CN102799108A - 基于低频能耗信息的能耗解聚合方法及家庭能源管理系统 - Google Patents

基于低频能耗信息的能耗解聚合方法及家庭能源管理系统 Download PDF

Info

Publication number
CN102799108A
CN102799108A CN201210263082XA CN201210263082A CN102799108A CN 102799108 A CN102799108 A CN 102799108A CN 201210263082X A CN201210263082X A CN 201210263082XA CN 201210263082 A CN201210263082 A CN 201210263082A CN 102799108 A CN102799108 A CN 102799108A
Authority
CN
China
Prior art keywords
energy consumption
home appliance
low frequency
consumption information
state
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.)
Granted
Application number
CN201210263082XA
Other languages
English (en)
Other versions
CN102799108B (zh
Inventor
许晓伟
王晓东
宫会丽
陶冶
丁香乾
王鲁升
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN201210263082.XA priority Critical patent/CN102799108B/zh
Publication of CN102799108A publication Critical patent/CN102799108A/zh
Application granted granted Critical
Publication of CN102799108B publication Critical patent/CN102799108B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明涉及一种基于低频能耗信息的能耗解聚合方法及采用该方法的家庭能源系统，方法包括如下步骤：（1）在一段时间内，采集聚合的家电设备的低频能耗信息；（2）基于隐马尔科夫模型描述该段时间内各个家电设备的工作状态；（3）采用最大期望算法求解隐马尔科夫模型的参数值，即可得到解聚合后各个家电设备在给定时间序列内的状态变量值。（4）根据解聚合后的状态变量值辨识各个家电设备独立的能耗信息。本发明通过采集分析低频能耗聚合信息等稳态特征，实现能源解聚合，从而准确的辨识家庭中多种家电设备并测定其能耗。无需对家庭现有设备和线路进行改装，成本低廉，便于家庭应用，推广价值高。

Description

基于低频能耗信息的能耗解聚合方法及家庭能源管理系统
技术领域
本发明涉及数字家庭能源管理技术领域，具体涉及一种基于低频能耗信息的家电设备的能耗解聚合方法以及采用该方法的家庭能源管理系统。
背景技术
近年来，由于全球气候变化、能源危机等因素的影响，节能问题已经引起世界各国的普遍关注。家庭节能的两个主要途径是家庭能耗削减和能源的有效利用。前者需要一次性投入，比如，更换升级现有家电设备等，后者需要人为持续不断的操作，比如，控制空调、热水器等设备的每日开停时间，通过日积月累的方式达到节约能源的目的。普通家庭用户面临着两个问题：一是家电设备能耗是一个抽象概念，用户对于家用电器如何耗电并不清楚，二是用户不知道如何科学使用家电才能省电。
随着计算机信息技术、传感技术、物联网技术的显著进步，能源管理领域中的一些新技术已逐步应用到数字家庭中来。为家庭能源管理提供实时信息已经成为可能，特别是随着国家智能电网等一系列工程的逐步实施，传统的抄表、读数等人工操作，也逐渐被自动化、智能化的测量手段所取代，从而获取更加准确的信息。因此，家庭能源管理系统需要显示特定家电设备在某个时间段的能耗值，并如下特征：个性化、持续化、可靠性高、给用户清晰和有效的反馈。家庭能源管理领域的研究表明，如果能为用户提供适当的反馈信息，住宅用电（或其他能源）消耗可以降低9%—20%，峰值能耗可削减50%。
    为了获取家电设备详细用电信息，现有家庭能源管理系统需要在每个用电器上加装能耗传感模块，但存在两个问题，一是需要对原有设备的改造，二是随着传感器数量增多，成本增高，使家庭大规模部署变得困难。
    基于“能耗解聚合”方法辨识家电设备并测定其能耗，最初是由Hart提出的“非侵入式设备负载监测”方法。其原理是不同的家用电器工作时所产生的能量信号不同，可在总电表或分电表上观察到这些变化，某些电器开关动作所引起的电信号变化明显，足以对家电进行分辨，而另外一些家电则采用有限状态机（FSM）的方法进行区分。目前，大多数方法是通过对能源聚合信号的幅值、形状、时间、主成分（PCA）等特征进行模式分析，来完成对设备的识别和能耗解聚。此外，不同的家电设备在开关时，会产生具有自身特征的瞬间冲击噪声，可通过分析这些噪声信号可对设备进行识别。上述方法通常需要对电信号进行高频（8000Hz~100KHz以上）采样，以便获取电信号中的高频信息或噪声信号。但是，采集获取这些高频暂态特征，需要工业或科研专用设备，成本高昂，不适合在家庭环境中进行大规模部署。因此，如何用一种经济、高效的方法，去测定一个特定家电设备的能耗，是能源管理领域的一个难点。
发明内容
本发明的目的在于提供一种基于低频能耗信息的能耗解聚合方法，解决了现有的能源解聚合技术采用高频信号分析方法，测量设备昂贵，分析方法复杂的技术问题。
为解决上述技术问题，本发明采用以下技术方案予以实现：一种基于低频能耗信息的能耗解聚合方法，该方法包括如下步骤：
（1）在一段时间内，采集聚合的家电设备的低频能耗信息；
（2）基于扩展的隐马尔科夫模型描述该段时间内各个家电设备的工作状态；
（3）采用最大期望算法求解扩展的隐马尔科夫模型的参数值，即可得到解聚合后各个家电设备在给定时间序列内的状态变量值；
（4）根据解聚合后各个家电设备的状态变量值辨识各个家电设备独立的能耗信息。
优选的，该方法的步骤如下，在                                                
Figure 397385DEST_PATH_IMAGE002
时刻内，采集聚合的家电设备的低频能耗信息是，假设家电设备在时刻的工作状态为
Figure 156208DEST_PATH_IMAGE010
，设备在
Figure 890946DEST_PATH_IMAGE010
状态时对应的输出能耗值为
Figure 437465DEST_PATH_IMAGE012
，则在
Figure 548640DEST_PATH_IMAGE008
时刻采集到的
Figure 497005DEST_PATH_IMAGE014
个设备的聚合能耗为
Figure 464961DEST_PATH_IMAGE016
，
在
Figure DEST_PATH_IMAGE017
时刻内，根据采集聚合的家电设备的低频能耗信息
Figure 368283DEST_PATH_IMAGE018
，求解家电设备状态序列变化，即：
Figure 17570DEST_PATH_IMAGE020
    。
进一步的，采用最大期望算法求解隐马尔科夫模型的参数值：
第一步，将各个家电设备在
Figure 882758DEST_PATH_IMAGE022
时刻的状态进行初始化，即
Figure 959298DEST_PATH_IMAGE024
；
第二步，将当前隐马尔科夫模型中的最优化参数
Figure 480409DEST_PATH_IMAGE026
进行赋值，
Figure 667808DEST_PATH_IMAGE026
包括隐马尔科夫模型中的转移矩阵A和观察概率B，转移矩阵
Figure 590765DEST_PATH_IMAGE028
用以表示各个用电设备的状态的跳转概率，其中，S i 和S j 表示设备的工作状态，观察概率
Figure 838206DEST_PATH_IMAGE030
用以表示在设备在特定状态下的输出，其中，表示设备在S j 所代表的工作状态下的输出y值的概率；
第三步，设备状态迭代，
Figure DEST_PATH_IMAGE033
为待估计参数，而
Figure DEST_PATH_IMAGE035
 则为第二步中赋值的当前最优参数，通过求解可以得到一个全新的
Figure 775387DEST_PATH_IMAGE033
，
Figure DEST_PATH_IMAGE037
，并使得
Figure DEST_PATH_IMAGE039
，若相邻两次误差的小于预先设定的阈值，即当
Figure DEST_PATH_IMAGE041
 时，则认为参数估计已进入收敛，从而得到模型，其中，
Figure DEST_PATH_IMAGE043
 为系统预先设定的允许误差阈值，对算法要求精度越高则
Figure 784242DEST_PATH_IMAGE043
值越小，对算法速度要求越高则值越大，0≤
Figure 803288DEST_PATH_IMAGE043
≤1；
第四步，利用前一步中已经求得的模型
Figure 435257DEST_PATH_IMAGE026
，进一步求取家电设备在各个时刻
Figure DEST_PATH_IMAGE045
的状态，即
Figure DEST_PATH_IMAGE047
。
基于上述低频能耗信息的能耗解聚合方法，本发明还提供了采用上述方法分辨各个家电的工作状态的家庭能源管理系统。
与现有技术相比，本发明的优点和积极效果是：目前多数家用能源计量仪(电表)的典型采集频率通常都在1Hz以下。本发明通过采集分析低频能耗聚合信息等稳态特征，如家电设备的功率，实现能源解聚合，从而准确的辨识家庭中多种家电设备并测定其能耗。相对于高频暂态特征而言，稳态信息的获取更加方便和稳定，可直接从智能插座、普通电表等已有设备中读取，无需对家庭现有设备和线路进行改装，成本低廉，便于家庭应用，推广价值高。
（1）普适、低成本、非入侵的家电监测：通过普通数字家用能源计量仪(智能电表)采集，家电设备和家庭线路无需改动，分析家电设备的能耗和监测家电设备的运行状态，检测设备故障，有效管理和节约家庭整体能耗，避开用电高峰。
（2）智能化能源管理：本发明从采集的低频聚合能源信息中，计算出某一家电设备的开启时间、关闭时间，以及该设备工作时的典型功率值，使得家庭能源管理系统跟踪记录整个家庭内的设备能耗使用情况，从而结合分时计价、预置规则等节能策略，对家庭的整体能耗进行优化, 对用户的操作习惯给出合理建议，避免家电设备的低效运行。
（3）家庭无人值守的设备状态监控：借助本专利的能源解聚合方法，对设备的运行状态进行实时监控，例如，饮水机或热水器是否在指定时间开启，空调和新风系统是否在指定时间关闭等，辅助检测家庭自动化系统的有效性。
（4）家电故障检测：本发明可监测家电设备的启停状态和异常能耗变化，从而对设备的超时运行、失效等故障进行提示，便于及时维护，延长设备使用寿命。
结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。 
附图说明
图1为扩展的隐马尔科夫模型示意图；
图2为采用EM算法估计设备状态的算法示意图；
图3 为采用低频能耗信息解耦合模块的最佳实践应用示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行详细的描述。
本发明采用隐马尔可夫模型（HMM）对所有家电设备的隐藏状态进行建模。该模型包含了描述各个家电设备的启/停状态的隐藏变量，由于仅采集聚合能耗信息，故这些变量的状态变化无法直接测量。隐马尔科夫模型（HMM）除提供基本的状态信息描述外，还可以将最终的状态序列分解成为一系列相互独立的子序列，适用于在一个时间序列上对由多个独立的因素引起的状态迁移进行建模描述。
本实施例通过直接测量的聚合的家庭低频能源信号，如家用电表测量的功率信号，作为因子隐马尔科夫模型的直接观察输入，描述该段时间内各个家电设备的工作状态。
采用最大期望（Expectation-Maximization,EM）算法求解隐马尔科夫模型的参数值，求得单个设备在某个时刻的能耗，如图1所示：
假设家电设备
Figure 201210263082X100002DEST_PATH_IMAGE048
在
Figure 899868DEST_PATH_IMAGE008
时刻的启/停工作状态为
Figure 882867DEST_PATH_IMAGE010
，记在
Figure 215760DEST_PATH_IMAGE008
时刻观察到的
Figure 764553DEST_PATH_IMAGE014
个设备的聚合能耗为
，
在时刻内，根据观察序列
Figure 994994DEST_PATH_IMAGE018
，求解设备状态序列变化，即：
Figure 131577DEST_PATH_IMAGE020
利用能够观察到的未经分解的聚合能耗值，来求解无法直接观察到的各个设备的状态变量值（启动/停止）。扩展的隐马尔可夫模型中的可变参数值可以通过长期积累的大量数据中通过训练估计出来，训练过程采用EM算法，即在概率模型中寻找参数最大似然估计的算法，算法具体步骤如图2所示。
第一步，将各个家电设备在
Figure 472560DEST_PATH_IMAGE022
时刻的状态进行初始化，即
Figure 731503DEST_PATH_IMAGE024
；
第二步，将当前隐马尔科夫模型中的最优化参数进行赋值，
Figure 98210DEST_PATH_IMAGE026
包括隐马尔科夫模型中的转移矩阵A和观察概率B，转移矩阵
Figure 621595DEST_PATH_IMAGE028
用以表示各个用电设备的状态的跳转概率，其中，S i 和S j 表示设备的工作状态，观察概率
Figure DEST_PATH_IMAGE051
用以表示在设备在特定状态下的输出，其中，
Figure 201210263082X100002DEST_PATH_IMAGE052
表示设备在S j 所代表的工作状态下的输出y值的概率；
第三步，设备状态迭代，
Figure 926806DEST_PATH_IMAGE033
为待估计参数，而
Figure 840535DEST_PATH_IMAGE035
 则为第二步中赋值的当前最优参数，通过求解可以得到一个全新的
Figure 381238DEST_PATH_IMAGE033
，
Figure DEST_PATH_IMAGE053
，并使得
Figure 894216DEST_PATH_IMAGE039
，若相邻两次误差的小于预先设定的阈值，即当
Figure 229382DEST_PATH_IMAGE041
 时，则认为参数估计已进入收敛，从而得到模型，其中，
Figure 912484DEST_PATH_IMAGE043
 为系统预先设定的允许误差阈值，对算法要求精度越高则
Figure 410462DEST_PATH_IMAGE043
值越小，对算法速度要求越高则
Figure 854213DEST_PATH_IMAGE043
值越大，0≤
Figure 70430DEST_PATH_IMAGE043
≤1；
第四步，利用前一步中已经求得的模型
Figure 890619DEST_PATH_IMAGE026
，进一步求取家电设备在各个时刻
Figure 180786DEST_PATH_IMAGE045
的状态，即
Figure 123334DEST_PATH_IMAGE047
。
    基于上述低频能耗信息的能耗解聚合方法，本发明还提供了采用上述方法分辨各个家电的工作状态的家庭能源管理系统。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。 

Claims (4)

1.一种基于低频能耗信息的能耗解聚合方法，其特征在于：该方法包括如下步骤：
（1）在一段时间内，采集聚合的家电设备的低频能耗信息；
（2）基于隐马尔科夫模型描述该段时间内各个家电设备的工作状态；
（3）采用最大期望算法求解隐马尔科夫模型的参数值，即可得到解聚合后各个家电设备在给定时间序列内的状态变量值；
（4）根据解聚合后各个家电设备的状态变量值辨识各个家电设备独立的能耗信息。
2.根据权利要求1所述的基于低频能耗信息的能耗解聚合方法，其特征在于：在                                                
Figure 201210263082X100001DEST_PATH_IMAGE001
时刻内，采集聚合的家电设备的低频能耗信息是
Figure 438285DEST_PATH_IMAGE002
，假设家电设备
Figure 201210263082X100001DEST_PATH_IMAGE003
在
Figure 258474DEST_PATH_IMAGE004
时刻的工作状态为，设备在
Figure 486324DEST_PATH_IMAGE005
状态时对应的输出能耗值为，则在
Figure 804490DEST_PATH_IMAGE004
时刻采集到的
Figure DEST_PATH_IMAGE007
个设备的聚合能耗为
Figure 162790DEST_PATH_IMAGE008
，
在时刻内，根据采集聚合的家电设备的低频能耗信息
Figure 573043DEST_PATH_IMAGE010
，求解家电设备状态序列变化，即：
Figure DEST_PATH_IMAGE011
    。
3.    根据权利要求2所述的基于低频能耗信息的能耗解聚合方法，其特征在于：
采用最大期望算法求解隐马尔科夫模型的参数值：
第一步，将各个家电设备在
Figure 624175DEST_PATH_IMAGE012
时刻的状态进行初始化，即
Figure DEST_PATH_IMAGE013
；
第二步，将当前隐马尔科夫模型中的最优化参数
Figure 424772DEST_PATH_IMAGE014
进行赋值，
Figure 649080DEST_PATH_IMAGE014
包括隐马尔科夫模型中的转移矩阵A和观察概率B，转移矩阵用以表示各个用电设备的状态的跳转概率，其中，S i 和S j 表示设备的工作状态，观察概率
Figure 648260DEST_PATH_IMAGE016
用以表示在设备在特定状态下的输出，其中，表示设备在S j 所代表的工作状态下的输出y值的概率；
第三步，设备状态迭代，
Figure 220504DEST_PATH_IMAGE018
为待估计参数，而
Figure DEST_PATH_IMAGE019
 则为第二步中赋值的当前最优参数，通过求解可以得到一个全新的，
Figure 367769DEST_PATH_IMAGE020
，并使得
Figure DEST_PATH_IMAGE021
，若获得的持续改善有限，则认为参数估计已进入收敛，得到模型
Figure 426948DEST_PATH_IMAGE018
；
第四步，利用前一步中已经求得的模型
Figure 326771DEST_PATH_IMAGE014
，进一步求取家电设备在各个时刻
Figure 830565DEST_PATH_IMAGE022
的状态，即
Figure DEST_PATH_IMAGE023
。
4.一种家庭能源管理系统，其特征在于：所述的家庭能源管理系统采用如权利要求1-3所述的基于低频能耗信息的能耗解聚合方法分辨各个家电的工作状态。
CN201210263082.XA 2012-07-27 2012-07-27 基于低频能耗信息的能耗解聚合方法及家庭能源管理系统 Expired - Fee Related CN102799108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210263082.XA CN102799108B (zh) 2012-07-27 2012-07-27 基于低频能耗信息的能耗解聚合方法及家庭能源管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210263082.XA CN102799108B (zh) 2012-07-27 2012-07-27 基于低频能耗信息的能耗解聚合方法及家庭能源管理系统

Publications (2)

Publication Number Publication Date
CN102799108A true CN102799108A (zh) 2012-11-28
CN102799108B CN102799108B (zh) 2014-12-17

Family

ID=47198238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210263082.XA Expired - Fee Related CN102799108B (zh) 2012-07-27 2012-07-27 基于低频能耗信息的能耗解聚合方法及家庭能源管理系统

Country Status (1)

Country Link
CN (1) CN102799108B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182809A (zh) * 2014-08-29 2014-12-03 国家电网公司 一种家庭智能用电系统的优化方法
CN104914715A (zh) * 2014-03-10 2015-09-16 罗伯特·博世有限公司 用于运行车辆的方法以及驾驶员辅助系统
CN106952461A (zh) * 2017-02-27 2017-07-14 北京博纳电气股份有限公司 一种针对家用电器使用的预测方法
CN108964276A (zh) * 2018-07-16 2018-12-07 河南理工大学 支持自动需求响应的用电管控终端和系统及负荷辨识方法
CN111242412A (zh) * 2019-12-27 2020-06-05 国网山西省电力公司大同供电公司 一种基于需求响应的热控负荷集群协同管控方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102169591A (zh) * 2011-05-20 2011-08-31 中国科学院计算技术研究所 一种制图中文本注记分行方法以及绘制方法
CN102193527A (zh) * 2010-03-05 2011-09-21 朗德华信（北京）自控技术有限公司 基于云计算的电子信息系统机房能源管理控制系统及方法
CN102193528A (zh) * 2010-03-05 2011-09-21 朗德华信（北京）自控技术有限公司 基于云计算的能源管理控制系统及方法
CN102566555A (zh) * 2012-02-10 2012-07-11 安徽建筑工业学院 基于模式识别的白色家电工作状态监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102193527A (zh) * 2010-03-05 2011-09-21 朗德华信（北京）自控技术有限公司 基于云计算的电子信息系统机房能源管理控制系统及方法
CN102193528A (zh) * 2010-03-05 2011-09-21 朗德华信（北京）自控技术有限公司 基于云计算的能源管理控制系统及方法
CN102169591A (zh) * 2011-05-20 2011-08-31 中国科学院计算技术研究所 一种制图中文本注记分行方法以及绘制方法
CN102566555A (zh) * 2012-02-10 2012-07-11 安徽建筑工业学院 基于模式识别的白色家电工作状态监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
章鹿华等: "面向智能用电的家庭综合能源管理系统的设计与实现", 《电测与仪表》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104914715A (zh) * 2014-03-10 2015-09-16 罗伯特·博世有限公司 用于运行车辆的方法以及驾驶员辅助系统
CN104914715B (zh) * 2014-03-10 2019-10-18 罗伯特·博世有限公司 用于运行车辆的方法以及驾驶员辅助系统
CN104182809A (zh) * 2014-08-29 2014-12-03 国家电网公司 一种家庭智能用电系统的优化方法
CN106952461A (zh) * 2017-02-27 2017-07-14 北京博纳电气股份有限公司 一种针对家用电器使用的预测方法
CN106952461B (zh) * 2017-02-27 2020-07-24 北京博纳电气股份有限公司 一种针对家用电器使用的预测方法
CN108964276A (zh) * 2018-07-16 2018-12-07 河南理工大学 支持自动需求响应的用电管控终端和系统及负荷辨识方法
CN111242412A (zh) * 2019-12-27 2020-06-05 国网山西省电力公司大同供电公司 一种基于需求响应的热控负荷集群协同管控方法
CN111242412B (zh) * 2019-12-27 2023-06-20 国网山西省电力公司大同供电公司 一种基于需求响应的热控负荷集群协同管控方法

Also Published As

Publication number Publication date
CN102799108B (zh) 2014-12-17

Similar Documents

Publication Publication Date Title
CN108021736B (zh) 一种基于滑动窗残差模型的负荷投切动作监测方法
CN106096726B (zh) 一种非侵入式负荷监测方法及装置
TWI423549B (zh) 辨識電器狀態的電力監測裝置及其電力監測方法
Najafi et al. Data analytics for energy disaggregation: Methods and applications
Lin et al. Development of an improved time–frequency analysis-based nonintrusive load monitor for load demand identification
EP2686937B1 (en) Non-intrusive load monitoring system and method
US11002773B2 (en) Monitoring apparatus, monitoring method, and storage medium
CN111382789B (zh) 基于机器学习的电力负荷识别方法及系统
CN105823948A (zh) 一种非干预式居民负荷识别方法
Yu et al. Nonintrusive appliance load monitoring for smart homes: Recent advances and future issues
CN102799108A (zh) 基于低频能耗信息的能耗解聚合方法及家庭能源管理系统
CN109633301B (zh) 基于量子遗传优化的非侵入式电器负荷识别方法
CN106093565A (zh) 一种基于稳态特征波形匹配的电能分项计量方法及装置
Adabi et al. Status and challenges of residential and industrial non-intrusive load monitoring
Beckel et al. Improving device-level electricity consumption breakdowns in private households using on/off events
CN105143892A (zh) 电能测量装置和使用该装置的电能测量信息标记系统
Zhou et al. Neural network pattern recognition based non-intrusive load monitoring for a residential energy management system
CN105608639A (zh) 一种基于用户用电信息的居民用电行为分析方法
Nardello et al. An innovative cost-effective smart meter with embedded non intrusive load monitoring
Schirmer et al. Improving energy disaggregation performance using appliance-driven sampling rates
Cannas et al. NILM techniques applied to a real-time monitoring system of the electricity consumption
TWI504095B (zh) Non - invasive load monitoring system and its method
Zheng et al. Non-intrusive load monitoring based on the graph least squares reconstruction method
Cannas et al. Real-time monitoring system of the electricity consumption in a household using NILM techniques
Kuruppu et al. Smart meter based non-intrusive appliance detection algorithm for local real time feedback purposes

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C53 Correction of patent of invention or patent application
CB03 Change of inventor or designer information

Inventor after: Xu Xiaowei

Inventor after: Tao Ye

Inventor after: Wang Xiaodong

Inventor after: Gong Huili

Inventor after: Ding Xiangqian

Inventor after: Wang Lusheng

Inventor before: Xu Xiaowei

Inventor before: Wang Xiaodong

Inventor before: Gong Huili

Inventor before: Tao Ye

Inventor before: Ding Xiangqian

Inventor before: Wang Lusheng

COR Change of bibliographic data

Free format text: CORRECT: INVENTOR; FROM: XU XIAOWEI WANG XIAODONG GONG HUILI TAO YE DING XIANGQIAN WANG LUSHENG TO: XU XIAOWEI TAO YE WANG XIAODONG GONG HUILI DING XIANGQIAN WANG LUSHENG

C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20141217

Termination date: 20200727

CF01 Termination of patent right due to non-payment of annual fee