CN110135452B - 基于智能电表的违规电器识别方法及*** - Google Patents

基于智能电表的违规电器识别方法及*** Download PDF

Info

Publication number
CN110135452B
CN110135452B CN201910246428.7A CN201910246428A CN110135452B CN 110135452 B CN110135452 B CN 110135452B CN 201910246428 A CN201910246428 A CN 201910246428A CN 110135452 B CN110135452 B CN 110135452B
Authority
CN
China
Prior art keywords
characteristic data
illegal
electric appliance
type
steady
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
Application number
CN201910246428.7A
Other languages
English (en)
Other versions
CN110135452A (zh
Inventor
蔡高琰
陈声荣
林江渚
荆永震
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hodi Technologies Co ltd
Original Assignee
Hodi Technologies Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hodi Technologies Co ltd filed Critical Hodi Technologies Co ltd
Priority to CN201910246428.7A priority Critical patent/CN110135452B/zh
Publication of CN110135452A publication Critical patent/CN110135452A/zh
Application granted granted Critical
Publication of CN110135452B publication Critical patent/CN110135452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明提供的基于智能电表的违规电器识别，包括获取违规电器识别要求信息；智能电表检测到用电总功率的功率增量大于预设功率阈值时，智能电表提取采集到的违规电器的暂态特征数据和稳态特征数据；判断暂态特征数据中是否存在冲击电流，若是，则根据稳态特征数据判断违规电器类别，得到违规电器类别；当违规电器识别要求信息为识别违规电器种类时，则将违规电器类别输出。本发明提供的基于智能电表的违规电器识别，通过基于智能电表采集的暂态特征数据和稳态特征数据，可以精准的识别违规电器，具有普遍适用性。

Description

基于智能电表的违规电器识别方法及***
技术领域
本发明涉及违规电器识别领域，尤其涉及基于智能电表的违规电器识别方法及***。
背景技术
“违规电器”通常为所谓的恶性负载，即纯阻性负载，以恶性负载检测为例，流行的恶性负载检测方法有功率因数法、波形比较法、顺时功率增加法，这些方法简单、易于操作，软硬件容易实现，然而存在误识别率低的弊端，这对于某些应用场合几乎是难以忍受的。因此，有人使用机器学习方法来检测恶性负载，精确度得到了很大的提升，然而，不同场景对违规电器的定义也有所不同。例如，出租屋可能不允许电车充电或存在安全隐患的电器，而学校则杜绝使用任何恶性负载以及大部分的大功率电器(某些可能不是严格意义的恶性负载，如电磁炉，电冰箱等)，因此，采用传统的方法来实现识别违规电器，难度很大，并不具有普遍适用性。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供基于智能电表的违规电器识别方法，其能解决采用传统的方法来实现识别违规电器，难度很大，并不具有普遍适用性的问题。
本发明的目的之二在于提供基于智能电表的违规电器识别方法，其能解决采用传统的方法来实现识别违规电器，难度很大，并不具有普遍适用性的问题。
本发明提供目的之一采用以下技术方案实现：
基于智能电表的违规电器识别方法，其特征在于，包括以下步骤：
信息获取，获取违规电器识别要求信息；
特征数据提取，智能电表检测到用电总功率的功率增量大于预设功率阈值时，智能电表提取采集到的违规电器的暂态特征数据和稳态特征数据；
违规电器判断，根据所述暂态特征数据以及所述稳态特征数据判断违规电器类别，得到违规电器类别；
违规电器类别输出，当所述违规电器识别要求信息为识别违规电器种类时，则将所述违规电器类别输出。
进一步地，还包括：当所述违规电器识别要求信息为识别违规电器名称时，将所述暂态特征数据和所述稳态特征数据上传至云端，云端将所述暂态特征数据和所述稳态特征数据输入至预设违规电器识别模型，所述预设违规电器识别模型输出违规电器名称。
进一步地，在所述云端将所述暂态特征数据和所述稳态特征数据输入至预设违规电器识别模型之前还包括：对所述暂态特征数据和所述稳态特征数据进行数据归一化处理、降维处理。
进一步地，所述降维处理为主成成分分析法或线性判别分析法。
进一步地，在所述S5之前还包括：收集不同用电器对应的违规原始暂态特征数据和违规原始稳态特征数据，将违规所述原始暂态特征数据和所述违规原始稳态特征数据作为训练数据，并将所述训练数据输入至预设训练模型中进行训练，得到预设违规电器识别模型。
进一步地，所述稳态特征数据包括总谐波失真、功率因数，所述稳态特征数据包括总谐波失真、功率因数，所述违规电器判断包括以下步骤：
冲击电流判断，判断所述暂态特征数据中是否存在冲击电流，若是，执行第一判断，若否，则执行第二判断；
第一判断，判断所述稳态特征数据中的总谐波失真是否小于预设谐波阈值，若否，则违规电器类别为第三类别设备，其中，所述第三类别设备为含有电机和变频器的设备，若是，当所述稳态特征数据中的功率因素大于预设功率阈值时，所述违规电器类别为第二类别设备，其中，所述第二类别设备为含有电机和阻性负载的设备，当所述稳态特征数据中的功率因素不大于预设功率阈值时，所述违规电器类别为第一类别设备，其中，所述第一类别设备为纯电机设备；
第二判断，判断所述稳态特征数据中的总谐波失真是否小于预设谐波阈值，若否，则无违规电器；若是，当所述稳态特征数据中的功率因素大于预设功率阈值时，所述违规电器类别为第四类别设备，其中，所述第四类别设备为纯阻性负载设备。
本发明提供目的之二采用以下技术方案实现：
基于智能电表的违规电器识别***，其特征在于，包括：
获取模块，所述获取模块获取违规电器识别要求信息；
智能电表，所述智能电表用于提取采集到的违规电器的暂态特征数据和稳态特征数据；
判断模块，所述判断模块用于判断所述暂态特征数据中是否存在冲击电流，若是，则根据所述稳态特征数据判断违规电器类别，得到违规电器类别；
输出模块，所述输出模块用于将所述违规电器类别输出。
进一步地，还包括数据上传模块和云端，所述数据上传模块用于将所述暂态特征数据和所述稳态特征数据上传至云端，云端将所述暂态特征数据和所述稳态特征数据输入至预设违规电器识别模型，所述预设违规电器识别模型输出违规电器名称，所述云端还用于收集不同用电器对应的违规原始暂态特征数据和违规原始稳态特征数据，将违规所述原始暂态特征数据和所述违规原始稳态特征数据作为训练数据，并将所述训练数据输入至预设训练模型中进行训练，得到预设违规电器识别模型。
进一步地，所述云端包括数据输入模块识别模块，所述识别模块含有所述预设违规电器识别模型，所述数据输入模块用于将所述暂态特征数据和所述稳态特征数据输入至所述识别模块，所述识别模块用于输出所述违规电器名称。
进一步地，所述云端还包括训练模型模块，所述训练模型模块用于收集不同用电器对应的违规原始暂态特征数据和违规原始稳态特征数据，将违规所述原始暂态特征数据和所述违规原始稳态特征数据作为训练数据，并将所述训练数据输入至预设训练模型中进行训练，得到预设违规电器识别模型。
相比现有技术，本发明的有益效果在于：本发明的基于智能电表的违规电器识别，包括获取违规电器识别要求信息；智能电表检测到用电总功率的功率增量大于预设功率阈值时，智能电表提取采集到的违规电器的暂态特征数据和稳态特征数据；判断暂态特征数据中是否存在冲击电流，若是，则根据稳态特征数据判断违规电器类别，得到违规电器类别；当违规电器识别要求信息为识别违规电器种类时，则将违规电器类别输出。通过基于智能电表采集的暂态特征数据和稳态特征数据，可以精准的识别违规电器，具有普遍适用性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的基于智能电表的违规电器识别方法的流程示意图；
图2为本发明的基于智能电表的违规电器识别方法的模块架构图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
如图1所示，本发明的基于智能电表的违规电器识别方法，包括以下步骤：
信息获取，获取违规电器识别要求信息，在本实施例中，违规电器识别要求信息为识别违规电器种类或识别违规电器名称。
特征数据提取，智能电表检测到用电总功率的功率增量大于预设功率阈值时，智能电表提取采集到的违规电器的暂态特征数据和稳态特征数据。本实施例中暂态特征数据包括冲击电流或峰值电流以及上升率等，稳态特征数据包括电压、电流有效值、功率、功率因素、电流曲线的斜率均方根、总谐波失真以及低次谐波占比等，本实施中的总谐波失真为电流的总谐波失真。
违规电器判断，根据暂态特征数据以及稳态特征数据判断违规电器类别，得到违规电器类别。具体为：冲击电流判断，判断暂态特征数据中是否存在冲击电流，若是，执行第一判断，若否，则执行第二判断；
第一判断，判断稳态特征数据中的总谐波失真是否小于预设谐波阈值，若否，则违规电器类别为第三类别设备，其中，第三类别设备为含有电机和变频器的设备，例如洗衣机或空调或冰箱等；若是，当稳态特征数据中的功率因素大于预设功率阈值时，违规电器类别为第二类别设备，其中，第二类别设备为含有电机和阻性负载的设备，例如吹风筒或电磁炉；当稳态特征数据中的功率因素不大于预设功率阈值时，违规电器类别为第一类别设备，其中，第一类别设备为纯电机设备，例如排风扇等；
第二判断，判断稳态特征数据中的总谐波失真是否小于预设谐波阈值，若否，则无违规电器，即此时只是简单的充电行为；若是，当稳态特征数据中的功率因素大于预设功率阈值时，违规电器类别为第四类别设备，其中，第四类别设备为纯阻性负载设备。
违规电器类别输出，当违规电器识别要求信息为识别违规电器种类时，则将违规电器类别输出。当违规电器识别要求信息为识别违规电器名称时，将暂态特征数据和稳态特征数据上传至云端，云端将暂态特征数据和稳态特征数据输入至预设违规电器识别模型，预设违规电器识别模型输出违规电器名称。在云端将暂态特征数据和稳态特征数据输入至预设违规电器识别模型之前还包括：对暂态特征数据和稳态特征数据进行数据归一化处理、降维处理。降维处理为主成成分分析法或线性判别分析法。在违规电器类别输出之前还包括：收集不同用电器对应的违规原始暂态特征数据和违规原始稳态特征数据，将违规原始暂态特征数据和违规原始稳态特征数据作为训练数据，并将训练数据输入至预设训练模型中进行训练，得到预设违规电器识别模型，本实施例中的预设训练模型为SVM分类模型或神经网络模型。
如图2所示，在本实施例中，还提供了基于智能电表的违规电器识别***，包括：获取模块，获取模块获取违规电器识别要求信息；智能电表，智能电表用于提取采集到的违规电器的暂态特征数据和稳态特征数据；判断模块，判断模块用于判断暂态特征数据中是否存在冲击电流，若是，则根据稳态特征数据判断违规电器类别，得到违规电器类别；输出模块，输出模块用于将违规电器类别输出。在本实施例中，还包括数据上传模块和云端，数据上传模块用于将暂态特征数据和稳态特征数据上传至云端，云端将暂态特征数据和稳态特征数据输入至预设违规电器识别模型，预设违规电器识别模型输出违规电器名称，云端还用于收集不同用电器对应的违规原始暂态特征数据和违规原始稳态特征数据，将违规原始暂态特征数据和违规原始稳态特征数据作为训练数据，并将训练数据输入至预设训练模型中进行训练，得到预设违规电器识别模型。云端包括数据输入模块识别模块，识别模块含有预设违规电器识别模型，数据输入模块用于将暂态特征数据和稳态特征数据输入至识别模块，识别模块用于输出违规电器名称。云端还包括训练模型模块，训练模型模块用于收集不同用电器对应的违规原始暂态特征数据和违规原始稳态特征数据，将违规原始暂态特征数据和违规原始稳态特征数据作为训练数据，并将训练数据输入至预设训练模型中进行训练，得到预设违规电器识别模型。
本发明的基于智能电表的违规电器识别，包括获取违规电器识别要求信息；智能电表检测到用电总功率的功率增量大于预设功率阈值时，智能电表提取采集到的违规电器的暂态特征数据和稳态特征数据；判断暂态特征数据中是否存在冲击电流，若是，则根据稳态特征数据判断违规电器类别，得到违规电器类别；当违规电器识别要求信息为识别违规电器种类时，则将违规电器类别输出。通过基于智能电表采集的暂态特征数据和稳态特征数据，可以精准的识别违规电器，具有普遍适用性。可以根据违规电器识别要求信息分别对违规电器进行分类，针对不同的违规电器识别要求信息作出不同的识别策略，提高了识别的精准度，满足了用户的不同需求。
以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

Claims (9)

1.基于智能电表的违规电器识别方法，其特征在于，包括以下步骤：
信息获取，获取违规电器识别要求信息；
特征数据提取，智能电表检测到用电总功率的功率增量大于预设功率阈值时，智能电表提取采集到的违规电器的暂态特征数据和稳态特征数据；
违规电器判断，根据所述暂态特征数据以及所述稳态特征数据判断违规电器类别，得到违规电器类别；
违规电器类别输出，当所述违规电器识别要求信息为识别违规电器种类时，则将所述违规电器类别输出；
其中，所述稳态特征数据包括总谐波失真、功率因数，所述违规电器判断包括以下步骤：
冲击电流判断，判断所述暂态特征数据中是否存在冲击电流，若是，执行第一判断，若否，则执行第二判断；
第一判断，判断所述稳态特征数据中的总谐波失真是否小于预设谐波阈值，若否，则违规电器类别为第三类别设备，其中，所述第三类别设备为含有电机和变频器的设备，若是，当所述稳态特征数据中的功率因素大于预设功率阈值时，所述违规电器类别为第二类别设备，其中，所述第二类别设备为含有电机和阻性负载的设备，当所述稳态特征数据中的功率因素不大于预设功率阈值时，所述违规电器类别为第一类别设备，其中，所述第一类别设备为纯电机设备；
第二判断，判断所述稳态特征数据中的总谐波失真是否小于预设谐波阈值，若否，则无违规电器；若是，当所述稳态特征数据中的功率因素大于预设功率阈值时，所述违规电器类别为第四类别设备，其中，所述第四类别设备为纯阻性负载设备。
2.如权利要求1所述基于智能电表的违规电器识别方法，其特征在于：还包括：当所述违规电器识别要求信息为识别违规电器名称时，将所述暂态特征数据和所述稳态特征数据上传至云端，云端将所述暂态特征数据和所述稳态特征数据输入至预设违规电器识别模型，所述预设违规电器识别模型输出违规电器名称。
3.如权利要求2所述基于智能电表的违规电器识别方法，其特征在于：在所述云端将所述暂态特征数据和所述稳态特征数据输入至预设违规电器识别模型之前还包括：对所述暂态特征数据和所述稳态特征数据进行数据归一化处理、降维处理。
4.如权利要求3所述基于智能电表的违规电器识别方法，其特征在于：所述降维处理为主成成分分析法或线性判别分析法。
5.如权利要求2所述基于智能电表的违规电器识别方法，其特征在于：在所述违规电器类别输出之前还包括：收集不同电器对应的违规原始暂态特征数据和违规原始稳态特征数据，将违规所述原始暂态特征数据和所述违规原始稳态特征数据作为训练数据，并将所述训练数据输入至预设训练模型中进行训练，得到预设违规电器识别模型。
6.基于智能电表的违规电器识别***，其特征在于，包括：
获取模块，所述获取模块获取违规电器识别要求信息；
智能电表，所述智能电表用于提取采集到的违规电器的暂态特征数据和稳态特征数据；
判断模块，所述判断模块用于判断所述暂态特征数据中是否存在冲击电流，若是，则根据所述稳态特征数据判断违规电器类别，得到违规电器类别；
输出模块，所述输出模块用于将所述违规电器类别输出；
其中，所述稳态特征数据包括总谐波失真、功率因数，所述判断模块进行违规电器类别判断的步骤包括：
冲击电流判断，判断所述暂态特征数据中是否存在冲击电流，若是，执行第一判断，若否，则执行第二判断；
第一判断，判断所述稳态特征数据中的总谐波失真是否小于预设谐波阈值，若否，则违规电器类别为第三类别设备，其中，所述第三类别设备为含有电机和变频器的设备，若是，当所述稳态特征数据中的功率因素大于预设功率阈值时，所述违规电器类别为第二类别设备，其中，所述第二类别设备为含有电机和阻性负载的设备，当所述稳态特征数据中的功率因素不大于预设功率阈值时，所述违规电器类别为第一类别设备，其中，所述第一类别设备为纯电机设备；
第二判断，判断所述稳态特征数据中的总谐波失真是否小于预设谐波阈值，若否，则无违规电器；若是，当所述稳态特征数据中的功率因素大于预设功率阈值时，所述违规电器类别为第四类别设备，其中，所述第四类别设备为纯阻性负载设备。
7.如权利要求6所述的基于智能电表的违规电器识别***，其特征在于：还包括数据上传模块和云端，所述数据上传模块用于将所述暂态特征数据和所述稳态特征数据上传至云端，云端将所述暂态特征数据和所述稳态特征数据输入至预设违规电器识别模型，所述预设违规电器识别模型输出违规电器名称，所述云端还用于收集不同电器对应的违规原始暂态特征数据和违规原始稳态特征数据，将所述违规原始暂态特征数据和所述违规原始稳态特征数据作为训练数据，并将所述训练数据输入至预设训练模型中进行训练，得到预设违规电器识别模型。
8.如权利要求7所述的基于智能电表的违规电器识别***，其特征在于：所述云端包括数据输入模块和识别模块，所述识别模块含有所述预设违规电器识别模型，所述数据输入模块用于将所述暂态特征数据和所述稳态特征数据输入至所述识别模块，所述识别模块用于输出所述违规电器名称。
9.如权利要求7所述的基于智能电表的违规电器识别***，其特征在于：所述云端还包括训练模型模块，所述训练模型模块用于收集不同电器对应的违规原始暂态特征数据和违规原始稳态特征数据，将违规所述原始暂态特征数据和所述违规原始稳态特征数据作为训练数据，并将所述训练数据输入至预设训练模型中进行训练，得到预设违规电器识别模型。
CN201910246428.7A 2019-03-27 2019-03-27 基于智能电表的违规电器识别方法及*** Active CN110135452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910246428.7A CN110135452B (zh) 2019-03-27 2019-03-27 基于智能电表的违规电器识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910246428.7A CN110135452B (zh) 2019-03-27 2019-03-27 基于智能电表的违规电器识别方法及***

Publications (2)

Publication Number Publication Date
CN110135452A CN110135452A (zh) 2019-08-16
CN110135452B true CN110135452B (zh) 2023-08-08

Family

ID=67568646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910246428.7A Active CN110135452B (zh) 2019-03-27 2019-03-27 基于智能电表的违规电器识别方法及***

Country Status (1)

Country Link
CN (1) CN110135452B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929563A (zh) * 2019-10-14 2020-03-27 广东浩迪创新科技有限公司 一种用电器识别方法及装置
CN111178393A (zh) * 2019-12-11 2020-05-19 广东浩迪智云技术有限公司 一种基于智能电表的用电器用电量分类计量方法及装置
CN115601603B (zh) * 2022-11-29 2023-04-07 北京志翔科技股份有限公司 模型训练和用电器类别识别方法、设备及存储介质
CN115795323B (zh) * 2023-02-03 2023-05-05 深圳市北电仪表有限公司 恶性负载识别方法、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103105556A (zh) * 2013-01-30 2013-05-15 西安交通大学 基于稳态与暂态特征联合匹配的智能电网负载检测与识别方法
CA2783755A1 (en) * 2012-07-24 2014-01-24 University Of Saskatchewan Apparatus and method for out-of-step protection using the analysis of trajectories of electrical measurements in state plane
CN106443244A (zh) * 2016-08-31 2017-02-22 南方电网科学研究院有限责任公司 用电设备类型辨识方法和***
CN109359665A (zh) * 2018-08-28 2019-02-19 中国农业大学 一种基于支持向量机的家电负荷识别方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5183594B2 (ja) * 2009-07-31 2013-04-17 日立オートモティブシステムズ株式会社 モータの制御装置及びそれを備えたモータシステム
US9484809B2 (en) * 2014-06-21 2016-11-01 Brian Harold Floyd Apparatus and methods for low voltage high PSRR systems

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2783755A1 (en) * 2012-07-24 2014-01-24 University Of Saskatchewan Apparatus and method for out-of-step protection using the analysis of trajectories of electrical measurements in state plane
CN103105556A (zh) * 2013-01-30 2013-05-15 西安交通大学 基于稳态与暂态特征联合匹配的智能电网负载检测与识别方法
CN106443244A (zh) * 2016-08-31 2017-02-22 南方电网科学研究院有限责任公司 用电设备类型辨识方法和***
CN109359665A (zh) * 2018-08-28 2019-02-19 中国农业大学 一种基于支持向量机的家电负荷识别方法及装置

Also Published As

Publication number Publication date
CN110135452A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
CN110135452B (zh) 基于智能电表的违规电器识别方法及***
Chang et al. Load identification in neural networks for a non-intrusive monitoring of industrial electrical loads
Munshi et al. Unsupervised nonintrusive extraction of electrical vehicle charging load patterns
CN106443244B (zh) 用电设备类型辨识方法和***
CN106483370A (zh) 基于多特征融合的非侵入式家用负荷实时识别方法及装置
CN113567794B (zh) 基于动态时间规整的电动自行车户内充电辨识方法及***
CN109828184B (zh) 一种基于互近似熵的电压暂降源识别方法
CN105095415A (zh) 网络情绪的确定方法和装置
CN103018537B (zh) 基于cwd谱峭度的暂态电能质量扰动分类识别方法
CN102156228A (zh) 一种车载型直流充电桩检测***及检测方法
CN104638704A (zh) 无线充电装置及其使用方法
TWI492182B (zh) 電器負載辨識方法
CN108345906A (zh) 一种基于Boost模型的非侵入式用电器识别方法
CN111191671A (zh) 一种用电器波形检测方法、***、电子设备及存储介质
CN216848010U (zh) 一种边缘计算的电缆局放在线监测装置
CN115456034A (zh) 一种电动自行车充电自动识别监测方法及***
CN110850213B (zh) 一种滤波电容器的emc寿命评估方法
CN109270383B (zh) 一种非侵入式充电桩自动检测方法
CN104951434A (zh) 品牌情绪的确定方法和装置
CN105277830A (zh) 电子设备的耗电测试方法及装置
CN117039840A (zh) 一种基于特征自动增强的家用负荷识别方法及***
CN115935267A (zh) 负荷数据的辨识方法、装置以及存储介质
CN113408617A (zh) 一种基于XGBoost与Stacking模型融合的非侵入式负荷识别方法
CN111913078A (zh) 一种基于运行的输电线路故障识别方法
CN112345824B (zh) 一种基于分段线性近似算法的变频空调非侵入式辨识方法

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