CN116596703B - 一种节电器及其智能控制方法 - Google Patents
一种节电器及其智能控制方法 Download PDFInfo
- Publication number
- CN116596703B CN116596703B CN202310868196.5A CN202310868196A CN116596703B CN 116596703 B CN116596703 B CN 116596703B CN 202310868196 A CN202310868196 A CN 202310868196A CN 116596703 B CN116596703 B CN 116596703B
- Authority
- CN
- China
- Prior art keywords
- data
- difference
- current
- acquiring
- voltage
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 118
- 238000004458 analytical method Methods 0.000 claims abstract description 110
- 230000005856 abnormality Effects 0.000 claims abstract description 63
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 230000008859 change Effects 0.000 claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 12
- 238000001914 filtration Methods 0.000 abstract 1
- 230000002547 anomalous effect Effects 0.000 description 10
- 230000035772 mutation Effects 0.000 description 10
- 230000008901 benefit Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Strategic Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Human Resources & Organizations (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本说明书实施例公开了一种节电器及其智能控制方法，属于自动控制技术领域，该方法包括：获取监测数据，所述监测数据包括历史数据和分析数据；判断分析数据是否为异常数据，所述判断包括利用共生矩阵判断、基于历史数据判断和根据分析数据的变化规律判断；根据剔除所述异常数据后的监测数据对节电器进行调节；其中：所述根据剔除所述异常数据后的监测数据对节电器进行调节包含：结合剔除所述异常数据后的监测数据，利用神经网络获取对应节电器的节电等级；根据所述节电等级对所述节电器进行调整。该方法通过多种算法判断采集数据的异常性，过滤异常数据后控制节电器达到最优节电效果，可以大大提高电网的节电效率。
Description
技术领域
本发明涉及自动控制技术领域，特别涉及一种节电器及其智能控制方法。
背景技术
随着电力系统的迅速发展，电网数据量急剧增加，电网运行日益复杂，传统的人工监控和分析已难以满足需求。为了实现电网高效稳定运行，电力系统智能化已成为发展趋势。电网数据分析与异常检测是电网智能化的基础，可以有效监测电网运行状态，发现异常情况，为电网优化控制和故障诊断提供支撑。
节电器一般分为照明灯具类节电器和各动力类节电器。采用高压滤波和能量吸收技术，自动吸收高压动力设备反向电势的能量，并不断回馈返还给负载，节省了用电设备从高压电网上吸取的这部分电能。另一方面利用国际先进的高压电参数优化技术、正弦波跟踪技术及纳米技术和组件，抑制和减少供电线路中的冲击电流、瞬变及高次谐波的产生，净化电源、提高高压电网的供电品质，大幅降低线路损耗及动力设备的铜损和铁损，提高高压用电设备的使用寿命和做功效率，在使用过程中既节省了电能又可大幅降低设备运营成本。在使用异常检测算法时，通常使用认为给定参数进行计算，但是对于不同场景，不同参数会获取不同的异常值，而对于某些场景下，便可能将本没有异常的数据误认为异常数据，或者数据发生异常而没有识别出来。
基于此，有必要研究一种节电器及其智能控制方法以识别异常数据，进而提高节电器智能控制的水平。
发明内容
本说明书实施例提供一种节电器智能控制方法，包括获取监测数据，监测数据包括历史数据和分析数据；判断分析数据是否为异常数据，判断包括利用共生矩阵判断、基于历史数据判断和根据分析数据的变化规律判断；根据剔除异常数据后的监测数据对节电器进行调节；其中，根据剔除异常数据后的监测数据对节电器进行调节包含：结合剔除异常数据后的监测数据，利用神经网络获取对应节电器的节电等级；根据节电等级对节电器进行调整。
在一些实施例中，所述利用共生矩阵判断包括：构建电流共生矩阵和电压共生矩
阵，矩阵元素表示相邻两时刻的电流值或电压值同时出现的历史频率；根据电流共生矩阵
获取分析数据与其相邻数据的电流在电流共生矩阵中出现的频率；根据电压共生矩阵获
取分析数据与其相邻数据的电压在电压共生矩阵中出现的频率；根据和获取分析数
据为异常数据的可能性，通过如下公式计算：
其中，表示归一化函数。
进一步地，所述基于历史数据判断包括：获取历史数据中与t时刻分析数据A的差
值满足预设阈值的历史数据B；获取B对应的历史时刻；根据时间顺序获取历史时刻的
前S个历史数据的集合W1；获取B与W1中的第i个历史数据的差异，差异包含电流差异和电
压差异，i为1至S的整数；根据差异获取历史数据B与其前S个数据的变化差异，通过
如下公式计算：
其中，电流差异为B中的电流与第i个历史数据中电流差异的绝对值；电压差异为B中的电压与第i个历史数据中电压差异的绝对值。
进一步地，基于历史数据判断还包括：根据时间顺序获取历史时刻的后L个历史
数据的集合W2；获取B与W2中的第j个历史数据的差异，差异包含电流差异和电压差异
，j为1至L的整数；根据差异获取历史数据B与其后L个数据的变化差异，通过如下公式
计算：
其中，电流差异为B中的电流与第j个历史数据中电流差异的绝对值；电压差异为B中的电压与第j个历史数据中电压差异的绝对值。
进一步地，基于历史数据判断还包括：根据时间顺序获取历史时刻的前S1个历
史数据和后S2个历史数据的集合W3，其中S1和S2的和为S；获取W3的平均值的差异，平均值
的差异包含电流平均差异和电压平均差异；获取W3中的第k个数据与其相邻时刻数据
的变化量的差异，包括电流变化量的差异和电压变化量的差异，k为从1至S的整
数；根据平均值的差异和变化量的差异获取B前后相邻采集数据之间的差异稳定性，
差异稳定性通过如下公式计算：
其中，平均值的差异为S1个数据的平均值和S2个数据的平均值的差值的绝对值；
变化差异为第k个数据与其相邻的前一个数据的变化量和第k个数据与其相邻的后一个
数据的变化量的差值的绝对值。
进一步地，基于历史数据判断还包括：根据B与其前S个数据的变化差异、B与其
后L个数据的变化差异、B与其前后S个数据的差异稳定性和分析数据A为异常数据的可
能性，获取B为异常数据的可能性，可能性通过如下公式计算：
表示归一化函数。
进一步地，基于历史数据判断还包括：对获取的历史数据利用DBSCAN聚类算法进
行聚类；获取B所在的聚类簇的数量N；获取分析数据A的异常性指标，异常性指标通过
如下公式计算：
其中，N为聚类簇中与分析数据A处于同一聚类簇的元素的数量；为B所在的聚
类簇中的第p个聚类簇元素根据计算公式计算为异常数据的可能性。
进一步地，根据分析数据的变化规律判断包括：根据时间顺序获取t时刻分析数据
A的前C个分析数据的集合W4；获取W4中分析数据的变化平均值，变化平均值包含电流
变化平均值和电压变化平均值；获取W4中第v个数据与其相邻前一时刻数据的差异，差异包含电流差异和电压差异，v为从1至C的整数；根据变化平均值
和差异，获取A中的电流的异常可能性和电压的异常可能性；
通过如下公式计算：
通过如下公式计算：
根据和获取A为异常数据的可能性，通过如下公式计算：
其中，变化平均值为W4中C个分析数据的变化量的平均值的绝对值；差异为
第v个数据与其相邻前一时刻数据的差值的绝对值。
进一步地，判断分析数据A是否为异常数据还包括：根据异常数据可能性获取t
时刻分析数据A为异常数据的可能性，通过如下公式计算：
其中，为所述异常性指标，通过异常性指标计算公式计算。
在一些实施例中，所述剔除所述异常数据的过程包括：S310获取O个分析数据；
S320利用LOF算法对分析数据进行初步异常判断，选取多个K值，计算各K值下LOF算法的判
断结果，获取判断结果最好的K值为K0；S330利用K0获取分析数据中第e个数据的LOF值
；S340利用的计算公式获取分析数据中第e个数据为异常数据的可能性；S350根据和获取K0为最优值的优选度，优选度通过如下公式计算：
S360当优选度大于预设阈值时，K0为最优值，否则重复S320至S350。
本说明书实施例还提供一种节电器，所述节电器包括至少一个存储介质及至少一个处理器；
所述至少一个存储介质用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令，以实现如上任一项所述的节电器智能控制方法。
本说明书实施例所提供的节电器及其智能控制方法可能带来的有益效果至少包括：（1）本发明通过对采集数据基于历史数据进行分析，同时根据构建电力信息共生矩阵以及对电力信息规律变化进行分析，大大增加异常检测的准确性；该方法基于多种算法和方法进行数据异常判断和节电器控制，各个方法和算法之间相互独立，可以根据需要增加或替换某些方法和算法，实现方法的扩展和升级，以适应更复杂的应用场景。（2）减少采集数据中的异常数据；降低误报率。由于判断当前数据异常性时同时采用共生矩阵法、历史数据法、实时变化法和LOF算法等多种方法进行综合判断，可以相互验证和校正，减小某一方法的误判概率，从而降低整体判断的误报率。（3）提高最终获取的节电器调节等级对电力系统的节电效率，大大为客户节省电力消耗，增加电力使用效率，减少能源损耗，该方法综合利用多种算法和方法判断当前数据的异常性，剔除异常数据后对节电器进行精确控制，可以最大限度地发挥节电器的节电潜能，达到较高的节电效果。
附加的特征将在下面的描述中部分地阐述。对于本领域技术人员来说，通过查阅以下内容和附图将变得显而易见，或者可以通过实例的产生或操作来了解。本说明书的特征可以通过实践或使用以下详细实例中阐述的方法、工具和组合的各个方面来实现和获得。
附图说明
本说明书将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书的一些实施例所示的一种节电器智能控制方法的示例性流程图；
图2是根据本说明书的一些实施例所示的判断分析数据是否为异常数据的示例性流程图；
图3是根据本说明书一些实施例所示的基于历史数据判断当前数据是否为异常数据的示例性流程图；
图4是根据本说明书一些实施例所示的获取LOF算法中最优K值的示例性流程图；
图5是根据本说明书一些实施例所示的获取最优K值的示例性逻辑流程图；
图6是根据本说明书一些实施例所示的基于历史数据判断当前数据是否为异常数据的示例性逻辑流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本说明书中所使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
基于前述技术问题，本说明书提供一种节电器智能控制方法。主要包括：数据采集；构建共生矩阵进行异常性检测；通过历史数据进行分析；根据数据变化规律性分析异常性；异常性分析；节电器分析控制。
本发明所针对的具体场景为：感性负载较多的地方，通过检测感性负载状态，进而控制节电器调整电路电力，达到节电目的。在节电器装有电流电压采集设备，用于获取节电器所在电路的电流以及电压信息。将实时获取的电流电压按获取时间进行分组，本发明将一秒获取的电压电流信息组成为一组，即每一秒对电路进行检测进而对节电器进行控制调整。通过对电路信息进行监测。进而获取对应电器工作状态，根据对应状态控制节电器调节，进而确保过程中节省电力的目的。
具体地，包括获取监测数据，监测数据包括历史数据和分析数据；判断分析数据是否为异常数据，判断包括利用共生矩阵判断、基于历史数据判断和根据分析数据的变化规律判断；根据剔除异常数据后的监测数据对节电器进行调节；其中：根据剔除异常数据后的监测数据对节电器进行调节包含：结合剔除异常数据后的监测数据，利用神经网络获取对应节电器的节电等级；根据节电等级对节电器进行调整。
通过对采集数据基于历史数据进行分析，同时根据构建电力信息共生矩阵以及对电力信息规律变化进行分析，大大增加异常检测的准确性，进而减少采集数据中的异常数据，提高最终获取的节电器调节等级对电力系统的节电效率，大大为客户节省电力消耗，增加电力使用效率，减少能源损耗。
下面结合附图对本说明书实施例提供的方法和系统进行详细说明。
图1是根据本说明书的一些实施例所示的一种节电器智能控制方法的示例性流程图。
参照图1，在一些实施例中，一种节电器智能控制方法，包括S100获取监测数据，所述监测数据包括历史数据和当前分析数据；S200判断当前分析数据是否为异常数据；S300根据剔除所述异常数据后的监测数据对节电器进行调节。
S100获取监测数据：获取历史数据和实时数据，为后续判断异常数据和控制节电器提供基础信息，是实现该方法的首要步骤。
S200判断当前分析数据是否为异常数据：采用多种方法（共生矩阵法、历史数据法、实时变化法）判断实时数据的异常性，相互验证提高判断准确性，减小误报率。是实现该方法的核心步骤。
S300根据剔除异常数据后的监测数据对节电器进行调节：剔除S200判断为异常的数据，对剩余正常数据利用神经网络获得节能等级，控制节电器运行。是根据S200的判断结果实施对节电器的控制，实现该方法的最终目的。
S100→S200：历史数据和实时数据为S200提供基础判断信息，S200利用这些信息进行异常判断。两者相互配合完成数据判断任务。
S200→S300：S200的判断结果（正常/异常数据）决定是否将实时数据输入神经网络，从而产生控制节电器的节能等级。S200的输出是S300的输入，两者相互配合完成从数据判断到设备控制的整个过程。
S100和S200实现了对监测数据的采集和判断，能够准确发现异常数据，为后续控制提供准确依据，有利于提高控制精度和效果。
S200利用多种方法进行综合判断，相互验证提高判断精度，减小误报可能，有利于控制的准确性。
S200和S300实现了从数据监测和判断到设备控制的自动化过程，减轻人工操作负担，有利于节电器的智能化运行。
S100至S300三个步骤的配合实现了对节电器的精细化控制，有利于最大限度发挥其节能潜力。
具体的，S100数据采集，在节电器装有电流电压采集设备，用于获取节电器所在电路的电流以及电压信息。将实时获取的电流电压按获取时间进行分组，本发明将一秒获取的电压电流信息组成为一组，即每一秒对电路进行检测进而对节电器进行控制调整。通过对电路信息进行监测。进而获取对应电器工作状态，根据对应状态控制节电器调节，进而确保过程中节省电力的目的。
具体的，S200判断当前分析数据是否为异常数据，由于在进行数据监测时，每时每刻均会获取对应电力数据，故需要判断这些电力数据的可信度，以及突变性，进而据此分析，从而确定是否需要控制节电器对电路进行调整。
其中获取电力数据可信度方法使用现有异常数据分析方法，即LOF算法，而在使用LOF算法时，算法参数可能会对数据异常指标进行干扰，从而导致获取的数据分析不准确，使得可能在需要控制节电器进行调节时，而错过调节时机，进而使得节电器的节电效率降低，故需要对LOF算法参数进行调节，进而使得获取的异常检测指标更准确。
其中LOF算法中可控参数为K，本发明初始K值为2。其中K的变换范围为[2，12]。根据上述获取的数据异常值进行分析，判断对获取的各项数据的异常性是否符合，即获取异常性分析算法分析准确性：构建共生矩阵进行异常性检测、通过历史数据进行分析和根据数据变化规律性分析异常性。
图2是根据本说明书的一些实施例所示的判断分析数据是否为异常数据的示例性流程图。
参照图2，在一些实施例中，判断分析数据是否为异常数据包括S210共生矩阵判断；S220基于历史数据判断；S230根据当前分析数据的变化规律判断。
S210根据共生矩阵判断：利用共生矩阵判断实时数据与历史数据的相关性，如果相关性较低，判断为异常数据。该方法判断异常数据的依据主要在于数据变化趋势的破坏，能发现突变数据，有利于提高对电网运行趋势和动态变化的敏感性，保证电网运行稳定。
S220基于历史数据判断：将实时数据与相应历史数据进行比较，如果偏差超过预设阈值，判断为异常数据。该方法直接基于历史经验判断数据异常性，判断依据简单可靠，易于实现，但对电网运行趋势的判断不够灵敏，可能会产生较大误报。
S230根据当前分析数据的变化规律判断：分析实时数据与前后时刻数据的变化趋势和差异，如果变化较大，判断为异常数据。该方法从数据变化角度判断异常性，能够发现突变或者高动态数据，但需要较长数据窗口，实现难度较大，且容易受数据噪声影响出现误判。
S210至S230三种方法分别从相关性、绝对差值和变化率差异三个角度判断数据异常性，相互补充，可以较全面判断各类异常数据，提高判断的准确性和适用性。
S210至S230三种方法各有优势和限制，结合使用可以发挥各自的优势，相互验证和修正，减小单一方法的误判概率，提高判断精度。
S210至S230采用多种判断方法，即使某一方法出现误判也不会直接影响判断结果和后续控制，保证了方法的健壮性和稳定性。
S210至S230三种方法的判断结果相结合，可以实现对异常数据的多角度筛选和确认，有利于提高判断的准确性与可靠性。
具体地，S210根据共生矩阵判断；分别构建电流、电压共生矩阵，通过统计历史出现次数，进而计算其异常程度，即历史出现次数越多，则说明其异常程度越小。共生矩阵中，横纵坐标表示对应出现的电流电压值，矩阵元素表示分析数据相邻前一时刻与分析数据对应电流值或电压值同时出现的频率。
其中，利用共生矩阵判断包括：构建电流共生矩阵和电压共生矩阵，矩阵元素表示
相邻两时刻的电流值或电压值同时出现的历史频率；根据电流共生矩阵获取分析数据与其
相邻数据的电流在电流共生矩阵中出现的频率；根据电压共生矩阵获取分析数据与其相
邻数据的电压在电压共生矩阵中出现的频率；根据和获取分析数据为异常数据的可
能性，通过如下公式计算：
其中，表示归一化函数。
表示根据电压共生矩阵获取的当前分析数据与其相邻数据的电压在电压共生
矩阵中出现的频率，同理，表示根据电流共生矩阵获取的当前分析数据与其相邻数据的
电流在电流共生矩阵中出现的频率，即当所求对应出现的频率越小，则说明当前数据异常
的可能性越大。
综上，1.根据大量历史数据统计计算得到共生矩阵，包含了电压和电流各个值同时出现的概率信息，可以准确刻画电网运行状态下电压和电流值之间的相关性。
2.根据共生矩阵可以判断某个电压或电流值在当前运行状态下出现的正常性，出现频率越高则越正常，越低则越可能异常。这种判断方式无需人工设置阈值，可以自适应不同运行状态，判断效果较好。
3.电压共生矩阵和电流共生矩阵分开构建和判断，可以分别判断电压值和电流值的异常性，相互验证，提高判断准确性。如果电压正常但电流异常，或电流正常但电压异常，可以判定为数据异常，避免漏判。
4.该判断方法仅利用采集数据构建共生矩阵，计算出现频率，无需比较大量历史数据，计算量小，判断效率高，适用于实时检测。同时矩阵构建只需进行一次，之后直接查表判断，速度很快。
5.可以根据需要，选择不同时长的历史数据构建共生矩阵，如1小时内或1天内的数据，来判断不同时序范围内的数据异常性。矩阵规模较小，判断效率较高。
图3是根据本说明书一些实施例所示的基于历史数据判断当前数据是否为异常数据的示例性流程图。
参照图3，在一些实施例中，基于历史数据判断当前数据是否为异常数据包括S221与当前分析数据相近的历史数据，结合前S个数据判断异常性；S222与当前分析数据相近的历史数据，结合后L个数据判断异常性；S223与当前分析数据相近的历史数据，结合前后S个数据判断异常性。
S221与当前分析数据相近的历史数据，结合前S个数据判断异常性：选择与当前数据相近的历史数据窗口，与其前S个数据（不包括当前数据）进行比较，如果当前数据偏差较大，判断为异常。该方法判断依据主要在于突变数据的检测，能发现当前数据的前向突变，但可能漏检后向突变数据。
S222与当前分析数据相近的历史数据，结合后L个数据判断异常性：选择与当前数据相近的历史数据窗口，与其后L个数据（不包括当前数据）进行比较，如果当前数据偏差较大，判断为异常。该方法判断依据主要在于突变数据的检测，能发现当前数据的后向突变，但可能漏检前向突变数据。
S223与当前分析数据相近的历史数据，结合前后S个据判断异常性：选择与当前数据相近的历史数据窗口，与其前后S个数据（不包括当前数据）一并进行比较，如果当前数据偏差较大，判断为异常。该方法综合判断前向和后向突变数据，判断范围较广，但实现难度较大，且容易出现误判。
S221和S222分别从前向和后向判断异常数据，可以较全面检测突变数据， 但是各有判断漏检的情况，结合可以实现互补。
S223综合判断前向和后向异常数据，判断范围最广，但误判概率也最高，依赖S221和S222可以验证修正，提高判断精度。
三种方法判断异常数据的角度不同，结合使用可以从多个角度确认异常数据，减小单一方法的误判概率，提高判断结果的准确性。
选择与当前数据窗口相近的历史数据进行比较，可以根据数据的具体情况选择最佳的判断范围S和L，提高方法的适用性。
S221与当前分析数据相近的历史数据，结合前S个数据判断异常性：通过获取历史数据记录，判断当历史数据与当前数据值相似或相近时，对应历史数据是否为异常数据。
通过获取历史数据记录，判断当历史数据与当前数据值相似或相近时，对应历史数据是否为异常数据。
具体地，基于历史数据判断包括：获取历史数据中与t时刻分析数据A的差值满足
预设阈值的历史数据B；获取B对应的历史时刻；根据时间顺序获取历史时刻的前S个历
史数据的集合W1；获取B与W1中的第i个历史数据的差异，差异包含电流差异和电压差异，i为1至S的整数；根据差异获取历史数据B与其前S个数据的变化差异，通过如下公
式计算：
其中，电流差异为B中的电流与第i个历史数据中电流差异的绝对值；电压差异为B中的电压与第i个历史数据中电压差异的绝对值。
当所求对应分析历史数据与其前S个采集数据电流电压差异过大，则说明当前分析历史数据异常程度越大。
具体地，基于历史数据判断还包括：根据时间顺序获取历史时刻的后L个历史数
据的集合W2；获取B与W2中的第j个历史数据的差异，差异包含电流差异和电压差异，j
为1至L的整数；根据差异获取历史数据B与其后L个数据的变化差异，通过如下公式计
算：
其中，电流差异为B中的电流与第j个历史数据中电流差异的绝对值；电压差异为B中的电压与第j个历史数据中电压差异的绝对值。
当所求对应分析历史数据与其前l个采集数据电流电压差异过大，则说明当前分析历史数据异常程度越大。
具体地，基于历史数据判断还包括：根据时间顺序获取历史时刻的前S1个历史
数据和后S2个历史数据的集合W3，其中S1和S2的和为S；获取W3的平均值的差异，平均值的
差异包含平均电流的差异和平均电压的差异；获取W3中的第k个数据与其相邻时刻数
据的变化量的差异，变化量的差异包括电流变化量的差异和电压变化量的差异
，k为从1至S的整数；根据平均值的差异和变化量的差异获取B前后相邻采集数据之间的
差异稳定性，差异稳定性通过如下公式计算：
其中，平均值的差异为S1个数据的平均值和S2个数据的平均值的差值的绝对值；
变化量的差异为第k个数据与其相邻的前一个数据的变化量和第k个数据与其相邻的后
一个数据的变化量的差值的绝对值。
分析数据前后S个数据对应平均电压值的差异即当所求平均电流以及平均电压的差异越大，且对应电流与电压变化差异越小，则说明分析数据前后越稳定，而当前分析数据越可能为两个状态的中间变量，故其为异常值的可能性越小。
具体地，基于历史数据判断还包括：根据B与其前S个数据的变化差异、B与其后L
个数据的变化差异、B与其前后S个数据的差异稳定性和分析数据A为异常数据的可能
性，获取B为异常数据的可能性，可能性通过如下公式计算：
其中，表示归一化函数。
综上所述，1.即当所求历史数据与其前后相邻数据对应数据差异越大，且对应前后数据差异稳定性越小，且对应分析获取的根据电流电压共生矩阵中出现概率越小，则说明当前像素点的异常性越大；直接分析相邻数据之间的变化，变化越剧烈则当前数据越可能异常。这是一种简单直观的判断方式，易于理解和实现。
2.分析电压值变化和电流值变化两者之间的差异，两者变化差异均较大时则判断为异常数据。可以避免仅根据单一参数变化造成的误判。
3.需要设置变化差异的阈值，当超过阈值则判断为异常数据。阈值设置过大会漏判，过小会误判，需要综合设备运行特点确定。
4.直接利用采集数据进行分析，无需建模或训练，计算量小，判断速度快，适用于实时检测。但判断效果依赖于阈值设置。
5.可以与其它判断方式如共生矩阵法或机器学习算法结合，相互验证判断结果，弥补各自不足，提高判断精度。
6.当相邻数据变化剧烈但当前数据处于两个状态中间，其变化差异较小，则判断为正常数据。这可以避免将过渡状态的数据误判为异常。
7.需要选择适当数量的相邻数据进行比较，太少的数据无法判断变化规律，太多的数据包含信息过于复杂。一般选择最近10-20个数据进行判断。
根据历史数据，判断当前数据为异常数据的可能性。根据当前分析数据对应电压以及电流信息进行聚类(聚类算法使用现有DBSCAN聚类算法)，获取历史 数据中与其相近的电力历史数据信息，选择与当前分析数据所在同一聚类簇进行后续分析。
具体地，基于历史数据判断还包括：对获取的历史数据利用DBSCAN聚类算法进行
聚类；获取B所在的聚类簇的数量N；获取分析数据A的异常性指标，异常性指标通过如
下公式计算：
其中，N表示使用DBSCAN聚类算法对电压电流进行聚类，结果中与当前分析数据处
于同一聚类簇的元素的数量，表示待分析历史数据对应的第p个聚类簇元素对应为异常
数据可能。至此根据历史数据分析获取当前数据为异常数据的可能性。
综上，根据历史数据，判断当前数据为异常数据的可能性。根据当前分析数据对应电压以及电流信息进行聚类（聚类算法使用现有DBSCAN聚类算法），获取历史数据中与其相近的电力历史数据信息，选择与当前分析数据所在同一聚类簇进行后续分析。则当前数据异常性指标为：对获取的历史数据利用DBSCAN聚类算法进行聚类。
1.从三个方面判断历史数据的异常性:与相邻数据差异、相邻数据差异的稳定性以及在共生矩阵中的出现频率。三个判断方式相互验证，可以提高判断精度并减小误判概率。
2.根据当前数据的电压和电流信息，使用DBSCAN聚类算法在历史数据中找到相近的簇，仅在同一簇内的历史数据进行比较，可以过滤无关数据的干扰，提高判断准确性。
3.DBSCAN聚类算法无需人工指定聚类数，可以根据数据分布自动确定簇的个数，聚类效果较好。并可以过滤异常点，避免其影响判断结果。
4.利用大量历史数据训练数据进行判断，可以准确刻画设备的运行状态与数据分布，判断效果较可靠。但同时计算量较大，速度较慢，主要用于离线判断。
根据实际数据变化进行分析，进而获取当前数据为异常数据的可能性。即获取数据及其相邻数据变化规律性。
在电力系统中实时获取的电压与电流信息虽然会因为交流电或其它原因，导致采集数据一直在变化，但是在正常情况下获取的数据，其变化是较为规律的，而当出现不规则时，便可能出现获取数据异常的可能性。
根据当前数据前后电压变化，分析获取当前数据为异常数据的可能性。
具体地，根据分析数据的变化规律判断包括：根据时间顺序获取t时刻分析数据A
的前C个分析数据的集合W4；获取W4中分析数据的变化平均值，变化平均值包含电流
变化平均值和电压变化平均值；获取W4中第v个数据与其相邻前一时刻数据的差异，差异包含电流差异和电压差异，v为从1至C的整数；根据变化平均值
和差异，获取A中的电流的异常可能性和电压的异常可能性；
通过如下公式计算：
通过如下公式计算：
根据和获取A为异常数据的可能性，通过如下公式计算：
其中，变化平均值为W4中C个分析数据的变化量的平均值的绝对值；差异为
第v个数据与其相邻前一时刻数据的差值的绝对值。
即当所求数据相邻数据对应电压变化差异与所有数据电压变化差异的平均值的差异越大，则说明当前数据段为异常数据段的可能性越大。对应当前数据为异常数据的可能性越大。同理，即当所求数据对应电压电流变化量与其相邻数据对应电压电流变化量差异越大，则说明当前数据越可能为异常数据。
根据上述分析，获取当前数据为异常数据的可能性，即当历史数据与所求数据相似且为异常数据的可能性越大，则说明当前电力数据为异常数据的可能性越大，对应的根据相连数据分析获取的采集数据为异常数据的可能性越大，则说明当前数据为异常数据的可能性越大。
具体地，判断还包括：根据异常性指标和异常数据可能性获取t时刻分析数据
A为异常数据的可能性，通过如下公式计算：
其中，为所述异常性指标，通过公式（6）计算。
虽然使用上述对历史数据及构建共生矩阵等方式获取的数据异常程度更精准，但是由于在电力数据中需要进行实时检测，而此时使用上述方法进行检测时，可能会达不到实时的标准，或者对硬件有较高需求，故可以根据上述获取的较为精准的异常数据分析结果对LOF异常检测效果进行分析，进而使得该算法也可以获取较为准确的异常检测结果。
使用LOF对采集数据进行异常检测，LOF算法分析时，基于采集数据相邻c个数据进行分析的，故本发明中LOF算法优选K值的优选度计算方法如下所示。
图4是根据本说明书一些实施例所示的获取LOF算法中最优K值的示例性流程图。
参照图4，在一些实施例中，获取LOF算法中最优K值包括S310获取N个分析数据；S320选取多个K值，计算各K值下LOF值，获取LOF值最好的K值为K0；S330利用K0获取第e个数据的LOF值；S340根据拟合公式获取第e个数据为异常数据的可能性；S350获取K0的优选度；S360当优选度大于预设阈值时，K0为最优值，否则重复S320至S350。
1. 动态选择LOF算法的K值，避免其对初始K值选择的敏感性，确保K值的最优匹配，提高LOF异常检测精度。
2. K值的选择采用多轮迭代判断，可以逐步提高K值的选择精度，确保获得全局最优K值。
3. 异常判断模型与历史数据的利用可以提高LOF判断结果的参考价值，K值的选择以判断精度为标准，可以获得较高精度的LOF判断。
4. 方法步骤简单清晰，各步骤相互配合，实现动态最优参数选择与精准异常判断的有机结合，获得较好的异常检测效果。
具体地，剔除异常的数据还包括：S310获取O个分析数据；S320利用LOF算法对分析
数据进行初步异常判断，选取多个K值，计算各K值下LOF算法的判断结果，获取判断结果最
好的K值为K0；S330利用K0获取分析数据中第e个数据的LOF值；S340利用的计算公
式获取分析数据中第e个数据为异常数据的可能性；S350根据和获取K0为最优
值的优选度，优选度通过如下公式计算：
S360当优选度大于预设阈值时，K0为最优值，否则重复S320至S350。
即当所求归一化后所得数据LOF值与对应根据历史数据进行分析获取的数据异常值越接近，则说明当前对应优选K值的优选程度越高。
示例性的设置阈值λ=0.7，即当所求Rx大于阈值时，便可认为当前对应K值为优选K值，使用此K值对后续数据进行异常检测。
本发明的一种实施例：当对采集数据使用上述确定好K值的LOF算法进行异常检测后，确保采集数据中没有异常值，即待处理数据所得LOF值均小于1，则说明当前采集数据较为可信，则可根据当前采集数据进行分析确定是否对节电器进行调节，或确定调节器的调节等级。
将采集数据输入至神经网络，根据神经网络获取对应节电器节电等级，进而控制节电器进行调整，达到节电省电的目的。
其中神经网络使用现有5层全连接神经网络，网络输入为电网电力信息，即采集获取的与当前分析电力数据相连的50个电力信息，包括电压与电流信息，即输入为一个2*50的数组，网络输出为节电器节电等级，网络训练方式为人为根据电网电力信息标记节电器等级，网络损失函数使用交叉熵损失函数。使用梯度下降法作为优化器。
图5是根据本说明书一些实施例所示的获取最优K值的示例性逻辑流程图。
参照图5，在一些实施例中，获取最优K值的示例性逻辑如下所示：
1.获取监测数据。从节电器获取实时运行数据，包括电压、电流等信息。这些数据构成当前分析数据和历史数据。
2.判断当前分析数据异常。分别从共生矩阵法、历史数据法、实时变化法和LOF算法四个角度判断当前分析数据是否异常。如果全部判断为正常则进入步骤4，否则进入步骤3。
3.剔除异常数据。如果某一方法判断为异常，则剔除该方法的判断结果。如果有三个以上方法判断异常，则判断当前分析数据为异常数据，进入步骤6，否则进入步骤4。
4.输入正常数据至神经网络。将剔除异常判断后的正常监测数据输入至神经网络。
5.获得节电等级。神经网络输出对应节电器的节能等级，用于控制节电器运行。进入步骤7。
6.维持上一节电等级。若判断为异常数据，则维持节电器上一时刻的节能等级以稳定运行，等待正常数据输入，进入步骤7。
7.控制节电器。根据获得的节电等级或维持的上一级，发送控制命令调节节电器运行。
8.重复步骤1，循环获取新监测数据，判断其异常性，控制节电器运行。
该方法的示例性判断逻辑与数据流程。获取监测数据→判断当前数据异常与否→剔除异常判断或维持上一级→神经网络获得节能等级→控制节电器运行，如此循环。
图6是根据本说明书一些实施例所示的基于历史数据判断当前数据是否为异常数据的示例性逻辑流程图。
参照图6，在一些实施例中，基于历史数据判断当前数据是否为异常数据的示例性逻辑为获取当前分析数据A； 从历史数据中找到与A相近的历史数据B； 获取B前S个相邻历史数据，计算A与这S个数据的差异，判断A的异常性，得到结果R1； 获取B后L个相邻历史数据，计算A与这L个数据的差异，判断A的异常性，得到结果R2；获取B前后S个相邻历史数据，计算A与这S个数据的差异，判断A的异常性，得到结果R3；考虑时间维度，对R1、R2、R3的判断结果进行综合，得到A的综合异常判断结果；根据综合判断结果，确定A是否为异常数据。
本说明书实施例还提供一种节电器，该节电器包括至少一个存储介质及至少一个处理器；其中，该至少一个存储介质用于存储计算机指令；该至少一个处理器用于执行所述计算机指令，以实现如上任一实施例所述的节电器智能控制方法。
综上，本说明书实施例可能带来的有益效果包括但不限于：在本说明书一些实施例所提供的一种节电器及其智能控制方法，通过；1.基于电力信息的数据异常检测与节电控制方法。通过检测实时电力信息的异常性，进而控制节电器进行调节，达到节省电力的目的。该方法可以有效利用电力信息，增强异常检测的准确性，提高节电控制的效果。2.采用多种方法判断数据异常性，包括根据历史数据判断、构建共生矩阵判断和数据变化规律性判断。多种判断方法可以相互验证，提高判断精度，减小误判概率。选取判断方法还考虑了实时性与资源消耗，具有较好的适用性。3.对LOF算法的K值进行优选和验证，可以动态选择最优K值，提高LOF算法的判断效果，适应数据集的变化。通过与其他判断方法的结果验证，确保选择K值的准确性，增强方法的稳定性。4.异常数据判断的结果作为神经网络的输入，可以过滤异常数据的干扰，提高神经网络控制结果的准确性与可靠性。两者相结合，判断准确、控制精细，具有较好的控制效果。5.预设阈值、迭代过程与多种判断方法的结合，可以确保最终得到判断和控制结果达到一定准确率，避免个别方法出现较大误判直接影响结果，增强方法的健壮性。
需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、ViSual BaSic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。
此外，除非权利要求中明确说明，本说明书处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的处理设备或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明数字允许有±20%的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件（当前或之后附加于本说明书中的）也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (2)
1.一种节电器智能控制方法，其特征在于，包括：
获取监测数据，所述监测数据包括历史数据和分析数据；
判断分析数据是否为异常数据，所述判断包括利用共生矩阵判断、基于历史数据判断和根据分析数据的变化规律判断；
根据剔除所述异常数据后的监测数据对节电器进行调节；
其中，所述根据剔除所述异常数据后的监测数据对节电器进行调节包含：
结合剔除所述异常数据后的监测数据，利用神经网络获取对应节电器的节电等级；
根据所述节电等级对所述节电器进行调整；
其中，所述利用共生矩阵判断包括：
构建电流共生矩阵和电压共生矩阵，矩阵元素表示相邻两时刻的电流值或电压值同时出现的历史频率；
根据所述电流共生矩阵获取分析数据与其相邻数据的电流在电流共生矩阵中出现的频率；
根据所述电压共生矩阵获取分析数据与其相邻数据的电压在电压共生矩阵中出现的频率；
根据所述和所述/>获取分析数据为异常数据的可能性/>，所述/>通过如下公式计算：
其中，所述表示归一化函数；
其中，所述基于历史数据判断包括：
获取历史数据中与t时刻分析数据A的差值满足预设阈值的历史数据B；
获取所述B对应的历史时刻；
根据时间顺序获取所述历史时刻的前S个历史数据的集合W1；
获取所述B与所述W1中的第i个历史数据的差异，所述差异包含电流差异和电压差异/>，所述i为1至S的整数；
根据所述差异获取所述历史数据B与其前S个数据的变化差异，所述/>通过如下公式计算：
其中，所述电流差异为所述B中的电流与第i个历史数据中电流差异的绝对值；所述电压差异/>为所述B中的电压与第i个历史数据中电压差异的绝对值；
其中，所述基于历史数据判断还包括：
根据时间顺序获取所述历史时刻的后L个历史数据的集合W2；
获取所述B与所述W2中的第j个历史数据的差异，所述差异包含电流差异和电压差异/>，所述j为1至L的整数；
根据所述差异获取所述历史数据B与其后L个数据的变化差异，所述/>通过如下公式计算：
其中，所述电流差异为所述B中的电流与第j个历史数据中电流差异的绝对值；所述电压差异/>为所述B中的电压与第j个历史数据中电压差异的绝对值；
其中，所述基于历史数据判断还包括：
根据时间顺序获取所述历史时刻的前S1个历史数据和后S2个历史数据的集合W3，其中S1和S2的和为S；
获取所述W3的平均值的差异，所述平均值的差异包含平均电流的差异/>和平均电压的差异/>；
获取所述W3中的第k个数据与其相邻时刻数据的变化量的差异，所述变化量的差异包括电流变化量的差异/>和电压变化量的差异/>，所述k为从1至S的整数；
根据所述平均值的差异和所述变化量的差异/>获取所述B前后相邻采集数据之间的差异稳定性/>，所述差异稳定性/>通过如下公式计算：
其中，所述平均值的差异为所述S1个数据的平均值和所述S2个数据的平均值的差值的绝对值；所述变化量的差异/>为第k个数据与其相邻的前一个数据的变化量和第k个数据与其相邻的后一个数据的变化量的差值的绝对值；
其中，所述基于历史数据判断还包括：
根据所述B与其前S个数据的变化差异、B与其后L个数据的变化差异/>、B与其前后S个数据的差异稳定性/>和分析数据A为异常数据的可能性/>，获取所述B为异常数据的可能性/>，所述可能性/>通过如下公式计算：
所述表示归一化函数；
其中，所述基于历史数据判断还包括：
对获取的历史数据利用DBSCAN聚类算法进行聚类；
获取所述B所在的聚类簇的数量N；
获取所述分析数据A的异常性指标，所述异常性指标/>通过如下公式计算：
其中，所述N为所述聚类簇中与分析数据A处于同一聚类簇的元素的数量；为所述B所在的聚类簇中的第p个聚类簇元素根据所述/>计算公式计算为异常数据的可能性；
其中，所述根据分析数据的变化规律判断包括：
根据时间顺序获取t时刻分析数据A的前C个分析数据的集合W4；
获取所述W4中分析数据的变化平均值，所述变化平均值/>包含电流变化平均值和电压变化平均值/>；
获取所述W4中第v个数据与其相邻前一时刻数据的差异，所述差异/>包含电流差异/>和电压差异/>，所述v为从1至C的整数；
根据所述变化平均值和所述差异/>，获取所述A中的电流的异常可能性/>和电压的异常可能性/>；
所述通过如下公式计算：
所述通过如下公式计算：
根据所述和所述/>获取所述A为异常数据的可能性/>，所述/>通过如下公式计算：
其中，所述变化平均值为所述W4中C个分析数据的变化量的平均值的绝对值；所述差异/>为第v个数据与其相邻前一时刻数据的差值的绝对值；
其中，判断分析数据A是否为异常数据还包括：
根据所述异常数据可能性获取t时刻分析数据A为异常数据的可能性/>，所述/>通过如下公式计算：
其中， 为所述异常性指标；
所述剔除所述异常数据的过程包括：
S310获取O个分析数据；
S320利用LOF算法对所述分析数据进行初步异常判断，选取多个K值，计算各K值下LOF算法的判断结果，获取所述判断结果最好的K值为K0；
S330利用所述K0获取所述分析数据中第e个数据的LOF值；
S340利用所述的计算公式获取所述分析数据中第e个数据为异常数据的可能性/>；
S350根据所述和所述/>获取所述K0为最优值的优选度/>，所述优选度/>通过如下公式计算：
S360当所述优选度大于预设阈值时，所述K0为所述最优值，否则重复S320至S350；
基于最优值，使用LOF算法对监测数据进行异常检测，得到异常数据，将异常数据从监测数据中进行剔除。
2.一种节电器，其特征在于，包括至少一个存储介质及至少一个处理器；
所述至少一个存储介质用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令，以实现如权利要求1所述的节电器智能控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310868196.5A CN116596703B (zh) | 2023-07-17 | 2023-07-17 | 一种节电器及其智能控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310868196.5A CN116596703B (zh) | 2023-07-17 | 2023-07-17 | 一种节电器及其智能控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116596703A CN116596703A (zh) | 2023-08-15 |
| CN116596703B true CN116596703B (zh) | 2023-09-19 |
Family
ID=87604826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310868196.5A Active CN116596703B (zh) | 2023-07-17 | 2023-07-17 | 一种节电器及其智能控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116596703B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106933329A (zh) * | 2017-03-10 | 2017-07-07 | 广东欧珀移动通信有限公司 | 一种移动终端适配节能等级的方法、装置及移动终端 |
| CN111859625A (zh) * | 2020-06-28 | 2020-10-30 | 五邑大学 | 基于大数据的节能控制方法、装置及存储介质 |
| CN113312413A (zh) * | 2021-07-29 | 2021-08-27 | 国网浙江省电力有限公司营销服务中心 | 基于电力大数据的企业碳排放异常监测方法 |
| CN114638440A (zh) * | 2022-05-17 | 2022-06-17 | 国网湖北省电力有限公司经济技术研究院 | 一种基于充电桩使用度的充电负荷超短期预测方法 |
| CN114662885A (zh) * | 2022-03-15 | 2022-06-24 | 国网浙江省电力有限公司 | 设备用电量的自适应控制方法、装置、设备及介质 |
| WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
| CN115968088A (zh) * | 2022-12-01 | 2023-04-14 | 广东利通科技投资有限公司 | 隧道智慧调光方法、系统及计算机储存介质 |
| CN116244293A (zh) * | 2023-02-27 | 2023-06-09 | 杭州安脉盛智能技术有限公司 | 一种设备异常值剔除方法、系统、装置以及介质 |
| CN116303391A (zh) * | 2023-02-28 | 2023-06-23 | 上海电器科学研究所（集团）有限公司 | 一种智能电表远传电能时间序列数据的处理方法 |
-
2023
- 2023-07-17 CN CN202310868196.5A patent/CN116596703B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106933329A (zh) * | 2017-03-10 | 2017-07-07 | 广东欧珀移动通信有限公司 | 一种移动终端适配节能等级的方法、装置及移动终端 |
| CN111859625A (zh) * | 2020-06-28 | 2020-10-30 | 五邑大学 | 基于大数据的节能控制方法、装置及存储介质 |
| WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
| CN113312413A (zh) * | 2021-07-29 | 2021-08-27 | 国网浙江省电力有限公司营销服务中心 | 基于电力大数据的企业碳排放异常监测方法 |
| CN114662885A (zh) * | 2022-03-15 | 2022-06-24 | 国网浙江省电力有限公司 | 设备用电量的自适应控制方法、装置、设备及介质 |
| CN114638440A (zh) * | 2022-05-17 | 2022-06-17 | 国网湖北省电力有限公司经济技术研究院 | 一种基于充电桩使用度的充电负荷超短期预测方法 |
| CN115968088A (zh) * | 2022-12-01 | 2023-04-14 | 广东利通科技投资有限公司 | 隧道智慧调光方法、系统及计算机储存介质 |
| CN116244293A (zh) * | 2023-02-27 | 2023-06-09 | 杭州安脉盛智能技术有限公司 | 一种设备异常值剔除方法、系统、装置以及介质 |
| CN116303391A (zh) * | 2023-02-28 | 2023-06-23 | 上海电器科学研究所（集团）有限公司 | 一种智能电表远传电能时间序列数据的处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 云计算下分布式大数据智能融合算法仿真;靳紫辉;夏钰红;;计算机仿真(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116596703A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116089846B (zh) | 一种基于数据聚类的新能源结算数据异常检测与预警方法 | |
| CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
| CN111489188B (zh) | 一种居民可调负荷潜力挖掘方法及系统 | |
| CN112819107B (zh) | 基于人工智能的燃气调压设备故障预测方法 | |
| CN111476435B (zh) | 基于密度峰值的充电桩负荷预测方法 | |
| CN110969306B (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
| CN111103477B (zh) | 一种基于3d卷积神经网络的电气负载监测方法和系统 | |
| CN112734284A (zh) | 一种流程工业能耗优化决策系统及其在异常工况下提高评估结果准确度的操作方法 | |
| CN116031888A (zh) | 基于动态负荷预测的潮流优化方法、系统及存储介质 | |
| CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
| CN110702986B (zh) | 一种自适应信号搜索门限实时动态生成方法及系统 | |
| CN110059938B (zh) | 一种基于关联规则驱动的配电网规划方法 | |
| CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
| Gao et al. | How to improve the application potential of deep learning model in HVAC fault diagnosis: Based on pruning and interpretable deep learning method | |
| CN111340269A (zh) | 用于流程工业过程的实时优化方法 | |
| CN116596703B (zh) | 一种节电器及其智能控制方法 | |
| CN116365519B (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
| CN117056848B (zh) | 一种用于提升电力系统决策的监测数据质量分析方法 | |
| CN113988558A (zh) | 基于盲区识别和电气坐标系扩展的电网动态安全评估方法 | |
| CN113408622A (zh) | 计及特征量信息表达差异的非侵入式负荷辨识方法及系统 | |
| CN112801388A (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
| CN115017988A (zh) | 一种用于状态异常诊断的竞争聚类方法 | |
| CN112365081A (zh) | 一种光伏电站发电能力预测方法及装置 | |
| CN117094478B (zh) | 能量调度管理方法、装置、设备及存储介质 |
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 |