(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211228800.X (22)申请日 2022.10.09 (71)申请人 重庆峰极智能科技研究院有限公司 地址 402760 重庆市璧 山区璧泉街道东林 大道92号 （52号厂房） (72)发明人 熊小伏　高庆　何祥桢　 (74)专利代理 机构 重庆博凯知识产权代理有限 公司 50212 专利代理师 黄河 (51)Int.Cl. H02J 13/00(2006.01) G06Q 50/06(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) (54)发明名称 一种采用组合学习方法的用电异常识别方 法 (57)摘要 本发明涉及用电检测技术领域， 尤其涉及一 种采用组合学习方法的用电异常识别方法， 包括 以下步骤： S1、 按照预设的要求获取家用电器用 电参数； S2、 通过排列组合的方式， 枚举出各家用 电器所有可能的用电方案， 并获取各用电方案对 应的总负荷电流； 所述用电方案包括各家用电器 的工作数量； S3、 以各用电方案为输入， 对应的总 负荷电流为输出， 对预设的神经网络模型进行训 练； S4、 获取实际处于工作状态的各家用电器的 数量作为实际用电方案， 输入训练好的神经网络 模型， 得到参考负荷电流； S5、 将实际总负荷电流 与参考负荷电流进行对比， 若偏差大于预设程 度， 则判定为存在异常。 本发明可 以大幅度提升 居民用电异常的监测效率， 防范可能出现的用电 事故。 权利要求书1页 说明书4页 附图2页 CN 115528813 A 2022.12.27 CN 115528813 A 1.一种采用组合学习方法的用电异常识别方法， 其特 征在于， 包括以下步骤： S1、 按照预设的要求获取家用电器用电参数， 所述预设的要求包括家用电器的类型及 数量； S2、 通过排列组合的方式， 枚举出各家用电器所有可能的用电方案， 并获取各用电方案 对应的总负荷电流； 所述用电方案包括各家用电器的工作数量； S3、 以各用电方案为输入， 对应的总负荷电流为输出， 对预设的神经网络模型进行训 练； S4、 获取实际处于工作状态 的各家用电器的数量作为实际用电方案， 输入训练好的神 经网络模型， 得到参 考负荷电流； S5、 将实际总负荷电流与参考负荷电流进行对比， 若偏差大于预设程度， 则判定为存在 异常。 2.如权利要求1所述的采用组合学习方法的用电异常识别方法， 其特征在于： 所述神经 网络模型为 三层神经网络模型。 3.如权利要求2所述的采用组合学习方法的用电异常识别方法， 其特征在于： 所述神经 网络模型的结构包括输入层神经 元15个、 隐藏层神经 元9个及输出层神经 元15个。 4.如权利要求3所述的采用组合学习方法的用电异常识别方法， 其特征在于： 所述神经 网路的激活函数为sigmo id函数。 5.如权利要求4所述的采用组合学习方法的用电异常识别方法， 其特征在于： S3中， 训 练神经网络模型时， 迭代次数设为10 00次， 训练方差设为1e ‑4， 学习率设为0.01。 6.如权利要求5所述的采用组合学习方法的用电异常识别方法， 其特征在于： S3中， 以 总负荷电流加权预设倍数作为输出， 对设的神经网络模型进 行训练； S 5中， 将实际总负荷电 流加权预设倍数后与参 考负荷电流进行对比。 7.如权利要求6所述的采用组合学习方法的用电异常识别方法， 其特征在于： 所述加权 倍数的数值大于等于80 。 8.如权利要求7所述的采用组合学习方法的用电异常识别方法， 其特征在于： S2中， 所 述总负荷电流 为： i(t)＝α1i1(t)+α2i2(t)+…αmim(t)+…αnin(t)； 其中， i(t)是家庭入户处t时刻测得的总负荷电流； im(t)是第m个电器在 t时刻的工作电 流， αm为该电器的工作个数， 工作个数为0则代 表该电器一个也没有开启。 9.如权利要求8所述的采用组合学习方法的用电异常识别方法， 其特征在于： S5中， 当 判定为存在异常时， 还进行 预设的用电警示。权　利　要　求　书 1/1 页 2 CN 115528813 A 2一种采用组合 学习方法的用电异常识别方 法 技术领域 [0001]本发明涉及用电检测技术领域， 尤其涉及 一种采用组合学习方法的用电异常识别 方法。 背景技术 [0002]节能减排是智能电网建设的重要技术目标。 我国电力系统改革虽然取得了很大进 展， 但仍然任重道远， 尤其是如何健全电力市场机制、 提高能源利用效率、 贯彻绿色发展战 略仍是极具挑战的问题。 [0003]目前的用电监测主要分为工商用电监测及居民用电监测。 其中， 工商业用虽然电 占比较大， 但用电模式单一， 现有研究也比较充分。 与之对应的， 居民用电模式则比较复杂、 柔性负荷占比高且需求 弹性较大， 有研究表明通过了解和改进居民用电行为可以节省 超过 27％的电力消耗。 因此， 研究居民用电问题对于提高能源系统效率、 实现节能减排、 绿色发 展具有重要意义。 对于居民用电的监测， 现在的主流技术为非侵入式的方法， 即， 通过负荷 分解来对用户用电行为进行研究， 但是， 这样的检测方式， 需要大量的电气特征进行运算， 才能对用电异常情况进行判定， 效率较为低下。 [0004]因此， 怎样才能在保证监测准确性的同时， 提升居民用电异常情况的监测效率， 成 为目前亟 待解决的问题。 发明内容 [0005]针对上述现有技术的不足， 本发明提供了一种采用组合学习方法的用电异常识别 方法， 可以在保证监测准确性的同时大幅度的提升居民用电异常的监测效率。 [0006]为了解决上述 技术问题， 本发明采用了如下的技 术方案： [0007]一种采用组合学习方法的用电异常识别方法， 包括以下步骤： [0008]S1、 按照预设的要求获取家用电器用电参数， 所述预设的要求包括家用电器 的类 型及数量； [0009]S2、 通过排列组合的方式， 枚举出各家用电器所有可能的用电方案， 并获取各用电 方案对应的总负荷电流； 所述用电方案包括各家用电器的工作数量； [0010]S3、 以各用电方案为输入， 对应的总负荷电流为输出， 对预设的神经网络模型进行 训练； [0011]S4、 获取实际处于工作状态的各家用电器 的数量作为实际用电方案， 输入训练好 的神经网络模型， 得到参 考负荷电流； [0012]S5、 将实际总负荷电流与参考负荷电流进行对比， 若偏差大于预设程度， 则判定为 存在异常。 [0013]优选地， 所述神经网络模型为 三层神经网络模型。 [0014]优选地， 所述神经网络模型的结构包括输入层神经元15个、 隐藏层神经元9个及输 出层神经 元15个。说　明　书 1/4 页 3 CN 115528813 A 3