CN103439573A - 基于暂态特征贴近度匹配的家用负荷识别方法及系统 - Google Patents
基于暂态特征贴近度匹配的家用负荷识别方法及系统 Download PDFInfo
- Publication number
- CN103439573A CN103439573A CN2013103528293A CN201310352829A CN103439573A CN 103439573 A CN103439573 A CN 103439573A CN 2013103528293 A CN2013103528293 A CN 2013103528293A CN 201310352829 A CN201310352829 A CN 201310352829A CN 103439573 A CN103439573 A CN 103439573A
- Authority
- CN
- China
- Prior art keywords
- transient
- wave
- family expenses
- degree
- template
- 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
Links
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于暂态特征贴近度匹配的家用负荷识别方法及系统,方法包括:在用户的用电入口处对有功功率以及无功功率进行监测;当所述的有功功率以及无功功率发生变化时,采集变化时刻对应的暂态波形;从所述的暂态波形中提取出家用负荷开关对应的暂态波形;确定家用负荷开关对应的暂态波形与预设的模板库中各个家用负荷模板的贴近度;将所述的贴近度组成隶属度矩阵;根据所述的隶属度矩阵识别家用负荷开关对应的暂态波形所属的模板。采用以家用负荷的暂态特征为主,稳态特征为辅的特征量,度量家用负荷与模板库中负荷的接近程度,可准确识别出家庭常用的较大功率负荷,对于负荷功率的波动具有鲁棒性。
Description
技术领域
本发明关于负荷识别技术领域,特别是关于家庭用电的负荷识别技术,具体的讲是一种基于暂态特征贴近度匹配的家用负荷识别方法及系统。
背景技术
家庭用电的分类计量是电表智能化的一个必然要求。目前使用的电表仅仅实现了总电量的分时计量,而没有按照负荷进行分类计量的功能。家用负荷识别就是为了实现电费的分类计量,使用户的电费清单像电话费清单一样,各类家用负荷的用电谁多谁少一目了然。这可以使家庭用户及时了解自己的用电情况,为用户合理分配各个电器的用电时间及相应的用电量提供一个参考,从而减少电费的支出,有效地降低能源的消耗和浪费。
现有的家庭用电负荷识别的主要研究方法包括侵入式和非侵入式两种。其中,侵入式法需要在每个用电系统上安装计量仪表,该方法得到的数据虽然准确,但其由于安装了计量仪表导致成本很高,且安装复杂,维护困难。非侵入式法只在用户的电力供给入口处安装计量仪表来实时监测和采集数据,即在一户一表的基础上实现负荷的分类计量。该方法成本低易于安装,适合在线监测。相对于侵入式法,非侵入式法对用户和管理者更有吸引力,是未来家用负荷识别的重要方向之一。但是在非侵入法中,如何通过负荷的不同特征对家用负荷进行识别和计量是当前研究的主要难题。
发明内容
本发明针对现有技术中存在的上述技术问题,提出了一种基于家用负荷开关暂态特征贴近度识别其开启和关闭的非侵入式方法,采用以家用负荷的暂态特征为主,稳态特征为辅的特征量,结合其它家用负荷满足的时间特征、开关逻辑关系,度量家用负荷与模板库中负荷的接近程度,可准确识别出家庭常用的较大功率负荷,对于负荷功率的波动具有鲁棒性。
本发明的目的之一是,提供一种基于暂态特征贴近度匹配的家用负荷识别方法,包括:在用户的用电入口处对有功功率以及无功功率进行监测;当所述的有功功率以及无功功率发生变化时,采集变化时刻对应的暂态波形;从所述的暂态波形中提取出家用负荷开关对应的暂态波形;确定家用负荷开关对应的暂态波形与预设的模板库中各个家用负荷模板的贴近度;将所述的贴近度组成隶属度矩阵;根据所述的隶属度矩阵识别家用负荷开关对应的暂态波形所属的模板。
本发明的目的之一是,提供了一种基于暂态特征贴近度匹配的家用负荷识别系统,包括:监测装置,用于在用户的用电入口处对有功功率以及无功功率进行监测;暂态波形采集装置,用于当所述的有功功率以及无功功率发生变化时,采集变化时刻对应的暂态波形;家用暂态波形提取装置,用于从所述的暂态波形中提取出家用负荷开关对应的暂态波形;贴近度确定装置,用于确定家用负荷开关对应的暂态波形与预设的模板库中各个家用负荷模板的贴近度;隶属度矩阵确定装置,用于将所述的贴近度组成隶属度矩阵;家用负荷识别装置,用于根据所述的隶属度矩阵识别家用负荷开关对应的暂态波形所属的模板。
本发明的有益效果在于,针对现有技术中存在的上述技术问题,通过将家用负荷开关时的暂态波形和功率变化值作为特征量,将采集的暂态波形与模板库中的负荷波形进行匹配,依据相似度原理确定结果,对于不易识别的家用负荷则增加局部波形作为特征量进行再匹配,提高了识别效率,可准确识别出家庭常用的较大功率负荷,对于负荷功率的波动具有鲁棒性。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于暂态特征贴近度匹配的家用负荷识别方法的实施方式一的流程图;
图2为本发明实施例提供的一种基于暂态特征贴近度匹配的家用负荷识别方法的实施方式二的流程图;
图3为图1中的步骤S103的具体流程图;
图4为图1中的步骤S106的具体流程图;
图5为图4中的步骤S408的具体流程图;
图6为本发明实施例提供的一种基于暂态特征贴近度匹配的家用负荷识别系统的实施方式一的结构框图;
图7为本发明实施例提供的一种基于暂态特征贴近度匹配的家用负荷识别系统的实施方式二的结构框图;
图8为本发明实施例提供的一种基于暂态特征贴近度匹配的家用负荷识别系统中家用暂态波形提取装置的结构示意图;
图9为本发明实施例提供的一种基于暂态特征贴近度匹配的家用负荷识别系统中家用负荷识别装置的结构示意图;
图10为本发明实施例提供的一种基于暂态特征贴近度匹配的家用负荷识别系统中第二识别模块的结构示意图;
图11为本发明提供的具体实施例中15:00至24:00的综合负荷功率示意图;
图12为图11的具体实施例中电视机关闭的暂态波形功率放大图;
图13为本发明提供的模板库中电视机关闭的暂态波形功率放大图;
图14为本发明提供的模板库中冰箱关闭的暂态波形功率放大图;
图15所示为采集的冰箱有功功率暂态波形示意图;
图16为采集的冰箱无功功率暂态波形示意图;
图17为冰箱有功功率暂态波形局部特征波形示意图;
图18为冰箱无功功率暂态波形局部特征波形示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种基于暂态特征贴近度匹配的家用负荷识别方法的实施方式一的流程图,由图1可知,在实施方式一中,该方法具体包括:
S101:在用户的用电入口处对有功功率以及无功功率进行监测。如图11为所示的15:00点至24:00点之间的综合负荷有功功率示意图,该图即为15:00点至24:00点之间对某用户的有功功率进行监测得到的。在具体的实施方式中,该步骤可通过智能电表实现。
S102:当所述的有功功率以及无功功率发生变化时,采集变化时刻对应的暂态波形。发生扰动或家用负荷的开关时,有功功率以及无功功率会发生变化。如图11为所示的15:00点至24:00点之间的综合负荷功率示意图上可见,期间有功功率和无功功率发生数次变化,对应数个暂态波形,这些变化有扰动导致的,也有家用负荷的开关导致的。在具体的实施方式中,可设置触发器,当触发器动作时,采集暂态波形。
S103:从所述的暂态波形中提取出家用负荷开关对应的暂态波形,也即该步骤需要将图11所述的数个暂态波形中提取出由于家用负荷开关导致变化的暂态波形。图3为图1中的步骤S103的具体流程图,由图3可知,该步骤具体包括:
S301:从所述的暂态波形中确定出有功功率以及无功功率的最大值以及最小值。图12为图11中箭头所示处的暂态波形的放大图,从图12中读取中有功功率和无功功率的最大值、最小值。
S302:确定所述有功功率以及无功功率的最大值以及最小值的差值;
S303:当所述的差值大于预设的扰动阈值时,提取所述的暂态波形;
S304:所述的暂态波形即为家用负荷开关对应的暂态波形。
在具体的实施方式中,扰动阈值可根据具体的使用场景预先设定,通过实际的家用负荷情况和大量的实验确定,诸如设置T1为100瓦。扰动阈值的设定直接可将由扰动引起的暂态波形滤除出去,仅提取出由家用负荷开关引起的暂态波形。
确定出由家用负荷开关引起的暂态波形后,即可开始与预设的模板进行匹配,进而识别出当前暂态波形对应的模板,进而确定出当前暂态波形对应的具体家用负荷及其开或关。根据功率的变化差值、开关匹配及时间特征进行预筛选。在本发明的其他实施方式中,此处还可包括如下步骤:
根据所述的差值从预设的模板库中提取出家用负荷开关对应的暂态波形的模板子库。诸如:开关匹配可以排除不合逻辑的情况。如某家用负荷在此之前已经打开,则此刻不可能再打开;或者之前还未开启,则此刻不可能关闭。时间特征检测则可根据家用负荷的时间特征对其进行筛选。如冰箱周期性启停,每隔约80min开启一次,工作约10-15min,微波炉单次工作时间不会超过30min,不符合该时间范围的情况予以排除。如此,后续的步骤S104至S106则可直接与模板子库中的模板进行匹配。
由图1可知,在实施方式一中,该方法还包括:
S104:确定家用负荷开关对应的暂态波形与预设的模板库中各个家用负荷模板的贴近度。下面简述贴近度的具体含义。
距离用于度量两个对象的差异程度,最常见的距离测度是欧氏距离。由负荷波形可得到两个多维向量x、y,其欧氏距离为:
其中,n是向量的维数,x={x1,x2,…,xn},y={y1,y2,…,yn};xi≥0,yi≥0,i=1,2,…,n。
为更好地比较不同取值范围内向量的差异,在计算前需对数据进行归一化,使其位于[0,1]之间,即:
xi ′=xi/a,yi ′=yi/b,i=1,2,…n (2)
其中,a=max(x),b=max(y)。D(x,y)∈[0,1]。可见,D(x,y)越接近1,向量x、y差异越大,反之,D(x,y)越接近0,两者差异越小。
在式(1)、(2)基础上定义贴近度,用于度量两个向量之间的接近程度。
N(x,y)=1-D(x,y)
由式(1)至(3)可知,预先将数据归一化后仅能对两类波形趋势进行比较,而未计及幅值大小的影响。因此,为使幅值间的贴近度与上述波形趋势的贴近度在同一个范围内变化,故幅值间的贴近度可由下式表示:
在本发明中,暂态波形的向量Pwav、Qwav、ΔPwav、ΔQwav的贴近度N1、N2、N3、N4可由式(3)计算得到;最大值Pmax、Qmax、ΔPmax、ΔQmax的贴近度N5、N6、N7、N8可由式(4)计算得到。此处,Pwav为暂态波形的有功功率向量,Qwav为暂态波形的无功功率向量,ΔPwav为暂态波形有功功率的增量向量,ΔQwa为暂态波形无功功率的增量向量,Pmax为暂态波形有功功率最大值,Qmax为暂态波形无功功率最大值,ΔPmax为暂态波形有功功率增量最大值,ΔQmax为暂态波形无功功率增量最大值,N1、N2、N3、N4、N5、N6、N7、N8分别为Pwav、Qwav、ΔPwav、ΔQwav、Pmax、Qmax、ΔPmax、ΔQmax的贴近度。
S105:将所述的贴近度组成隶属度矩阵,下面简述最大隶属度原则。
本发明技术方案根据最大隶属原则将待识别负荷归并到模板库中的家用负荷类别里。最大隶属原则定义如下:
将贴近度作为隶属度函数,得到的综合隶属度的计算公式如下:
其中,m为模板数目,W为权重,R为隶属度矩阵。
在本发明技术方案的匹配方法中,隶属度矩阵为R=[N1 N2 N3N4N5 N6 N7 N8]T。
S106:根据所述的隶属度矩阵识别家用负荷开关对应的暂态波形所属的模板。
图2为本发明实施例提供的一种基于暂态特征贴近度匹配的家用负荷识别方法的实施方式二的流程图,由图2可知,在实施方式二中,步骤S202至步骤S208与实施方式一中的步骤S101至步骤S106相同,该方法还包括:
S201:预先采集各类家用负荷开关对应的有功功率和无功功率的暂态波形、稳态功率值以及时间特征。其中,暂态波形是指家用负荷开启或关闭的短暂时间内的功率变化波形,稳态功率值是指家用负荷稳态运行时的功率值,时间特征是指如冰箱的周期性工作时间,微波炉等的最大使用时间等。
S202:根据所述的暂态波形、稳态功率值以及时间特征建立各类家用负荷开关对应的模板,组成模板库。下面以冰箱为例,进行说明。在确定冰箱模板时,首先对冰箱进行单独测量,采集冰箱开启关闭短暂时间的有功功率和无功功率波形向量,如图15所示为采集的冰箱有功功率暂态波形示意图,图16为采集的冰箱无功功率暂态波形示意图,图17为冰箱有功功率暂态波形局部特征波形示意图,图18为冰箱无功功率暂态波形局部特征波形示意图。因此,冰箱模板的局部特征量即为暂态波形中0.2-0.5s之间的暂态波形,其稳态运行时的功率为:130W,时间特征为周期性启停,每隔约80min开启一次,工作约10-15min。
图4为图1中的步骤S106的具体流程图,由图4可知,该步骤具体包括:
S401:对所述的隶属度矩阵进行加权,得到综合隶属度向量,也即将贴近度作为隶属度函数,得到综合隶属度,综合隶属度的计算公式如上述公式(5),其中,m为模板数目,W为权重,R为隶属度矩阵。设综合隶属度为J,则J=W·R。
S402:从所述的综合隶属度向量中选取出最大的分量。本发明技术方案认为各个因素(负荷特征)对结果的影响同等重要,因此各特征量的权重相同。将匹配综合隶属度向量J进行排序,选出最大的分量。
S403:判断所述最大的分量是否大于预设的信任度阈值,当判断为是时,则认为识别结果可信,执行步骤S403,否则认为有未知家用负荷或者扰动出现,返回执行步骤S103,重新提取家用负荷开关的暂态波形。信任度阈值可根据不同的使用场景预先设定,通过实际的家用负荷情况和大量的实验确定,诸如在具体实施例中,信任度阈值T2=0.5,当T2>0.5时,很容易造成漏判;而T2<0.5时,会增大误判率。
S404:从所述的综合隶属度向量中选取出次大的分量;
S405:确定所述最大的分量与所述次大的分量的差值;
S406:判断所述的差值是否大于预设的相似阈值,当判断为是时,判定识别效果理想,执行步骤S407,否则执行步骤408。相似阈值可根据不同的使用场景预先设定,通过实际的家用负荷情况和大量的实验确定,诸如在具体实施例中,相似阈值T3=0.2,当T3>0.2时,会限制再匹配步骤的作用,造成误判;T3<0.2时,则会增加不必要的匹配时间。
S407:此次匹配结果即为最终结果,按得到的综合隶属度的最大值判定开启或者关闭的家用负荷。所述家用负荷开关对应的暂态波形所属的模板即为最大的分量所属的模板。
S408:对所述的家用负荷开关对应的暂态波形进行再匹配。
图5为图4中的步骤S408的具体流程图,由图5可知,该步骤具体包括:
S501:从家用负荷开关对应的暂态波形中选取扩展特征量,设扩展特征量为Pjwav、Qjwav,其中Pjwav为暂态波形有功功率的局部特征向量,Qjwav为暂态波形无功功率的局部特征向量。扩展特征量的提取方式如下所示:如图13所示的电视机关闭的暂态有功功率波形中,0.1-0.8s的波形即为电视机的有功功率局部特征量。
S502:确定所述的扩展特征量与模板库中各个模板的贴近度,设Pjwav、Qjwav的匹配度为N9、N10。
S503:将所述的贴近度组成扩展隶属度矩阵,则再匹配的扩展隶属度矩阵R2=[J1 T N9 N10]T。扩展隶属度矩阵由综合隶属度J与由式(3)计算出的局部波形(Pjwav、Qjwav)的贴近度N9、N10所组成。上述隶属度矩阵中的向量Ni=[Ni1Ni2 … Nim]T,i=1,2,…,10。
S504:对所述的扩展隶属度矩阵进行加权,得到扩展隶属度向量。再匹配的扩展隶属度J2=W2·R2。
S505:从所述的扩展隶属度向量中选取出最大的分量,所述最大的分量所属的模板即为所述家用负荷开关对应的暂态波形所属的模板。
本发明提出的一种基于家用负荷开关暂态特征贴近度识别其开启和关闭的非侵入式方法,采用以家用负荷的暂态特征为主,稳态特征为辅的特征量,结合其它家用负荷满足的时间特征、开关逻辑关系,度量家用负荷与模板库中负荷的接近程度,可准确识别出家庭常用的较大功率负荷,对于负荷功率的波动具有鲁棒性。
图6为本发明实施例提供的一种基于暂态特征贴近度匹配的家用负荷识别系统的实施方式一的结构框图,由图6可知,在实施方式一中,该系统具体包括:
监测装置100,用于在用户的用电入口处对有功功率以及无功功率进行监测。如图11为所示的15:00点至24:00点之间的综合负荷有功功率示意图,该图即为15:00点至24:00点之间对某用户的有功功率进行监测得到的。此处的综合负载功率包括了有功功率以及无功功率。在具体的实施方式中,该装置可通过智能电表实现。
暂态波形采集装置200,用于当所述的有功功率以及无功功率发生变化时,采集变化时刻对应的暂态波形。发生扰动或家用负荷的开关时,有功功率以及无功功率会发生变化。如图11为所示的15:00点至24:00点之间的综合负荷功率示意图上可见,期间有功功率和无功功率发生数次变化,对应数个暂态波形,这些变化有扰动导致的,也有家用负荷的开关导致的。在具体的实施方式中,可设置触发器,当触发器动作时,采集暂态波形。
家用暂态波形提取装置300,用于从所述的暂态波形中提取出家用负荷开关对应的暂态波形,也即该步骤需要将图11所述的数个暂态波形中提取出由于家用负荷开关导致变化的暂态波形。图8为家用暂态波形提取装置的结构示意图,由图8可知,家用暂态波形提取装置300具体包括:
最大最小值确定模块301,用于从所述的暂态波形中确定出有功功率以及无功功率的最大值以及最小值。图12为图11中箭头所示处的暂态波形的放大图,从图12中读取中有功功率和无功功率的最大值、最小值。
差值确定模块302,用于确定所述有功功率以及无功功率的最大值以及最小值的差值;
提取模块303,用于当所述的差值大于预设的扰动阈值时,提取所述的暂态波形,所述的暂态波形即为家用负荷开关对应的暂态波形。
在具体的实施方式中,扰动阈值可根据具体的使用场景预先设定,通过实际的家用负荷情况和大量的实验确定,诸如设置T1为100瓦。扰动阈值的设定直接可将由扰动引起的暂态波形滤除出去,仅提取出由家用负荷开关引起的暂态波形。
确定出由家用负荷开关引起的暂态波形后,即可开始与预设的模板进行匹配,进而识别出当前暂态波形对应的模板,进而确定出当前暂态波形对应的具体家用负荷及其开或关。根据功率的变化差值、开关匹配及时间特征进行预筛选。在本发明的其他实施方式中,此处还可包括图7中的如下装置:
模板子库确定装置900,用于根据所述的差值从预设的模板库中提取出家用负荷开关对应的暂态波形的模板子库。诸如:开关匹配可以排除不合逻辑的情况。如某家用负荷在此之前已经打开,则此刻不可能再打开;或者之前还未开启,则此刻不可能关闭。时间特征检测则可根据家用负荷的时间特征对其进行筛选。如冰箱周期性启停,每隔约80min开启一次,工作约10-15min,微波炉单次工作时间不会超过30min,不符合该时间范围的情况予以排除。如此,后续的步骤S104至S106则可直接与模板子库中的模板进行匹配。
由图6可知,在实施方式一中,该系统还包括:
贴近度确定装置400,用于确定家用负荷开关对应的暂态波形与预设的模板库中各个家用负荷模板的贴近度。在本发明中,暂态波形的向量Pwav、Qwav、ΔPwav、ΔQwav的贴近度N1、N2、N3、N4可由式(3)计算得到;最大值Pmax、Qmax、ΔPmax、ΔQmax的贴近度N5、N6、N7、N8可由式(4)计算得到。此处,Pwav表示暂态波形的有功功率向量,Qwav为暂态波形的无功功率向量,ΔPwav为暂态波形的有功功率增量向量,ΔQwa为暂态波形的无功功率增量向量,Pmax为暂态波形有功功率最大值,Qmax为暂态波形无功功率最大值,ΔPmax为暂态波形有功功率增量最大值,ΔQmax为暂态波形无功功率增量最大值,N1、N2、N3、N4、N5、N6、N7、N8分别为Pwav、Qwav、ΔPwav、ΔQwav、Pmax、Qmax、ΔPmax、ΔQmax的贴近度。
隶属度矩阵确定装置500,用于将所述的贴近度组成隶属度矩阵。在本发明技术方案的匹配方法中,隶属度矩阵为R=[N1 N2 N3 N4 N5 N6 N7N8]T。
家用负荷识别装置600,用于根据所述的隶属度矩阵识别家用负荷开关对应的暂态波形所属的模板。
图7为本发明实施例提供的一种基于暂态特征贴近度匹配的家用负荷识别系统的实施方式二的结构框图,由图7可知,在实施方式二中,该系统还包括:
预采集装置700,用于预先采集各类家用负荷开关对应的有功功率和无功功率的暂态波形、稳态功率值以及时间特征。其中,暂态波形是指家用负荷开启或关闭的短暂时间内的功率变化波形,稳态功率值是指家用负荷稳态运行时的功率值,时间特征是指如冰箱的周期性工作时间,微波炉等的最大使用时间等。
模板库确定装置800,用于根据所述的暂态波形、稳态功率值以及时间特征建立各类家用负荷开关对应的模板,组成模板库。下面以冰箱为例,进行说明。在确定冰箱模板时,首先对冰箱进行单独测量,采集冰箱开启关闭短暂时间的有功功率和无功功率波形向量,如图15所示为采集的冰箱有功功率暂态波形示意图,图16为采集的冰箱无功功率暂态波形示意图,图17为冰箱有功功率暂态波形局部特征波形示意图,图18为冰箱无功功率暂态波形局部特征波形示意图。因此,冰箱模板的局部特征量即为暂态波形中0.2-0.5s之间的暂态波形,其稳态运行时的功率为:130W,时间特征为周期性启停,每隔约80min开启一次,工作约10-15min。图9为本发明实施例提供的一种基于暂态特征贴近度匹配的家用负荷识别系统中家用负荷识别装置的结构示意图,由图9可知,家用负荷识别装置具体包括:
加权模块601,用于对所述的隶属度矩阵进行加权,得到综合隶属度向量,也即将贴近度作为隶属度函数,得到综合隶属度,综合隶属度的计算公式如上述公式(5),其中,m为模板数目,W为权重,R为隶属度矩阵。设综合隶属度为J,则J=W·R。
最大分量选取模块602,用于从所述的综合隶属度向量中选取出最大的分量。本发明技术方案认为各个因素(负荷特征)对结果的影响同等重要,因此各特征量的权重相同。将匹配综合隶属度向量J进行排序,选出最大的分量。
次大分量选取模块603,用于当所述最大的分量大于预设的信任度阈值时,从所述的综合隶属度向量中选取出次大的分量。信任度阈值可根据不同的使用场景预先设定,通过实际的家用负荷情况和大量的实验确定,诸如为在具体实施例中,信任度阈值T2=0.5,当T2>0.5时,很容易造成漏判;而T2<0.5时,会增大误判率。
差值确定模块604,用于确定所述最大的分量与所述次大的分量的差值;
第一识别模块605,用于当所述的差值大于预设的相似阈值时,所述家用负荷开关对应的暂态波形所属的模板即为最大的分量所属的模板。相似阈值可根据不同的使用场景预先设定,通过实际的家用负荷情况和大量的实验确定,诸如在具体实施例中,相似阈值T3=0.2,当T3>0.2时,会限制再匹配步骤的作用,造成误判;T3<0.2时,则会增加不必要的匹配时间。。此次匹配结果即为最终结果,按得到的综合隶属度的最大值判定开启或者关闭的家用负荷。
第二识别模块606,用于当所述的差值不大于预设的相似阈值时,对所述的家用负荷开关对应的暂态波形进行再匹配。
图10为本发明实施例提供的一种基于暂态特征贴近度匹配的家用负荷识别系统中第二识别模块606的结构示意图,由图10可知,该模块具体包括:
扩展特征量选取单元6061,用于从家用负荷开关对应的暂态波形中选取扩展特征量,设扩展特征量为Pjwav、Qjwav,其中Pjwav为暂态波形有功功率的局部特征向量,Qjwav为暂态波形无功功率的局部特征向量。扩展特征量的提取方式如下所示:如图13所示的电视机关闭的暂态有功功率波形中,0.1-0.8s的波形即为电视机的有功功率局部特征量。贴近度确定单元6062,用于确定所述的扩展特征量与模板库中各个模板的贴近度,设Pjwav、Qjwav的匹配度为N9、N10。
扩展矩阵确定单元6063,用于将所述的贴近度组成扩展隶属度矩阵,则再匹配的扩展隶属度矩阵R2=[J1 T N9 N10]T。扩展隶属度矩阵由综合隶属度J与由式(3)计算出的局部波形(Pjwav、Qjwav)的贴近度N9、N10所组成。上述隶属度矩阵中的向量Ni=[Ni1 Ni2 … Nim]T,i=1,2,…,10。
扩展向量确定单元6064,用于对所述的扩展隶属度矩阵进行加权,得到扩展隶属度向量。再匹配的扩展隶属度J2=W2·R2。
最大分量选取单元6065,用于从所述的扩展隶属度向量中选取出最大的分量,所述最大的分量所属的模板即为所述家用负荷开关对应的暂态波形所属的模板。
本发明提出的一种基于家用负荷开关暂态特征贴近度识别其开启和关闭的非侵入式系统,采用以家用负荷的暂态特征为主,稳态特征为辅的特征量,结合其它家用负荷满足的时间特征、开关逻辑关系,度量家用负荷与模板库中负荷的接近程度,可准确识别出家庭常用的较大功率负荷,对于负荷功率的波动具有鲁棒性。
为验证本发明的正确性,在每个负荷的端口分别接入了计量仪表记录其用电时间和用电量。选择被观测家庭周五和周六用电的情况作为实例来说明上述技术方案的应用。其中的典型用电情况如图11所示,图11为本发明提供的具体实施例中被观测家庭周五15:00至24:00的综合负荷功率示意图,图11中箭头标示的是电视机关闭时刻,图12为图11的具体实施例中电视机关闭的暂态波形功率放大图,图13为本发明提供的模板库中电视机关闭的暂态波形功率放大图。
应用本发明的方案进行识别的过程如下所示,识别结果如表1所示。
1)图11中,在23:15分,设采集到的数据(有功功率与无功功率的变化值)为向量p、q,经过微分处理得到另外两个样本向量Δp、Δq。pc是暂态过程前后功率的变化差值。
2)由于采集到的数据|P|max>T1,因此判定有家用负荷开启或者关闭。|P|max是采集到的有功变化的最大值,T1=100是判断开关的阈值,即扰动阈值。
3)由于pc<1000,因此初步将目标锁定在小功率负荷的模板子库中。开关匹配,由之前判断的情况得出此时电视机与电冰箱已经开启,因此可排除这两种情况。由于冰箱上次开启的时间是23:10左右,根据时间特征排除冰箱关闭的情况。然后与小功率负荷子库中的剩余模板进行匹配。
4)初匹配。由式(3)分别计算出p、q、Δp、Δq与模板的贴近度N1、N2、N3、N4,由式(4)分别计算出pmax、qmax、Δpmax、Δqmax与模板的贴近度N5、N6、N7、N8,得到隶属度矩阵R1。利用公式(5)得出J1。Max(J1)>T2,故判定是开启或者关闭的是数据库中的家用负荷。由于此时综合隶属度最大、次大的两个匹配值之差小于T3,因此需要进行再匹配。
5)再匹配。使用扩展特征量Pjwav、Qjwav进行再匹配。与上步结果综合得R2,最终综合隶属度J2如表1所示,可知μA9(u0)最大,得出此刻是电视机关闭,与实际情况相符。
表1
表1中,A1/A6为加热器类开/关,A2/A7为电吹风开/关,A3/A8为冰箱开/关,A4/A9-电视机开/关,A5/A10-微波炉开/关。文献1指的是Simon KK.Ng,Jian Liang,John W.M.Cheng在第八届IET电力系统控制操作管理国际会议上发表的“Automatic Appliance Load Signature Identification by StatisticalClustering”。
本发明技术方案测试所监测的家用负荷功率都大于100W,而家用负荷工作期间的波动小于100W,故在该实施例中T1阈值选为100W。通过多次试验说明T2=0.5,T3=0.2比较合适。当T2>0.5时,很容易造成漏判;而T2<0.5时,会增大误判率。T3>0.2时,会限制再匹配步骤的作用,造成误判;T3<0.2时,则会增加不必要的匹配的时间。
对周五、周六该家庭的负荷开关情况进行识别,并与文献1中的聚类匹配方法进行比较,结果准确率见表2。
表2
表2中,方法1为本发明技术方案,方法2为文献1的聚类匹配法。
由上述过程可知,本发明通过预筛选步骤,缩小了匹配的范围,而且与文献1中方法的结果相比,此步骤可排除家用负荷伪开关情况的干扰。从最终结果可知J2中的μA9(u0)相对于J1中增加了0.1042,说明扩展特征量高度聚合了家用负荷开关时的典型特性,提高了其对于正确模板的隶属程度,因此再匹配过程可有效提高识别的准确率。
由图12、图13可知,应用实例中的波形幅值与模板的幅值相差约为30%,且与冰箱的关闭波形(如图14所示)极相似,但该方法仍可将其识别出来,说明了该方法受家用负荷功率波动的影响很小,具有一定的鲁棒性。
由表2可知,本发明技术方案可准确识别出监测家用负荷类别的开关情况。电视机稳定运行时存在一定的波动。在电视机开启的情况下冰箱关闭未被检测到,因此未识别出来,造成了一定的误差。然而,相比文献1中的聚类匹配方法,本发明技术方案对各类别的家用负荷的识别准确率均有较大提高,平均识别准确率达到98.78%,识别结果令人满意。
本发明技术方案充分利用家用负荷开关过程中的暂态特征。应用实例证明,本发明技术方案较之文献1中介绍的聚类匹配法识别精度更高,对于负荷功率的波动具有鲁棒性,可准确识别出家庭常用的较大功率负荷,简单可行。
综上所述,本发明的有益成果是:提供了一种基于暂态特征贴近度匹配的家用负荷识别方法及系统,针对现有技术中存在的上述技术问题,通过将家用负荷开关时的暂态波形和功率变化值作为特征量,将采集的暂态波形与模板库中的负荷波形进行匹配,依据相似度原理确定结果,对于不易识别的家用负荷则增加局部波形作为特征量进行再匹配,提高了识别效率,可准确识别出家庭常用的较大功率负荷,对于负荷功率的波动具有鲁棒性。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种基于暂态特征贴近度匹配的家用负荷识别方法,其特征是,所述的方法包括:
在用户的用电入口处对有功功率以及无功功率进行监测;
当所述的有功功率以及无功功率发生变化时,采集变化时刻对应的暂态波形;
从所述的暂态波形中提取出家用负荷开关对应的暂态波形;
确定家用负荷开关对应的暂态波形与预设的模板库中各个家用负荷模板的贴近度;
将所述的贴近度组成隶属度矩阵;
根据所述的隶属度矩阵识别家用负荷开关对应的暂态波形所属的模板。
2.根据权利要求1所述的方法,其特征是,所述的方法还包括:
预先采集各类家用负荷开关对应的有功功率和无功功率的暂态波形、稳态功率值以及时间特征;
根据所述的暂态波形、稳态功率值以及时间特征建立各类家用负荷开关对应的模板,组成模板库。
3.根据权利要求2所述的方法,其特征是,从所述的暂态波形中提取出家用负荷开关对应的暂态波形具体包括:
从所述的暂态波形中确定出有功功率以及无功功率的最大值以及最小值;
确定所述有功功率以及无功功率的最大值以及最小值的差值;
当所述的差值大于预设的扰动阈值时,提取所述的暂态波形;
所述的暂态波形即为家用负荷开关对应的暂态波形。
4.根据权利要求3所述的方法,其特征是,所述的方法还包括:
根据所述的差值从预设的模板库中提取出家用负荷开关对应的暂态波形的模板子库。
5.根据权利要求1或4所述的方法,其特征是,根据所述的隶属度矩阵识别家用负荷开关对应的暂态波形所属的模板具体包括:
对所述的隶属度矩阵进行加权,得到综合隶属度向量;
从所述的综合隶属度向量中选取出最大的分量;
当所述最大的分量大于预设的信任度阈值时,从所述的综合隶属度向量中选取出次大的分量;
确定所述最大的分量与所述次大的分量的差值;
当所述的差值大于预设的相似阈值时,所述家用负荷开关对应的暂态波形所属的模板即为最大的分量所属的模板;
否则,对所述的家用负荷开关对应的暂态波形进行再匹配。
6.根据权利要求5所述的方法,其特征是,对所述的家用负荷开关对应的暂态波形进行再匹配具体包括:
从家用负荷开关对应的暂态波形中选取扩展特征量;
确定所述的扩展特征量与模板库中各个模板的贴近度;
将所述的贴近度组成扩展隶属度矩阵;
对所述的扩展隶属度矩阵进行加权,得到扩展隶属度向量;
从所述的扩展隶属度向量中选取出最大的分量;
所述最大的分量所属的模板即为所述家用负荷开关对应的暂态波形所属的模板。
7.一种基于暂态特征贴近度匹配的家用负荷识别系统,其特征是,所述的系统包括:
监测装置,用于在用户的用电入口处对有功功率以及无功功率进行监测;
暂态波形采集装置,用于当所述的有功功率以及无功功率发生变化时,采集变化时刻对应的暂态波形;
家用暂态波形提取装置,用于从所述的暂态波形中提取出家用负荷开关对应的暂态波形;
贴近度确定装置,用于确定家用负荷开关对应的暂态波形与预设的模板库中各个家用负荷模板的贴近度;
隶属度矩阵确定装置,用于将所述的贴近度组成隶属度矩阵;
家用负荷识别装置,用于根据所述的隶属度矩阵识别家用负荷开关对应的暂态波形所属的模板。
8.根据权利要求7所述的系统,其特征是,所述的系统还包括:
预采集装置,用于预先采集各类家用负荷开关对应的有功功率和无功功率的暂态波形、稳态功率值以及时间特征;
模板库确定装置,用于根据所述的暂态波形、稳态功率值以及时间特征建立各类家用负荷开关对应的模板,组成模板库。
9.根据权利要求8所述的系统,其特征是,所述的家用暂态波形提取装置具体包括:
最大最小值确定模块,用于从所述的暂态波形中确定出有功功率以及无功功率的最大值以及最小值;
差值确定模块,用于确定所述有功功率以及无功功率的最大值以及最小值的差值;
提取模块,用于当所述的差值大于预设的扰动阈值时,提取所述的暂态波形,所述的暂态波形即为家用负荷开关对应的暂态波形。
10.根据权利要求9所述的系统,其特征是,所述的系统还包括:
模板子库确定装置,用于根据所述的差值从预设的模板库中提取出家用负荷开关对应的暂态波形的模板子库。
11.根据权利要求7或10所述的系统,其特征是,所述的家用负荷识别装置具体包括:
加权模块,用于对所述的隶属度矩阵进行加权,得到综合隶属度向量;
最大分量选取模块,用于从所述的综合隶属度向量中选取出最大的分量;
次大分量选取模块,用于当所述最大的分量大于预设的信任度阈值时,从所述的综合隶属度向量中选取出次大的分量;
差值确定模块,用于确定所述最大的分量与所述次大的分量的差值;
第一识别模块,用于当所述的差值大于预设的相似阈值时,所述家用负荷开关对应的暂态波形所属的模板即为最大的分量所属的模板;
第二识别模块,用于当所述的差值不大于预设的相似阈值时,对所述的家用负荷开关对应的暂态波形进行再匹配。
12.根据权利要求11所述的系统,其特征是,所述的第二识别模块具体包括:
扩展特征量选取单元,用于从家用负荷开关对应的暂态波形中选取扩展特征量;
贴近度确定单元,用于确定所述的扩展特征量与模板库中各个模板的贴近度;
扩展矩阵确定单元,用于将所述的贴近度组成扩展隶属度矩阵;
扩展向量确定单元,用于对所述的扩展隶属度矩阵进行加权,得到扩展隶属度向量;
最大分量选取单元,用于从所述的扩展隶属度向量中选取出最大的分量,所述最大的分量所属的模板即为所述家用负荷开关对应的暂态波形所属的模板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103528293A CN103439573A (zh) | 2013-08-14 | 2013-08-14 | 基于暂态特征贴近度匹配的家用负荷识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103528293A CN103439573A (zh) | 2013-08-14 | 2013-08-14 | 基于暂态特征贴近度匹配的家用负荷识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103439573A true CN103439573A (zh) | 2013-12-11 |
Family
ID=49693278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013103528293A Pending CN103439573A (zh) | 2013-08-14 | 2013-08-14 | 基于暂态特征贴近度匹配的家用负荷识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103439573A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106501680A (zh) * | 2016-11-28 | 2017-03-15 | 国网江苏省电力公司苏州供电公司 | 基于有功两段抬升的非侵入式微波炉启动辨识方法 |
CN106762594A (zh) * | 2017-01-12 | 2017-05-31 | 威胜集团有限公司 | 压缩机设备启动实时监测方法 |
CN106908657A (zh) * | 2017-03-06 | 2017-06-30 | 中国海洋大学 | 一种基于功率的负载开关检测装置及方法 |
CN106936129A (zh) * | 2017-03-23 | 2017-07-07 | 东北大学 | 基于多特征融合的电力负荷辨识方法及系统 |
CN107356827A (zh) * | 2017-06-09 | 2017-11-17 | 东南大学 | 一种基于有功功率波动性的洗衣机运行非侵入辨识方法 |
CN107561354A (zh) * | 2017-08-17 | 2018-01-09 | 江苏智臻能源科技有限公司 | 基于功率持续时间特性的多电器非侵入辨识方法 |
CN109377052A (zh) * | 2018-10-24 | 2019-02-22 | 南方电网科学研究院有限责任公司 | 一种电力负荷匹配方法、装置、设备及可读存储介质 |
CN110082577A (zh) * | 2019-04-18 | 2019-08-02 | 中国电力科学研究院有限公司 | 一种用于判断节电器窃电行为的诊断方法及系统 |
CN110412347A (zh) * | 2019-08-12 | 2019-11-05 | 贵州电网有限责任公司 | 一种基于非侵入式负荷监测的窃电行为识别方法与装置 |
CN110441570A (zh) * | 2019-07-19 | 2019-11-12 | 中国电力科学研究院有限公司 | 一种具备负荷感知功能的电能监测装置及方法 |
CN110906434A (zh) * | 2018-09-18 | 2020-03-24 | 中国电力科学研究院有限公司 | 一种非侵入式电暖气负荷识别方法及系统 |
CN117333724A (zh) * | 2023-11-28 | 2024-01-02 | 天津滨电电力工程有限公司 | 一种基于多特征融合图像的非侵入式负荷辨识方法 |
CN117630482A (zh) * | 2024-01-24 | 2024-03-01 | 北京京仪北方仪器仪表有限公司 | 一种安全电能表 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101368985A (zh) * | 2007-08-14 | 2009-02-18 | 通用电气公司 | 认知式电功率表 |
CN201518047U (zh) * | 2009-09-17 | 2010-06-30 | 广州集超电子有限公司 | 负载记忆识别载波电能表 |
CN102349030A (zh) * | 2009-01-26 | 2012-02-08 | 吉尼瓦洁净技术公司 | 使用包括图形用户接口的电器的远程显示和自动检测的能量使用监控 |
CN203054081U (zh) * | 2012-12-27 | 2013-07-10 | 北京唯绿建筑节能科技有限公司 | 一种楼宇用电分项计量装置 |
-
2013
- 2013-08-14 CN CN2013103528293A patent/CN103439573A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101368985A (zh) * | 2007-08-14 | 2009-02-18 | 通用电气公司 | 认知式电功率表 |
CN102349030A (zh) * | 2009-01-26 | 2012-02-08 | 吉尼瓦洁净技术公司 | 使用包括图形用户接口的电器的远程显示和自动检测的能量使用监控 |
CN201518047U (zh) * | 2009-09-17 | 2010-06-30 | 广州集超电子有限公司 | 负载记忆识别载波电能表 |
CN203054081U (zh) * | 2012-12-27 | 2013-07-10 | 北京唯绿建筑节能科技有限公司 | 一种楼宇用电分项计量装置 |
Non-Patent Citations (1)
Title |
---|
高云等: "基于暂态特征贴近度匹配的家用负荷识别", 《电力系统自动化》, vol. 37, no. 9, 10 May 2013 (2013-05-10) * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106501680A (zh) * | 2016-11-28 | 2017-03-15 | 国网江苏省电力公司苏州供电公司 | 基于有功两段抬升的非侵入式微波炉启动辨识方法 |
CN106501680B (zh) * | 2016-11-28 | 2019-03-08 | 国网江苏省电力公司苏州供电公司 | 基于有功两段抬升的非侵入式微波炉启动辨识方法 |
CN106762594A (zh) * | 2017-01-12 | 2017-05-31 | 威胜集团有限公司 | 压缩机设备启动实时监测方法 |
CN106762594B (zh) * | 2017-01-12 | 2018-09-14 | 威胜集团有限公司 | 压缩机设备启动实时监测方法 |
CN106908657A (zh) * | 2017-03-06 | 2017-06-30 | 中国海洋大学 | 一种基于功率的负载开关检测装置及方法 |
CN106936129A (zh) * | 2017-03-23 | 2017-07-07 | 东北大学 | 基于多特征融合的电力负荷辨识方法及系统 |
CN106936129B (zh) * | 2017-03-23 | 2020-04-24 | 东北大学 | 基于多特征融合的电力负荷辨识方法及系统 |
CN107356827B (zh) * | 2017-06-09 | 2019-10-11 | 东南大学 | 一种基于有功功率波动性的洗衣机运行非侵入辨识方法 |
CN107356827A (zh) * | 2017-06-09 | 2017-11-17 | 东南大学 | 一种基于有功功率波动性的洗衣机运行非侵入辨识方法 |
CN107561354A (zh) * | 2017-08-17 | 2018-01-09 | 江苏智臻能源科技有限公司 | 基于功率持续时间特性的多电器非侵入辨识方法 |
CN107561354B (zh) * | 2017-08-17 | 2019-09-10 | 江苏智臻能源科技有限公司 | 基于功率持续时间特性的多电器非侵入辨识方法 |
CN110906434A (zh) * | 2018-09-18 | 2020-03-24 | 中国电力科学研究院有限公司 | 一种非侵入式电暖气负荷识别方法及系统 |
CN109377052B (zh) * | 2018-10-24 | 2022-03-11 | 南方电网科学研究院有限责任公司 | 一种电力负荷匹配方法、装置、设备及可读存储介质 |
CN109377052A (zh) * | 2018-10-24 | 2019-02-22 | 南方电网科学研究院有限责任公司 | 一种电力负荷匹配方法、装置、设备及可读存储介质 |
CN110082577A (zh) * | 2019-04-18 | 2019-08-02 | 中国电力科学研究院有限公司 | 一种用于判断节电器窃电行为的诊断方法及系统 |
CN110082577B (zh) * | 2019-04-18 | 2022-06-21 | 中国电力科学研究院有限公司 | 一种用于判断节电器窃电行为的诊断方法及系统 |
CN110441570A (zh) * | 2019-07-19 | 2019-11-12 | 中国电力科学研究院有限公司 | 一种具备负荷感知功能的电能监测装置及方法 |
CN110412347B (zh) * | 2019-08-12 | 2021-04-20 | 贵州电网有限责任公司 | 一种基于非侵入式负荷监测的窃电行为识别方法与装置 |
CN110412347A (zh) * | 2019-08-12 | 2019-11-05 | 贵州电网有限责任公司 | 一种基于非侵入式负荷监测的窃电行为识别方法与装置 |
CN117333724A (zh) * | 2023-11-28 | 2024-01-02 | 天津滨电电力工程有限公司 | 一种基于多特征融合图像的非侵入式负荷辨识方法 |
CN117333724B (zh) * | 2023-11-28 | 2024-02-27 | 天津滨电电力工程有限公司 | 一种基于多特征融合图像的非侵入式负荷辨识方法 |
CN117630482A (zh) * | 2024-01-24 | 2024-03-01 | 北京京仪北方仪器仪表有限公司 | 一种安全电能表 |
CN117630482B (zh) * | 2024-01-24 | 2024-04-05 | 北京京仪北方仪器仪表有限公司 | 一种安全电能表 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103439573A (zh) | 基于暂态特征贴近度匹配的家用负荷识别方法及系统 | |
Zhai et al. | Appliance flexibility analysis considering user behavior in home energy management system using smart plugs | |
CN107330517B (zh) | 一种基于S_Kohonen非侵入式居民负荷识别方法 | |
Figueiredo et al. | An experimental study on electrical signature identification of non-intrusive load monitoring (nilm) systems | |
Ahmadi et al. | Load decomposition at smart meters level using eigenloads approach | |
CN105972761B (zh) | 一种非侵入式空调负荷监测方法 | |
Ridi et al. | Automatic identification of electrical appliances using smart plugs | |
Khan et al. | Non-intrusive electrical appliances monitoring and classification using K-nearest neighbors | |
CN103217603A (zh) | 一种非侵入式家用电器用电状况在线监测的识别方法 | |
Egarter et al. | Load hiding of household's power demand | |
CN105548949A (zh) | 一种智能电能表的故障远程判断方法及其系统 | |
CN111830347A (zh) | 一种基于事件的两阶段非侵入式负荷监测方法 | |
Li et al. | An unsupervised learning framework for event detection, type identification and localization using pmus without any historical labels | |
CN113361831B (zh) | 基于优先级分配的非侵入式负荷辨识电量分解方法及系统 | |
Liang et al. | Develop load shape dictionary through efficient clustering based on elastic dissimilarity measure | |
CN114236234A (zh) | 一种基于基波和谐波混合判据的电器特征辨识方法 | |
Rehman et al. | Low complexity event detection algorithm for non-intrusive load monitoring systems | |
CN103944263A (zh) | 具有多样性负载设备的电网的管控方法及系统 | |
Duan et al. | Data mining & pattern recognition of voltage sag based on K-means clustering algorithm | |
Xue et al. | An efficient and robust case sorting algorithm for transient stability assessment | |
CN113420728B (zh) | 融合多时间尺度信息的非侵入式空调负荷辨识方法及系统 | |
Wang et al. | User electricity consumption pattern optimal clustering method for smart gird | |
Pratama et al. | Low-power appliance recognition using recurrent neural networks | |
Li et al. | The investigation of residential load identification technologies | |
CN114239762A (zh) | 基于结构化负荷特征图谱的非侵入式负荷辨识方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20131211 |