终极定制
电力数据是电力应用产生的另一个重要资源。
作为最便捷、使用最广泛的能源，电力应用对人类社会贡献巨大。电力数据是人类社会在数据域上的一个映射，
可借由分析个体或社会组织行为。我们的目标就是研究电力数据与人类行为的相关性。借助大数据和 AI 技术，挖掘
其内在关联，从而服务于社会。让我们共同定制开发面向未来的电力智能产品！
电力数据体现价值，睿据采用电力数据定时采集与门限阀值采集（电压 / 电流变化量达到一定比率时实时上报）
两种方式，已进入高速率电力数据流（MSPS 速率）采样阶段。未来的断路器应具有动态采集策略、更高采集速率、
更多电力指标、更丰富的压缩感知模式，且实现安全门限自我学习调整。睿据以国内一流的软硬件实现能力，帮您定
制专属智能断路器
睿据已实现多种场景的电力数据统计与特征提取，建立了用户电力风险评估模型，可广泛应用于各类电力应用
场景，同时睿据已进行大量电器的用电指纹 AI 学习，构建了非侵入式负载监测（NILM）模型，进行用电习惯向量
分解和电力用户画像等工作。
用电指纹
电器用电数据具有的区别于其他电器的特征，可
类比作电器的指纹。
电器用电指纹由多维向量构成，指纹需要具备可
区分性、稳定性等特征。
仅由电力数据形成的电器指纹可能具有歧义，可借助电器使用“上下文”来消除歧义。与文本理解、
语音识别问题一样，一个词具有多种语义，需要借助上下文。电气关联度便是这里的“上下文”。
电力预测和识别采取概率学习统计，如同分词、语音识别等类似的方法。概率统计某种程度表示了电器使用习惯的关联性。
睿据已实现 20 多种电器的稳定识别，不断采集整理指纹库。
采用 AI 提高识别率，进一步区分电器品牌。借助非电力数据融合方案，会大大提高工作效率。
NILM
NILM- 非侵入式负载监测是学术界研究这类问题的提法。
NILM 与用电器识别（用电指纹）问题可以结合起来进行研究。
我们已通过深度学习技术完成负荷分解任务。搭
建基于卷积神经网络、自动编码器、长短期记忆网络和门控循环单元的四种分解模型，实现了目标电器的用电功率精确分解。
用电习惯向量
基于 NILM 分析后的数据进行研究；
定义用电习惯向量。用电习惯向量维度缩减及自主学习实现；
用电习惯向量的时间属性。用电习惯向量随时间变化的特性；
用电习惯向量的地域特性（自然环境）。用电习惯向量随地域变化的属性；
用电习惯向量的文化特性。受不同文化影响的个
人与社会组织单元的用电习惯向量，针对个人、家庭、企业部门、企业、社区、国家等的研究；
用电习惯 / 用电器关联矩阵——描述用电习惯与用电器的关联性；
用电习惯向量的稳定性分析。
电力用户画像
主要研究用电习惯向量与用户之间的特征关联关系
画像是强相关维度项下的社会属性
个人稳定性画像
个人画像缓变偏离体现出的改善信息
个人画像突变的社会意义
企业稳定性画像
企业画像缓变偏离体现出的改善信息
企业画像突变的社会意义
个体平均用户画像
家庭平均用户画像
企业平均用户画像
地区平均用户画像
技术创新
高精度电力传感技术
研发非接触式电力传感芯片。
电力安全保护核心技术
低延迟电力故障检测：基于压缩感知的数据检测；
实施有效保护：传统断路器、永磁保持继电器、
电子开关等技术的综合应用；保护性能指标体系，在可用性达到某个确定值的前提下，使得综合风险最小。
智能控制
基于 AI 的预测，基于用电指纹的一体化智能控制。
服务技术创新
电力微服务随时随地获取技术、物联社交服务技术等。
硬件、软件、算法三维度联合创新，实现相关技
术指标。
应用创新
设备研发创新
保护应用创新：电力综合保护、配电线路保护、重点设备保护、电器综合一体化能源
节能应用创新：能耗管理、多能源管理、储能一体化、新能源管理
智能应用创新：侧重舒适性的智能家居产品、安
防领域创新应用、侧重政府市场的电力需求政策制定、侧重综合能源的水电气数据融合应用。
电器相关应用
通过电器用电数据，可以渗透到电器行业的测试、
故障分析、售后维护等领域。
社会属性分析
用户行为分析，可进行用户画像工作，经济实力
分析，身体健康状况，生活自律性等。
行为改善分析
基于长期用户习惯、突发用户行为数据，提出个
人健康生活建议等；电器领域内的性能评估等应用；国家层面的调查和分析报告等。
