CN116861318B - 一种用户用电负荷分类方法、装置、设备及存储介质 - Google Patents
一种用户用电负荷分类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116861318B CN116861318B CN202311132236.6A CN202311132236A CN116861318B CN 116861318 B CN116861318 B CN 116861318B CN 202311132236 A CN202311132236 A CN 202311132236A CN 116861318 B CN116861318 B CN 116861318B
- Authority
- CN
- China
- Prior art keywords
- power
- partition
- event
- time
- determining
- 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 28
- 230000005611 electricity Effects 0.000 title description 22
- 238000005192 partition Methods 0.000 claims abstract description 311
- 238000007906 compression Methods 0.000 claims abstract description 78
- 230000006835 compression Effects 0.000 claims abstract description 77
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000013145 classification model Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力系统技术领域,具体而言,涉及一种用户用电负荷分类方法、装置、设备及存储介质。一种用户用电负荷分类方法,包括:获取用户用电负荷的功率时间序列;根据功率时间序列生成压缩功率时间序列;根据压缩功率时间序列确定事件压缩分区;根据事件压缩分区确定功率时间序列的事件功率时间分区;根据事件功率时间分区,生成事件时间特征向量和事件频域特征向量;将事件时间特征向量和事件频域特征向量输入训练好的负荷分类模型,输出负荷分类结果。本发明的技术方案将功率时间序列的时间特征和空域特征输入负荷分类模型,得到用户用负荷的分类结果,从而使配电网可以根据用户用电习惯进行电能的调整和分配,提高电能利用效率。
Description
技术领域
本发明涉及电力系统技术领域,具体而言,涉及一种用户用电负荷分类方法、装置、设备及存储介质。
背景技术
随着科技的进步,越来越多的电器设备走入了人们的生活,居民用户迅速增加的电器设备也大大增加了电力系统的负担,需要电力系统拥足够的调节能力来保证电网平稳可靠的运行。
目前常用的技术手段是通过监测居民用户总的用电情况,根据电网中每个用户总的用电情况对电网的电能进行调整和分配,但是,通过总的用电情况得不到居民用户用电设备的具体情况,因此,无法根据居民用户用电设备的使用情况进行电能分配,电网电能得不到充分的利用。
发明内容
本发明解决的问题如何改善电网电能利用效率。
为解决上述问题,本发明提供一种用户用电负荷分类方法、装置、设备及存储介质。
第一方面,本发明提供了一种用户用电负荷分类方法,包括:
获取用户用电负荷的功率时间序列;
根据预设阈值将所述功率时间序列划分为多个压缩分区;
根据所述压缩分区确定每个所述压缩分区的分区功率,并将所述压缩分区的开始时间确定为分区时间;
根据全部所述分区功率和对应的所述分区时间,生成压缩功率时间序列;
根据所述压缩功率时间序列中所述分区功率的分布情况,确定事件压缩分区;
根据所述事件压缩分区和所述功率时间序列,确定所述功率时间序列的事件功率时间分区;
对所述事件功率时间分区进行特征提取,生成事件时间特征向量;
将所述事件功率时间分区转换为频域信号,得到事件功率频域分区;
对所述事件功率频域分区进行特征提取,生成事件频域特征向量;
将所述事件时间特征向量和所述事件频域特征向量输入训练好的负荷分类模型,输出负荷分类结果。
可选地,所述根据所述压缩分区确定每个所述压缩分区的分区功率,包括:
获取所述压缩分区中每个时间点对应的功率值;
剔除一个最大所述功率值和一个最小所述功率值,并将剩下的全部所述功率值求平均值;
将所述平均值确定为所述分区功率。
可选地,所述根据所述压缩功率时间序列中所述分区功率的分布情况,确定事件压缩分区,包括:
根据全部所述分区时间和对应的所述分区功率确定所述压缩功率时间序列的分区时间节点;
根据所述分区时间节点对应的的所述分区功率和前一所述分区时间节点对应的所述分区功率确定每个所述分区时间节点的变化功率,其中,设定所述压缩功率时间序列的第一个所述分区时间节点的变化功率为0;
当所述变化功率大于预设功率阈值时,将所述分区时间节点的所述分区时间确定为变化分区时间;
根据全部所述变化分区时间和对应的所述分区功率,得到事件压缩分区。
可选地,所述对所述事件功率时间分区进行特征提取,生成事件时间特征向量,包括:
获取所述事件功率时间分区中每个时间点对应的功率值;
根据全部所述功率值,得到所述事件功率时间分区的平均功率、最大功率、最小功率和中位数功率;
将所述事件功率时间分区划分为多个窗口段,并确定每个所述窗口段的斜率系数;
根据全部所述斜率系数,得到所述事件功率事件分区的事件趋势值;
根据所述事件趋势值、所述平均功率、所述最大功率、所述最小功率和所述中位数功率,生成所述事件时间特征向量。
可选地,所述将所述事件功率时间分区划分为多个窗口段,并确定每个所述窗口段的斜率系数,包括:
根据预设的时间窗口阈值将所述事件功率时间分区划分为多所述个窗口段,其中,所述时间窗口阈值大于或者等于2;
根据所述窗口段中第一个所述时间和对应的所述功率值与最后一个所述时间和对应的所述功率值,确定所述窗口段的所述斜率系数。
可选地,所述根据全部所述斜率系数,得到所述事件功率事件分区的事件趋势值,包括:
当所述斜率系数大于或者等于0时,将所述窗口段标注为1;
当所述斜率系数小于0时,将所述窗口段标注为0;
根据全部所述窗口段的标注值生成所述事件功率时间分区的二进制码;
将所述二进制码转换为十进制数,得到所述事件趋势值。
可选地,所述对所述事件功率频域分区进行特征提取,生成事件频域特征向量,包括:
根据所述频域分区,得到每个频率对应的幅度;
根据全部所述幅度,确定每个所述幅度出现的频率;
将所述频率大于预设频率阈值的所述幅度确定为主要幅度;
根据全部所述主要幅度和对应的频率生成所述事件频域特征向量。
第二方面,一种用户用电负荷分类装置,包括:
获取模块,用于获取用户用电负荷的功率时间序列;
处理模块,用于根据预设阈值将所述功率时间序列划分为多个压缩分区;
压缩模块,根据根据所述压缩分区确定每个所述压缩分区的分区功率,并将所述压缩分区的开始时间确定为分区时间;
生成模块,用于根据全部所述分区功率和对应的所述分区时间,生成压缩功率时间序列;
确定模块,用于根据所述压缩功率时间序列中所述分区功率的分布情况,确定事件压缩分区;根据所述事件压缩分区和所述功率时间序列,确定所述功率时间序列的事件功率时间分区;
提取模块,用于对所述事件功率时间分区进行特征提取,生成事件时间特征向量;对所述事件功率频域分区进行特征提取,生成事件频域特征向量;
转换模块,用于将所述事件功率时间分区转换为频域信号,得到事件功率频域分区;
分类模块,用于将所述事件时间特征向量和所述事件频域特征向量输入训练好的负荷分类模型,输出负荷分类结果。
第三方面,一种电子设备,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如第一方面所述的用户用电负荷分类方法。
第四方面,一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如第一方面所述的用户用电负荷分类方法。
本发明的用户用电负荷分类方法、装置、设备及存储介质的有益效果是:通过获取用户用电负荷的功率时间序列,得到用户某个时间段的用电功率,根据预设阈值将功率时间序列进行分区并压缩,得到压缩功率时间序列,根据该压缩功率时间序列,可以有效地去除冗余和噪声信息的干扰,从宏观的角度确定事件发生的区域,即事件压缩分区,根据事件压缩分区在功率时间序列中找到对应的分区,并将该分区确定为事件功率时间分区,通过事件功率时间分区可以更准确地提取特征信息,进而根据特征信息对用户用电负荷进行准确的分类。对事件功率时间分区进行特征提取得到事件时间特征向量,并将事件功率时间分区转换为频域信号,从而提取频域特征得到事件频域特征向量,最后将事件时间特征向量和事件频域特征向量输入训练好的负荷分类模型中,输出负荷的分类结果,根据用户的负荷分类结果可以更准确地了解每个居民用户的用电情况和用电设备,根据用户的用电情况和用电设备判断居民用户的用电习惯,根据不同居民用户的用电习惯合理的对电网中的电能进行调整和分配,提高了电网电能的利用效率,进一步保证了电网稳定安全的运行,同时可以根据用户的用电习惯制定节能计划,帮助居民用户合理的节约用电。
附图说明
图1 为本发明实施例的一种用户用电负荷分类方法的流程示意图;
图2 为本发明实施例的冰箱功率时间序列的波形图;
图3 为本发明实施例的一种用户用电负荷分类装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”;术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
如图1所示,为解决上述技术问题,本发明实施例提供了一种用户用电负荷分类方法,包括:
步骤S1,获取用户用电负荷的功率时间序列。
具体地,可通过在电表上安装的数据采集器或智能电表等设备,获取到居民用户负荷的功率和时间数据信息,例如从上午10点到12点,每分种记录1次用户负荷的功率和当前时间,并根据功率和时间的数据信息生成功率时间序列。
步骤S2,根据预设阈值将所述功率时间序列划分为多个压缩分区。
具体地,根据功率时间序列的长度设定一个合理的预设阈值,并根据该阈值将功率时间序列分为多个压缩分区,例如在2小时内每隔1分钟采集1个功率值,共采集120功率值,设定预设阈值为5,则每5分钟划分为一个压缩分区,该功率时间序列被划分为24个压缩分区。
进一步地,由于用户使用电器设备种类和和性能的复杂性,为了获取跟精确的功率时间的变化信息,可以延长数据采集的时间和采集的时间间隔,例如按秒进行数据采集,设定每1秒、5秒、10秒、15秒、30秒等作为功率采集的时间间隔。
步骤S3,根据所述压缩分区确定每个所述压缩分区的分区功率,并将所述压缩分区的开始时间确定为分区时间。
具体地,通过确定每个压缩分区的功率,将整个压缩分区通过一个分区功率来表示,并将该压缩分区开始的时间作为该压缩分区的分区时间,通过分区功率和分区时间表示该压缩分区的功率特征和时间特征。
步骤S4,根据全部所述分区功率和对应的所述分区时间,生成压缩功率时间序列。
具体地,将全部的分区功率根据分区时间的顺序进行排序,并生成压缩功率时间序列。
步骤S5,根据所述压缩功率时间序列中所述分区功率的分布情况,确定事件压缩分区。
具体地,根据压缩时间序列中分区功率的变化情况确定事件压缩分区,当功率发生明显的异常变化时,说明居民用户正在启动或者停止电器设备,并将该区域确定为事件压缩分区,表明在该分区中电器设备正在运行。
步骤S6根据所述事件压缩分区和所述功率时间序列,确定所述功率时间序列的事件功率时间分区。
具体地,获取事件压缩分区的开始时间,根据开始时间找到功率时间序列中对应的时间,并将其确定为事件功率时间分区的开始时间,获取事件压缩分区的结束时间,将该时间加上之前设定的预设阈值,得到实际结束时间,并根据实际结束时间确定事件功率时间分区的结束时间,最后根据事件功率时间分区的开始时间和结束时间在功率时间序列中选取事件功率时间分区。
步骤S7,对所述事件功率时间分区进行特征提取,生成事件时间特征向量。
具体地,对事件功率时间分区进行特征提取获取用户负荷的功率和时间的特征,因为不同的电器设备运行的时间和功率的变化情况是不同的,根据该事件时间特征向量,可以更准去的体现该时间段内功率随时间变化的特征。
步骤S8,将所述事件功率时间分区转换为频域信号,得到事件功率频域分区。
具体地,通过傅里叶变换(Fourier Transform,FT)或者短时傅里叶变换(Short-Time Fourier Transform,STFT),将事件功率时间分区从时域转换到频域,得到事件功率频域分区,通过变换将时域信号转换为频域信息,通过频域信息可以的到功率时间序列中的频率信息,识别其中不同的频率成分和分布情况,进一步获取功率时间序列中隐藏的更全面的频域信息,进而根据全面的频域信息对用电负荷进行分类。
步骤S9,对所述事件功率频域分区进行特征提取,生成事件频域特征向量。
具体地,对事件功率频域分区进行特征提取可以获取到该用户负荷的频率和幅度的特征信息,因为不同的电器设备运行所产生的频率和幅度数据的变化是不相同的,因此通过特征提取得到的的事件频域特征向量,可以更准去的体现其频率和幅度的变化特征。
步骤S10,将所述事件时间特征向量和所述事件频域特征向量输入训练好的负荷分类模型,输出负荷分类结果。
示例性地,通过预先标注好的训练集对生成对抗网络模型(GenerativeAdversarial Networks)进行训练,其中,生成对抗网络模型包括生成器和判别器。
进一步地,初始化生成器和判别器的参数;从训练集中随机获取真实样本输入判别器,判别器将真实样本进行判别,并计算损失值;并通过生成器生成测试样本输入判别器,判别器将测试样本进行判别,并计算损失值;根据损失值,更新判别器的参数;生成器生成新的样本,并使用判别器进行判别;根据判别器对生成器的判别结果,更新生成器的参数;重复上述步骤最终得到满足要求的负荷分类模型。
进一步地,通过对决策树(Decision Tree)和神经网络(Neural Networks)等分类模型进行训练同样可以得到负荷分类模型,针对电网中不同用户的特性选择适合的模型进行训练,可以获取到更好的负荷分类结果。
具体地,通过将提取到的事件时间特征向量和事件频域特征向量输入训练好的负荷分类模型,最终得到负荷的分类结果,即该负荷的用电设备和用电情况。
本实施例中,通过获取用户用电负荷的功率时间序列,得到用户某个时间段的用电功率,根据预设阈值将功率时间序列进行分区并压缩,得到压缩功率时间序列,根据该压缩功率时间序列,可以有效的去除冗余和噪声信息的干扰,从宏观的角度确定事件发生的区域,即事件压缩分区,根据事件压缩分区在功率时间序列中找到对应的分区,并将该分区确定为事件功率时间分区,通过事件功率时间分区可以更准确的提取特征信息,进而根据特征信息对用户用电负荷进行准确的分类。对事件功率时间分区进行特征提取得到事件时间特征向量,并将事件功率时间分区转换为频域信号,从而提取频域特征得到事件频域特征向量,最后将事件时间特征向量和事件频域特征向量输入训练好的负荷分类模型中,输出负荷的分类结果,根据用户的负荷分类结果可以更准确的了解每个居民用户的用电情况和用电设备,根据用户的用电情况和用电设备判断居民用户的用电习惯,根据不同居民用户的用电习惯合理的对电网中的电能进行调整和分配,提高了电网电能的利用效率,进一步保证了电网稳定安全的运行,同时可以根据用户的用电习惯制定节能计划,帮助居民用户合理的节约用电。
在一个可选的实施例中,所述根据所述压缩分区确定每个所述压缩分区的分区功率,包括:
获取所述压缩分区中每个时间点对应的功率值;
剔除一个最大所述功率值和一个最小所述功率值,并将剩下的全部所述功率值求平均值;
将所述平均值确定为所述分区功率。
示例性地,如图2所示,为冰箱运行时的功率时间序列的波形图,图中30秒到60秒之间为选定的压缩分区,将压缩分区中每间隔1秒钟作为1个时间点,获取每个时间点所对应的功率值,其中最大的功率值为300W,最小功率值为0,将剩余的30秒到60秒之间的全部功率值相加取平均值,最后得到该要锁分区的平均功率,将该平均功率确定为表征压缩分区的分区功率。
进一步地,如果存在多个最大功率值或最小功率值,则表明该功率值为该压缩分区的功率变化特征,并且删除其中一个并不会使平均功率值产生巨大偏差,但是,当只有一个最大功率值或最小功率值时,一个突变的功率值无法体现压缩分区功率变化特征,并且会对平均功率值造成影响,因此筛选出其中一个最大的功率值和一个最小的功率值,对剩余的全部功率值取平均值,可以避免突变的功率值对平均功率值的影响。
本可选实施例中,通过间压缩分区中的一个最大功率和最胆小功率进行删除,可以压缩分区中的异常点进行筛选,从而得到可以准确体现该压缩分区功率特征的功率值,避免异常功率值对整体功率数值判断的影响。
在一个可选的实施例中,所述根据所述压缩功率时间序列中所述分区功率的分布情况,确定事件压缩分区,包括:
根据全部所述分区时间和对应的所述分区功率确定所述压缩功率时间序列的分区时间节点;
根据所述分区时间节点对应的的所述分区功率和前一所述分区时间节点对应的所述分区功率确定每个所述分区时间节点的变化功率,其中,设定所述压缩功率时间序列的第一个所述分区时间节点的变化功率为0;
当所述变化功率大于预设功率阈值时,将所述分区时间节点的所述分区时间确定为变化分区时间;
根据全部所述变化分区时间和对应的所述分区功率,得到事件压缩分区。
具体地,例如获取6个分区时间点的分区功率分别为100W、200W、200W、500W、100W、130W,而第一个分区时间点前一分区时间点无数值,则设定第一个分区时间点的变化功率为0,根据变化功率关系得到第二个分区时间点的变化功率为100W,第三个分区时间点的变化功率为 0,第四个分区时间点的变化功率为300W,第五个分区时间点的变化功率为400W,第六个分区时间点的变化功率为30W,设定预设的功率阈值为50W,则确定第二、第四和第五个分区时间确定为变化分区时间,将变化分区时间的区域连接,得到事件压缩分区,其中,虽然第三个分区时间点的变化功率为0,当由于其包含在第二和第五个分区时间点中间,因此第三分区时间点也划分为事件压缩分区;
进一步地,所述变化功率关系包括:
;
其中,P为第i个所述分区时间点的所述变化功率,Pi为第i个所述分区时间点的所述分区功率,Pi-1为第i-1个所述分区时间点的所述分区功率。
本可选的实施例中,将每个分区时间点的分区功率确定不同分区时间点的功率差值确定为变化功率,并根据预设的功率阈值进行筛选,删除没有变化或变化很小的分区时间点,避免其对确定事件压缩分区的干扰,提高事件压缩分区选择的准确度,最终得到实质发生变化的分区时间点,并根据全部分区时间点的分区时间确定事件压缩分区,通过筛选降低了功率未发生明显变化区域对确定事件分区的干扰,缩小了事件时间分区选取的范围,提高了选取的效率。
在一个可选的实施例中,所述对所述事件功率时间分区进行特征提取,生成事件时间特征向量,包括:
获取所述事件功率时间分区中每个时间点对应的功率值;
根据全部所述功率值,得到所述事件功率时间分区的平均功率、最大功率、最小功率和中位数功率;
将所述事件功率时间分区划分为多个窗口段,并确定每个所述窗口段的斜率系数;
根据全部所述斜率系数,得到所述事件功率事件分区的事件趋势值;
根据所述事件趋势值、所述平均功率、所述最大功率、所述最小功率和所述中位数功率,生成所述事件时间特征向量。
具体地,获取事件功率时间分区中的数据采集时间点对应的功率值,例如事件功率时间分区中的数据采集时间间隔为1秒,则每个时间点对应的功率值为每秒钟采集到的功率值,根据获取到的全部的功率值确定该事件功率时间分区的平均功率、最大功率、最小功率和中位数功率。
进一步地,将事件功率时间分区划分为多个窗口段,分别得到每个窗口段的斜率系数,并通过斜率系数确定每个窗口段的事件趋势值,最终根据事件趋势值、平均功率、最大功率、最小功率和中位数功率,得到事件时间特征向量。
本可选的实施例中,通过将事件功率时间分区划分为多个窗口段,并通过各个窗口段的斜率系数得到该事件功率时间分区的事件趋势值,通过事件趋势值表示该事件功率时间分区的每个时间点功率的变化情况,通过该事件趋势值可以更准去地表示事件功率时间分区中功率的变化特征,并平均功率、最大功率、最小功率和中位数功率这些可以表征事件功率时间分区功率特征的功率值共同生成事件时间特征向量,通过该向量具有丰富的功率和时间的变化特征,可以有助于更准确地进行用户用电负荷分类。
在一个可选的实施例中,所述将所述事件功率时间分区划分为多个窗口段,并确定每个所述窗口段的斜率系数,包括:
根据预设的时间窗口阈值将所述事件功率时间分区划分为多所述个窗口段,其中,所述时间窗口阈值大于或者等于2;
根据所述窗口段中第一个所述时间和对应的所述功率值与最后一个所述时间和对应的所述功率值,确定所述窗口段的所述斜率系数。
具体地,根据事件功率时间分区的全部时间节点,设定合适的时间窗口阈值,例如设置为3,则每3个时间节点确定为1个端口段,则根据斜率系数公式、窗口段的第一个时间节点和第三个时间节点的时间和功率值确定该窗口段的斜率系数。
进一步地,斜率系数公式包括:
;
其中,K为斜率系数,Pi为最后一个时间节点的功率,Ti为最后一个时间节点的时间,Pj为第一个时间节点的功率,Tj为第一个时间节点的时间。
本可选的实施例中,通过时间窗口阈值将事件功率时间分区划分为多分分区,并通过求取该窗口段的斜率系数可以将该窗口段的变化趋势用数值表示,如果功率随时间增加,则斜率系数大于零,如果功率随时间减少则斜率系数小于零,功率不变则等于零,因此,根据改写了系数可以准确的判断出该窗口段功率的变化特征,有助于负荷分类模型根据全面的负荷特征进行准确的负荷分类。
在一个可选的实施例中,所述根据全部所述斜率系数,得到所述事件功率事件分区的事件趋势值,包括:
当所述斜率系数大于或者等于0时,将所述窗口段标注为1;
当所述斜率系数小于0时,将所述窗口段标注为0;
根据全部所述窗口段的标注值生成所述事件功率时间分区的二进制码;
将所述二进制码转换为十进制数,得到所述事件趋势值。
示例性地,事件功率时间分区的各窗口段的斜率分别为:0.4、-0.5、0、0.74、0、0.82、-0.64、0.57、0.13,则事件功率时间分区的二进制码为10111011,进而将其转换十进制数位为187,从而得到事件趋势值为187。
在一个可选的实施例中,所述对所述事件功率频域分区进行特征提取,生成事件频域特征向量,包括:
根据所述频域分区,得到每个频率对应的幅度;
根据全部所述幅度,确定每个所述幅度出现的频次;
将所述频次大于预设频次阈值的所述幅度确定为主要幅度;
根据全部所述主要幅度和对应的频率生成所述事件频域特征向量。
具体地,计算每个幅度在整个频域分区中出现的频次,根据出现的频次对幅度进行排序,并根据预设的频次阈值对其进行筛选,去除出现频次低于预设阈值的幅度,保留出现频次较高并且对频域分区起主要作用的幅度,并根据主要幅度和该幅度对应的频率生成事件频域特征向量。
本可选的实施例中,根据幅度出现的次数对频域分区的幅度进行筛选,保留对频域分区起到主要作用的幅度和评率生成事件频域特征向量,是该特征向量可以及更准确的表达事件频域分区的变换特征,有助于负荷分类模型进行准确的负荷分类,避免次要的频率和幅度信息的干扰,减少了工作量,提高了负荷分类的效率。
如图3所示,本发明实施例提供的一种用户用电负荷分类装置,包括:
获取模块,用于获取用户用电负荷的功率时间序列;
处理模块,用于根据预设阈值将所述功率时间序列划分为多个压缩分区;
压缩模块,用于根据所述压缩分区确定每个所述压缩分区的分区功率,并将所述压缩分区的开始时间确定为分区时间;
生成模块,用于根据全部所述分区功率和对应的所述分区时间,生成压缩功率时间序列;
确定模块,用于根据所述压缩功率时间序列中所述分区功率的分布情况,确定事件压缩分区;根据所述事件压缩分区和所述功率时间序列,确定所述功率时间序列的事件功率时间分区;
提取模块,用于对所述事件功率时间分区进行特征提取,生成事件时间特征向量;对所述事件功率频域分区进行特征提取,生成事件频域特征向量;
转换模块,用于将所述事件功率时间分区转换为频域信号,得到事件功率频域分区;
分类模块,用于将所述事件时间特征向量和所述事件频域特征向量输入训练好的负荷分类模型,输出负荷分类结果。
本发明实施例中的一种用户用电负荷分类装置具有上述用户用电负荷分类方法相近似的技术效果,在此不再进行赘述。
本发明实施例提供的一种电子设备,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如上所述的用户用电负荷分类方法。
本发明实施例中的一种电子设备具有上述用户用电负荷分类方法相近似的技术效果,在此不再进行赘述。
本发明实施例提供的一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如上述所述的用户用电负荷分类方法。
本发明实施例中的一种计算机可读存储介质具有上述用户用电负荷分类方法相近似的技术效果,在此不再进行赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。在本申请中,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发明实施例方案的目的。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,也可以是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。
虽然本发明披露如上,但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (6)
1.一种用户用电负荷分类方法,其特征在于,包括:
获取用户用电负荷的功率时间序列;
根据预设阈值将所述功率时间序列划分为多个压缩分区;
根据所述压缩分区确定每个所述压缩分区的分区功率,并将所述压缩分区的开始时间确定为分区时间;
根据全部所述分区功率和对应的所述分区时间,生成压缩功率时间序列;
根据所述压缩功率时间序列中所述分区功率的分布情况,确定事件压缩分区;
根据所述事件压缩分区和所述功率时间序列,确定所述功率时间序列的事件功率时间分区;
对所述事件功率时间分区进行特征提取,生成事件时间特征向量;
将所述事件功率时间分区转换为频域信号,得到事件功率频域分区;
对所述事件功率频域分区进行特征提取,生成事件频域特征向量;
将所述事件时间特征向量和所述事件频域特征向量输入训练好的负荷分类模型,输出负荷分类结果
所述对所述事件功率时间分区进行特征提取,生成事件时间特征向量,包括:获取所述事件功率时间分区中每个时间点对应的功率值;根据全部所述功率值,得到所述事件功率时间分区的平均功率、最大功率、最小功率和中位数功率;将所述事件功率时间分区划分为多个窗口段,并确定每个所述窗口段的斜率系数;根据全部所述斜率系数,得到所述事件功率事件分区的事件趋势值;根据所述事件趋势值、所述平均功率、所述最大功率、所述最小功率和所述中位数功率,生成所述事件时间特征向量;
所述将所述事件功率时间分区划分为多个窗口段,并确定每个所述窗口段的斜率系数,包括:获取时间功率时间分区的所述功率值和对应的时间;根据预设的时间窗口阈值将所述事件功率时间分区划分为多所述个窗口段,其中,所述时间窗口阈值大于或者等于2;根据所述窗口段中第一个所述时间和对应的所述功率值与最后一个所述时间和对应的所述功率值,确定所述窗口段的所述斜率系数;
所述根据全部所述斜率系数,得到所述事件功率事件分区的事件趋势值,包括:当所述斜率系数大于或者等于0时,将所述窗口段标注为1;当所述斜率系数小于0时,将所述窗口段标注为0;根据全部所述窗口段的标注值生成所述事件功率时间分区的二进制码;将所述二进制码转换为十进制数,得到所述事件趋势值;
所述对所述事件功率频域分区进行特征提取,生成事件频域特征向量,包括:根据所述频域分区,得到每个频率对应的幅度;根据全部所述幅度,确定每个所述幅度出现的频次;将所述频次大于预设频次阈值的所述幅度确定为主要幅度;根据全部所述主要幅度和对应的频率生成所述事件频域特征向量。
2.根据权利要求1所述的用户用电负荷分类方法,其特征在于,所述根据所述压缩分区确定每个所述压缩分区的分区功率,包括:
获取所述压缩分区中每个时间点对应的功率值;
剔除一个最大所述功率值和一个最小所述功率值,并将剩下的全部所述功率值求平均值;
将所述平均值确定为所述分区功率。
3.根据权利要求1所述的用户用电负荷分类方法,其特征在于,所述根据所述压缩功率时间序列中所述分区功率的分布情况,确定事件压缩分区,包括:
根据全部所述分区时间和对应的所述分区功率确定所述压缩功率时间序列的分区时间节点;
根据所述分区时间节点对应的所述分区功率和前一所述分区时间节点对应的所述分区功率确定每个所述分区时间节点的变化功率,其中,设定所述压缩功率时间序列的第一个所述分区时间节点的变化功率为0;
当所述变化功率大于预设功率阈值时,将所述分区时间节点的所述分区时间确定为变化分区时间;
根据全部所述变化分区时间和对应的所述分区功率,得到所述事件压缩分区。
4.一种用户用电负荷分类装置,其特征在于,包括:
获取模块,用于获取用户用电负荷的功率时间序列;
处理模块,用于根据预设阈值将所述功率时间序列划分为多个压缩分区;
压缩模块,用于根据所述压缩分区确定每个所述压缩分区的分区功率,并将所述压缩分区的开始时间确定为分区时间;
生成模块,用于根据全部所述分区功率和对应的所述分区时间,生成压缩功率时间序列;
确定模块,用于根据所述压缩功率时间序列中所述分区功率的分布情况,确定事件压缩分区;根据所述事件压缩分区和所述功率时间序列,确定所述功率时间序列的事件功率时间分区;
转换模块,用于将所述事件功率时间分区转换为频域信号,得到事件功率频域分区;
提取模块,用于对所述事件功率时间分区进行特征提取,生成事件时间特征向量,包括:获取所述事件功率时间分区中每个时间点对应的功率值;根据全部所述功率值,得到所述事件功率时间分区的平均功率、最大功率、最小功率和中位数功率;将所述事件功率时间分区划分为多个窗口段,并确定每个所述窗口段的斜率系数;根据全部所述斜率系数,得到所述事件功率事件分区的事件趋势值;根据所述事件趋势值、所述平均功率、所述最大功率、所述最小功率和所述中位数功率,生成所述事件时间特征向量;
其中,所述将所述事件功率时间分区划分为多个窗口段,并确定每个所述窗口段的斜率系数,包括:获取时间功率时间分区的所述功率值和对应的时间;根据预设的时间窗口阈值将所述事件功率时间分区划分为多所述个窗口段,其中,所述时间窗口阈值大于或者等于2;根据所述窗口段中第一个所述时间和对应的所述功率值与最后一个所述时间和对应的所述功率值,确定所述窗口段的所述斜率系数;
所述根据全部所述斜率系数,得到所述事件功率事件分区的事件趋势值,包括:当所述斜率系数大于或者等于0时,将所述窗口段标注为1;当所述斜率系数小于0时,将所述窗口段标注为0;根据全部所述窗口段的标注值生成所述事件功率时间分区的二进制码;将所述二进制码转换为十进制数,得到所述事件趋势值;
还用于对所述事件功率频域分区进行特征提取,生成事件频域特征向量,包括:根据所述频域分区,得到每个频率对应的幅度;根据全部所述幅度,确定每个所述幅度出现的频次;将所述频次大于预设频次阈值的所述幅度确定为主要幅度;根据全部所述主要幅度和对应的频率生成所述事件频域特征向量;
分类模块,用于将所述事件时间特征向量和所述事件频域特征向量输入训练好的负荷分类模型,输出负荷分类结果。
5.一种电子设备,其特征在于,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如权利要求1至3任一项所述的用户用电负荷分类方法。
6.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1至3任一项所述的用户用电负荷分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311132236.6A CN116861318B (zh) | 2023-09-05 | 2023-09-05 | 一种用户用电负荷分类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311132236.6A CN116861318B (zh) | 2023-09-05 | 2023-09-05 | 一种用户用电负荷分类方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116861318A CN116861318A (zh) | 2023-10-10 |
CN116861318B true CN116861318B (zh) | 2023-11-21 |
Family
ID=88230836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311132236.6A Active CN116861318B (zh) | 2023-09-05 | 2023-09-05 | 一种用户用电负荷分类方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861318B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8560134B1 (en) * | 2010-09-10 | 2013-10-15 | Kwangduk Douglas Lee | System and method for electric load recognition from centrally monitored power signal and its application to home energy management |
WO2016079229A1 (en) * | 2014-11-21 | 2016-05-26 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
CN110555369A (zh) * | 2019-07-16 | 2019-12-10 | 浙江工业大学 | 一种基于mlcdtl的非侵入式负荷识别方法 |
CN110956220A (zh) * | 2019-12-11 | 2020-04-03 | 深圳市活力天汇科技股份有限公司 | 一种非侵入式家用电器负荷识别方法 |
CN111308185A (zh) * | 2020-02-28 | 2020-06-19 | 宁波三星医疗电气股份有限公司 | 一种非侵入式负荷识别方法 |
CN111563524A (zh) * | 2020-03-18 | 2020-08-21 | 宁波送变电建设有限公司永耀科技分公司 | 一种多站融合系统运行态势异常监测和告警合并方法 |
CN111917114A (zh) * | 2020-08-20 | 2020-11-10 | 国网湖南省电力有限公司 | 一种适用于嵌入式平台的电力负荷事件检测方法 |
CN112149510A (zh) * | 2020-08-27 | 2020-12-29 | 广东工业大学 | 一种非侵入式负荷检测方法 |
WO2021176459A1 (en) * | 2020-03-05 | 2021-09-10 | Peethambaran Sajil | A system and method of energy disaggregation using nonintrusive load monitoring |
CN113687164A (zh) * | 2021-08-25 | 2021-11-23 | 天津大学 | 一种非侵入式负荷事件两阶段自适应检测方法 |
CN114184870A (zh) * | 2021-12-14 | 2022-03-15 | 河北科技大学 | 非侵入式负荷识别方法及设备 |
WO2022077588A1 (zh) * | 2020-10-12 | 2022-04-21 | 中国电力科学研究院有限公司 | 可调节负荷参与需求响应的调用方法、系统及装置 |
CN114859169A (zh) * | 2022-04-20 | 2022-08-05 | 深圳供电局有限公司 | 一种配变出线负荷智能识别方法及系统、存储介质 |
KR20220151887A (ko) * | 2021-05-07 | 2022-11-15 | 주식회사 스마트에버 | 비간섭 부하 모니터링 시스템을 이용한 가전 기기 분류 방법 및 시스템 |
CN115827577A (zh) * | 2022-09-27 | 2023-03-21 | 天津大学 | 智能电表高频数据压缩与重构的云端协同自适应分治方法 |
CN115932435A (zh) * | 2022-11-23 | 2023-04-07 | 浙江工业大学 | 一种基于低频采集信号的居民非侵入式负荷监测方法 |
CN116166992A (zh) * | 2023-03-07 | 2023-05-26 | 河北工业大学 | 基于多特征事件分类的非侵入式负荷分解方法及系统 |
CN116466164A (zh) * | 2023-04-17 | 2023-07-21 | 长园飞轮物联网技术(杭州)有限公司 | 基于微型机器学习的非侵入式用电负荷分解方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140207398A1 (en) * | 2013-01-23 | 2014-07-24 | Samsung Electronics Co., Ltd | Transient Normalization for Appliance Classification, Disaggregation, and Power Estimation in Non-Intrusive Load Monitoring |
US9819226B2 (en) * | 2014-12-01 | 2017-11-14 | Eaton Corporation | Load power device and system for real-time execution of hierarchical load identification algorithms |
US20190361058A1 (en) * | 2018-05-26 | 2019-11-28 | Dalchemy Inc. | Workload optimization based on energy characteristics |
-
2023
- 2023-09-05 CN CN202311132236.6A patent/CN116861318B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8560134B1 (en) * | 2010-09-10 | 2013-10-15 | Kwangduk Douglas Lee | System and method for electric load recognition from centrally monitored power signal and its application to home energy management |
WO2016079229A1 (en) * | 2014-11-21 | 2016-05-26 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
CN110555369A (zh) * | 2019-07-16 | 2019-12-10 | 浙江工业大学 | 一种基于mlcdtl的非侵入式负荷识别方法 |
CN110956220A (zh) * | 2019-12-11 | 2020-04-03 | 深圳市活力天汇科技股份有限公司 | 一种非侵入式家用电器负荷识别方法 |
CN111308185A (zh) * | 2020-02-28 | 2020-06-19 | 宁波三星医疗电气股份有限公司 | 一种非侵入式负荷识别方法 |
WO2021176459A1 (en) * | 2020-03-05 | 2021-09-10 | Peethambaran Sajil | A system and method of energy disaggregation using nonintrusive load monitoring |
CN111563524A (zh) * | 2020-03-18 | 2020-08-21 | 宁波送变电建设有限公司永耀科技分公司 | 一种多站融合系统运行态势异常监测和告警合并方法 |
CN111917114A (zh) * | 2020-08-20 | 2020-11-10 | 国网湖南省电力有限公司 | 一种适用于嵌入式平台的电力负荷事件检测方法 |
CN112149510A (zh) * | 2020-08-27 | 2020-12-29 | 广东工业大学 | 一种非侵入式负荷检测方法 |
WO2022042070A1 (zh) * | 2020-08-27 | 2022-03-03 | 广东工业大学 | 一种非侵入式负荷检测方法 |
WO2022077588A1 (zh) * | 2020-10-12 | 2022-04-21 | 中国电力科学研究院有限公司 | 可调节负荷参与需求响应的调用方法、系统及装置 |
KR20220151887A (ko) * | 2021-05-07 | 2022-11-15 | 주식회사 스마트에버 | 비간섭 부하 모니터링 시스템을 이용한 가전 기기 분류 방법 및 시스템 |
CN113687164A (zh) * | 2021-08-25 | 2021-11-23 | 天津大学 | 一种非侵入式负荷事件两阶段自适应检测方法 |
CN114184870A (zh) * | 2021-12-14 | 2022-03-15 | 河北科技大学 | 非侵入式负荷识别方法及设备 |
CN114859169A (zh) * | 2022-04-20 | 2022-08-05 | 深圳供电局有限公司 | 一种配变出线负荷智能识别方法及系统、存储介质 |
CN115827577A (zh) * | 2022-09-27 | 2023-03-21 | 天津大学 | 智能电表高频数据压缩与重构的云端协同自适应分治方法 |
CN115932435A (zh) * | 2022-11-23 | 2023-04-07 | 浙江工业大学 | 一种基于低频采集信号的居民非侵入式负荷监测方法 |
CN116166992A (zh) * | 2023-03-07 | 2023-05-26 | 河北工业大学 | 基于多特征事件分类的非侵入式负荷分解方法及系统 |
CN116466164A (zh) * | 2023-04-17 | 2023-07-21 | 长园飞轮物联网技术(杭州)有限公司 | 基于微型机器学习的非侵入式用电负荷分解方法及系统 |
Non-Patent Citations (4)
Title |
---|
Non-Intrusive Load Monitoring using Multi-Output CNNs;Daniel Precioso等;2021 IEEE Madrid PowerTech;全文 * |
基于混合长短期记忆神经网络的居民用电负荷优化研究;马雨桐;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑);全文 * |
智能电网环境下基于大数据挖掘的居民负荷设备识别与负荷建模;杨甲甲;赵俊华;文福拴;董朝阳;薛禹胜;;电力建设(第12期);全文 * |
计及小波设计和半监督机器学习的非侵入式负载识别;张致强;周步祥;张冰;王鑫;罗燕萍;;电力系统及其自动化学报(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116861318A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Prediction of road traffic congestion based on random forest | |
CN111489188B (zh) | 一种居民可调负荷潜力挖掘方法及系统 | |
CN110287762B (zh) | 一种基于数据挖掘技术的非侵入式负荷辨识方法以及装置 | |
CN109558897A (zh) | 一种基于数据挖掘的电网规划多场景提取方法 | |
CN112580471A (zh) | 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法 | |
Scholz et al. | A cyclic time-dependent Markov process to model daily patterns in wind turbine power production | |
CN115423013A (zh) | 电力系统运行方式分类方法、装置、设备及介质 | |
CN111126780B (zh) | 一种非侵入式负荷监测方法及存储介质 | |
CN117543589B (zh) | 一种梯级水电安全集控系统调度方法 | |
CN113094448B (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
CN116861318B (zh) | 一种用户用电负荷分类方法、装置、设备及存储介质 | |
CN114358367A (zh) | 一种非侵入式负荷分解方法及装置 | |
CN111898694B (zh) | 一种基于随机树分类的非入侵式负荷识别方法及装置 | |
CN110490215A (zh) | 一种风电场-电网相互作用的模态识别方法及系统 | |
CN113036754A (zh) | 一种基于改进dag-svms的非侵入式负荷辨识方法 | |
CN112398226A (zh) | 一种供电系统反窃电方法、系统、终端及存储介质 | |
CN110349050B (zh) | 一种基于电网参数关键特征抽取的智能窃电判据方法及装置 | |
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 | |
Nasiakou et al. | A three-stage scheme for consumers' partitioning using hierarchical clustering algorithm | |
CN113902136A (zh) | 一种基于电力指纹特征和集成学习机制的负荷识别方法 | |
Huang et al. | Short term load forecasting based on wavelet decomposition and random forest | |
CN113158446B (zh) | 非侵入式电力负载识别方法 | |
CN115935267A (zh) | 负荷数据的辨识方法、装置以及存储介质 | |
CN114884075A (zh) | 一种基于监督式学习的事件型非侵入式负荷监测方法 | |
Gao et al. | Machine learning-based reliability improvement of ambient mode extraction for smart grid utilizing isolation forest |
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 |