CN112381351B - 一种基于奇异谱分析的用电行为变化检测方法及*** - Google Patents
一种基于奇异谱分析的用电行为变化检测方法及*** Download PDFInfo
- Publication number
- CN112381351B CN112381351B CN202011105301.2A CN202011105301A CN112381351B CN 112381351 B CN112381351 B CN 112381351B CN 202011105301 A CN202011105301 A CN 202011105301A CN 112381351 B CN112381351 B CN 112381351B
- Authority
- CN
- China
- Prior art keywords
- data
- electric energy
- matrix
- change
- singular
- 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
- 238000010183 spectrum analysis Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 93
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 230000005611 electricity Effects 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 32
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 10
- 239000013256 coordination polymer Substances 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000008014 freezing Effects 0.000 claims description 5
- 238000007710 freezing Methods 0.000 claims description 5
- 238000010835 comparative analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于奇异谱分析的用电行为变化检测方法及***,其方法包括:获取电能计量装置的电能量数据,进行预处理;通过奇异谱分析方法,将电能量历史数据及当前数据进行矩阵构建和奇异值分解,得到对应奇异值与特征向量,得到历史数据的变化模式、当前数据的变化模式;计算历史数据与当前数据之间的差异统计,评价当前数据与历史数据之间的变化程度;综合电能量数据变化程度评价,得到该用户用电行为变化的判断。本发明提供的实施例准确识别用户用电行为中不同变化特征、显著程度高的分量,实现变化前后不同用电特征的精准识别,有效判断用户的用电行为变化趋势。
Description
技术领域
本发明涉及电能量数据处理领域,具体涉及一种基于奇异谱分析的用电行为变化检测方法及***。
背景技术
用户用电行为主要是通过用户历史的电能量数据进行综合分析,以期对用户的用电进行预测和异常判断等目的。
目前用户用电行为主要通过对用户历史电能量数据时间序列进行分析,得到用户用电行为的一些特征,以时间序列的特征信息为基础进行对应分析。但是使用通用的时间序列分析工具中,往往要求用户电能量数据时间序列具有平稳性,即用户用电特征的平稳性。但是实际用户在用电过程中,往往存在增减容量、技术改造等一些用电行为的变化,此类外界因素会导致电能量数据时间序列的特征发生变化,而且无法通过历史数据去预测此变化的发生,只能在分析用户的历史电能量数据时间序列时,需要准确识别用电行为的变更,以实现在不同行为特征下的电能量数据时间序列进行分析。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种基于奇异谱分析的用电行为变化检测方法及***,通过构建用户电能量数据时间序列的轨迹矩阵并进行奇异谱分解,提取时间序列中的主要特征信息,通过比对主要特征之间的变化程度,最终实现用电行为变化的准确判断。
为了解决上述技术问题,本发明实施例提供了一种基于奇异谱分析的用户用电行为变化检测方法,所述用户用电行为变化检测方法,包括:
获取电能计量装置的电能量数据,进行预处理;
通过奇异谱分析方法,将电能量历史数据及当前数据进行矩阵构建和奇异值分解,得到对应奇异值与特征向量,得到历史数据的变化模式、当前数据的变化模式;
计算历史数据与当前数据之间的差异统计,评价当前数据与历史数据之间的变化程度;
综合电能量数据变化程度评价,得到该用户用电行为变化的判断。
所述电能量数据,包括:
0点冻结表码、每日96点电能示值曲线、每日96点电流曲线、每日96点功率曲线;
所述预处理包括对电能量数据空值、极大值、极小值进行剔除拟合处理。
所述奇异谱分析方法,包括:
将数据采用延时嵌入的方法得到数据的基础矩阵,然后对基础矩阵进行奇异值分解,得到对应的奇异值与特征向量。
所述奇异谱分析方法,包括:
将t=i之前的电能示值曲线P(t)(t<i)时间序列进行轨迹矩阵构建并进行奇异值分解,得到对应奇异值与特征向量,得到历史数据的变化模式;
首先通过延时嵌入的方法得到P(t)时间序列的在时间点i之前的基础轨迹矩阵,即:
式中,t=i,ω为窗口长度,δ是采样窗口的个数;
然后对矩阵B进行奇异值分解,得到奇异值和奇异向量,即:
B=USVT
其中U为左奇异矩阵,V为右奇异矩阵,S为奇异值矩阵,其对角元素即称为矩阵B的奇异值,记为σ。
进一步的,因为:BBT=USVTVSTUT=US2UT;
可得:(BBT)U=US2;
故可求解矩阵BBT的特征值λ及特征向量u得到对应的矩阵U,即:
(BBT)ui=λiui
将λi从大到小进行排列,则对应的ui表示了P(t)时间序列的在时间点i之前主要特征。
将t=i之后的电能示值曲线P(t)(t>i)时间序列进行轨迹矩阵构建并进行奇异值分解,得到对应奇异值与特征向量,得到当前数据的变化模式。
通过延时嵌入的方法得到P(t)时间序列的在时间点i之后的测试轨迹矩阵,即:
其中t=i,ω为窗口长度,γ是采样窗口的个数。
然后对矩阵A进行奇异值分解A=MΣN,其中M为左奇异矩阵,N为右奇异矩阵,Σ为奇异值矩阵,其对角元素即称为矩阵A的奇异值。
所述计算历史数据与当前数据之间的差异统计,包括:选取基础矩阵中的奇异值较大的特征向量,构建得到对应历史数据主要特征的基础特征矩阵,然后通过比对测试矩阵的特征向量与基础特征矩阵间的变化程度,得到当前数据与历史数据之间的变化程度。
所述计算历史数据与当前数据之间的差异统计,包括:
按照λ从大到小排列,选择前l个(l<ω)对应的特征向量u,组合得到基础特征矩阵Ul;
同时按照测试矩阵的奇异值计算不同权重,得到最终的变化系数CP,即
所述综合电能量数据变化程度评价,包括:选取用户电能量数据时间序列进行分析,计算电能量数据时间序列的变化程度,综合得到用户电能量数据时间序列变化程度,从而得到用户用电行为变化的判断结论。
一种基于奇异谱分析的用户用电行为变化检测***,所述用户用电行为变化检测***,包括:
预处理模块:用于获取电能计量装置的电能量数据,并进行预处理;
数据处理模块:用于通过奇异谱分析方法,将电能量历史数据及当前数据进行矩阵构建和奇异值分解,得到对应奇异值与特征向量,得到历史数据的变化模式、当前数据的变化模式;
对比分析模块:用于计算历史数据与当前数据之间的差异统计,评价当前数据与历史数据之间的变化程度;
综合评价模块:综合电能量数据变化程度评价,得到该用户用电行为变化的判断。
所述预处理模块,包括0点冻结表码、每日96点电能示值曲线、每日96点电流曲线、每日96点功率曲线;所述预处理包括对电能量数据空值、极大极小值进行剔除拟合处理;
所述数据处理模块,通过奇异谱分析方法,将数据采用延时嵌入的方法得到数据的基础矩阵,然后对基础矩阵进行奇异值分解,得到对应的奇异值与特征向量;
所述对比分析模块,包括:选取基础矩阵中的奇异值较大的特征向量,构建得到对应历史数据主要特征的基础特征矩阵,然后通过比对测试矩阵的特征向量与基础特征矩阵间的变化程度,得到当前数据与历史数据之间的变化程度;
所述综合评价模块,包括:选取用户电能量数据时间序列进行分析,计算电能量数据时间序列的变化程度,综合得到用户电能量数据时间序列变化程度,从而得到用户用电行为变化的判断结论。
本发明提供了一种基于奇异谱分析的用电行为变化检测方法及***,采用奇异谱分析方法对用户电能量数据进行分解重构,得到相应的奇异值和特征向量。比较某个时间点前后电能量数据的特征向量之间的变化程度,从而得到电能量数据的变化评价。综合用户不同类型的电能量数据变化评价,得到用户用电行为变化的判断结论。本发明使用奇异谱分析方法,可准确识别用户用电行为中不同变化特征、显著程度高的分量,从而实现变化前后不同用电特征的精准识别,可以有效判断用户的用电行为变化趋势。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是一种基于奇异谱分析的用电行为变化检测方法的流程示意图。
图2是一种基于奇异谱分析的用电行为变化检测***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例
参阅图1,图1是一种基于奇异谱分析的用电行为变化检测方法的流程示意图。
如图所示,一种基于奇异谱分析的用户用电行为变化检测方法,所述用户用电行为变化检测方法,包括:
S101获取电能计量装置的电能量数据,进行预处理。
获取用户电能量数据时间序列,包含但不限于用户每日96点电能示值曲线P(t)、每日96点电压曲线U(t)、每日96点电流曲线I(t)、每日96点功率曲线W(t)时间序列。
对获取到的电能量数据时间序列进行预处理。计算对应各类时间序列的标准差,按照6倍标准差为阈值,对数值大于6倍标准差的异常数据点进行删除处理。
前后插值的方法拟合得到被删除的异常点的拟合数据值。同理采用前后插值的方法拟合数据值为空值的数据点。
S102通过奇异谱分析方法,将电能量历史数据及当前数据进行矩阵构建和奇异值分解,得到对应奇异值与特征向量,得到历史数据的变化模式、当前数据的变化模式。
所述奇异谱分析方法,将数据采用延时嵌入的方法得到数据的基础轨迹矩阵,简称基础矩阵,然后对基础矩阵进行奇异值分解,得到对应的奇异值与特征向量。
将t=i之前的电能示值曲线P(t)(t<i)时间序列进行轨迹矩阵构建并进行奇异值分解,得到对应奇异值与特征向量,得到历史数据的变化模式;
首先通过延时嵌入的方法得到P(t)时间序列的在时间点i之前的基础轨迹矩阵,即:
式中,t=i,ω为窗口长度,δ是采样窗口的个数;
然后对矩阵B进行奇异值分解,得到奇异值和奇异向量,即:
B=USVT
其中S为对角矩阵,对角元素即称为矩阵的奇异值,记为σ。
进一步的,因为:BBT=USVTVSTUT=US2UT;
可得:(BBT)U=US2;
故可求解矩阵BBT的特征值及特征向量得到对应的U,即:
(BBT)ui=λiui
将λi从大到小进行排列,则对应的ui表示了P(t)时间序列的在时间点i之前主要特征。
通过奇异谱分析方法,将t=i之后的电能示值曲线P(t)(t>i)时间序列进行轨迹矩阵构建并进行奇异值分解,得到对应奇异值与特征向量,得到当前数据的变化模式。
同上,通过延时嵌入的方法得到P(t)时间序列的在时间点i之后的测试轨迹矩阵,即:
其中t=i,ω为窗口长度,γ是采样窗口的个数。
然后对矩阵A进行奇异值分解A=MΣN,可得:
S103计算历史数据与当前数据之间的差异统计,评价当前数据与历史数据之间的变化程度。
选取基础矩阵中的奇异值较大的特征向量,构建得到对应历史数据主要特征的基础特征矩阵,然后通过比对测试矩阵的特征向量与基础特征矩阵间的变化程度,得到当前数据与历史数据之间的变化程度。
所述计算历史数据与当前数据之间的差异统计,包括:
按照λ从大到小排列,选择前l个(l<ω)对应的特征向量u,得到基础特征矩阵Ul;
同时按照测试矩阵的奇异值计算不同权重,得到最终的变化系数CP,即
S104综合电能量数据变化程度评价,得到该用户用电行为变化的判断。
选取用户多种电能量数据时间序列进行分析,分别计算不同电能量数据时间序列的变化程度,综合得到用户各类电能量数据时间序列变化程度,从而得到用户用电行为变化的判断结论。
对其余电能量数据同样进行奇异谱分析,得到对应的变化程度评价。获取用户其他类别的电能量数据,如电流示值曲线I(t)、功率曲线W(t),重复S101、S102、S103,得到对应电流示值曲线和功率曲线的变化系数CPI、CPW,当变化系数大于0.5,即认为该用户用电行为发生了变化。
一种基于奇异谱分析的用电行为变化检测方法,通过构建用户电能量数据时间序列的轨迹矩阵并进行奇异谱分解,提取时间序列中的主要特征信息,通过比对主要特征之间的变化程度,最终实现用电行为变化的准确判断。
图2,图2是一种基于奇异谱分析的用电行为变化检测***的结构示意图。
如图2所示,一种基于奇异谱分析的用户用电行为变化检测***,所述用户用电行为变化检测***,包括:
预处理模块201:用于获取电能计量装置的电能量数据,并进行预处理;
数据处理模块202:用于通过奇异谱分析方法,将电能量历史数据及当前数据进行矩阵构建和奇异值分解,得到对应奇异值与特征向量,得到历史数据的变化模式、当前数据的变化模式;
对比分析模块203:用于计算历史数据与当前数据之间的差异统计,评价当前数据与历史数据之间的变化程度;
综合评价模块204:用于对其余电能量数据同样进行奇异谱分析,得到对应的变化程度评价,综合各类别电能量数据变化程度评价,得到该用户用电行为变化的判断。
所述预处理模块201,包括0点冻结表码、每日96点电能示值曲线、每日96点电流曲线、每日96点功率曲线;所述预处理包括对电能量数据空值、极大极小值进行剔除拟合处理;
所述奇异谱分析方法202,将数据采用延时嵌入的方法得到数据的基础轨迹矩阵,简称基础矩阵,然后对基础矩阵进行奇异值分解,得到对应的奇异值与特征向量;
所述对比分析模块203,包括:选取基础矩阵中的奇异值较大的特征向量,构建得到对应历史数据主要特征的基础特征矩阵,然后通过比对测试矩阵的特征向量与基础特征矩阵间的变化程度,得到当前数据与历史数据之间的变化程度;
所述综合评价模块204,包括:选取用户多种电能量数据时间序列进行分析,分别计算不同电能量数据时间序列的变化程度,综合得到用户各类电能量数据时间序列变化程度,从而得到用户用电行为变化的判断结论。
本发明提供了一种基于奇异谱分析的用电行为变化检测方法及***,采用奇异谱分析方法对用户电能量数据进行分解重构,得到相应的奇异值和特征向量。比较某个时间点前后电能量数据的特征向量之间的变化程度,从而得到电能量数据的变化评价。综合用户不同类型的电能量数据变化评价,得到用户用电行为变化的判断结论。本发明使用奇异谱分析方法,可准确识别用户用电行为中不同变化特征、显著程度高的分量,从而实现变化前后不同用电特征的精准识别,可以有效判断用户的用电行为变化趋势。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,ReadOnly Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的一种基于奇异谱分析的用电行为变化检测方法及***进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于奇异谱分析的用户用电行为变化检测方法,其特征在于,所述用户用电行为变化检测方法,包括:
获取电能计量装置的电能量数据,进行预处理;
所述电能数据包括:0点冻结表码、每日96点电能示值曲线、每日96点电流曲线、每日96点功率曲线;
所述预处理包括对电能量数据空值、极大值、极小值进行剔除拟合处理;
通过奇异谱分析方法,将电能量历史数据及当前数据进行矩阵构建和奇异值分解,得到对应奇异值与特征向量,得到历史数据的变化模式、当前数据的变化模式;
计算历史数据与当前数据之间的差异统计,评价当前数据与历史数据之间的变化程度;
比较某个时间点前后电能量数据的特征向量之间的变化程度,从而得到电能量数据的变化评价;综合用户不同类型的电能量数据变化评价,得到用户用电行为变化的判断结论;
所述计算历史数据与当前数据之间的差异统计,包括:
按照λ从大到小排列,选择前l个对应的特征向量u,选取的特征向量数量l不大于基础轨迹矩阵B的采样窗口个数δ,得到基础特征矩阵Ul;其中,λ为基础轨迹矩阵B的奇异值的平方;
通过计算mη在Ul投影与mη之间的夹角余弦值,得到对应的变化系数CP,即:
同时按照测试矩阵的奇异值计算不同权重,得到最终的变化系数CP,即
2.根据权利要求1所述的用户用电行为变化检测方法,其特征在于,所述奇异谱分析方法,包括:
将数据采用延时嵌入的方法得到数据的基础矩阵,然后对基础矩阵进行奇异值分解,得到对应的奇异值与特征向量。
3.根据权利要求1所述的用户用电行为变化检测方法,其特征在于,所述奇异谱分析方法,包括:
将t=i之前的电能量数据P(t)时间序列进行轨迹矩阵构建并进行奇异值分解,得到对应奇异值与特征向量,得到历史数据的变化模式;
通过延时嵌入的方法得到电能量数据P(t)时间序列的在时间点i之前的基础轨迹矩阵,即:
式中,t=i,ω为窗口长度,δ是采样窗口的个数;
对基础轨迹矩阵B进行奇异值分解,得到奇异值和奇异向量,即:
B=USVT;
其中U为左奇异矩阵,V为右奇异矩阵,S为奇异值矩阵,其对角元素即称为矩阵的奇异值,记为σ,σi为第i个奇异值;
求解矩阵BBT的特征值及特征向量得到对应的U,即:
(BBT)ui=λiui;
将λi从大到小进行排列,λi为第i个特征值,则对应的ui表示了P(t)时间序列的在时间点i之前主要特征。
5.一种基于奇异谱分析的用户用电行为变化检测***,其特征在于,所述用户用电行为变化检测***,包括:
预处理模块:用于获取电能计量装置的电能量数据,进行预处理;
所述电能数据包括:0点冻结表码、每日96点电能示值曲线、每日96点电流曲线、每日96点功率曲线;
所述预处理包括对电能量数据空值、极大值、极小值进行剔除拟合处理;
数据处理模块:用于通过奇异谱分析方法,将电能量历史数据及当前数据进行矩阵构建和奇异值分解,得到对应奇异值与特征向量,得到历史数据的变化模式、当前数据的变化模式;
对比分析模块:用于计算历史数据与当前数据之间的差异统计,评价当前数据与历史数据之间的变化程度;
综合评价模块:用于比较某个时间点前后电能量数据的特征向量之间的变化程度,从而得到电能量数据的变化评价;综合用户不同类型的电能量数据变化评价,得到用户用电行为变化的判断结论;
所述计算历史数据与当前数据之间的差异统计,包括:
按照λ从大到小排列,选择前l个对应的特征向量u,选取的特征向量数量l不大于基础轨迹矩阵B的采样窗口个数δ,得到基础特征矩阵Ul;其中,λ为基础轨迹矩阵B的奇异值的平方;
通过计算mη在Ul投影与mη之间的夹角余弦值,得到对应的变化系数CP,即:
同时按照测试矩阵的奇异值计算不同权重,得到最终的变化系数CP,即
6.根据权利要求5所述的用户用电行为变化检测***,其特征在于,所述数据处理模块,通过奇异谱分析方法,将数据采用延时嵌入的方法得到数据的基础矩阵,然后对基础矩阵进行奇异值分解,得到对应的奇异值与特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011105301.2A CN112381351B (zh) | 2020-10-15 | 2020-10-15 | 一种基于奇异谱分析的用电行为变化检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011105301.2A CN112381351B (zh) | 2020-10-15 | 2020-10-15 | 一种基于奇异谱分析的用电行为变化检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381351A CN112381351A (zh) | 2021-02-19 |
CN112381351B true CN112381351B (zh) | 2022-10-11 |
Family
ID=74581601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011105301.2A Active CN112381351B (zh) | 2020-10-15 | 2020-10-15 | 一种基于奇异谱分析的用电行为变化检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381351B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255960A (zh) * | 2021-04-14 | 2021-08-13 | 北京市燃气集团有限责任公司 | 一种融合issa-svr的燃气用气量预测方法及装置 |
CN113378063B (zh) * | 2021-07-09 | 2023-07-28 | 小红书科技有限公司 | 一种基于滑动谱分解确定内容多样性的方法和内容排序方法 |
CN113792766A (zh) * | 2021-08-26 | 2021-12-14 | 广西电网有限责任公司 | 一种基于奇异谱分析的线变关系识别方法 |
CN115600061B (zh) * | 2022-12-14 | 2023-03-28 | 嘉兴索罗威新能源有限公司 | 基于机器学习的逆变器零压降数据处理方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077402B (zh) * | 2012-12-28 | 2016-05-11 | 国家电网公司 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
CN107024694A (zh) * | 2017-05-19 | 2017-08-08 | 武汉大学 | 基于奇异谱分析的电离层异常探测方法及*** |
CN109345013A (zh) * | 2018-09-25 | 2019-02-15 | 广西电网有限责任公司电力科学研究院 | 一种配电用户用电行为预测方法 |
CN111311292B (zh) * | 2018-12-12 | 2023-08-04 | 北京嘀嘀无限科技发展有限公司 | 一种用户分类方法和*** |
US11493911B2 (en) * | 2018-12-27 | 2022-11-08 | Utopus Insights, Inc. | System and method for proactive handling of multiple faults and failure modes in an electrical network of energy assets |
CN109993368A (zh) * | 2019-04-08 | 2019-07-09 | 福州大学 | 基于奇异谱分解和长短期记忆网络的功率预测方法 |
CN111103497A (zh) * | 2019-11-05 | 2020-05-05 | 深圳供电局有限公司 | 一种用户异常用电的检测装置及方法 |
CN111062502B (zh) * | 2019-12-17 | 2023-07-14 | 国网湖南省电力有限公司 | 用户用电行为细分方法及其故障分析方法 |
-
2020
- 2020-10-15 CN CN202011105301.2A patent/CN112381351B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112381351A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381351B (zh) | 一种基于奇异谱分析的用电行为变化检测方法及*** | |
CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
CN115858630B (zh) | 一种储能电站储能数据的异常检测方法 | |
CN107885928B (zh) | 考虑测量误差的步进应力加速性能退化可靠性分析方法 | |
CN112308124B (zh) | 一种面向用电信息采集***的智能防窃电方法 | |
CN112152201A (zh) | 基于卷积长短时记忆神经网络的用电负荷预测方法及*** | |
CN106067034B (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 | |
CN116660759B (zh) | 基于bms电池管理***的电池寿命预测方法及装置 | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、***及介质 | |
CN115686124B (zh) | 一种基于安全保护的储能电池输出功率自调节***及方法 | |
CN112836720A (zh) | 建筑运维设备异常诊断方法、***及计算机可读存储介质 | |
Chen et al. | Cluster-based profile analysis in phase I | |
CN112816881A (zh) | 电池压差异常检测方法、装置及计算机存储介质 | |
CN117154263A (zh) | 锂电池梯次利用充放电***及控制方法 | |
CN115980588A (zh) | 基于自编码器提取特征的锂离子电池健康状态估计方法 | |
CN117272143A (zh) | 基于格拉姆角场与残差网络的输电线故障辨识方法和装置 | |
CN113533995B (zh) | 一种动力电池一致性检测方法 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN112595918A (zh) | 一种低压集抄故障的检测方法及装置 | |
CN117171588A (zh) | 一种用于动力电池梯次利用故障检测方法 | |
CN117491813A (zh) | 新能源汽车动力电池***绝缘异常检测方法 | |
CN112613191A (zh) | 电缆健康状态评估方法、装置、计算机设备和存储介质 | |
CN115577312B (zh) | 基于改进dagmm的建筑用电负荷曲线异常检测方法 | |
CN116611003A (zh) | 一种变压器故障诊断方法、装置、介质 | |
CN110991741A (zh) | 一种基于深度学习的断面约束概率预警方法及*** |
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 |