CN103154670A - 分解装置、方法和程序 - Google Patents

分解装置、方法和程序 Download PDF

Info

Publication number
CN103154670A
CN103154670A CN2011800508812A CN201180050881A CN103154670A CN 103154670 A CN103154670 A CN 103154670A CN 2011800508812 A CN2011800508812 A CN 2011800508812A CN 201180050881 A CN201180050881 A CN 201180050881A CN 103154670 A CN103154670 A CN 103154670A
Authority
CN
China
Prior art keywords
electrical
customer
vector
feature
electrical quantity
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
CN2011800508812A
Other languages
English (en)
Other versions
CN103154670B (zh
Inventor
A.菲利皮
T.C.W.申克
A.M.M.勒肯斯
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.)
Signify Holding BV
Original Assignee
Koninklijke Philips Electronics NV
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 Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN103154670A publication Critical patent/CN103154670A/zh
Application granted granted Critical
Publication of CN103154670B publication Critical patent/CN103154670B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D4/00—Tariff metering apparatus
    • G01D4/002—Remote reading of utility meters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D2204/00—Indexing scheme relating to details of tariff-metering apparatus
    • G01D2204/20—Monitoring; Controlling
    • G01D2204/24—Identification of individual loads, e.g. by analysing current/voltage waveforms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G01R19/2513—Arrangements for monitoring electric power systems, e.g. power lines or loads; Logging
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02B90/20—Smart grids as enabling technology in buildings sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/242—Home appliances
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/30—Smart metering, e.g. specially adapted for remote reading

Abstract

本发明涉及用于识别电气网络（2）中的耗电器的分解装置（1）。电特征提供单元（7）提供耗电器（4,5,6）的电特征，电参数确定单元（8）确定电气网络（2）的总电参数。识别单元（9）根据所确定的总电参数以及电特征的相关度来识别耗电器。因为识别单元根据所确定的总电参数以及电特征的相关度来识别耗电器，所以耗电器的识别并非只是依赖于事件的检测。这使得识别更鲁棒，尤其是不太易于陷入由错过的事件所引发的错误中，从而提高识别电气网络中的耗电器的可靠性。

Description

分解装置、方法和程序
技术领域
本发明涉及用于识别电气网络中的耗电器的分解装置、分解方法和分解计算机程序。
背景技术
George W. Hart的论文“Nonintrusive Appliance Load Monitoring”，Proceedings of the IEEE, vol. 80, no 12, 第1870页至第1891页,1992年12月，公开了一种用于电气网络中非侵入式器具负载监视的装置。该装置确定所消耗的电气网络的总复功率并监视这个复功率的变化。复功率的变化可以被认为是事件，其中，该装置适于将每个事件与所存储的电气网络的耗电器的功率特性相比较，以确定哪个耗电器引发了所述实际的事件。这允许，例如基于所消耗的电气网络的总复功率来确定哪个耗电器已被接通或关断。然而，这个装置的缺点在于，易于陷入由错过的事件所引发的错误中，从而降低识别电气网络中的耗电器的可靠性。
发明内容
本发明的目的在于，提供用于识别电气网络中的耗电器的分解装置、分解方法和分解计算机程序，其中，可以提高识别电气网络中的耗电器的可靠性。
在本发明的第一方面中，介绍了一种用于识别电气网络中的耗电器的分解装置，其中，电气网络包括电源和多个耗电器，其中分解装置包括：
-电特征（signature）提供单元，用于提供耗电器的电特征，
-电参数确定单元，用于确定电气网络的总电参数，
-识别单元，用于根据所确定的总电参数以及电特征的相关度来识别耗电器。
因为识别单元根据所确定的总电参数以及电特征的相关度来识别耗电器，所以耗电器的识别并非仅仅取决于事件的检测。这使得识别更鲁棒，尤其是不太易于陷入由错过的事件所引发的错误中，从而提高识别电气网络中的耗电器的可靠性。
优选地，耗电器是诸如灯、干发器、DVD播放器、水锅、电视等家用器具，或者诸如PC、屏幕、打印机、照明设备等办公用器具。在电气网络中，耗电器优选是并联连接的。
优选地，电特征提供单元是存储单元，其中存储了耗电器的电特征。
优选地，电参数确定单元包括电流表和/或电压表，分别用于测量作为总电参数的电气网络的总电流和/或电气网络的总电压。电参数确定单元还可以适于，将诸如所消耗的总功率（尤其是所消耗的总复功率）之类的其它总电参数确定为电气网络的总电参数。优选地，电参数确定单元适于，在单个中心位置处，尤其是在比如仪表柜等中心电入口位置处，确定总电参数。
优选地，识别单元适于识别电气网络中的一个或若干个耗电器。具体地，如果若干个耗电器是活动的，即例如是接通的，则识别单元可以根据所确定的总电参数以及电特征的相关度来确定哪些耗电器是活动的。
优选的是，电特征是特征电流。优选地，电特征是电流波形。具体地，电特征代表周期性电流波形的一个周期。如果总电参数是功率或其它电参数，则电特征也可以代表功率波形或其它电参数的波形。
还优选的是，识别单元适于，通过将多用户检测（MUD）方法应用于所确定的总电参数来识别耗电器。识别单元可以适于通过将零力（ZF）MUD方法应用于所确定的总电参数来识别耗电器，或者识别单元可以适于通过将最小均方误差（MMSE）MUD方法应用于所确定的总电参数来识别耗电器。在通信理论领域，例如从S. Verdu的书籍“Multiuser Detection”, Cambridge University Press, 1998获知MUD方法。将MUD方法应用于所确定的总电参数，具体地应用于电特征，来识别电气网络中的耗电器，这进一步提高了这种识别过程的可靠性。
还优选的是，识别单元适于：
-通过将总电参数与每个电特征相关联来确定总电参数向量，
-将总电参数向量建模成取决于包括电特征之间的相关度的特征相关度矩阵与活动向量之积，其中，所述活动向量指示相应耗电器的活动状态，
-确定活动向量，使得指示所建模的总电参数向量与所确定的总电参数向量之间的相似度的相似性度量最大化，
-识别所确定的针对其的活动向量指示活动状态的耗电器。这些步骤允许以进一步提高的可靠性识别电气网络中的耗电器。
优选的是，识别单元适于，将总电参数向量建模成取决于下述之和：i）特征相关度矩阵与活动向量之积，和ii）噪声向量。考虑噪声进一步提高了识别电气网络中的耗电器的可靠性。
还优选的是，识别单元适于：
-通过将总电参数与每个电特征相关联来确定总电参数向量，
-根据总电参数向量与包括电特征之间的相关度的特征相关度矩阵和单位向量这二者之积的差来确定经修订的总电参数向量，
-将经修订的总电参数向量建模成取决于特征相关度矩阵与经修订的活动向量之积，所述经修订的活动向量取决于指示相应耗电器的活动状态的活动向量与常数之差，
-确定经修订的活动向量，使得指示所建模的经修订的总电参数向量与所确定的经修订的总电参数向量之间的相似度的相似性度量最大化，
-识别所确定的经修订的针对其的活动向量指示活动状态的耗电器。优选的是，识别单元适于，根据包括逆联合特征相关度矩阵与经修订的总电参数向量之积的数项的符号来确定指示相应耗电器的活动状态的活动向量，所述逆联合特征相关度矩阵包括归一化电特征之间的相关度，其中根据总电参数向量与以下三项之积的差来确定所述经修订的总电参数向量：
a）联合特征相关度矩阵，其包括所述归一化电特征之间的相关度，
b）幅度矩阵，其包括总电参数中由相应耗电器导致的部分的幅度，以及
c）单位向量，
其中，通过将总电参数与每个归一化电特征相关联来确定总电参数向量。此外，这些步骤允许以提高的可靠性识别电气网络中的耗电器。
在实施例中，识别单元适于，将经修订的总电参数向量建模成取决于下述之和：i）联合特征相关度矩阵、幅度矩阵与活动向量之积，和ii）噪声向量。
在本发明的另一方面中，介绍了一种用于识别电气网络中的耗电器的分解方法，其中，电气网络包括电源和多个耗电器，其中，分解方法包括：
-提供耗电器的电特征，
-确定电气网络的总电参数，
-根据所确定的总电参数以及电特征的相关度来识别耗电器。
在本发明的又一方面中，介绍了一种用于识别电气网络中的耗电器的分解计算机程序，其中，电气网络包括电源和多个耗电器，所述分解计算机程序包括程序代码装置，所述程序代码装置用于在所述计算机程序运行于控制如权利要求1中所限定的分解装置的计算机上时使所述分解装置执行如权利要求11所限定的分解方法的步骤。
应该理解，权利要求1的分解装置、权利要求11的分解方法和权利要求12的分解计算机程序具有如从属权利要求所限定的相似和/或等同的优选实施例。
应该理解，本发明的优选实施例还可以是从属权利要求和相应独立权利要求的任何组合。
通过参考下述实施例，本发明的这些和其它方面将显而易见并得以阐明。
附图说明
在以下附图中：
图1示意性并示例性地示出了用于识别电气网络中的耗电器的分解装置的实施例，
图2至12示出了若干耗电器的电特征，
图13示意性并示例性地示出了特征相关度矩阵，以及
图14示出了示例性地图示用于识别电气网络中的耗电器的分解方法的实施例的流程图。
具体实施方式
图1示意性并示例性地示出了用于识别电气网络中的耗电器的分解装置的实施例。电气网络2包括电源3和多个耗电器4、5、6。分解装置1包括：电特征提供单元7，用于提供耗电器4、5、6的电特征；电参数确定单元8，用于确定电气网络2的总电参数；和识别单元9，用于根据所确定的总电参数并根据电特征的相关度来识别耗电器。
优选地，耗电器4、5、6是家用器具或办公用器具，比如灯、干发器、DVD播放器、水锅（water cooker）、电视、计算机、打印机、空调系统等。在电气网络2中，耗电器4、5、6并联连接。
电特征提供单元7是存储单元，其中存储了耗电器4、5、6的电特征。在该实施例中，电特征是特征电流。具体地，电特征是电流波形，其中，电特征代表周期性电流波形的一个周期。图2至12中示例性地示出了，耗电器的选择的任意单位的电特征随任意单位的时间而改变。
图2示出了额定功率为20W的紧凑型荧光灯（CFL）的电特征。图3示出了额定功率为40W的白炽灯的电特征。图4示出了额定功率为5W的CFL的电特征。图5示出了额定功率为20W的卤素灯的电特征。图6示出了额定功率为50W的卤素灯的电特征。图7示出了额定功率为14.5W的飞利浦公司的Living Colors的电特征。图8示出了额定功率为4W的发光二极管的电特征。图9示出了额定功率为700W的干发器的电特征。图10示出了额定功率为14W的DVD播放器的电特征。图11示出了额定功率为145W的带流光溢彩(ambilight)的电视的电特征，以及图12示出了额定功率为2200W的水锅的电特征。
电特征具有不同形状和不同电流幅度。
优选地，电参数确定单元8是用于测量电气网络2的总电流的电流表。电参数确定单元8在单个中心位置，具体地，在诸如仪表柜之类的中心电力入口位置，测量总电流。分解装置还包括用于测量电气网络2的电压的电压表10。
识别单元9适于，通过将MUD方法应用于所确定的总电参数（在该实施例中为测出的总电流）来识别耗电器。MUD方法用在通信理论中。为了使用在通信理论中的MUD方法适用于能量分解问题，电设备被认为是“用户”，并且将所有耗电器4、5、6相连的电气网络2被认为是“通信信道”。此外，每个耗电器4、5、6在一个电压周期内的电流特征可以被认为是相应耗电器的“代码”。在测出的总电流上应用MUD方法从本质上比事件驱动方法更鲁棒，这是因为其采用电特征的更多特性。同时，其使得能够得到活动耗电器的唯一组合。
为了将MUD方法应用于能量分解，引入一种数学模型，该数学模型考虑两个领域之间的相似之处和差异。
以上参照图1描述的电气网络优选地代表单相房间布线，在单相房间布线中，所有器具，即所有耗电器，简单地并联连接。于是，总电流                                                是流过并联连接的N个耗电器的电流之和。耗电器的数目N是例如3。用
Figure 179517DEST_PATH_IMAGE002
表示经过由索引n指示的相应耗电器的电流。在该表示法中，
Figure 698354DEST_PATH_IMAGE003
指示用索引n指示的相应耗电器的峰值，
Figure 33520DEST_PATH_IMAGE004
指示归一化电流波形，其峰值电流等于一。
在电压周期
Figure 700125DEST_PATH_IMAGE005
期间经过用索引n指示的耗电器的电流
Figure 778939DEST_PATH_IMAGE006
可以被认为是相应耗电器的电特征。在周期性波形的一个周期期间，总电流可以写为：
Figure 211670DEST_PATH_IMAGE007
   
Figure 717738DEST_PATH_IMAGE008
< 
Figure 933956DEST_PATH_IMAGE005
           (1)。
在等式（1）中，数项
Figure 754144DEST_PATH_IMAGE009
指示加性噪声，该加性噪声可以以幂来破坏总电流。在所建议的表示法中，
Figure 986859DEST_PATH_IMAGE011
具有一次幂（unit power）并且表示所观察信号中的可能的加性干扰。此外，在等式（1）中，
Figure 424794DEST_PATH_IMAGE012
的值可以是1或0，以便指示具有索引n的耗电器在时间实例处是活动的（值为1时）还是非活动的（值为0时）。优选地，如果相应耗电器是接通的，则其是活动的，而如果是关断的，则是非活动的。可以将自适应噪声建模为自适应高斯白噪声（AWGN）。然而，在其他实施例中，也可以以另外的方式来对自适应噪声进行建模。在假设是AWGN的情况下，活动耗电器最可能的组合可以是最大化以下函数的组合：
Figure 255664DEST_PATH_IMAGE014
      (2)。
考虑等式（2），最优解将涉及：查找所有可能组合并选择
Figure 966448DEST_PATH_IMAGE016
最接近所观察到的总电流的那个组合。然而，通过假设用在通信理论领域中的接收机由一组匹配的滤波器制成，可以进一步简化用在通信理论领域中的MUD方法到分解问题的适应性。匹配的滤波器的输出提供足够的统计信息，即可以基于匹配的滤波器的输出得到在最大似然法（Maximum Likelihood）意义下的最优解。因此，识别单元9优选地适于，根据以下两个等式，通过将总电流与每个电特征
Figure 455515DEST_PATH_IMAGE018
相关联来确定总电参数向量
Figure 739866DEST_PATH_IMAGE019
：
Figure 90076DEST_PATH_IMAGE020
                         (3)
以及
Figure 852495DEST_PATH_IMAGE021
                     (4)。
识别单元9还适于确定用以下等式定义的联合（unity）特征相关度矩阵，联合特征相关度矩阵包括电特征之间的相关度：
Figure 427013DEST_PATH_IMAGE023
                         (5)。
等式（5）中定义的矩阵被命名为联合特征相关度矩阵，这是因为其描述了用索引n指示的相应耗电器、峰值电流等于一的归一化电流波形之间的相关度。
识别单元9还适于确定由以下等式定义的幅度矩阵，幅度矩阵包括电特征的幅度
Figure 827700DEST_PATH_IMAGE003
，即总电流中由相应活动耗电器导致的相应部分的幅度：
Figure 863789DEST_PATH_IMAGE025
                 (6)。
联合特征相关度矩阵
Figure 427626DEST_PATH_IMAGE026
和幅度矩阵
Figure 814745DEST_PATH_IMAGE024
构成特征相关度矩阵，可以例如在测量实际的总电流之前预先确定特征相关度矩阵，这是因为峰值
Figure 918967DEST_PATH_IMAGE003
和归一化电流波形
Figure 12825DEST_PATH_IMAGE004
指示相应耗电器并且其从例如耗电器的电特征的初始测量中获知。优选地，电流波形占据一个电压周期并且相对于电压周期而被同步。在另一实施例中，电流波形也可以占据多于一个的电压周期，其中，在这种情况下，电流波形也相对于电压周期而被同步。可以通过相对于从电压周期的正零交点（即，从负到正）开始的电压周期记录每个电流波形，来同步电流波形。因此，识别单元9可以包括存储单元，在存储单元中，已经存储了联合特征相关度矩阵
Figure 809880DEST_PATH_IMAGE026
和幅度矩阵，并且可以从存储单元获取联合特征相关度矩阵和幅度矩阵，用于识别一个或若干个活动（具体地，接通的）耗电器。也可以在存储单元中存储包括具有相应幅度的电特征的相关度的特征相关度矩阵，而不是存储单独的联合特征相关度矩阵
Figure 467574DEST_PATH_IMAGE027
和单独的幅度矩阵
Figure 415939DEST_PATH_IMAGE028
。
识别单元9还适于，如下述等式定义的，将总电参数向量
Figure 383895DEST_PATH_IMAGE019
建模成取决于联合特征相关度矩阵、幅度矩阵和活动向量
Figure 417710DEST_PATH_IMAGE029
（其指示相应耗电器的活动状态）之积：
Figure 863734DEST_PATH_IMAGE030
,                              (7)
其中，可以用下述等式定义活动向量：
Figure 994502DEST_PATH_IMAGE031
                           (8)。
在等式（7）中，自适应噪声数项
Figure 71042DEST_PATH_IMAGE032
包括用以下等式定义的噪声向量
Figure 654470DEST_PATH_IMAGE033
：
Figure 838939DEST_PATH_IMAGE034
                                    (9)
以及
                                        (10)。
识别单元9适于确定活动向量以使得指示所建模的总电参数向量与所确定的总电参数向量
Figure 17745DEST_PATH_IMAGE019
之间的相似度的相似性度量最大化，并且适于识别所确定的针对其的活动向量
Figure 71151DEST_PATH_IMAGE029
指示活动状态的一个或若干个耗电器。相似性度量例如是所建模的总电参数向量与所确定的总电参数向量之间的差向量的逆欧几里得范数（inverse Euclidean norm）。识别单元9可以适于，通过将常规MUD方法应用于等式（7）中定义的总电流的简洁矩阵表示来确定这种活动向量。得到的在时间实例
Figure 910932DEST_PATH_IMAGE013
处的活动向量
Figure 329275DEST_PATH_IMAGE029
确定了在该特定时间实例处哪些耗电器是活动的以及哪些耗电器是非活动的。不同的MUD方法可以用于确定活动向量。相应MUD方法的选择可以基于特征相关度矩阵、噪声向量和可用计算能力的特性。例如，如果相关度矩阵是可逆的并且噪声功率比有用信号功率（即，电流特征）低，则零力（Zero Force，ZF）MUD检测方法可能是优选的。
因此，识别单元9适于，例如通过将ZF MUD方法或者最小均方误差（MMSE）MUD方法应用于所确定的总电流来识别耗电器。在通信理论领域中，可以从例如S. Verdu的上述书籍中得知这些MUD方法。优选地，ZF MUD方法或MMSE MUD方法与等式（7）中定义的总电流的简洁矩阵表示一起使用。
具体地，识别单元9优选地适于修订总电参数向量，使得根据以下等式依据总电参数向量
Figure 416496DEST_PATH_IMAGE019
与联合特征相关度矩阵
Figure 110783DEST_PATH_IMAGE026
、幅度矩阵
Figure 700027DEST_PATH_IMAGE024
和单位向量
Figure 745344DEST_PATH_IMAGE036
这三者之积的差生成经修订的总电参数向量
Figure 140553DEST_PATH_IMAGE037
：
Figure 627029DEST_PATH_IMAGE038
，                                         (11)
其中，单位向量
Figure 587507DEST_PATH_IMAGE036
指示元素都等于1的适当大小的向量。如果在等式（11）中代入等式（7），则得到以下等式：
Figure 854540DEST_PATH_IMAGE039
                                     (12)。
因此，在一个实施例中，识别单元9还可以适于，将经修订的总电参数向量
Figure 725544DEST_PATH_IMAGE037
建模成取决于联合特征相关度矩阵
Figure 394423DEST_PATH_IMAGE026
、幅度矩阵
Figure 591049DEST_PATH_IMAGE024
和经修订的活动向量
Figure 79799DEST_PATH_IMAGE040
这三者之积，所述经修订的活动向量取决于活动向量
Figure 82391DEST_PATH_IMAGE029
与常数之差，优选地依据以下等式：
Figure 543459DEST_PATH_IMAGE041
                                        (13)。
从等式（12）可见，在该实施例中，也考虑了附加噪声数项。识别单元9可以适于确定所述经修订的活动向量
Figure 707724DEST_PATH_IMAGE040
以使得指示所建模的经修订的总电参数向量与所确定的经修订的总电参数向量之间的相似度的相似性度量最大化，并且适于识别所确定的经修订的针对其的活动向量
Figure 887033DEST_PATH_IMAGE040
指示活动状态的耗电器。此外，在该实施例中，相似性度量例如是所建模的经修订的总电参数向量与所确定的经修订的总电参数向量之间的差向量的逆欧几里得范数。识别单元9可以适于，通过将MUD方法应用于等式（12）来确定最大化相似性度量的经修订的活动向量
Figure 427735DEST_PATH_IMAGE040
。例如，识别单元9可以适于，将在S. Verdu的上述书籍中介绍的常规 ZF MUD方法应用于等式（12），从而根据以下等式确定活动向量：
Figure 805627DEST_PATH_IMAGE042
                            (14)。
如果识别单元9适于将MMSE MUD方法应用于等式（12），则优选地根据以下等式来确定所述经修订的活动向量：
Figure 281739DEST_PATH_IMAGE043
                            (15)。
根据等式（13），如果所确定的经修订的活动值
Figure 745081DEST_PATH_IMAGE044
是
Figure 24228DEST_PATH_IMAGE045
，则活动向量的相应值
Figure 522206DEST_PATH_IMAGE012
为1，如果值
Figure 965957DEST_PATH_IMAGE046
是，则活动向量的相应值
Figure 64680DEST_PATH_IMAGE012
是0。因此，阈值可以被定义为0，其中，如果经修订的活动向量的相应值比该阈值大，则相应耗电器在相应时间实例处是活动的，并且如果经修订的活动向量的相应值比该阈值小，则相应耗电器在相应时间实例处是非活动的。
图13示例性地图示了包括相关度的联合特征相关度矩阵
Figure 354847DEST_PATH_IMAGE026
，相关度基于图2至12中所示的电特征。
识别单元9还可以适于，确定已被识别为活动的耗电器的能耗。识别单元9确定在每个时间实例处哪个耗电器是接通的，哪个耗电器是关断的。此外，识别单元9可以适于，通过将相应耗电器的幅度
Figure 31816DEST_PATH_IMAGE048
乘以测出的电压来确定该相应耗电器在每个时间实例处所消耗的功率。识别单元9可以将所确定的相应耗电器的功率相对于时间进行积分，以便确定该相应耗电器的能耗。这可以针对每个接通的耗电器进行，以便确定每个活动耗电器的耗能。例如，如果已经确定耗电器消耗的功率为1W并且如果已经确定该相应耗电器被接通了1个小时，则可以确定耗能为1 Wh。
在下文中，将参照图14中所示的流程图示例性地描述用于识别电气网络中的耗电器的分解方法的实施例。
在步骤101中，提供耗电器4、5、6的电特征。电特征由电特征提供单元7提供，在电特征提供单元7中存储了耗电器4、5、6的电特征。在存储之前，可以通过训练分解装置，具体地，通过使用自训练方案，来确定电特征。一种优选训练方法包括，一次接通一个独立耗电器并且以电流形式存储对应的电特征，电特征还应该与电压波形同步。电流特征
Figure 93630DEST_PATH_IMAGE004
代表单个周期，可以通过对多个周期进行平均来改善电流特征。其它训练方法可以用于确定电特征，然后可以将电特征存储在电特征提供单元7中。
在步骤102中，确定电气网络2的总电参数。具体地，测量电气网络2的总电流。在步骤103中，根据所确定的总电参数以及电特征的相关度来识别耗电器。具体地，通过将MUD方法应用于所确定的总电参数来识别一个或若干个活动的耗电器，其中，通过使用例如等式（7）或等式（12）与MUD方法来考虑特征相关度矩阵。
能量生态系统由于三个主要驱动力而正在经历着显著的变化：至少在欧盟中的能量市场的自由化、增加的能量成本和公众对能源生态足迹的增加的敏感性。
后两个方面也基于经验证的用户需求，他们想更好地理解和控制其能耗和能量账单。非侵入式负载监视（NILM）是一种解决这种用户需求的最有希望的技术。NILM通过单个传感器的安装而许诺向用户提供关于每个单独电器消耗多少能量的全部细节。
已知分解装置和已知分解方法与本发明的分解装置和分解方法之间的主要差异在于使用相关度矩阵的这个事实。基本上，本分解装置和分解方法考虑活动耗电器之间的“串扰（crosstalk）”，而不是将串扰看作干扰。
在一个实施例中，识别单元9可以适于将由电参数确定单元8测出的总电流相对于特定时间间隔求平均并且如上所述使用与这些时间间隔相对应的平均总电流来识别耗电器，也就是说，在上述等式中，没有使用实际测量的电流，而是使用与若干时间间隔（在这些时间间隔上对于电流求取平均）相对应的平均电流。这可以减少噪声，从而提高识别电气网络中的耗电器的质量。
尽管在上述实施例中，只有单个电特征被分配给了每个耗电器，但是也可以向同一耗电器分配若干个电特征，其中，所述若干个电特征与相应耗电器的若干种接通状态相对应。因此，识别单元可以适于识别耗电器并确定所识别的耗电器的实际的接通状态。例如，诸如电视之类的耗电器可以具有待机电特征和完全接通电特征，其中，识别单元可以适于识别耗电器并根据包括待机电特征和完全接通电特征的所有电特征的相关度来确定所识别的耗电器处于待机模式还是完全接通模式。
尽管在上述实施例中，某些MUD方法已经应用于总电参数，具体地，应用于总电流，以便识别一个或若干个活动的耗电器，但是其它MUD方法，具体地，其它线性MUD方法也可以应用于所确定的总电参数。
尽管在上述实施例中，电参数确定单元适于测量电气网络的总电流，但是附加地或可替换地，电参数确定单元还可以适于测量电气网络的电压。具体地，电参数确定单元可以适于，基于测出的总电流和测出的电压确定所消耗的总功率，诸如所消耗的总复功率，作为电气网络的总电参数。相应地，耗电器的电特征也可以是功率波形。
尽管在以上参照图1描述的实施例中，电气网络包括三个耗电器，但是所述电气网络也可以包括比三个更多或更少的耗电器，其中，分解装置适于识别这些耗电器中一个或多个活动（具体地接通）的耗电器。
在实践所要求保护的发明中，本领域技术人员可以通过学习附图、公开和所附权利要求来理解和实现所公开实施例的其它变型。
在权利要求中，词语“包括”不排除其它元件或步骤，不定冠词“一”不排除多个。
单个单元或设备可以完成在权利要求中记载的若干项目的功能。在互不相同的从属权利要求中记载特定措施的纯粹事实并不表明不能有利地使用这些措施的组合。
诸如总电参数的确定、总电参数向量的确定、活动向量的确定等的确定或者由一个或若干个单元或设备执行的其它方法步骤可以由任何其它数目的单元或设备来执行。根据所述分解方法的确定以及计算和/或分解装置的控制可以被实现为计算机程序的程序代码装置和/或专用硬件。
计算机程序可以存储/分布在与其它硬件一起提供或者作为其它硬件的一部分的适当介质上，比如，光学存储介质或固态介质上，但是计算机程序还可以以其它形式分布，比如经由因特网或其它有线或无线电信系统。
权利要求中的任何附图标记不应该解释为限制范围。
本发明涉及用于识别电气网络中的耗电器的分解装置。电特征提供单元提供耗电器的电特征，电参数确定单元确定电气网络的总电参数。识别单元根据所确定的总电参数以及电特征的相关度来识别耗电器。因为识别单元根据所确定的总电参数以及电特征的相关度来识别耗电器，所以耗电器的识别不只是依赖于事件的检测。这使得识别更鲁棒，尤其是不太易于陷入由错过的事件所引发的错误中，从而提高识别电气网络中的耗电器的可靠性。

Claims (12)

1.一种用于识别电气网络中的耗电器的分解装置，其中，电气网络（2）包括电源（3）和多个耗电器（4，5，6），分解装置（1）包括：
-电特征提供单元（7），用于提供耗电器（4，5，6）的电特征（                                                
Figure 2011800508812100001DEST_PATH_IMAGE001
），
-电参数确定单元（8），用于确定电气网络（2）的总电参数（
Figure 617148DEST_PATH_IMAGE002
），
-识别单元（9），用于根据所确定的总电参数（
Figure 2011800508812100001DEST_PATH_IMAGE003
）以及所述电特征（
Figure 668281DEST_PATH_IMAGE001
）的相关度来识别耗电器。
2.如权利要求1所述的分解装置，其中，电特征（
Figure 531195DEST_PATH_IMAGE001
）是特征电流。
3.如权利要求1所述的分解装置，其中，识别单元（9）适于，通过将多用户检测（MUD）方法应用于所确定的总电参数（
Figure 693186DEST_PATH_IMAGE002
）来识别耗电器。
4.如权利要求3所述的分解装置，其中，识别单元（9）适于，通过将零力（ZF）MUD方法应用于所确定的总电参数（
Figure 20262DEST_PATH_IMAGE002
）来识别耗电器。
5.如权利要求3所述的分解装置，其中，识别单元（9）适于，通过将最小均方误差（MMSE）MUD方法应用于所确定的总电参数（
Figure 242296DEST_PATH_IMAGE002
）来识别耗电器。
6.如权利要求1所述的分解装置，其中，识别单元（9）适于：
-通过将总电参数（
Figure 389243DEST_PATH_IMAGE003
）与每个电特征（
Figure 354925DEST_PATH_IMAGE001
）相关联来确定总电参数向量（
Figure 536508DEST_PATH_IMAGE004
），
-将总电参数向量（
Figure 929443DEST_PATH_IMAGE004
）建模成取决于包括电特征之间的相关度的特征相关度矩阵（
Figure 2011800508812100001DEST_PATH_IMAGE005
）与活动向量（
Figure 829266DEST_PATH_IMAGE006
）之积，其中，所述活动向量指示相应耗电器的活动状态，
-确定活动向量（
Figure 330130DEST_PATH_IMAGE006
），使得指示所建模的总电参数向量与所确定的总电参数向量（）之间的相似度的相似性度量最大化，
-识别所确定的针对其的活动向量（
Figure 930056DEST_PATH_IMAGE006
）指示活动状态的耗电器。
7.如权利要求6所述的分解装置，其中，识别单元（9）适于，将总电参数向量（
Figure 51596DEST_PATH_IMAGE004
）建模成取决于下述之和：i）特征相关度矩阵（
Figure 359080DEST_PATH_IMAGE005
）与活动向量（
Figure 515255DEST_PATH_IMAGE006
）之积；和 ii）噪声向量（
Figure DEST_PATH_IMAGE007
）。
8.如权利要求1所述的分解装置，其中，识别单元（9）适于：
-通过将总电参数（
Figure 249993DEST_PATH_IMAGE003
）与每个电特征（
Figure 858829DEST_PATH_IMAGE001
）相关联来确定总电参数向量（
Figure 704425DEST_PATH_IMAGE004
），
-根据总电参数向量（
Figure 715106DEST_PATH_IMAGE004
）和包括电特征之间的相关度的特征相关度矩阵（
Figure 620745DEST_PATH_IMAGE005
）与单位向量（
Figure 716877DEST_PATH_IMAGE008
）这二者之积的差，来确定经修订的总电参数向量（
Figure DEST_PATH_IMAGE009
），
-将所述经修订的总电参数向量（
Figure 366164DEST_PATH_IMAGE009
）建模成取决于特征相关度矩阵（
Figure 496931DEST_PATH_IMAGE005
）与经修订的活动向量（
Figure 196641DEST_PATH_IMAGE010
）之积，其中，所述经修订的活动向量取决于指示相应耗电器的活动状态的活动向量（
Figure 452173DEST_PATH_IMAGE006
）与常数之差,
-确定所述经修订的活动向量（
Figure 967468DEST_PATH_IMAGE010
），使得指示所建模的经修订的总电参数向量与所确定的经修订的总电参数向量（
Figure 952741DEST_PATH_IMAGE009
）之间的相似度的相似性度量最大化，
-识别所确定的经修订的针对其的活动向量（
Figure DEST_PATH_IMAGE011
）指示活动状态的耗电器。
9.如权利要求1所述的分解装置，其中，识别单元（9）适于，根据包括逆联合特征相关度矩阵（
Figure 200183DEST_PATH_IMAGE012
）与经修订的总电参数向量（
Figure 940081DEST_PATH_IMAGE009
）之积的这个数项的符号来确定指示相应耗电器的活动状态的活动向量（
Figure 993488DEST_PATH_IMAGE010
），所述逆联合特征相关度矩阵包括归一化电特征（
Figure 770951DEST_PATH_IMAGE001
）之间的相关度，其中根据总电参数向量（
Figure 251611DEST_PATH_IMAGE004
）与以下三项之积的差来确定所述经修订的总电参数向量（
Figure 809631DEST_PATH_IMAGE009
）：
a）联合特征相关度矩阵（
Figure DEST_PATH_IMAGE013
），其包括所述归一化电特征（
Figure 338833DEST_PATH_IMAGE001
）之间的相关度，
b）幅度矩阵（
Figure 236382DEST_PATH_IMAGE014
），其包括总电参数中由相应耗电器导致的部分的幅度（
Figure DEST_PATH_IMAGE015
），以及
c）单位向量（
Figure 448795DEST_PATH_IMAGE008
），
其中，通过将总电参数（）与每个归一化电特征（
Figure 623741DEST_PATH_IMAGE001
）相关联来确定总电参数向量（
Figure 375797DEST_PATH_IMAGE004
）。
10.如权利要求9所述的分解装置，其中，识别单元（9）适于，将所述经修订的总电参数向量（）建模成取决于下述之和：i）联合特征相关度矩阵（
Figure 402976DEST_PATH_IMAGE013
）、幅度矩阵（
Figure 601876DEST_PATH_IMAGE014
）与活动向量（
Figure 270755DEST_PATH_IMAGE006
）之积；和 ii）噪声向量（
Figure 201801DEST_PATH_IMAGE007
）。
11.一种用于识别电气网络中的耗电器的分解方法，其中，电气网络包括电源和多个耗电器，分解方法包括：
-提供耗电器的电特征，
-确定电气网络的总电参数，
-根据所确定的总电参数以及电特征的相关度来识别耗电器。
12.一种用于识别电气网络中的耗电器的分解计算机程序，其中，电气网络包括电源和多个耗电器，所述分解计算机程序包括程序代码装置，所述程序代码装置用于在所述计算机程序运行在控制如权利要求1中所述的分解装置的计算机上时使所述分解装置执行如权利要求11所述的分解方法的步骤。
CN201180050881.2A 2010-10-20 2011-10-06 用于识别电气网络中的耗电器的分解装置和分解方法 Active CN103154670B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP10188236.3 2010-10-20
EP10188236 2010-10-20
PCT/IB2011/054399 WO2012052868A2 (en) 2010-10-20 2011-10-06 Disaggregation apparatus

Publications (2)

Publication Number Publication Date
CN103154670A true CN103154670A (zh) 2013-06-12
CN103154670B CN103154670B (zh) 2016-02-24

Family

ID=45003006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201180050881.2A Active CN103154670B (zh) 2010-10-20 2011-10-06 用于识别电气网络中的耗电器的分解装置和分解方法

Country Status (6)

Country Link
US (1) US10393778B2 (zh)
EP (1) EP2630448B1 (zh)
JP (1) JP5931076B2 (zh)
CN (1) CN103154670B (zh)
ES (1) ES2616236T3 (zh)
WO (1) WO2012052868A2 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2012211955A1 (en) 2011-02-04 2013-09-12 Bidgely Inc. Systems and methods for improving the accuracy of appliance level disaggregation in non-intrusive appliance load monitoring techniques
US8983670B2 (en) * 2011-09-14 2015-03-17 Honeywell International Inc. Energy consumption disaggregation system
AU2013251524B2 (en) 2012-04-25 2016-05-12 Bidgely Inc. Energy disaggregation techniques for low resolution whole-house energy consumption data
US9306857B2 (en) 2013-01-17 2016-04-05 Honeywell International Inc. Managing a wireless mesh network
DE102013221078A1 (de) 2013-10-17 2015-04-23 Robert Bosch Gmbh Vorrichtung und Verfahren zur Identifizierung eines Verbrauchers in einem elektrischen Netz über einen Verlauf eines Stroms und/oder einer Spannung in dem Netz
JP6006776B2 (ja) * 2014-12-15 2016-10-12 日本電信電話株式会社 電気機器識別方法および電気機器識別装置
CN107980043B (zh) 2015-05-06 2021-09-24 瓦赫宁恩大学 多肽用于制备作用于免疫信号转导和/或影响肠屏障功能和/或调节代谢状态的药物
US10256633B2 (en) 2015-11-04 2019-04-09 Utopus Insights, Inc Real-time estimation of contributions from classes of energy generators in residual load signals
FR3125883B1 (fr) 2021-07-30 2023-07-28 Enerfox Surveillance a distance d’equipements electriques dans un reseau electrique

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5483153A (en) * 1994-03-24 1996-01-09 Massachusetts Institute Of Technology Transient event detector for use in nonintrusive load monitoring systems
CN1255211A (zh) * 1997-05-07 2000-05-31 通用动力信息系统公司 用于计算机系统的非侵入性电源控制
CN1426621A (zh) * 2000-02-29 2003-06-25 阿拉里斯医疗系统公司 功率管理系统
CN1799013A (zh) * 2003-06-05 2006-07-05 罗斯蒙德公司 使用过程变量传感器信号的过程装置诊断
US20090033265A1 (en) * 2005-11-29 2009-02-05 Roland Fleischmann Monitoring Unit for Monitoring the Load of an Electric Motor
CN101529390A (zh) * 2006-11-15 2009-09-09 高通股份有限公司 用于多线程数字信号处理器的非侵入性线程选择性调试方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5717325A (en) 1994-03-24 1998-02-10 Massachusetts Institute Of Technology Multiprocessing transient event detector for use in a nonintrusive electrical load monitoring system
JP2003333768A (ja) * 2002-05-15 2003-11-21 Sharp Corp 電気機器稼働状況把握方法及び装置
DE60313045T2 (de) * 2003-03-10 2007-12-13 Ntt Docomo Inc. Vorrichtung und Verfahren zum erkennen einer Gruppe von empfangenen Zeichen
JP4186879B2 (ja) * 2004-06-10 2008-11-26 三菱電機株式会社 生活情報収集システム
DE102005047901A1 (de) * 2005-09-30 2007-04-19 Schering Ag Vorrichtung zur Identifizierung von Verbrauchern in einem elektrischen Netz und Verfahren zum Betreiben der Vorrichtung
FR2936873B1 (fr) 2008-10-03 2010-12-10 Electricite De France Procede et dispositif de determination non intrusive de la puissance electrique consommee par une installation, par analyse de transitoires de charge.
US8450878B2 (en) 2009-01-26 2013-05-28 Geneva Cleantech, Inc. Methods and apparatus for power factor correction and reduction of distortion in and noise in a power supply delivery network
US20110112780A1 (en) * 2009-11-06 2011-05-12 David Moss Electrical power consumption measuring system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5483153A (en) * 1994-03-24 1996-01-09 Massachusetts Institute Of Technology Transient event detector for use in nonintrusive load monitoring systems
CN1255211A (zh) * 1997-05-07 2000-05-31 通用动力信息系统公司 用于计算机系统的非侵入性电源控制
CN1426621A (zh) * 2000-02-29 2003-06-25 阿拉里斯医疗系统公司 功率管理系统
CN1799013A (zh) * 2003-06-05 2006-07-05 罗斯蒙德公司 使用过程变量传感器信号的过程装置诊断
US20090033265A1 (en) * 2005-11-29 2009-02-05 Roland Fleischmann Monitoring Unit for Monitoring the Load of an Electric Motor
CN101529390A (zh) * 2006-11-15 2009-09-09 高通股份有限公司 用于多线程数字信号处理器的非侵入性线程选择性调试方法及系统

Also Published As

Publication number Publication date
EP2630448B1 (en) 2016-12-14
JP5931076B2 (ja) 2016-06-08
JP2013543364A (ja) 2013-11-28
ES2616236T3 (es) 2017-06-12
US10393778B2 (en) 2019-08-27
EP2630448A2 (en) 2013-08-28
WO2012052868A3 (en) 2012-07-19
US20130289907A1 (en) 2013-10-31
CN103154670B (zh) 2016-02-24
WO2012052868A2 (en) 2012-04-26

Similar Documents

Publication Publication Date Title
CN103154670A (zh) 分解装置、方法和程序
Weiss et al. Leveraging smart meter data to recognize home appliances
CN101772692B (zh) 用于用户辅助资源使用量确定的方法、装置和系统
CN102292618B (zh) 监测和管理公用事业设备使用情况的系统和方法
KR101642373B1 (ko) 장치에 의하여 소비되는 전력을, 부하 과도현상을 분석함으로써, 비침습적으로 결정하는 방법 및 장치
TW201019562A (en) Socket with power management ability
CN204086431U (zh) 一种用电负载管理智能终端
Gillani et al. A Generic Ontology for Prosumer-Oriented Smart Grid.
GB2464634A (en) Utility Meter
CN103181058A (zh) 用于识别电气网络中的设备的分解装置
BRPI1100073A2 (pt) mÉtodo, sistema e sensor para identificar um dispositivo elÉtrico conectado a uma rede elÉtrica
Mittelsdorf et al. Submeter based training of multi-class support vector machines for appliance recognition in home electricity consumption data
Clement et al. Standby power consumption in Belgium
Chalmers et al. Smart meter profiling for health applications
Meier A worldwide review of standby power use in homes
Matthews et al. Automatically disaggregating the total electrical load in residential buildings: a profile of the required solution
Houidi et al. Design of an electricity consumption measurement system for Non Intrusive Load Monitoring
Ghosh et al. Load monitoring of residential elecrical loads based on switching transient analysis
Filippi et al. Multi-appliance power disaggregation: An approach to energy monitoring
Buchhop et al. Residential load identification based on load profile using artificial neural network (ANN)
De Almeida et al. Standby and off-mode power demand of new appliances in the market
Duarte et al. Energy measurement techniques for energy efficiency programs
Semwal et al. Smart Meters for Domestic Consumers: Innovative Methods for Identifying Appliances using NIALM
Roy et al. Aarpa: Combining mobile and power-line sensing for fine-grained appliance usage and energy monitoring
Bouhafs et al. Open sensing platform for HomeEnergy monitoring in the Internet of Things

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: Holland Ian Deho Finn

Patentee after: KONINKLIJKE PHILIPS N.V.

Address before: Holland Ian Deho Finn

Patentee before: Koninklijke Philips Electronics N.V.

CP01 Change in the name or title of a patent holder
TR01 Transfer of patent right

Effective date of registration: 20170308

Address after: Eindhoven

Patentee after: KONINKLIJKE PHILIPS N.V.

Address before: Holland Ian Deho Finn

Patentee before: KONINKLIJKE PHILIPS N.V.

TR01 Transfer of patent right
CP01 Change in the name or title of a patent holder

Address after: Eindhoven

Patentee after: Signify Holdings Ltd.

Address before: Eindhoven

Patentee before: KONINKLIJKE PHILIPS N.V.

CP01 Change in the name or title of a patent holder