参数的判定结果；
其中，
为判别函数，当/>
时，表示判定结果为恶性负载，当/>
时，表示判定结果为非恶性负载，/>
为所述任一类计量数据的第i个特征参数，/>
为恶性负载的所述任一类计量数据在历史时期内的均值，/>
为非恶性负载的所述任一类计量数据在历史时期内的均值，/>
为恶性负载的特征参数矩阵和非恶性负载的特征参数矩阵之间的协方差矩阵。
8.一种电能表，其特征在于，包括：识别模块；
所述识别模块包括存储器和处理器，该存储器存储有计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序执行如权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310257512.5A CN115982576B (zh) | 2023-03-17 | 2023-03-17 | 一种恶性负载的识别方法、装置及电能表 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310257512.5A CN115982576B (zh) | 2023-03-17 | 2023-03-17 | 一种恶性负载的识别方法、装置及电能表 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115982576A CN115982576A (zh) | 2023-04-18 |
| CN115982576B true CN115982576B (zh) | 2023-06-20 |
Family
ID=85962724
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310257512.5A Active CN115982576B (zh) | 2023-03-17 | 2023-03-17 | 一种恶性负载的识别方法、装置及电能表 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115982576B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598145A (zh) * | 2020-04-27 | 2020-08-28 | 沃太能源南通有限公司 | 基于混合概率标签时变约束分配的非侵入式负荷监测方法 |
| CN113591598A (zh) * | 2021-07-07 | 2021-11-02 | 河北工业大学 | 一种基于相关性分析的脑-机接口跨负荷线性判别方法 |
| CN114970633A (zh) * | 2022-06-07 | 2022-08-30 | 西安电子科技大学 | 一种基于lstm的非侵入式用电器识别方法、系统及设备 |
| CN115112989A (zh) * | 2022-08-29 | 2022-09-27 | 四川大学 | 基于低频数据的非侵入式负荷监测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102437653B (zh) * | 2011-12-28 | 2015-03-25 | 国网上海市电力公司 | 电力柔性负荷控制系统及其控制方法 |
| CN110488161B (zh) * | 2019-07-23 | 2022-03-04 | 南京航空航天大学 | 一种多负载串联电弧故障检测及定位方法 |
| CN111880083A (zh) * | 2020-08-11 | 2020-11-03 | 常熟开关制造有限公司(原常熟开关厂） | 不断电的剩余电流试验方法、装置及剩余电流保护装置 |
| CN112816816A (zh) * | 2020-12-31 | 2021-05-18 | 无锡小净共享网络科技有限公司 | 恶性负载的识别方法、装置、设备和存储介质 |
| CN114943367A (zh) * | 2022-04-18 | 2022-08-26 | 石家庄科林电气股份有限公司 | 基于bp神经网络模型的非侵入式负荷识别方法 |
| CN115375921A (zh) * | 2022-06-17 | 2022-11-22 | 河北科技大学 | 两级非侵入式负荷识别方法及终端 |
-
2023
- 2023-03-17 CN CN202310257512.5A patent/CN115982576B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598145A (zh) * | 2020-04-27 | 2020-08-28 | 沃太能源南通有限公司 | 基于混合概率标签时变约束分配的非侵入式负荷监测方法 |
| CN113591598A (zh) * | 2021-07-07 | 2021-11-02 | 河北工业大学 | 一种基于相关性分析的脑-机接口跨负荷线性判别方法 |
| CN114970633A (zh) * | 2022-06-07 | 2022-08-30 | 西安电子科技大学 | 一种基于lstm的非侵入式用电器识别方法、系统及设备 |
| CN115112989A (zh) * | 2022-08-29 | 2022-09-27 | 四川大学 | 基于低频数据的非侵入式负荷监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115982576A (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zoha et al. | Low-power appliance monitoring using factorial hidden markov models | |
| Jia et al. | Malicious data attack on real-time electricity market | |
| US20160187864A1 (en) | Apparatus and System for Providing Energy Information | |
| EP3968040A1 (en) | Abnormal electricity use recognition method and device, and computer readable storage medium | |
| Bouhouras et al. | Development of distinct load signatures for higher efficiency of NILM algorithms | |
| CN113933556B (zh) | 一种窃电行为的检测方法、装置、计算机设备和存储介质 | |
| EP3364157A1 (en) | Method and system of outlier detection in energy metering data | |
| Anwar et al. | Ensuring data integrity of OPF module and energy database by detecting changes in power flow patterns in smart grids | |
| CN110471821A (zh) | 异常变更检测方法、服务器及计算机可读存储介质 | |
| CN104636240B (zh) | 一种信息报表的获取方法及终端 | |
| CN115422788B (zh) | 一种配电网线损分析管理方法、装置、存储介质及系统 | |
| Khan et al. | Research advancements towards in existing smart metering over smart grid | |
| Xue et al. | An optimal data-driven approach to distribution independent fault detection | |
| CN111030883B (zh) | 一种电力信息传输时延分析方法、装置、设备和存储介质 | |
| CN110138613B (zh) | 一种网络测试模板构建方法、电力网络测试方法及相关装置 | |
| CN115049410A (zh) | 窃电行为识别方法、装置、电子设备及计算机可读存储介质 | |
| CN108072858A (zh) | 电能表质量管理方法、系统及终端设备 | |
| CN115982576B (zh) | 一种恶性负载的识别方法、装置及电能表 | |
| CN103217951A (zh) | 一种带数据采集功能的开关装置、系统及其应用 | |
| CN116595395A (zh) | 一种基于深度学习的逆变器输出电流预测方法及系统 | |
| Xia et al. | Coded grouping-based inspection algorithms to detect malicious meters in neighborhood area smart grid | |
| Aeiad et al. | Bad data detection for smart grid state estimation | |
| CN115420988A (zh) | 异常用电用户的识别方法、装置、设备及存储介质 | |
| CN107886180A (zh) | 航司创单接口监控方法、装置、电子设备、存储介质 | |
| CN110807589A (zh) | 一种电力现货市场的案例分析系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |