CN117829416A - 用电安全监测方法、装置、计算机设备和存储介质 - Google Patents
用电安全监测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117829416A CN117829416A CN202311759834.6A CN202311759834A CN117829416A CN 117829416 A CN117829416 A CN 117829416A CN 202311759834 A CN202311759834 A CN 202311759834A CN 117829416 A CN117829416 A CN 117829416A
- Authority
- CN
- China
- Prior art keywords
- safety monitoring
- behavior
- historical
- electric appliance
- electricity
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000005611 electricity Effects 0.000 claims abstract description 159
- 238000004590 computer program Methods 0.000 claims abstract description 23
- 230000006399 behavior Effects 0.000 claims description 258
- 238000010801 machine learning Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 10
- 238000007499 fusion processing Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000012549 training Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000013480 data collection Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement 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
- 238000013450 outlier detection Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000036578 sleeping time Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本申请涉及一种用电安全监测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:确定目标对象当前正在使用的目标电器;获取目标电器的电器运行信息,基于电器运行信息确定目标对象针对目标电器的使用行为信息;对使用行为信息进行特征提取,获得目标对象的电器使用行为的使用行为特征;将使用行为特征输入训练好的用电安全监测模型,将用电安全监测模型的输出确定为电器使用行为的用电安全监测结果,采用本方法能够提高用电安全监测的准确度。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种用电安全监测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着数据处理技术的发展,出现了对用电信息进行数据处理从而进行用电监测的方法。可以根据用电信息的异常提供安全预警,保障用电安全。
传统的用电安全监测方法,一般通过持续低负荷、负荷突增两个维度制定用电异常评判标准进行日常用电安全监测,但是由于这两个维度之间的关联性较小,且监测数据较为单一,容易导致用电安全监测结果不准确。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高用电安全监测结果准确度的用电安全监测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种用电安全监测方法。所述方法包括:确定目标对象当前正在使用的目标电器;获取所述目标电器的电器运行信息,基于所述电器运行信息确定所述目标对象针对所述目标电器的使用行为信息;对所述使用行为信息进行特征提取,获得所述目标对象的电器使用行为的使用行为特征;将所述使用行为特征输入训练好的用电安全监测模型,将所述用电安全监测模型的输出确定为所述电器使用行为的用电安全监测结果。
在其中一个实施例中,所述电器运行信息包括多个候选运行信息;所述基于所述电器运行信息确定所述目标对象针对所述目标电器的使用行为信息,包括:获取各所述候选运行信息分别与用电安全性之间的关联度;针对于每一所述候选运行信息,在所述关联度满足关联条件的情况下,将所述电器运行信息确定为所述目标对象针对所述目标电器的使用行为信息。
在其中一个实施例中,所述使用行为特征包括多个目标电器各自对应的子行为特征;所述将所述使用行为特征输入训练好的用电安全监测模型,将所述用电安全监测模型的输出确定为所述电器使用行为的用电安全监测结果,包括:对各所述目标电器各自对应的子行为特征进行特征融合处理,得到融合行为特征;将所述融合行为特征输入训练好的用电安全监测模型,并将所述用电安全监测模型的输出确定为所述电器使用行为的用电安全监测结果。
在其中一个实施例中,所述使用行为特征包括多个目标电器各自对应的子行为特征;所述将所述使用行为特征输入训练好的用电安全监测模型,将所述用电安全监测模型的输出确定为所述电器使用行为的用电安全监测结果,包括:
将各所述目标电器各自对应的子行为特征分别输入训练好的用电安全监测模型,得到各子行为特征各自的子安全监测结果;对各所述子安全监测结果进行统计分析,确定所述电器使用行为的用电安全监测结果。
在其中一个实施例中,所述用电安全监测方法还包括:获取所述目标对象在当前时刻的当前用电负荷、以及所述当前时刻的历史关联时刻的历史用电负荷;所述历史关联时刻与所述当前时刻属于同一时间周期;将所述当前用电负荷与所述历史用电负荷进行比对分析,确定所述当前时刻与所述历史关联时刻的负荷差异;结合所述负荷差异和所述用电安全监测结果,确定所述目标对象在当前时刻的用电安全综合监测结果。
在其中一个实施例中,所述用电安全监测方法还包括:获取目标对象针对至少一类电器的历史运行信息;所述历史运行信息包括多个历史使用行为各自对应的历史行为信息、以及每一所述历史使用行为各自的安全性标签;分别对每一所述历史行为信息进行特征提取,获得各所述历史使用行为各自的历史行为特征;构建包括所述历史行为特征、以及所述历史行为特征对应的安全性标签的学习样本;基于各所述历史使用行为各自的学习样本进行机器学习,得到与所述目标对象匹配的用电安全监测模型;所述用电安全监测模型用于确定所述目标对象的电器使用行为的安全性。
第二方面,本申请提供了一种用电安全监测装置。所述装置包括:
目标电器确定模块,用于确定目标对象当前正在使用的目标电器;
使用行为信息确定模块,用于获取所述目标电器的电器运行信息,基于所述电器运行信息确定所述目标对象针对所述目标电器的使用行为信息;
特征提取模块,用于对所述使用行为信息进行特征提取,获得所述目标对象的电器使用行为的使用行为特征;
用电安全监测结果确定模块,用于将所述使用行为特征输入训练好的用电安全监测模型,将所述用电安全监测模型的输出确定为所述电器使用行为的用电安全监测结果。
在其中一个实施例中,本申请还提供了一种用电安全监测模型构建装置。所述装置包括:
历史运行信息获取模块,用于获取目标对象针对至少一类电器的历史运行信息;所述历史运行信息包括多个历史使用行为各自对应的历史行为信息、以及每一所述历史使用行为各自的安全性标签;
特征提取模块,用于分别对每一所述历史行为信息进行特征提取,获得各所述历史使用行为各自的历史行为特征;
学习样本构建模块,用于构建包括所述历史行为特征、以及所述历史行为特征对应的安全性标签的学习样本;
用电安全监测模型构建模块,用于基于各所述历史使用行为各自的学习样本进行机器学习,得到与所述目标对象匹配的用电安全监测模型;所述用电安全监测模型用于确定所述目标对象的电器使用行为的安全性。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
第四方面,本申请还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,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上所述的方法的步骤。
上述用电安全监测方法、装置、计算机设备、存储介质和计算机程序产品,确定目标对象当前正在使用的目标电器,获取目标电器的电器运行信息,可以确定目标对象针对于目标电器的用电情况,基于电器运行信息确定目标对象针对目标电器的使用行为信息,可以从电器运行信息中划分出目标对象人为操作对应的使用行为信息,对使用行为信息进行特征提取,获得目标对象的电器使用行为的使用行为特征,将使用行为特征输入训练好的用电安全监测模型,将用电安全监测模型的输出确定为电器使用行为的用电安全监测结果,可以对目标对象的电器使用行为进行全方面实时用电安全监测,提高用电安全监测的准确度。
附图说明
图1为一个实施例中用电安全监测方法的应用环境图;
图2为一个实施例中用电安全监测方法的流程示意图;
图3为另一个实施例中用电安全监测方法的流程示意图;
图4为一个实施例中用电安全监测模型构建方法的流程示意图;
图5为一个实施例中用电安全监测装置的结构框图;
图6为一个实施例中用电安全监测模型构建装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的用电安全监测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与目标电器104进行通信。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。目标电器104可以是各种家用电器、商用电器等,例如电视机、电脑、冰箱、空调、电热毯、电饭锅以及电热水器等等。在终端102进行用电安全监测的过程中,终端102确定目标对象当前正在使用的目标电器104,获取目标电器104的电器运行信息,基于电器运行信息确定目标对象针对目标电器104的使用行为信息,对使用行为信息进行特征提取,获得目标对象的电器使用行为的使用行为特征,将使用行为特征输入训练好的用电安全监测模型,将用电安全监测模型的输出确定为电器使用行为的用电安全监测结果。
在一个实施例中,如图2所示,提供了一种用电安全监测方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤S202:确定目标对象当前正在使用的目标电器。
其中,目标对象是指进行用电安全监测的目标对象,例如可以是空巢老人、留守儿童等对象。目标电器是指目标对象在当前时刻正在使用的电器,可以是电视机、电脑、冰箱、空调、电热毯、电饭锅以及电热水器等。
具体地,终端需要对目标对象所处场景下的所有电器进行开启校验,根据电器的开关情况确定目标对象当前正在使用的目标电器。例如,若目标对象为空巢老人,其在家开启了空调,并打开了电热毯,终端确定了空调和电热毯的开启状态,便可以确定该空巢老人当前正在使用的目标电器是空调和电热毯。进一步地,确定目标对象当前正在使用的目标电器的方式可以是根据场景中所有电器的开启或关闭状态进行确定,也可以是根据所有电器的用电负荷进行确定。
步骤S204:获取目标电器的电器运行信息,基于电器运行信息确定目标对象针对目标电器的使用行为信息。
其中,电器运行信息是指电器运行状态下的参数信息,例如可以包括电器运行温度、负荷、功率、电器使用时间、家居设备使用频率、用电模式以及用电时间段等等。而使用行为信息则为目标对象使用电器的动作相关的信息,例如在上述电气运行信息中,电器使用时间、家居设备使用频率、用电模式以及用电时间段可以作为使用行为信息。
具体地,终端可以先获取目标电器的电器运行信息,由于电器运行信息包括电器运行状态下的所有参数信息,因此可以根据电器运行信息确定目标对象针对目标电器的使用行为信息。在一个具体的实施例中,终端可以根据电器运行信息与用电安全性之间的关联度,从电器运行信息中确定目标对象针对目标电器的使用行为信息。在另一个具体的实施例中,终端还可以提取电器运行信息中的信息特征,根据信息特征与使用行为信息是否匹配,从电器运行信息中确定目标对象针对目标电器的使用行为信息。
步骤S206:对使用行为信息进行特征提取,获得目标对象的电器使用行为的使用行为特征。
其中,电器使用行为是指目标对象针对目标电器的使用行为,例如,若目标电器为空调,目标对象针对目标电器的使用行为可以是打开空调或者关闭空调等。使用行为特征是对使用行为信息进行特征提取得到的一种矩阵形式的特征,可以作为机器学习模型的输入。
具体地,终端在确定了目标对象针对目标电器的使用行为信息之后,由于使用行为信息是数据形式,无法作为机器学习模型的输入,于是需要对使用行为信息进行特征提取,得到目标对象的电器使用行为的使用行为特征,该使用行为特征为矩阵形式,可以作为机器学习模型的输入,进而使用机器学习模型对目标对象的用电安全进行监测。进一步地,对使用行为信息进行特征提取的方法包括但不限于主成分分析法、线性判别分析法、多维尺度分析法或者独立成分分析法等等。
步骤S208:将使用行为特征输入训练好的用电安全监测模型,将用电安全监测模型的输出确定为电器使用行为的用电安全监测结果。
其中,用电安全监测模型是基于用电安全监测的需求和输入信息的类型选取并训练一个合适的机器学习模型得到的,可以用于对目标对象进行用电安全监测。用电安全监测结果是针对于电器使用行为的用电安全监测结果,例如可以是“安全”或者“不安全”的形式,是用电安全监测模型基于输入为使用行为特征得到的输出结果。
具体地,在获得目标对象的电器使用行为的使用行为特征之后,可以将使用行为输入至已经训练好的用电安全监测模型,用电安全监测模型的输出便可确定为电器使用行为的用电安全监测结果。进一步地,在训练用电安全监测模型的过程中,需要选择合适的机器学习算法进行训练,常用的算法包括逻辑回归、支持向量机、决策树、随机森林、神经网络等。根据研判目标对象电器使用行为的实际应用场景,可以使用决策树这种模型算法训练得到用电安全监测模型。
上述用电安全监测方法,确定目标对象当前正在使用的目标电器,获取目标电器的电器运行信息,可以确定目标对象针对于目标电器的用电情况,基于电器运行信息确定目标对象针对目标电器的使用行为信息,可以从电器运行信息中划分出目标对象人为操作对应的使用行为信息,对使用行为信息进行特征提取,获得目标对象的电器使用行为的使用行为特征,将使用行为特征输入训练好的用电安全监测模型,将用电安全监测模型的输出确定为电器使用行为的用电安全监测结果,可以对目标对象的电器使用行为进行全方面实时用电安全监测,提高用电安全监测的准确度。
在一个实施例中,电器运行信息包括多个候选运行信息;基于电器运行信息确定目标对象针对目标电器的使用行为信息,包括:获取各候选运行信息分别与用电安全性之间的关联度;针对于每一候选运行信息,在关联度满足关联条件的情况下,将电器运行信息确定为目标对象针对目标电器的使用行为信息。
其中,电器运行信息包括多个候选运行信息,候选运行信息是指等候选择为使用行为信息的电器运行信息。用电安全性是指使用电器这个行为对应的安全性,例如,使用电器时间这一候选运行信息对应的与用电安全性之间的关联度就比较高,若目标对象为空巢老人,晚上睡眠时间较早,如果监测到空巢老人所在的环境中凌晨时间段仍然开启着微波炉等电器,意味着此时用电安全存在隐患。
具体地,电器运行信息中包括多个候选运行信息,其中存在目标对象针对目标电器的使用行为信息,也存在电器正常的运行信息,也即与目标对象的使用行为无关的运行信息,例如电器的功率等,此时若想要在多个候选运行信息中确定目标对象针对目标电器的使用行为信息,便可以获取各候选运行信息分别与用电安全性之间的关联度,针对于每一个候选运行信息,都判断该候选运行信息的关联度是否满足关联条件,在关联度满足关联条件的情况下,便可将该电器运行信息确定为目标对象针对目标电器的使用行为信息。
本实施例中,根据候选运行信息与用电安全性之间的关联度区分得到目标对象针对目标电器的使用行为信息,可以最大程度上对目标对象的使用电器行为进行监测,最终得到的用电安全监测模型的输出也会更加准确的反映目标对象的使用电器行为的用电安全监测结果。
在一个实施例中,使用行为特征包括多个目标电器各自对应的子行为特征;将使用行为特征输入训练好的用电安全监测模型,将用电安全监测模型的输出确定为电器使用行为的用电安全监测结果,包括:对各目标电器各自对应的子行为特征进行特征融合处理,得到融合行为特征;将融合行为特征输入训练好的用电安全监测模型,并将用电安全监测模型的输出确定为电器使用行为的用电安全监测结果。
其中,目标电器可以为多个,每一个目标电器分别对应一个子行为特征。融合行为特征是指对各目标电器各自对应的子行为特征进行特征融合处理后得到的一个总的行为特征。特征融合处理可以是对各子行为特征进行加法计算、减法计算或者拼接等处理。
具体地,由于使用行为特征可以包括多个目标电器各自对应的子行为特征,可以将各子行为特征先融合为总的一个融合行为特征,再将该融合行为特征输入训练好的用电安全监测模型,也即,可以将每一目标电器各自对应的子行为特征先进性特征融合处理,例如可以对各子行为特征进行加法计算、减法计算或者拼接等处理,得到融合行为特征,之后将融合行为特征输入训练好的用电安全监测模型,用电安全监测模型的输出便是电器使用行为的用电安全监测结果。
本实施例中,在输入用电安全监测模型前,将各目标电器各自对应的子行为特征进行特征融合处理得到融合行为特征,那么最终得到的用电安全监测模型的输出便可直接作为电器使用行为的用电安全监测结果,可以提高用电安全监测效率。
在一个实施例中,使用行为特征包括多个目标电器各自对应的子行为特征;将使用行为特征输入训练好的用电安全监测模型,将用电安全监测模型的输出确定为电器使用行为的用电安全监测结果,包括:将各目标电器各自对应的子行为特征分别输入训练好的用电安全监测模型,得到各子行为特征各自的子安全监测结果;对各子安全监测结果进行统计分析,确定电器使用行为的用电安全监测结果。
其中,子安全监测结果是指子行为特征对应的安全监测结果。
具体地,除了将子行为特征在输入用电安全监测模型前先进行特征融合处理,得到融合行为特征之后,再输入至用电安全检测模型得到用电安全监测结果,还可以先将各目标电器各自对应的子行为特征先输入至用电安全监测模型,得到各子行为特征各自对应的子安全监测结果,再对各子安全监测结果进行统计分析,确定电器使用行为的用电安全监测结果。进一步地,可以根据子安全监测结果的“安全”结果与“不安全”结果的占比关系,确定电器使用行为的用电安全监测结果。例如,将每一子行为特征输入至用电安全监测模型之后得到的子安全监测结果分别为“安全”、“不安全”、“安全”,由于“安全”占比较高,那么电器使用行为的用电安全监测结果可以是“安全”。另外,也可以在子安全监测结果中包含至少一个“不安全”结果的情况下,确定电器使用行为的用电安全监测结果为“不安全”。
本实施例中,提供了另一种得到用电安全监测结果的方法,即可以先将每一子行为特征分别输入用电安全监测模型得到多个子安全监测结果,再将每一自安全监测结果进行统计分析得到最终的用电安全监测结果,可以提高用电安全监测效率。
在一个实施例中,用电安全监测方法还包括:获取目标对象在当前时刻的当前用电负荷、以及当前时刻的历史关联时刻的历史用电负荷;历史关联时刻与当前时刻属于同一时间周期;将当前用电负荷与历史用电负荷进行比对分析,确定当前时刻与历史关联时刻的负荷差异;结合负荷差异和用电安全监测结果,确定目标对象在当前时刻的用电安全综合监测结果。
其中,当前用电负荷是指目标对象在当前时刻使用电器消耗的电功率。当前时刻的历史关联时刻是指与在当前时刻之前、与当前时刻具有一定关联性的时刻,例如,若当前时刻为12月2日的上午八点,历史时刻可以是12月1日的上午八点,或者是11月1日的上午八点。当前时刻与历史关联时刻的负荷差异可以是当前时刻与历史关联时刻的负荷差值或者负荷比值。
具体地,除了根据用电安全监测模型对使用行为特征进行监测,得到电器使用行为的用电安全监测结果以外,还可以通过当前时刻与历史关联时刻的负荷差异与用电安全监测结果进行协同监测。终端可以获取目标对象在当前时刻的当前用电负荷、以及当前时刻的历史关联时刻的历史用电负荷,并对当前用电负荷与历史用电负荷进行比对分析,得到当前时刻与历史关联时刻的负荷差异,结合负荷差异和用电安全监测结果,确定目标对象在当前时刻的用电安全综合监测结果。例如,目标对象在当前时刻的当前用电负荷为1000W,当前时刻的历史关联时刻的历史用电负荷为100W,负荷之间差异较大,那么即使用电安全监测结果为“安全”,目标对象在当前时刻的用电安全综合监测结果也是“不安全”的。
本实施例中,确定了当前时刻的当前用电负荷和当前时刻的历史关联时刻的历史用电负荷之间的负荷差异,并结合负荷差异和用电安全监测结果确定目标对象在当前时刻的用电安全综合监测结果,可以更好地保证目标对象的用电安全性,提高用电安全监测准确度。
在一个实施例中,还提供了一种用电安全监测模型构建方法,包括:获取目标对象针对至少一类电器的历史运行信息;历史运行信息包括多个历史使用行为各自对应的历史行为信息、以及每一历史使用行为各自的安全性标签;分别对每一历史行为信息进行特征提取,获得各历史使用行为各自的历史行为特征;构建包括历史行为特征、以及历史行为特征对应的安全性标签的学习样本;基于各历史使用行为各自的学习样本进行机器学习,得到与目标对象匹配的用电安全监测模型;用电安全监测模型用于确定目标对象的电器使用行为的安全性。
其中,历史运行信息是指目标对象在历史时刻使用电器过程中电器运行状态下采集的参数。历史使用行为是指目标对象在历史时刻使用电器的行为。历史行为信息是指目标对象在历史时刻使用电器过程中由目标对象直接控制的电器参数。安全性标签是指历史使用行为对应的标签,可以用于表征该历史使用行为的安全性。历史行为特征是指对历史行为信息进行特征提取得到的一种矩阵形式的特征。学习样本是用于训练模型进行学习的数据样本,可以包括训练集和测试集。训练集用于对模型进行训练,测试集用于模型训练完毕后对训练好的模型进行评估测试,从而优化模型。
具体地,构建用电安全监测模型的过程中,需要先确定模型的学习样本,可以包括历史行为特征和历史行为特征对应的安全性标签,模型不断学习的过程中,便可以一步步的对历史行为特征进行准确的安全性匹配。也就是说,终端需要获取目标对象针对至少一类电器的历史运行信息,该历史运行信息中包括多个历史使用行为各自对应的历史行为信息、以及每一历史使用行为各自的安全性标签,由于历史行为信息并不是矩阵形式的,无法作为模型的输入,于是需要对历史行为信息进行特征提取,获得各历史使用行为各自的历史行为特征,之后构建包括历史行为特征、以及历史行为特征对应的安全性标签的学习样本,包括训练集和测试集,先利用训练集对选好的初始模型进行机器学习,在得到训练好的用电安全监测模型后,利用测试集对用电安全监测模型进行评估测试,常用的评估指标包括准确率、精确率、召回率、F1值、ROC(Receiver Operating Characteristic,受试者工作特征曲线)曲线和AUC(Area Under Curve,ROC曲线下的面积)值、混淆矩阵等,根据评估测试结果,对用电安全监测模型进行进一步调整和改进,便可得到与目标对象匹配的用于确定目标对象的电器使用行为的安全性的用电安全监测模型。
在一个具体的实施例中,如图3所示,用电安全监测方法包括:
步骤S301,确定目标对象当前正在使用的目标电器;
步骤S302,获取目标电器的电器运行信息,获取各候选运行信息分别与用电安全性之间的关联度;
其中,电器运行信息包括多个候选运行信息;
步骤S303,针对于每一候选运行信息,在关联度满足关联条件的情况下,将电器运行信息确定为目标对象针对目标电器的使用行为信息;
步骤S304,对使用行为信息进行特征提取,获得目标对象的电器使用行为的使用行为特征;
其中,使用行为特征包括多个目标电器各自对应的子行为特征;
步骤S305,将各目标电器各自对应的子行为特征分别输入训练好的用电安全监测模型,得到各子行为特征各自的子安全监测结果;
步骤S306,对各子安全监测结果进行统计分析,确定电器使用行为的用电安全监测结果;
步骤S307,获取目标对象在当前时刻的当前用电负荷、以及当前时刻的历史关联时刻的历史用电负荷;
其中,历史关联时刻与当前时刻属于同一时间周期;
步骤S308,将当前用电负荷与历史用电负荷进行比对分析,确定当前时刻与历史关联时刻的负荷差异;
步骤S309,结合负荷差异和用电安全监测结果,确定目标对象在当前时刻的用电安全综合监测结果。
在一个具体的实施例中,如图4所示,用电安全监测模型构建方法包括:
步骤S401,获取目标对象针对至少一类电器的历史运行信息;历史运行信息包括多个历史使用行为各自对应的历史行为信息、以及每一历史使用行为各自的安全性标签;
步骤S402,分别对每一历史行为信息进行特征提取,获得各历史使用行为各自的历史行为特征;
步骤S403,构建包括历史行为特征、以及历史行为特征对应的安全性标签的学习样本;
步骤S404,基于各历史使用行为各自的学习样本进行机器学习,得到与目标对象匹配的用电安全监测模型;用电安全监测模型用于确定目标对象的电器使用行为的安全性。
在一个具体的实施例中,提供了一种基于多源数据集成的用电安全监测方法,可以分析空巢老人的用电数据,根据用电信息、用电习惯、生活习性和统计数据,结合室内温度、湿度等外部环境因素,来综合对空巢老人进行划分。根据划分的结果,制定监测空巢老人用电的方案,保障空巢老人的用电安全和协助街道保障生活状况和安全状况。同时,基于不同老人的特点和需求,还可构建个性化的用电安全模型。例如,根据老人的电器使用习惯和特殊需求,为其定制相应的安全规则和预警机制。
具体地,可以采用模型构建的方式,对用电数据进行分析。以下是本发明的具体实施步骤:
1、数据收集与预处理:
(1)数据收集:收集空巢老人的针对电器的历史运行信息,包括历史用电量、用电时间、实时用电负荷等。同时,收集影响用电波动的数据,如气象信息、节假日信息、热点事件等。
(2)数据预处理:对收集到的信息中的数据进行预处理,包括数据清洗(去除重复、错误数据)、缺失值处理(插值、删除等方法)、异常值处理(基于统计学方法或机器学习方法检测和修复异常值)、归一化(将数据转换到统一的度量范围,如0-1区间)。例如,使用Z-score方法处理异常值,MinMaxScaler进行归一化,以确保数据的可靠性。同时还要对数据进行数据加密、备份与恢复和访问控制等措施来保障数据的安全。
2、用电安全监测模型构建:
(1)特征选择和提取:从获取到的历史运行信息中选取较为关键的特征数据,如电器使用时间、家居设备使用频率、用电模式、用电时间段等,选取的特征数据一定是最能直观的反馈空巢老人用电情况的。同时可根据实际情况,考虑添加其他特征,如室内温度、湿度等,并通过聚类、降维、频率等特征工程技术,提取更有意义的特征。这些特征将用于训练模型,以便从未知数据中预测异常情况。
(2)数据标注与数据划分:根据历史使用行为的安全与否,为历史使用行为添加安全性标签,将安全用电行为标记为正类,不安全用电行为标记为负类。将数据集划分为训练集和测试集,通常,将大部分数据用于训练模型,留出一部分数据用于评估模型的性能。
(2)模型选择与构建:根据任务的需求和数据的性质,选择合适的机器学习算法,常用的算法包括逻辑回归、支持向量机、决策树、随机森林、神经网络等。根据研判空巢老人用电行为的实际应用场景,这里我们可以使用决策树这种模型算法来进行构建。
(3)模型训练和调优:使用训练集对选定的机器学习算法进行训练,并根据模型在测试集上的表现进行调优。可以尝试不同的参数设置、特征组合等方式来提高模型性能。
(4)模型评估:在模型构建完成后,使用测试集对模型性能进行评估。常用的评估指标包括准确率、精确率、召回率、F1值、ROC曲线和AUC值、混淆矩阵等。根据评价结果,对模型进行进一步调整和改进。
(5)异常检测与警报:根据训练好的模型,对实时数据进行预测并识别异常用电行为。当模型检测到异常情况时,触发警报机制,及时通知相关人员采取措施。
(6)持续优化和更新:不断收集新的数据,重新训练模型,以适应变化的用电行为和环境条件。定期评估模型的性能,并根据需要对模型进行改进和优化。
3、制定处理措施
根据模型算法计算的结果,针对用电行为异常的空巢老人,采取短信通知的方式给街道或社区工作人员,帮助他们及时的联系空巢老人了解情况,避免安全事故的发生。
(1)建立数据收集平台:搭建一个安全的、可扩展的数据收集平台,用于收集空巢老人的电器使用行为的电器运行数据和外部环境数据。该平台应具备数据加密、访问控制等安全保障措施,以确保客户数据的安全和隐私。
(2)数据预处理:在数据收集平台上,利用预处理模块对收集到的数据进行清洗、缺失值处理、异常值处理、归一化等预处理操作。确保数据质量和可用性。
(3)模型评估:在模型构建完成后,使用交叉验证和模型性能指标等方法对模型算法进行评估,以确保模型的计算性能和计算结果可靠性。如有必要,可以调整模型结构和参数,进行迭代优化。
(4)异常检测与预测:除了对实时电器运行数据进行异常检测,还可以利用历史数据和时间序列分析方法,预测未来可能出现的异常用电行为。通过这种方式,可以提前采取措施,建少潜在的风险。
(5)个性化模型定制:结合机器学习算法和领域专家的知识,构建综合的用电安全模型。针对不同老人的特点和需求,还可以构建个性化的用电安全模型。例如,根据老人的电器使用习惯和特殊需求,为其定制相应的安全规则和预警机制。
(6)用电波动分析:将前面步骤采集处理后的数据通过模型算法计算后得出该空巢老人用电行为是否正常,对异常用电的情况要进行处理。
(7)模型算法维护:通过模型算法计算的结果与核实后得实际用电情况进行对比分析,找出当前模型算法的缺陷问题,优化调整模型算法。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的用电安全监测方法的用电安全监测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个用电安全监测装置实施例中的具体限定可以参见上文中对于用电安全监测方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种用电安全监测装置500,包括:目标电器确定模块502、使用行为信息确定模块504、特征提取模块506和用电安全监测结果确定模块508,其中:
目标电器确定模块502,用于确定目标对象当前正在使用的目标电器;
使用行为信息确定模块504,用于获取目标电器的电器运行信息,基于电器运行信息确定目标对象针对目标电器的使用行为信息;
特征提取模块506,用于对使用行为信息进行特征提取,获得目标对象的电器使用行为的使用行为特征;
用电安全监测结果确定模块508,用于将使用行为特征输入训练好的用电安全监测模型,将用电安全监测模型的输出确定为电器使用行为的用电安全监测结果。
在其中一个实施例中,电器运行信息包括多个候选运行信息。在该实施例的情形下,使用行为信息确定模块具体用于:获取各候选运行信息分别与用电安全性之间的关联度;针对于每一候选运行信息,在关联度满足关联条件的情况下,将电器运行信息确定为目标对象针对目标电器的使用行为信息。
在其中一个实施例中,使用行为特征包括多个目标电器各自对应的子行为特征。在该实施例的情形下,用电安全监测结果确定模块408用于:对各目标电器各自对应的子行为特征进行特征融合处理,得到融合行为特征;将融合行为特征输入训练好的用电安全监测模型,并将用电安全监测模型的输出确定为电器使用行为的用电安全监测结果。
在其中一个实施例中,使用行为特征包括多个目标电器各自对应的子行为特征。在该实施例的情形下,用电安全监测结果确定模块508还用于:将各目标电器各自对应的子行为特征分别输入训练好的用电安全监测模型,得到各子行为特征各自的子安全监测结果;对各子安全监测结果进行统计分析,确定电器使用行为的用电安全监测结果。
在其中一个实施例中,用电安全监测装置500还包括用电安全综合监测结果确定模块,具体用于:获取目标对象在当前时刻的当前用电负荷、以及当前时刻的历史关联时刻的历史用电负荷;历史关联时刻与当前时刻属于同一时间周期;将当前用电负荷与历史用电负荷进行比对分析,确定当前时刻与历史关联时刻的负荷差异;结合负荷差异和用电安全监测结果,确定目标对象在当前时刻的用电安全综合监测结果。
上述用电安全监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的用电安全监测模型构建方法的用电安全监测模型构建装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个用电安全监测模型构建装置实施例中的具体限定可以参见上文中对于用电安全监测方法的限定,在此不再赘述。
在一个实施例中,如图6所示,还提供了一种用电安全监测模型构建装置600,包括:历史运行信息获取模块602、特征提取模块604、学习样本构建模块606和用电安全监测模型构建模块608,其中:
历史运行信息获取模块602,用于获取目标对象针对至少一类电器的历史运行信息;历史运行信息包括多个历史使用行为各自对应的历史行为信息、以及每一历史使用行为各自的安全性标签;
特征提取模块604,用于分别对每一历史行为信息进行特征提取,获得各历史使用行为各自的历史行为特征;
学习样本构建模块606,用于构建包括历史行为特征、以及历史行为特征对应的安全性标签的学习样本;
用电安全监测模型构建模块608,用于基于各历史使用行为各自的学习样本进行机器学习,得到与目标对象匹配的用电安全监测模型;用电安全监测模型用于确定目标对象的电器使用行为的安全性。
上述用电安全监测模型构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种用电安全监测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种用电安全监测方法,其特征在于,所述方法包括:
确定目标对象当前正在使用的目标电器;
获取所述目标电器的电器运行信息,基于所述电器运行信息确定所述目标对象针对所述目标电器的使用行为信息;
对所述使用行为信息进行特征提取,获得所述目标对象的电器使用行为的使用行为特征;
将所述使用行为特征输入训练好的用电安全监测模型,将所述用电安全监测模型的输出确定为所述电器使用行为的用电安全监测结果。
2.根据权利要求1所述的方法,其特征在于,所述电器运行信息包括多个候选运行信息;所述基于所述电器运行信息确定所述目标对象针对所述目标电器的使用行为信息,包括:
获取各所述候选运行信息分别与用电安全性之间的关联度;
针对于每一所述候选运行信息,在所述关联度满足关联条件的情况下,将所述电器运行信息确定为所述目标对象针对所述目标电器的使用行为信息。
3.根据权利要求1所述的方法,其特征在于,所述使用行为特征包括多个目标电器各自对应的子行为特征;所述将所述使用行为特征输入训练好的用电安全监测模型,将所述用电安全监测模型的输出确定为所述电器使用行为的用电安全监测结果,包括:
对各所述目标电器各自对应的子行为特征进行特征融合处理,得到融合行为特征;
将所述融合行为特征输入训练好的用电安全监测模型,并将所述用电安全监测模型的输出确定为所述电器使用行为的用电安全监测结果。
4.根据权利要求1所述的方法,其特征在于,所述使用行为特征包括多个目标电器各自对应的子行为特征;所述将所述使用行为特征输入训练好的用电安全监测模型,将所述用电安全监测模型的输出确定为所述电器使用行为的用电安全监测结果,包括:
将各所述目标电器各自对应的子行为特征分别输入训练好的用电安全监测模型,得到各子行为特征各自的子安全监测结果;
对各所述子安全监测结果进行统计分析,确定所述电器使用行为的用电安全监测结果。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标对象在当前时刻的当前用电负荷、以及所述当前时刻的历史关联时刻的历史用电负荷;所述历史关联时刻与所述当前时刻属于同一时间周期;
将所述当前用电负荷与所述历史用电负荷进行比对分析,确定所述当前时刻与所述历史关联时刻的负荷差异;
结合所述负荷差异和所述用电安全监测结果,确定所述目标对象在当前时刻的用电安全综合监测结果。
6.一种用电安全监测模型构建方法,其特征在于,所述方法包括:
获取目标对象针对至少一类电器的历史运行信息;所述历史运行信息包括多个历史使用行为各自对应的历史行为信息、以及每一所述历史使用行为各自的安全性标签;
分别对每一所述历史行为信息进行特征提取,获得各所述历史使用行为各自的历史行为特征;
构建包括所述历史行为特征、以及所述历史行为特征对应的安全性标签的学习样本;
基于各所述历史使用行为各自的学习样本进行机器学习,得到与所述目标对象匹配的用电安全监测模型;所述用电安全监测模型用于确定所述目标对象的电器使用行为的安全性。
7.一种用电安全监测装置,其特征在于,所述装置包括:
目标电器确定模块,用于确定目标对象当前正在使用的目标电器;
使用行为信息确定模块,用于获取所述目标电器的电器运行信息,基于所述电器运行信息确定所述目标对象针对所述目标电器的使用行为信息;
特征提取模块,用于对所述使用行为信息进行特征提取,获得所述目标对象的电器使用行为的使用行为特征;
用电安全监测结果确定模块,用于将所述使用行为特征输入训练好的用电安全监测模型,将所述用电安全监测模型的输出确定为所述电器使用行为的用电安全监测结果。
8.一种用电安全监测模型构建装置,其特征在于,所述装置包括:
历史运行信息获取模块,用于获取目标对象针对至少一类电器的历史运行信息;所述历史运行信息包括多个历史使用行为各自对应的历史行为信息、以及每一所述历史使用行为各自的安全性标签;
特征提取模块,用于分别对每一所述历史行为信息进行特征提取,获得各所述历史使用行为各自的历史行为特征;
学习样本构建模块,用于构建包括所述历史行为特征、以及所述历史行为特征对应的安全性标签的学习样本;
用电安全监测模型构建模块,用于基于各所述历史使用行为各自的学习样本进行机器学习,得到与所述目标对象匹配的用电安全监测模型;所述用电安全监测模型用于确定所述目标对象的电器使用行为的安全性。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311759834.6A CN117829416A (zh) | 2023-12-20 | 2023-12-20 | 用电安全监测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311759834.6A CN117829416A (zh) | 2023-12-20 | 2023-12-20 | 用电安全监测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117829416A true CN117829416A (zh) | 2024-04-05 |
Family
ID=90514679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311759834.6A Pending CN117829416A (zh) | 2023-12-20 | 2023-12-20 | 用电安全监测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117829416A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118035731A (zh) * | 2024-04-11 | 2024-05-14 | 深圳华建电力工程技术有限公司 | 用电安全监测预警方法及服务系统 |
-
2023
- 2023-12-20 CN CN202311759834.6A patent/CN117829416A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118035731A (zh) * | 2024-04-11 | 2024-05-14 | 深圳华建电力工程技术有限公司 | 用电安全监测预警方法及服务系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Serrano-Guerrero et al. | Statistical methodology to assess changes in the electrical consumption profile of buildings | |
Zhou et al. | Non-intrusive load decomposition based on CNN–LSTM hybrid deep learning model | |
Zhu et al. | Data-driven building load profiling and energy management | |
Huang et al. | Cloud-edge collaborative method for industrial process monitoring based on error-triggered dictionary learning | |
CN117829416A (zh) | 用电安全监测方法、装置、计算机设备和存储介质 | |
CN114254879B (zh) | 多传感器信息融合的电力设备安全诊断方法和装置 | |
Nguyen et al. | Probabilistic deep learning methodology for uncertainty quantification of remaining useful lifetime of multi-component systems | |
Khosrowpour et al. | Occupant workstation level energy-use prediction in commercial buildings: Developing and assessing a new method to enable targeted energy efficiency programs | |
Haase et al. | The IOT mediated built environment: A brief survey | |
Xu et al. | Abnormal energy consumption detection for GSHP system based on ensemble deep learning and statistical modeling method | |
Najafi et al. | Building characterization through smart meter data analytics: Determination of the most influential temporal and importance-in-prediction based features | |
KR102540257B1 (ko) | Esg 경영을 위한 인공지능 기반 환경설비 및 산업플랜트 관리 서비스 시스템 | |
Yang et al. | Increasing the energy efficiency of a data center based on machine learning | |
Liang et al. | Uncertainty quantification-based robust deep learning for building energy systems considering distribution shift problem | |
CN115277132B (zh) | 网络安全态势感知方法、装置、计算机设备和存储介质 | |
Yang et al. | An intelligent human behavior-based reasoning model for service prediction in smart home | |
CN113887676B (zh) | 设备故障预警方法、装置、设备和存储介质 | |
CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
CN116956174B (zh) | 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法 | |
ul Islam et al. | A low complexity binary-weighted energy disaggregation framework for residential electricity consumption | |
Li et al. | A short-term building energy consumption prediction and diagnosis using deep learning algorithms | |
CN114254806A (zh) | 配电网重过载预警方法、装置、计算机设备和存储介质 | |
Fang et al. | Interval prediction of PV power based on double sample entropy framework and integrated bidomain decomposition deep learning | |
CN117828326A (zh) | 用电异常分析方法、装置、计算机设备和存储介质 | |
CN116112200B (zh) | 配电网纵向访问检测方法、装置、计算机设备和存储介质 |
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 |