CN102314547A - 用于虚拟辅助计量的系统和方法 - Google Patents

用于虚拟辅助计量的系统和方法 Download PDF

Info

Publication number
CN102314547A
CN102314547A CN201110191588XA CN201110191588A CN102314547A CN 102314547 A CN102314547 A CN 102314547A CN 201110191588X A CN201110191588X A CN 201110191588XA CN 201110191588 A CN201110191588 A CN 201110191588A CN 102314547 A CN102314547 A CN 102314547A
Authority
CN
China
Prior art keywords
separately
energy
utensil
devices
electron devices
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
Application number
CN201110191588XA
Other languages
English (en)
Inventor
P·谢蒂
R·阿拉克雷
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.)
Honeywell International Inc
Original Assignee
Honeywell International Inc
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 Honeywell International Inc filed Critical Honeywell International Inc
Publication of CN102314547A publication Critical patent/CN102314547A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

公开用于虚拟辅助计量的系统和方法。系统(100)和方法(200)基于累积的家庭能量使用数据(1231C)和器具的能量消耗简档(1231D)来估计单个器具(114,115)的能量使用。一个示例系统接收包括具有不同额定负载的一组两个或多个器具(114,115)的建筑物(112)或其他结构的累积或合计能量使用。基于器具的合计的能量使用(1231C)和预先定义的使用简档(1231D),该系统估计器具的单个能量使用(138C,138D,230)。在实施例中,该系统通过使用贝叶斯估计器(124)来估计器具的单个能量使用并在图形用户界面(138)上显示被称为虚拟辅助计量读数的使用估计(130,240)。

Description

用于虚拟辅助计量的系统和方法
技术领域
本发明的各种不同实施例涉及电能使用的间接或虚拟测量。
背景技术
近些年已经看到不断增长的对能源节约的关注。在这个领域中,本发明者已经意识到的一个问题是帮助单个器具和其他仪器零件的用户理解这些器具的能量消耗并且从而更理智地指定他们节能努力目标的问题。尽管人们可以耦合能量表到每个器具来测量它的能量使用,但是被这些电表的成本倍增的在典型的家庭和企业中的器具的数量已经被阻止广泛使用。
相应地,本发明者已经意识到需要测量单个器具的能量使用的更好方式。
发明内容
为了解决这个和/或其他的问题,本发明者尤其设计出基于累积的家庭能量使用数据和器具的能量消耗简档(profile)来估计单个器具的能量使用的系统和方法。一个典型的系统接收用于包括具有不同额定负载的一组两个或更多器具的建筑物或其他结构的累积或合计能量使用。基于器具的合计能量使用和预先定义的使用简档,该典型系统估计器具的单个能量使用。在一个实施例中,该系统通过使用贝叶斯(Bayesian)估计器来估计器具的单个能量使用并且在图形用户界面上显示被称为虚拟辅助计量读数的使用估计。
附图说明
图1是对应于本发明的一个或多个实施例的典型虚拟辅助计量系统100的框图;
图2是对应于本发明的一个或多个实施例,操作虚拟辅助计量系统的典型方法的流程图。
具体实施方式
结合附图和随附权利要求书的这篇文献描述了本发明的一个或多个特定的实施例。提供非限定而是仅示例和教导本发明的这些实施例被充分详细地显示和描述,使得那些本领域技术人员能够执行或实践本发明。从而,在适合避免使本发明模糊的地方,说明书会省略一些对那些本领域技术人员来说是已知的信息。
概览
一种示例性的虚拟或非侵入式的辅助计量系统和方法被公开。该示例性系统并入了动态系统模型,该动态系统模型融合了来自耦合到单个能量测量设备的至少两个器具或仪器零件的多变量能量信息并通过使用贝叶斯(Bayesian)估计程序推导出该两个器具的电气活动。该示例性系统可以接收来自单个或最小数量的能量表的累积的能量读数。在一个商业的建筑物或工业场景中,该示例性系统接收来自用于非侵入式辅助计量应用的多个能量表的能量消耗读数。该示例性贝叶斯(bayesian)估计程序将来自能量测量设备的累积能量测量数据和每个器具的器具简档信息考虑在内。示例性器具简档信息包括:
a.器具额定负载
b.器具模式依赖性
c.器具/分级结构的相互依赖性
d.用户优先权
e.占有情况
f.星期几
g.天气状况
此外,一些实施例包括用于理解家庭或建筑物环境和重调系统参数的自动配置功能,以及用于检测建筑物变化,诸如电气负载的增加或删除,的变化检测功能。
示例性虚拟辅助计量系统
图1示出了一种示例性虚拟辅助计量系统100。系统100包括建筑物系统110、一个或多个web服务器120,以及一个或多个访问设备130。
示例性建筑物系统
建筑物系统110包括能量源111、建筑物112、能量表113、电器具114和115。采用本地或远程发电机的示例性形式的能量源111,提供电力给建筑物112,被建筑物112消耗的合计或累积的能量被能量表113例如数字电表测量。该示例性系统使用测量瓦特消耗的数字能量表。现有的多费制电表(tariffmeter)不具有这种便利。在这样的情况下,数字能量表被安装在多费制电表之后。如果智能的多费制电表是可用的,那么它能被直接用于该目的。通常代表一个或多个建筑物的建筑物112采用住宅或商业结构的示例性形式。建筑物112包括一组N个器具、更通常的电气负载、设备或仪器,其中器具114和115通常是代表性的。在一个实施例中,器具114是热水器以及器具115是空调,并且具有不同的能量额定负载,例如以瓦特计量。在其他的实施例中,一个或多个器具或电气负载采用冷却器、马达、压缩机、照明设备,或其他工业仪器或家用器具。因而,能量表113的合计的能量测量合计了器具114和115的单个使用。器具114和115与可被自动或人工操作的各自开—关开关114A和115A相关联。在商业的建筑物场景或工业场景中,多个能量表被安装在建筑物或工厂的不同位置。在此描述的方法也可以处理这个场景。
示例性的web服务器
接收负载简档信息和来自能量表113的合计或累积能量使用数据的服务器120,包括处理器模块121、存储器模块122、用户数据模块123、贝叶斯(Bayesian)估计模块124、和用户接口模块125。(在一些实施例中,处理器模块121和存储器模块122被合并在电表中以允许单个负载消耗数值的完全或部分本地估计。)
处理器模块121包括一个或多个本地或分布式的处理器,控制器,或虚拟机。在示例性实施例中,处理器模块121采取任一便利或需要的形式。在一些实施例中,一个或多个处理器被合并到服务器中。
采用一个或多个电的、磁的、或光的数据存储设备的示例性形式的存储器模块122存储用户数据模块123、贝叶斯(Bayesian)估计模块124、和用户接口模块125。
在示例性实施例中,用户数据模块123包括一组或多组用于收集和存储用户账户或订户数据的机器可读和/或可执行指令。为此,模块包括一个或多个数据结构,其中数据结构1231是代表性。数据结构1231包括唯一的识别部分1231A,其在逻辑上与一个或多个字段相关联,诸如字段1231B、1231C、和1231D。字段1231B包括用户账户数据,诸如用户姓名和密码、地址或联系数据(诸如邮政投递地址、移动电话号码和电子邮件地址);字段1231C包括与用户相关联的来自能量表的被时间标记的合计使用数据。字段1231D是一个或多个器具,诸如器具114和115,的器具简档信息。
在示例性实施例中,负载简档信息或数据提供在包括周末和假日的典型的一天中的使用小时,以及负载的额定瓦特和负载的类型,例如洗衣机、热水电路、空调等。(该系统也通过在连续不断的基础上监控能量使用来获得实际的消耗)。在一些实施例中,用户数据模块或服务器120是公共事业公司的计量数据管理系统的一部分;然而,在其他的实施例中,用户数据和/或服务器不是被公共事业公司控制,而是被代表建筑物112的拥有者或出租者的第三方实体控制。
贝叶斯(Bayesian)模块124包括一组或多组用于接收来自能量表113(或来自拥有或控制能量表113的公共事业公司的计量数据管理系统)的合计使用值和用于接收来自用户数据模块123的器具简档数据,并通过使用贝叶斯(Bayesian)估计器来确定单个器具能量消耗(虚拟辅助计量值)的机器可读和/或可执行指令。
建筑物功率消耗的动态模型
更特别地,在用公式表达它的贝叶斯(Bayesian)估计器的动态模型中,示例性的实施例假定对于单个器具的恒定额定功率(即,操作的单一模式),以及对于每个器具的唯一额定功率(即,没有两个器具具有相同的瓦特)。例如,在一个实施例中,风扇被设定在60Watts和冰箱被设定在100Watts。此外,示例性的实施例让
Figure BSA00000534477200041
成为表示单个器具的瓦特消耗的器具矩阵,其中n表示在建筑物中的器具的数量。根据物理的观点,每个器具具有恒定的额定功率。而且,在两个采样点之间的功率消耗P被假定为恒定。这允许人们表达功率消耗的变化率为:
dP dt = 0 - - - ( 1 )
瓦特或能量表读数y(t)是多个负载的功率消耗的合计,并能被写为
Figure BSA00000534477200043
Eg=Kwhr,y=wattage
y ( t ) = Σ i = 1 m x i ( t ) S i ( t ) - - - ( 2 )
其中状态xi(t)表示第i个器具的动态功率或能量消耗;Si(t)表示第i个器具的开关状态(0或1,其分别对应于开或关)。以状态空间的形式,该过程和测量等式可以被表达为:
x(t+1)=H.x(t)+w(t)    ω(t)~N(0,Q)
y(t)=Ctx(t)+v(t)      ω(t)~N(0,R)    (3)
观测矩阵Ct∈R1×n基于在环境中潜在的开关事件随时间而变化。当所有的器具被切换到关,Ct=[00...0]以及当所有器具被切换到开,Ct=[11...1]。实际上,观测矩阵Ct依赖于在建筑物中的潜在的电气活动而可能采用在全部关和全部开的状态之间的形式。状态转换矩阵H是指示单个器具的连续操作/不操作的单位矩阵。多变量测量诸如有功功率、无功功率、谐波含量、相位电流、电压可以通过使用智能表来获得。在这样的场景中,可以使用相似的公式表达。然而,人们可能基于该测量来修改观测等式。
在动态模型中的在先器具信息的示例性合并
采用等式3)中定义的动态模型,示例性实施例并入了关于器具操作的在先信息。在先信息的示例性形式包括:
1.一天中的时间
2.器具额定负载
3.器具模式依赖性(例如,洗碟机在热水冲洗模式后设置干燥模式)
4.动态器具模式切换(随时间切换)
5.用户行为—用户生活周期/优先权(用户在夜间切换开启洗碟机)
6.器具/分级结构的相互依赖性
7.天气信息(热水器基于环境温度在冬天被使用)
8.用户占有情况
在用公式表达估计器以并入在先的器具信息,示例性实施例定义能量表读数的观测序列直到时间S为Ys={y1,y2...ys}。此外,它假定状态xt的初始条件为
Figure BSA00000534477200051
Figure BSA00000534477200052
并当能量表读数接近零的时候,初始化所有状态为零。基于已知的初始条件,它推导出预测的状态和协方差矩阵为
x t t - 1 = Hx t - 1 t - 1
P t t - 1 = HP t - 1 t - 1 H ′ + Q ; - - - ( 4 )
注意事件信息不包括在预测步骤中。在得到新的观测后,伴随潜在的事件,重新调整获得更新的状态。
x t t = E [ x t | Y t ]
= E [ E [ x t | Y t , C t ] | Y t ]
= E [ Σ j = 1 m E [ x t | Y t , I ( C t = C j ) ] | Y t ] - - - ( 5 )
I是指示器函数。给定在时间t的新信息和事件,人们可以通过使用常规的卡尔曼(Kalman)滤波更新来更新状态;其可被给定为:
x t t = E [ Σ j = 1 m E [ x t , j t - 1 + K t , j ( y t - x t t - 1 ) ] I ( C t = C j ) | Y t ]
= x t t - 1 + Σ j = 1 m K t , j ( y t - x t , j t - 1 ) P ( C t = C j | Y t ) - - - ( 6 )
其中Ki,j是在不同事件[2]下的卡尔曼(Kalman)增益。
以类似的思路,人们可以证明更新的协方差矩阵为
Figure BSA00000534477200066
= Σ j = 1 m P ( C t = C j | Y t ) [ I - K t , j P t t - 1 ] - - - ( 7 )
由于新观测的可利用性,革新或新信息被定义为新的观测和预测的观测之间的差别。考虑到不同事件的可能性,当预测时,可以获得不同的革新。根据卡尔曼(Kalman)滤波,在不同事件下的革新序列可以被给定为:
∈ t , j = y t - C j x t t - 1 ∀ j = 1,2 . . . m - - - ( 8 )
考虑到在不同事件下革新的协方差:
Figure BSA000005344772000610
= E [ ( y t - C j x t t - 1 ) ( y t - C j x t t - 1 ) ′ ] ∀ j = 1,2 . . . m
= C ′ j P t t - 1 C j + R - - - ( 9 )
因为
Figure BSA000005344772000614
在不同事件下是恒定的,所以在不同事件下的革新协方差保持相同。因而
K t , j = P t t - 1 C j ′ Σ t , j - 1
= P t t - 1 C j ′ [ C j P t t - 1 C j ′ + R ] - 1 - - - ( 10 )
接下来,人们获得观测矩阵的切换概率。这些概率判定在考虑中的模型。下面,我们获得给定观测的特定事件发生的条件概率。实施例在更新状态时采取“胜者全拿”的方法。
如在等式6和7中给定的更新等式(状态和状态协方差两者)要求获得P(Ct=Cj|Yt)的知识。在这项中,示例性实施例并入了将帮助隔离承担责任的事件的各种在先信息。
这部分解释了并入在先信息用于检测在建筑物中的器具开关事件的方法。如早一些所解释的,各种不同类型的在先信息是可用的并且该示例性实施例提供了并入其的框架。事件矩阵Ct是指示在给定时间t操作的器具的序列的事件。事件矩阵是组成合适的事件矩阵Ct的多个子事件A1,A2...,Ak的组合。下面,我们解释合并在先知识到状态估计程序的方法论。
关于器具开关一天中的时间信息—随时间调节的合并
众所周知,某些类型的器具被用于一天中的某些时间。例如,照明设备大多数被用于夜间以及洗碟机可被在一天中的某些时间使用。这样在先事件的概率可以通过获得指示随着时间被切换为开/关的器具的概率的终端用户使用简档而被产生。在这个部分,我们介绍一种并入这种知识到估计器中的方法。然而在即将到来的部分,我们介绍了一种根据该数据获得这个在先信息的方法。在很多可能性中的一个,用户可以指示在一天的整个跨度中器具的可能使用。这个信息可以被转变为统计项。例如,用户可以采用如:[可能,不知道,不可能]的口头用语(colloquial term)来提供可能的使用。
来自用户的输入    P(器具状态=开t)
可能              0.9
不知道            0.5
不可能            0.1
这个信息的合并被称为“在时间上的调节”
Figure BSA00000534477200081
项A1(t)是时间函数。例如,灯的操作概率在夜间远比在白天时间的高。可供选择地,炉灶的操作概率在中午低而在早上和晚上高。这些概率而来的概率密度函数(pdf)根据每个用户和地理位置而变化。因此,在先概率随着时间被获得并接着被合并到估计器中。
器具依赖性—在空间调节的合并
在家庭或建筑物(或商业)中,不同的器具互相依赖于它们彼此的操作(或不操作)。而且,在其他情况下,两个器具不在同一时间操作。例如,加热器和冷却器不会同时工作。类似的器具依赖性可以被引入并可以被用于有效地辅助计量中。我们把这种一定时间内的这些类型的操作依赖性的并入称作“在空间上的调节”。在空间上的调节利用器具使用的序列,其可以是来自用户的输入或可以通过观测器被获得。让我们考虑在给定时间t的事件的空间分布E=[A1 A2 A3]
P(Et|Yt)=P(A1=ONt,A2=ONt,A3=ONt|Yt)
     =P(A1=ONt|Yt)P(A2=ONt|A1=ONt,Yt)*
       P(A3=ONt|A1=ONt,A2=ONt,Yt)
     =P(A2=ONt|Yt)P(A1=ONt|A2=ONt,Yt)*
       P(A3=ONt|A1=ONt,A2=ONt,Yt)
     =P(A3=ONt|Yt)P(A1=ONt|A3=ONt,Yt)*
       P(A2=ONt|A1=ONt,A3=ONt,Yt)    (12)
建模分级的依赖性
示例性实施例也合并关于器具操作的分级依赖性的在先信息。例如,假定一种情形,其中器具A1独立地操作以及器具A2仅在器具A1操作时操作。上述情形可以被按照如下建立模型:
P = ( A 2 ( t ) | Y t ) = ∫ - ∞ ∞ P ( A 2 ( t ) , A 1 ( t ) | Y t ) d A 1 ( t )
= P ( A 1 ( t ) = ON | Y t ) P ( A 2 ( t ) | A 1 ( t ) = ON ) +
P ( A 1 ( t ) = OFF | Y t ) P ( A 2 ( t ) | A 1 ( t ) = OFF ) - - - ( 13 )
项P(A2(t)|A1(t)=ON)和P(A2(t)|A1(t)=OFF)表示分级结构和器具依赖性。
短时切换动态的合并
在家庭和建筑物的场景中,使器具工作在多个模式并汲取可比较的功率是非常普通的。因此,在汲取相似的功率时估计多个器具的状态是极其困难的。在这点上,我们利用器具的短时动态连同上述在先信息。
P(At=ei|Yt)=P(At=ei|Yt,Yt-1)...其中Yt-1信息直到(t-1)
                                    Yt=传感器
在t时刻测量
= P ( A t = e i , Y t , Y t - 1 ) P ( Y t , Y t - 1 )
= P ( A t - 1 ) P ( A t = e i | Y t - 1 ) P ( Y t | A t = e i , Y t - 1 ) P ( Y t - 1 ) P ( Y t | Y t - 1 )
P(At=ei|Yt)∝P(At=ei|Yt-1)P(Yt|At=ei)     (14)
P ( A t = e i | Y t ) = Σ ej P ( A t = e i , A t - 1 = e j | Y t - 1 )
= Σ ej P ( A t + e i | A t - 1 = e j ) P ( A t - 1 = e j | Y t - 1 ) - - - ( 15 )
其中P(At=ei|At-1=ej)是一步马尔可夫转移密度和
P(At=ei|Yt-1)是在t-时器具状态的在先概率。
注意在i=j的情况下,P(At=ei|At-1=ej)测量更接近于1;其意味着,以类似思路的器具的概率,诸如“操作特征”,“动态器具模式切换”和季节效应的其他先前信息可以被合并。然而,暂态分析不同于上述分析并在接下来的部分被解说。
P ( C t = C j | Y t ) = P ( C t = C j | y t Y t - 1 )
= P ( C t = C j | y t Y t - 1 ) P ( y t , Y t - 1 ) )
= P ( Y t - 1 ) P ( C t = C j | Y t - 1 ) P ( y t | C t = C j , Y t - 1 ) P ( Y t - 1 ) P ( y t | Y t - 1 )
= P ( C t = C j | Y t - 1 ) P ( y t | C t = C j , Y t - 1 ) P ( y t | Y t - 1 )
= P ( C t = C j | Y t - 1 ) P ( y t | C t = C j ) Σ k = 1 m P ( C t = C k | Y t - 1 ) P ( y t | C t = C k ) - - - ( 16 )
现在考虑项P(Ct=Cj|Yt-1)
P ( C t = C j | Y t - 1 ) = Σ k = 1 m P ( C t = C j , C t - 1 = C k | Y t - 1 )
Σ k = 1 m P ( C t = C j | C t - 1 = C k ) P ( C t - 1 = C k | Y t - 1 ) - - - ( 17 )
在上述表达P(Ct=Cj|Ct-1=Ck)是在时间t的事件Cj发生的转变概率,假定事件Ck在t-l已经发生。
现在考虑项P(yt|Ct=Cj,Yt-1)。在这里把该方法扩展到马尔可夫例子的困难在于yt之间的依赖性,其使得有必要去列举所有可能的历史以获得滤波等式。为了估计P(Ct=Cj|Yt-1),认为观测矩阵序列C1=Cj1,C2=Cj2C3=Cj3...Ct-1=Cjt-1,j=1,2,...,m和i=1,2,...,(t-1),其规定了直到过去的特定组测量矩阵;让这个事件(或经过时间的一系列事件)表示为Ct-1=Ct;因为mt-1可能的结果针对C1,C2...Ct-1而存在,我们有
P ( y t | C t = C j , Y t - 1 ) = Σ t = 1 m t - 1 P ( C t - 1 = C l | Y t - 1 ) P ( y t | Y t - 1 , C t = C j , C i - 1 = C l )
= Σ l = 1 m t - 1 a ( l ) N ( y t | μ t , j , Σ t , j ( l ) ) , j = 1,2 , . . . , m
(18)
符号N(ytt,j(l),∑t,j(l))指示参数μt,j(l),∑t,j(l)的正常密度。因此,有条件的相似性(conditional likelihood)是混合高斯并且高斯的数量依赖于时间标记和可能事件的数量。这些参数可以被给定为:
μ t , j ( l ) = x t t - 1 ( l ) = E [ x t | Y t - 1 , C t - 1 = C l ]
Σ t , j ( l ) = P t t - 1 + R
因为在每个时间标记的上述表达的估计非常费时,所以可能事件的数量呈指数增长。克服这个问题的方法之一是通过放弃不大可能发生的事件或仅考虑最有可能的事件。通过这个方法,人们可以修整采样路径并接着计算P(yt|Ct=Cj,Yt-1)。另一个可供选择的方式是使用最接近的正态分布(通过使用Kulback-Leiber距离)。在这个情况中,近似导致选择具有与P(yt|Ct=Cj,Yt-1)相关联的相同均值和方差的正态分布,即我们通过具有均值
Figure BSA00000534477200113
和方差
Figure BSA00000534477200114
的分布近似P(yt|Ct=Cj,Yt-1)。
除了用户数据模块123和贝叶斯(Bayesian)估计模块124,存储器122存储用户—接口模块125。
在示例性的实施例中,用户接口模块125包括机器可读和/或可执行的指令集合,其用于全部或部分定义基于web或浏览器兼容的用户接口来使得用户能够输入器具使用简档和能够通过访问设备130,访问通过贝叶斯(Bayesian)估计模块124为器具确定的单个能量使用。
示例性的访问设备
访问设备130通常代表一个或多个访问设备。在示例性实施例中,访问设备130采用个人电脑、工作站、个人数字助理、手机,或任何其他能够提供与服务器或数据库的有效用户接口的设备。访问设备130可以位于建筑物112里面或不在建筑物112里面。特别地,访问设备130包括处理器模块131一个或多个处理器(或处理电路)131、存储器132、显示器/扩音器133、键盘134和图形指针或选择器135。
处理器模块131包括一个或多个处理器、处理电路或控制器。在示例性的实施例中,处理器模块131采用任何便利或可需要的形式。耦合到处理器模块131的是存储器132。
存储器132存储用于操作系统136、浏览器137和图形用户界面(GUI)138的代码(机器可读或可执行指令)。在示例性实施例中,操作系统136采用Microsoft Windows操作系统版本的形式,以及浏览器137采用Microsoft InternetExplorer版本的形式。操作系统136和浏览器137不仅接收来自键盘134和选择器135的输入,也支持在显示器133上GUI138的再现。在显示器133上再现时,GUI138呈现与一个或多个交互式的控制特征(或用户—接口元件)相关联的数据。示例性实施例通过使用来自服务器120的小应用程序(applet)或其他程序对象或结构来定义接口138的一个或多个部分。特别地,GUI138包括器具输入区域138A和能量使用报告区域138B,其包括使得用户能够定义和提交各种住宅或企业器具的负载简档的域或区域,如前所讨论的。能量使用报告区域138B显示来自能量表113的合计使用值和被用于在建筑物112中器具114和115的贝叶斯(Bayesian)估计模块124确定的贝叶斯(Bayesian)估计的虚拟辅助计量读数值。
操作的一个或多个示例性方法
图2示出操作系统,诸如系统100,的一个或多个示例性方法的流程图200。流程图200包括在示例性实施例中以一系列执行顺序被放置和描述的方块210-299。然而,其他实施例通过使用被组织为两个或多个虚拟机或子处理器的多个处理器或类似处理器的设备或单个处理器并行执行两个或多个方块。其他实施例也改变处理顺序或提供不同的功能划分来获得相似的结果。例如,一些实施例可以改变客户端—服务器的功能分配,以便于在服务器侧上所显示和描述的功能被在客户端侧上全部或部分执行,以及反之亦然。而且,还有其他的实施例执行所述方块作为具有在模块之间以及贯穿模块传送的相关控制和数据信号的两个或多个相互连接的硬件模块。因而,示例性处理流程应用到软件、硬件、以及固件执行。
在方块210,示例性方法以定义用于建筑物的两个或多个器具的器具信息开始。在示例性实施例中,如上所述,通过使用在图1中的访问设备130和它的图形用户界面138,这个需要伴随定义器具的额定负载和典型的操作周期。在一些实施例中,图形用户界面阻止用户输入具有相同额定负载值的两个器具或可供选择地阻止用户指示具有相同额定负载值的两个器具同时运行,因为在合计能量表读数中识别它们的困难。然而,一些实施例可以平衡负载,诸如无功负载,的一个或多个电气特征作为区别特征。还有其他的实施例也可以允许两个器具被设计为具有相同的负载率以及在时间上具有部分重叠,但是在进一步的分析中简单将它们对待作为单个合并的负载。一旦器具信息已经被输入,执行继续进行到方块220。
方块220需要伴随接收一个或多个合计能量表读数。在示例性实施例中,这个需要伴随接收来自与建筑物附连或以其他方式与建筑物相关联的电功率表,例如表113和建筑物112,的能量表读数。在一些实施例中,表读数通过用于电力公用事业的计量数据管理系统被提供。在方块230,实施例继续执行。
基于来自方块210的输入器具信息,方块230需要伴随将至少一个合计能量表读数分解为两个或多个虚拟辅助计量表读数。在示例性实施例中,这个需要伴随在图1中的贝叶斯(Bayesian)估计模块124的使用。继续执行到方块240。
方块240需要伴随通过显示设备呈现虚拟辅助计量表读数。为了这个目的,示例性实施例经由在访问设备,诸如访问设备130,上的图形用户界面,诸如界面138,向用户显示每个输入器具的虚拟辅助计量表读数。
虚拟辅助计量表的示例性自动配置
这个部分描述了一种用于估计和获得负载参数的方法,特别是如输入到虚拟辅助计量模块的平均额定功率(以瓦特计)和单个负载的方差。为了区分不同的负载,我们假定在两个不同负载之间的额定功率差为ΔW。而且,为了避免界外值,示例性实施例使用可调的置信度概率(belief probability)。当置信度概率超过一定的阈值时,相关联的负载符号被认为适合于特定的负载。该方法也能利用时间和空间切换的依赖性。算法的伪代码在下面给出。让ΔW为基于所要求的功率来区分不同负载的可调参数。让PB为最小置信度概率。让Nmax为设定负载的最大数量Nmax>N,其中N为当前负载的实际数量,其为不可知的常数。
Figure BSA00000534477200131
示例性变化检测和重新配置
在系统100中向或从建筑物,诸如建筑物112,增加或移除系统或器具是常见的。不管什么时候这样的变化发生,模型需要被重新配置以反映该变化。在这个部分,我们研发了一种能够检测环境中的变化和帮助配置算法去理解和说明已变化环境的检测方法论。
考虑在等式8中定义的革新序列。相同的均值和协方差可以被给定为:
∈ t , j = y t - C j x t t - 1 ∀ j = 1,2 . . . m
E[xt,j]=0
Σ t , j = C j ′ P t t - 1 C j + R - - - ( 19 )
革新序列的均值是推理准确性的测量。在这种情况下,至少一个例子(来自m个事件)可能具有零均值处理。在每个时间标记t,我们选择具有接近于零均值的革新例子并采集它们。我们称这个为{r(t)}或残余序列。我们接着基于内曼—皮尔逊准则(Neyman-Pearson Criterion)运行假设测试。当置信度变量达到设定的阈值时,置信度测量被建立在已检测到的例子上并且机制被建立。用于其的伪代码被给定如下:
 1.初始化置信度变量c
 2.生成残余序列{r(t)}
 3.执行假设测试
 4.更新c
 5.如果c>thr,开始自动配置算法,否则转向2
结论
以上描述的实施例意图仅为说明和教导实践或执行本发明的一个或多个方法,并不限制它的宽度或范围。包含实践或执行本发明教义的所有方法的本发明的实际范围,仅被下面的权利要求书和它们的等价物所限定。

Claims (10)

1.一种用于估计两个或多个电子器件的能量使用的设备,该设备包括:
用于接收至少第一和第二电子器件(114,115)的使用简档数据(1231D)的装置(210),该第一和第二电子器件具有不同的额定负载;
基于至少第一和第二器件的能量使用对合计能量使用值(1231C)作出响应的,以及对第一和第二电子器件的使用简档数据(1231D)作出响应,用于估计第一和第二器件每个的电使用的装置(230),其中该装置包括贝叶斯估计器(124)。
2.根据权利要求1的设备,其中至少第一和第二电子器件(114,115)的使用简档数据(1231D)定义第一和第二器件的各自的第一和第二操作时间周期,其中各自的第一和第二时间周期与至少一个各自的概率值相关联。
3.根据权利要求1的设备,进一步包括用于输入第一和第二电子器件(114,115)的使用简档数据(1231D)的图形用户界面(125,138),其中该界面被配置为接收第一和第二电子器件的各自的第一和第二额定负载并防止输入相等的第一和第二额定负载,以及其中该图形用户界面被配置为接收与各自的第一和第二概率值相关联的第一和第二器件的各自的第一和第二操作时间周期。
4.根据权利要求3的设备,并进一步包括耦合到第一和第二电子器件(114,115)、用于提供合计能量使用值的单个数字电表(113)。
5.根据权利要求1的设备,其中用于估计第一和第二器件(114,115)每个的电使用的装置(230)部分基于以下的两个或多个估计电使用:
一天中的时间;
器件额定负载;
器件模式依赖性;
动态器件模式切换
用户器件—使用模式;
器件操作的相互依赖性;
天气信息;以及
用户占有信息。
6.一种系统(100)包括:
具有各自第一和第二不同的额定负载的第一和第二电负载(114,115);
电耦合到第一和第二电负载(114,115)的电表(113),用于部分地基于各自第一和第二电负载的第一和第二能量使用值提供合计能量使用值(1231C);
包括处理器(121)和存储器(122)的服务器(120),该存储器包括用于基于合计的能量使用值(1231C)和第一和第二电负载的各自第一和第二组负载简档信息(1231D)来确定第一和第二能量使用值的各自第一和第二估计的机器可执行指令(124,230);以及
对服务器作出响应的、用于显示第一和第二能量使用值的第一和第二估计的显示器(133,240)。
7.根据权利要求6的系统,其中第一和第二组负载简档信息(1231D)包括第一和第二器具(114,115)的各自的第一和第二操作时间周期,以及其中各自的第一和第二时间周期与至少一个各自的概率值相关联。
8.一种通过使用耦合到存储器(123)的至少一个处理器(121)执行的方法(200),该方法包括:
接收与耦合到具有不同额定负载的第一和第二电子器件(114,115)的电表相关联的合计能量使用读数(220),其中该合计能量使用读数至少部分基于第一和第二电子器件各自的第一和第二能量使用值;
在存储器(123)中存储第一和第二组简档信息(1231D);以及
基于合计的能量使用读数和第一和第二电子器件的各自的第一和第二组简档信息来估计第一和第二器件的各自的第一和第二能量使用值(230)。
9.根据权利要求8的方法,其中估计至少第一和第二电子器件的第二使用简档数据的各自的第一和第二能量使用值,包括执行第一和第二能量使用值的贝叶斯估计(124)。
10.根据权利要求9的方法,其中存储第一和第二组简档信息包括接收定义与各自第一和第二概率值相关联的第一和第二器件各自的第一和第二操作时间周期的输入(134)。
CN201110191588XA 2010-06-08 2011-06-07 用于虚拟辅助计量的系统和方法 Pending CN102314547A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US12/796,304 US8799205B2 (en) 2010-06-08 2010-06-08 Systems and methods for virtual sub-metering
US12/796304 2010-06-08

Publications (1)

Publication Number Publication Date
CN102314547A true CN102314547A (zh) 2012-01-11

Family

ID=44118162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110191588XA Pending CN102314547A (zh) 2010-06-08 2011-06-07 用于虚拟辅助计量的系统和方法

Country Status (3)

Country Link
US (1) US8799205B2 (zh)
EP (1) EP2423864A1 (zh)
CN (1) CN102314547A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107430399A (zh) * 2014-11-26 2017-12-01 圣思实验室公司 使用不同的特征集确定关于建筑中的设备的信息
US10338112B2 (en) 2014-11-26 2019-07-02 Sense Labs, Inc. Communication of historical and real-time information about devices in a building
US10586177B1 (en) 2018-10-02 2020-03-10 Sense Labs, Inc. Training a mathematical model for a device using a smart plug
CN111024067A (zh) * 2019-12-17 2020-04-17 国汽(北京)智能网联汽车研究院有限公司 一种信息处理方法、装置、设备及计算机存储介质
US10735829B2 (en) 2017-02-22 2020-08-04 Sense Labs, Inc. Identifying device state changes using power data and network data
US10750252B2 (en) 2017-02-22 2020-08-18 Sense Labs, Inc. Identifying device state changes using power data and network data
USD944731S1 (en) 2019-07-11 2022-03-01 Sense Labs, Inc. Electrical current sensor
US11536747B2 (en) 2019-07-11 2022-12-27 Sense Labs, Inc. Current transformer with self-adjusting cores

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101032882B1 (ko) * 2010-10-29 2011-05-06 한화에스앤씨주식회사 Rfid를 이용한 세대 내 무선 위치 인식 기반 스마트 에너지 관리 시스템 및 방법
US9225766B2 (en) * 2010-10-29 2015-12-29 Sears Brands, L.L.C. Systems and methods for providing smart appliances
EP2671178B1 (en) * 2011-02-04 2018-10-17 Bidgely Inc. Systems and methods for improving the accuracy of appliance level disaggregation in non-intrusive appliance load monitoring techniques
US9256908B2 (en) * 2011-08-19 2016-02-09 International Business Machines Corporation Utility consumption disaggregation using low sample rate smart meters
US20150012147A1 (en) 2012-01-20 2015-01-08 Energy Aware Technology Inc. System and method of compiling and organizing power consumption data and converting such data into one or more user actionable formats
US9964932B2 (en) * 2012-06-12 2018-05-08 Siemens Industry, Inc. Virtual demand auditing of devices in a building
WO2014060655A1 (fr) * 2012-10-16 2014-04-24 Lyonnaise Des Eaux France Procede pour estimer en temps reel la consommation totale d'un fluide distribue a des usagers, et reseau de distribution mettant en oeuvre ce procede.
EP2912477B1 (en) 2012-10-23 2018-08-29 Philips Lighting Holding B.V. Device and method for determining an individual power representation of operation states
US10083255B2 (en) * 2012-12-14 2018-09-25 Honeywell International Inc. Equipment fault detection, diagnostics and disaggregation system
DE102013004334A1 (de) * 2013-03-14 2014-09-18 CUT! Energy GmbH Verfahren zum Verändern des Leistungsflusses in einem elektrischen Energieversorgungsnetz
GB2543321B (en) 2015-10-14 2022-02-02 British Gas Trading Ltd Method and system for determining energy consumption of a property
US10605838B2 (en) 2016-10-10 2020-03-31 Johnson Controls Technology Company System and method for submetering of a heating, ventilation, and/or air conditioning (HVAC) system
AU2017350912A1 (en) 2016-10-28 2019-05-30 Insight Energy Ventures, Llc Method of intelligent demand response
AU2017348375B2 (en) 2016-10-28 2022-07-28 Insight Energy Ventures, Llc Method of disaggregating an energy usage signal of a usage area
WO2018091279A1 (en) * 2016-11-15 2018-05-24 Philips Lighting Holding B.V. Energy measurement for a lighting system
US10501274B2 (en) 2017-07-06 2019-12-10 Honeywell International Inc. Continuous web sheet defect analytics, classification and remediation for enhancing equipment efficiency and throughput
US20180259557A1 (en) * 2018-04-11 2018-09-13 Ming Dong Monitoring appliance statuses and estimating energy consumption using an appliance status sensor network

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4858141A (en) * 1986-04-14 1989-08-15 Massachusetts Institute Of Technology Non-intrusive appliance monitor apparatus
EP1271740A1 (en) * 2000-03-10 2003-01-02 Mark.Tech Co., Ltd. Electricity bill control device and recording medium therefor
EP2026299A1 (en) * 2007-08-14 2009-02-18 General Electric Company Cognitive electric power meter

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998018013A2 (en) 1996-10-22 1998-04-30 Abb Power T & D Company Inc. Energy meter with power quality monitoring and diagnostic systems
KR100286258B1 (ko) 1998-02-03 2001-05-02 윤종용 냉장고의소비전력량측정방법및그측정시스템
US7254497B2 (en) 2005-06-06 2007-08-07 Spectra Logic Corporation Energy consumption analysis for use with a storage system
US8412643B2 (en) * 2008-03-07 2013-04-02 Eqs, Inc. Apparatus, system, and method for quantifying, bundling, and applying credits and incentives to financial transactions
US20100305889A1 (en) * 2009-05-27 2010-12-02 General Electric Company Non-intrusive appliance load identification using cascaded cognitive learning
US9298583B2 (en) * 2009-06-04 2016-03-29 International Business Machines Corporation Network traffic based power consumption estimation of information technology systems

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4858141A (en) * 1986-04-14 1989-08-15 Massachusetts Institute Of Technology Non-intrusive appliance monitor apparatus
EP1271740A1 (en) * 2000-03-10 2003-01-02 Mark.Tech Co., Ltd. Electricity bill control device and recording medium therefor
EP2026299A1 (en) * 2007-08-14 2009-02-18 General Electric Company Cognitive electric power meter

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
程秀华等: "基于周期波动预测的数字家庭用电应用模型", 《智能家居》 *

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10338112B2 (en) 2014-11-26 2019-07-02 Sense Labs, Inc. Communication of historical and real-time information about devices in a building
CN107430399A (zh) * 2014-11-26 2017-12-01 圣思实验室公司 使用不同的特征集确定关于建筑中的设备的信息
US11146868B2 (en) 2017-02-22 2021-10-12 Sense Labs, Inc. Identifying device state changes using power data and network data
US11825253B2 (en) 2017-02-22 2023-11-21 Sense Labs, Inc. Electrical meter for identifying devices using power data and network data
US11825252B2 (en) 2017-02-22 2023-11-21 Sense Labs, Inc. Identifying devices using power data and network data
US10735829B2 (en) 2017-02-22 2020-08-04 Sense Labs, Inc. Identifying device state changes using power data and network data
US11825246B2 (en) 2017-02-22 2023-11-21 Sense Labs, Inc. Electrical panel for identifying devices using power data and network data
US10750252B2 (en) 2017-02-22 2020-08-18 Sense Labs, Inc. Identifying device state changes using power data and network data
US11503386B2 (en) 2017-02-22 2022-11-15 Sense Labs, Inc. Identifying device state changes using power data and network data
US11556858B2 (en) 2018-10-02 2023-01-17 Sense Labs, Inc. Electrical panel for determining device state changes using smart plugs
US11588896B2 (en) 2018-10-02 2023-02-21 Sense Labs, Inc. Electrical meter for identifying devices connected to a smart plug
US11838368B2 (en) 2018-10-02 2023-12-05 Sense Labs, Inc. Identifying devices connected to a smart circuit breaker
US10586177B1 (en) 2018-10-02 2020-03-10 Sense Labs, Inc. Training a mathematical model for a device using a smart plug
US10740691B2 (en) 2018-10-02 2020-08-11 Sense Labs, Inc. Identifying devices connected to a smart plug
US10878343B2 (en) 2018-10-02 2020-12-29 Sense Labs, Inc. Determining a power main of a smart plug
US11556857B2 (en) 2018-10-02 2023-01-17 Sense Labs, Inc. Electrical panel for determining a power main of a smart plug
US11582309B2 (en) 2018-10-02 2023-02-14 Sense Labs, Inc. Electrical panel for training a mathematical model for a device using a smart plug
US11582310B2 (en) 2018-10-02 2023-02-14 Sense Labs, Inc. Electrical meter for training a mathematical model for a device using a smart plug
US11182699B2 (en) 2018-10-02 2021-11-23 Sense Labs, Inc. Determining device state changes using smart plugs
US11616845B2 (en) 2018-10-02 2023-03-28 Sense Labs, Inc. Electrical meter for determining a power main of a smart plug
US11627188B2 (en) 2018-10-02 2023-04-11 Sense Labs, Inc. Electrical meter for determining device state changes using smart plugs
US11637901B2 (en) 2018-10-02 2023-04-25 Sense Labs, Inc. Electrical panel for identifying devices connected to a smart plug
US11768228B2 (en) 2019-07-11 2023-09-26 Sense Labs, Inc. Current transformer with calibration information
US11536747B2 (en) 2019-07-11 2022-12-27 Sense Labs, Inc. Current transformer with self-adjusting cores
USD944731S1 (en) 2019-07-11 2022-03-01 Sense Labs, Inc. Electrical current sensor
US12055566B2 (en) 2019-07-11 2024-08-06 Schneider Electric USA, Inc. Locking current transformer
CN111024067A (zh) * 2019-12-17 2020-04-17 国汽(北京)智能网联汽车研究院有限公司 一种信息处理方法、装置、设备及计算机存储介质
CN111024067B (zh) * 2019-12-17 2021-09-28 国汽(北京)智能网联汽车研究院有限公司 一种信息处理方法、装置、设备及计算机存储介质

Also Published As

Publication number Publication date
US20110302125A1 (en) 2011-12-08
EP2423864A1 (en) 2012-02-29
US8799205B2 (en) 2014-08-05

Similar Documents

Publication Publication Date Title
CN102314547A (zh) 用于虚拟辅助计量的系统和方法
Rashid et al. Can non-intrusive load monitoring be used for identifying an appliance’s anomalous behaviour?
Faustine et al. A survey on non-intrusive load monitoring methodies and techniques for energy disaggregation problem
JP6784745B2 (ja) リアルタイムデータ駆動型の電力測定およびコスト推定システム
US8560134B1 (en) System and method for electric load recognition from centrally monitored power signal and its application to home energy management
CN102822639B (zh) 器具的自动检测
Egarter et al. PALDi: Online load disaggregation via particle filtering
EP2514068B1 (en) Method for non-intrusive load monitoring using a hybrid systems state estimation approach
Azizi et al. Residential household non-intrusive load monitoring via smart event-based optimization
CA2711994C (en) System and method for electric patterns discovery
US11429075B2 (en) System, apparatus and method for energy management, for usage by consumers of energy from electric utility service providers, and monitoring and management of same
EP3262576A1 (en) Method and system of monitoring appliance usage
Chen et al. Behavior-based home energy prediction
Raiker et al. Energy disaggregation using energy demand model and IoT-based control
JPWO2015087470A1 (ja) 需要予測装置、プログラム
Hua et al. Simultaneous disaggregation of multiple appliances based on non-intrusive load monitoring
Zaeri et al. Disaggregation of electricity and heating consumption in commercial buildings with building automation system data
Azizi et al. Residential energy flexibility characterization using non-intrusive load monitoring
Laouali et al. A survey on computational intelligence techniques for non intrusive load monitoring
Wang et al. A factorial hidden markov model for energy disaggregation based on human behavior analysis
Green et al. Analysis of supervised graph signal processing-based load disaggregation for residential demand-side management
US8818774B2 (en) Behavioral model generating device and method therefor
Bhuvana et al. Appliance load disaggregation based on maximum a-posterior particle filter (MAP-PF)
Breschi et al. Online end-use energy disaggregation via jump linear models
Sharma et al. A novel Hypertuned Prophet based power saving approach for IoT enabled smart homes

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20120111