CN103998942A

CN103998942A - 用于非侵入式负载监测的方法和系统

Info

Publication number: CN103998942A
Application number: CN201180067369.9A
Authority: CN
Inventors: 迈克尔·蔡夫曼
Original assignee: Fraunhofer USA Inc
Current assignee: Fraunhofer USA Inc
Priority date: 2010-12-13
Filing date: 2011-12-13
Publication date: 2014-08-20
Also published as: US20130338948A1; WO2012082802A2; WO2012082802A3; US9817045B2; EP2652685A2; WO2012082802A9

Abstract

通过使用在住宅机构或商业机构的主断路器级获得的合计的功率数据来识别并跟踪主要电器。阶跃功率变化和功率剧变表征了电器的特性。识别这些特征并且考虑使用时间和持续时间的统计，以将所观测到的功率变化序列与正被接通和断开的电器进行匹配。然后，重新构建电器的依赖于时间的使用以及电器的功耗。

Description

用于非侵入式负载监测的方法和系统

技术领域

本发明涉及对住宅环境和商业环境中的电力利用进行监测和管理的领域。更具体地，本发明涉及非侵入式负载监测，在该非侵入式负载监测中将针对住宅房屋或商业房屋的合计的功耗数据进行分解以与能量管理结合使用。

背景技术

广泛认识到可以通过对住宅建筑和商业建筑进行更好的能量管理和控制来实现电能消耗的显著节约。为了实现更有效的能量控制，对使用中的电气负载（例如，电器、照明装置、电机等）进行相当准确的实时监测是有益的。（在下文中，除非上下文表示了意指特定类型的电器，否则专用术语“电器”以与通用术语“负载”可互换的方式使用）。获得关于能量利用的、对负载特定的信息的一种方式是单独监测每个负载。然而，这要求在利用电器内部的设备（因此，提高每个电器的成本，尤其是为了改进已经安装的电器）的情况下或者在需要每个电器的附加装置的情况下来在每个电器处监测能量的使用。另一方式是在主断路器级（main breakerlevel）或服务馈电级（service feed level）处监测合计的总电力消耗，接着分解数据以分离出所关注的每个负载的定时和贡献。拥有该信息，可以考虑电能的更有效使用，例如可通过采取各种步骤（从将电器变为另一模式或者对电器的使用进行时移，到许多其他措施中的任一措施）而实现节约。然而，将整体能量消耗分解成其组成部分并不是一项小任务。

这样的非侵入式电器负载监测（NIALM）方法需要硬件部件（包括传感器和其他元件）和软件部件（即，在一个或更多个处理器上执行的信号处理算法）两者。NIALM的软件部件依赖于硬件部件。例如，如果传感器以至少数kHz的速率来对电压和电流进行采样，则可以使用信号波形分析。然而，这样的传感器仍是昂贵的并且不是广泛地可获取的。廉价且容易安装的硬件替换物是如下传感器：该传感器以约1Hz的采样频率来测量正被输送至住宅房屋或商业房屋的总电力。在例如美国专利4,858,141、5,717,325、5,483,153以及若干学术刊物中已经详述了与这样的传感器对应的NIALM算法。这些算法检测功率的阶跃变化并且将这些变化与正被接通或断开的负载相匹配。功率的变化可以是一维的（例如，仅测量有功功率）或者二维的（例如，测量有功功率分量和无功功率分量两者）。

尽管这些NIALM算法能够监测主要家用电器等，但是其准确度级别仅在80%附近。监测准确度这样低的主要原因在于，两个或更多个不同负载可能同时被操作并且甚至可能以非常接近的时间接近度被接通或断开。此外，两个不同负载所消耗的功率量可能会非常相似。例如，计算机监视器的功率损耗可能近似等于白炽灯泡的功率损耗，这使得这两种负载不能通过所提到的算法来区分。低准确度的另一重要原因在于，所提到的算法认为功率变化与负载状态的切换之间一对一的匹配。该匹配易于引起测量误差和算法误差两者，并且易于引起由于同时启动或停止多个负载而产生的模糊性。

因此，存在对能够提供更准确的电器（负载）使用数据的NIALM系统和方法的需求。

发明内容

本文中示出的一组新的NIALM系统和方法（即，算法）能够显著地克服上面提到的挑战并且解决所观察到的需求。这些方法存在三个主要优点。第一，不仅使用负载状态变化而且还使用功率剧变（power surge）（剧变幅度和持续时间的统计）以及负载状态变化和功率剧变的统计分布，以更准确地识别负载及其能量消耗。第二，为了更好地进行电器识别并且与能量消耗进行匹配，利用使用时间（在持续时间和一天中的时间两者的方面）的统计。第三，通过考虑电器状态之间的可能的一系列转变（transition）来进行所测量的功率观测与房屋处的电器之间的匹配，这不仅使得正确地确定给定系列的功率变化的可能性最大化，还使得正确确定使用时间统计和功率剧变统计的可能性最大化。

在一些实施例中，基于相对“长”的时间间隔，使用以经验方式获得的或来自其他源的历史数据来估计针对合计的（公共的）馈电的功率变化的时间统计。使用这些统计来对合计的功率变化数据进行再处理，以对在统计上将会呈现为可能归因于同一负载的功率变化的元组（对（pair）、三元组（triplet）等）进行聚类。然后，使用维特比（Viterbi）算法或相似技术，合并相似的聚类，最好分离重叠的聚类，并且更新时间统计以估计负载呈现为处于不同的状态下的时间。基于所更新的统计，然后以相同的方式处理实时功率变化测量结果，以将所检测到的变化进行聚类并且形成实时负载状态信息。为了将该信息与可识别的负载相关联，可以将已知负载动作与估计值相互关联（例如，通过对获知负载已被接通和/或断开进行至少一次记录并且将这些动作与所观测到的功率变化进行匹配）。

一些实施例涉及一种用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的方法。这样的方法包括：基于相对“长”的时间间隔，使用历史数据来估计针对公共馈电的功率变化的时间统计；使用这些统计对合计的功率变化数据进行再处理，以将在统计上呈现为可能归因于同一负载的功率变化的元组进行聚类；合并相似的聚类；分离重叠的聚类；更新时间统计，以估计负载呈现为在不同状态下的时间；以及基于所更新的统计，根据前述步骤（通过更新的再处理）中的一些步骤来处理实时功率变化测量结果，以将所检测到的变化进行聚类并且形成实时负载状态信息。

采用这样的方法的实施例可以进一步包括将实时负载状态信息与可识别的负载相关联，并且将实时负载状态信息与可识别的负载相关联可以包括将已知负载动作与估计相互关联。

在采用前述方法示例中的任一方法示例的实施例中，可以使用维特比算法的变型来执行所述合并相似的聚类。

根据一些实施例，示出了一种用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的方法，该方法包括：经由传感器，提供传感器输出信号，该传感器输出信号表示在一定时间间隔上通过上述馈电输送的功率；监测传感器输出信号，以检测功率的正向变化和负向变化、功率剧变幅度以及持续时间；将功率的负向变化进行聚类；将功率的负向变化和正向变化进行匹配；估计在所关注的间隔期间负载被接通和断开的时间；以及以统计方式表征所述负载中的至少一个负载的操作。

在一些实施例中，用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的方法包括：使用监测负载状态变化和功率剧变以及负载状态变化和功率剧变的统计分布，以更准确地识别负载及其能量消耗。第二，为了更好地进行电器识别并且与能量消耗进行匹配，利用使用时间（在持续时间和一天中的时间两者方面）的统计。第三，通过考虑电器状态之间的可能的一系列转变而进行所测量的功率观测与房屋处的电器之间的匹配，这不仅使得正确地确定给定系列的功率变化的可能性最大化，而且使得正确地确定使用时间统计以及功率剧变统计的可能性最大化。

在一些实施例中，提供了一种用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的方法，该方法包括：经由传感器，提供传感器输出信号，该传感器输出信号表示在第一时间间隔上通过上述馈电输送的功率；监测传感器输出信号，以检测功率的正向变化和负向变化、功率剧变幅度以及持续时间；将功率的负向变化进行聚类；将功率的负向变化和正向变化进行匹配；估计在所关注的间隔期间负载被接通和断开的时间；以及以统计方式表征所述负载中的至少一个负载的操作。可以根据聚类的平均值来对聚类进行分类，然后可以将维特比算法应用于所述聚类的n元组；然后解决聚类冲突，以提供消除功率变化的模糊性的一组聚类；并且，基于由该组聚类表示的功率变化来估计电器状态。这样的方法也可以包括基于前面操作的结果来更新聚类和电器特征统计。在一些实施例中，针对比第一时间间隔短的并且比第一时间间隔晚的第二时间间隔，可以对根据由传感器在第二时间间隔期间感测的功率变化而创建的聚类重新执行通过估计进行分类的步骤。

在一些实施例中，可以实践用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的方法，该方法包括：检测合计的负载状态变化和功率剧变以及合计的负载状态变化和功率剧变的统计分布；以及，通过考虑电器状态之间的可能的一系列转变并从考虑中去除不允许的或者在统计上不太可能的状态变化而将所检测到的功率观测与房屋处的电器的进行匹配，，以使正确地确定所检测到的一系列功率变化所属于的负载的可能性最大化。

在一些实施例中出现的本发明的另一方面是一种用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的系统，该系统包括：功率传感器，该功率传感器被配置并布置成监测在房屋处消耗的合计的功率；用于检测所监测的功率的变化的装置；以及处理器，所述处理器执行所存储的程序指令，以通过将功率变化进行聚类并且借助于维特比算法来对聚类进行匹配以识别与各个负载相关联的功率变化，来消除所检测到的功率变化的模糊性并将所检测到的功率变化与各个负载相关联。

附图说明

提供了要与一些实施例的详细描述相结合而进行讨论的一组附图，以对其进行更充分地理解。在附图中相似的附图标记意在指相同或相应的元件，在附图中：

图1是根据本文中提出的发明构思的、在其中可以采用本文中所公开的方法的系统的框图；

图2是根据本文中所公开的发明构思的信息处理的高级示意图；

图3是描述根据本文中所公开的用于分解功率变化的方法对历史功率变化数据进行初步阶段信息处理的示例实施例的流程图；

图4是用于识别典型的负向功率变化的目的的、来自如本文中所讨论的传感器的合计的功率消耗信号的示例；

图5是用于识别典型的功率剧变的目的的、来自如本文中所讨论的传感器的合计的功率消耗信号中的典型正向功率变化的示例；

图6是典型的功率变化-频率图的示例相邻聚类的一组三个视图A-C、其对应的时间上的每小时存在的函数D-F、以及所生成的聚类合并图G；

图7是根据这些教导的典型的“主要”算法的示例的流程图，该算法首先用于历史数据，接着用于处理实时的或近乎实时的功率变化数据；以及

图8是作为时间的函数的聚类状态的示例的示意图，示出了可以怎样将本文中所呈现的构思之一的应用用于从聚类中排除未在两个相邻聚类对中出现的状态。

具体实施方式

现在注意图1至图7，图1至图7示出了用于实践本文中所公开的发明构思方面的系统和方法的实施例。在根据这些附图的实施例中，假设：负载被限制为仅具有两种状态——“接通”（on）和“断开”（off）——的负载。后面会公开将所讨论的示例延伸至具有多种功率消耗状态的负载。然而，在商业房屋中，预期大多数负载（例如照明设备以及暖通空调（HVAC）系统中的装置（诸如压缩机、风扇和供暖设备））为双态类型是合理的。因此，最初将讨论限于双态负载仍会包括一大类用途。

参照图1，传感器10被连接以监测诸如到住宅房屋或商业房屋14的服务馈电（service feed）的电力馈线12。通过配电盘（service panel）17来在房屋14内将电力分配给多个负载，诸如负载16A、16B以及16C。传感器可以是传统设计，并且应当是提供根据馈线中的合计的能量流而变化的输出信号的传感器。输出信号可以是模拟电压或模拟电流或者数字值。可替代地，尽管优选的是直接表示功率的信号，但是在一些实施例中可以采用如下传感器：该传感器响应于表示馈线上的（例如，在服务进入点处的）电流、电流变化或电压变化的信号或者输出该信号。在一些实施例中，可以将传感器集成到电能耗量表中，该电能耗量表例如是设施提供商可用将其于测量能量使用并开出关于能量使用的账单的电能耗量表。传感器10将其输出信号直接或间接地（例如，如果传感器输出信号是模拟形式，则经由模数转换器（未示出））传递至处理器18（例如，微处理器），该处理器18执行所存储的来自非暂态存储介质19的程序指令，以实施如下讨论的信号处理方法。处理器18和存储介质19被示出为位于房屋14处，但这不是必需的。处理器18和存储介质19也可以位于远端，只要将传感器10耦接至适当的通信机构以经由通信接口和通信介质（有线的和/或无线的）将其输出提供至远端处理器即可。例如，传感器可以采用电力线通信网络以将其输出发送至处理器。

图2至图7示出了用于处理经由房屋电力设施服务电缆的合计的能量消耗（或者，更确切地说，瞬时功率输送）的变化的示例性方法。

首先转向图2，在概念上示出了根据本文中所述的方法的信息流动。传感器（诸如传感器10）生成数据22。分析该数据以提取三种类型的信息：所检测的功率水平的变化，24A；功率剧变（瞬变）幅度，24B；以及功率剧变持续时间，24C。使用处理器18对该信息进行处理以执行以下描述的信号处理方法（算法）26，从而生成分解的负载信号28。

信号处理方法26可以具有三个阶段：初步处理阶段、对房屋的历史功率使用进行分析的主要阶段、以及使用与主要阶段中相同的技术但是处理近乎实时数据的实时阶段。

初步处理

如图3所示，信号处理方法（算法）的初步阶段30以对关于房屋处的功率使用的历史数据（即，由传感器在较大的间隔（例如，两周的间隔）内收集的数据）进行分析和建模来开始。首先识别功耗的逐步改变（步骤32），并且估计正向变化和负向变化的量值（步骤33）。最初强调的是功耗的负向变化（即，急剧下降）（参见例如图4中的下降A）。这些负向变化表示能量消耗的减少，并且通常与正被断开的电器相对应（或者，在能够操作于多种状态下的负载的情况下，与将其操作状态从一个“接通”状态变成另一“接通”状态的电器相对应；将在下面讨论这样的负载）。

针对功耗的正向变化，注意：一些电器拉动功率的剧变以进行启动。因此，除非将在剧变后的值用于正向功率变化，否则可能出现针对变化量值的错误读数。图5示出了剧变52和在剧变后的功率变化54的示例。剧变或瞬变56通过其量值（ΔP_surge）和持续时间（Δt_surge）来表征。在步骤34中估计剧变量值和持续时间。

由于测量误差和条件的自然可变性，在给定电器被断开时所测量的功率的负向变化不会是具有单一值的，而会是关于标称值而分布（分散）的。因此，为了识别电器，使用适当的统计方法将所识别的功率的负向变化分组成聚类（步骤36），该适当的统计方法例如著名的、通用的迭代自组织数据分析算法（ISODATA）聚类算法（例如参见通过引用合并至本文中的Tou,J,T.,Pattern Recognition Principles,纽约,Addition-Wesley,1974或者其他参考文献）。每个这样的聚类可以正与被断开的单独电器相对应。在此阶段，没有对功率的正向变化进行聚类。

当然，聚类过程可导致误差。单个电器可产生与多个所识别的聚类相对应的正向功率变化和负向功率变化。于是，这些聚类需要被合并，以获得针对该电器的完整记录。另外，多个电器可对应于单个聚类，于是该单个聚类需要进行分裂。

基于负向功率变化的聚类的合并发生在步骤38和步骤40中。针对聚类的合并，计算在时间上的电器使用的经验统计。该统计可以是例如针对给定聚类每小时存在或不存在功率的负向变化。也就是说，可以定义二进制变量或函数，该二进制变量或函数表示在每小时期间是否出现功率的负向变化。如果在给定小时期间出现了在给定聚类的边界内的至少一次功率负向变化，则可以将给定小时处的针对该聚类的每小时存在的函数赋值为值“1”。否则，将给定小时处的针对该聚类的每小时存在的函数赋值为值“0”。然后估计聚类对之间的负载使用的相似度（步骤38）。这可以例如通过计算多个小时的下述部分来完成：在多个小时的该部分期间两个聚类都存在（即，这两个聚类的每小时存在的函数均具有值1）。然后，合并其负载使用相似度超过阈值的那些相邻聚类对（步骤40）。

图6示出聚类合并的示例。在图中示出的三个聚类（A-C）是通过前述ISODATA算法识别的相邻聚类。这三个聚类均具有时间上的相似的每小时存在（图6中的D至F）。因此，它们被合并在一起（G）。

在合并之后，以其平均值的顺序来对聚类进行标号。在每个聚类中，例如通过将负向功率变化的经验分布拟合成高斯混合模型（Tou,1974）或拉普拉斯分布混合，而以参数形式来以统计方式表征负向功率变化。经验表明，在大部分情况下，概率密度函数（PDF）的双变量高斯或拉普拉斯混合模型是足够的；然而，可以使用其他参数分布模型。注意，聚类边界可重叠。

然后，估计处于“接通”状态和“断开”状态下的电器的初步时间统计（步骤42）。为此，将在时间t_j处出现的并且来自聚类i（i=1,2,…,n，其中n是合并之后的聚类的总数目）的量值ΔP_ij的每个所识别的负向功率变化j与较早在时间t_k处出现的量值ΔP_ik的正向功率变化k相匹配（步骤44）。不需要正向功率变化与负向功率变化之间的精确相等以用于匹配，作为替代，使用容限δ：

ΔP_ik∈ΔP_ij（1+δ）等式1

在此阶段，认为匹配是当在时间上从-ΔP_ij倒退时满足等式1的第一个ΔP_ik。以此方式，针对每个聚类i，通过针对每个可获得的匹配对来计算t_on=t_j-t_k而构建“接通”间隔或“接通”时间的样本集合{t_on}_i。类似地，通过计算t_off=t_k+1-t_j来构建“断开”间隔或“断开”时间的样本集合{t_off}_i（步骤46）。一旦针对每个聚类可获得两个样本集合，则计算针对每个聚类的t_on和t_off的累积分布函数（CDF）（针对聚类特性，也可以实施其他依赖于时间的统计，例如时钟时间的使用概率）（步骤42）。

与来自聚类i的负向功率变化相匹配的正向功率变化的集合被认为是聚类i_plus。在每个这样的聚类中，例如通过将经验分布拟合成双变量高斯或拉普拉斯混合，而以参数方式表征正向功率变化的统计分布。在每个聚类i_plus中，还以统计方式对剧变进行表征。剧变量值（ΔP_surge）和持续时间（Δt_surge）被用于获得针对聚类i_plus的剧变量值的样本集合和剧变持续时间的样本集合。然后，针对每个聚类的ΔP_surge和持续时间Δt_surge的PDF都被拟合成例如高斯混合模型。表1总结了优选地在初步处理中获得的统计。应当注意，能以较高采样速率获得的波形信号特征也可以以类似的方式被包括在表1中并且被包括在下一部分中所描述的主要算法中。

表1

关于历史数据的主要处理

主要处理意在对功率的负向变化和正向变化进行更好地匹配，并且解决与同时启动或停止两个或更多个电器有关的模糊性、测量/处理误差以及相邻聚类之间的重叠。该处理如下进行工作。

考虑负向功率变化的相邻聚类i和聚类i+1。这些聚类中的每个聚类相应地针对聚类i而包括所检测的从-ΔP_{i_max}到-ΔP_{i_min}的范围内的负向功率变化并针对聚类i+1而包括所检测的从-ΔP_{i+1_max}到-ΔP_{i+1_min}的范围内的负向功率变化。注意，因为可能重叠，所以-ΔP_{i_min}≠-ΔP_{i+1_max}。与这些聚类有关的信息还包括每小时使用的统计以及接通时间/断开时间的统计。

考虑所检测的正向功率变化。如果正向功率变化ΔP_k位于加上容限的匹配边界内，则认为该正向功率变化ΔP_k是用于与聚类i或聚类i+1进行匹配的候选：

ΔP_i+1,min（1-δ）≤ΔP_k≤ΔP_i,max（1+δ）等式1

应当注意，等式2的边界通常比与正向聚类i_plus和聚类（i+1）_plus对应的边界宽。

假定聚类i和聚类i_plus与电器i相对应，而聚类i+1和聚类（i+1）_plus与电器i+1相对应。因为电器i和电器i+1中的每个电器可以处于“接通”状态或“断开”状态下，所以包括这两个电器的系统中的状态的总数目为四。这些状态被列举如下。

表2

状态	电器i	电器i+1
			1	断开	断开
2	接通	断开
			3	断开	接通
4	接通	接通

一旦记录边界内的新的功率变化，具有如表2所示的状态的系统就可从一个状态转变到另一状态。状态以及在这些状态之内的转变对于观察者是隐藏的，然而功率的变化是可观测的。系统的转变序列直接与观测序列有关，并且当前系统状态通过转移概率（transition probability）而取决于先前状态。因此，该系统可以由隐马尔科夫模型（HMM）来表示，并且状态转变的隐藏路径可以通过著名的维特比算法来估计。

表3（具有剧变的正向变化ΔP）和表4（负向变化）列出了根据表1和表2的概率。

表3

表4

通过维特比型算法可以将表3和表4中列出的转移概率连同表1中列出的估计统计一起应用于一系列正向功率变化和负向功率变化。然而，本领域技术人员将根据表3和表4的观测推断出存在可能妨碍维特比型算法实施的两种特性。第一，状态之间的若干转变是被禁止的，这可能会致使算法不可解。第二，该系统的转移概率依赖于时间，这要求额外计算时间间隔t₁₂、t₁₃、t₄₂以及t₄₃。依赖于时间的概率也使得当前系统状态依赖于若干个先前状态而不是仅仅依赖于一个先前状态。例如在遗漏的功率变化的情况下或者在错误的功率变化的情况下，算法将是不可解的，而遗漏的功率变化或者错误的功率变化又可能是例如同时启动或停止两个或更多个电器或者测量/处理误差的结果。该遗漏的功率变化可例如源自当电器启动时功耗增加以使得功率变化分裂。在这样的不可解的情况下，可以对该方法进行修改，使得每次出现不可解时产生特定状态，例如0。在已经处理了针对聚类i和聚类i_plus的历史数据之后，可发现这些特定状态的出现，并且可以将对应的功率变化分离并从进一步的考虑中排除。然后，将该过程再次应用于剩余数据。可以重复前述处理若干次，直至不可解的数目小于预定义的阈值为止。

首先将过程应用于聚类1和聚类2，然后应用于聚类2和聚类3，…，聚类n-1和聚类n。以此方式，除第一聚类和第n聚类以外的每个聚类将被处理两次。针对每个聚类k，k=2，3，…，n-1，将通过对于对k-1，k的以上处理而获得的一系列状态与针对聚类k，k+1获得的一系列状态进行比较。因为针对历史数据的处理的主要目的是将聚类更好地分离，所以聚类k的没有在两个算法的解中都出现的那些状态连同前面考虑的导致不可解的状态一起被排除。图8给出了这样的排除的示例。X处的当与聚类1配对时的聚类2的状态（第一个解）与当聚类2与聚类3配对时的Y处的聚类2的状态（第二个解）不一致。因此，状态X和状态Y被排除。

用于处理遗漏的功率变化的另一策略可以考虑系统保持在相同状态下的非零概率。也可以将该策略应用于重叠聚类的问题，在该情况下，存在“外来的”功率变化，即，来自相邻聚类的变化。如果转变1→1,2→2,3→3,4→4（参见表3、表4）的概率是非零的，则遗漏的功率变化将不再使系统保持在先前状态下。该概率与除两个所考虑的电器以外的电器被接通或断开并且生成所观测的功率变化ΔP或更大的功率变化的概率成比例。类似地，外来的功率变化的存在将使得所有其他先前禁止的转变的概率成为非零。因此，转移概率矩阵可以被修改以解释来自“外部”电器的转变。

针对功率的负向变化，在表5中列出了具有这样的外部转变的可能性的转移概率矩阵。可以类似地获得具有外部转变的针对正向功率变化的矩阵。可以以与表2和表3下的计算类似的方式，直接计算出准确的概率。

表5

在该策略下的处理技术可以采取若干种形式。例如，可以在三元组（triplet）（例如，聚类i，聚类i-1以及聚类i+1）或甚至更大的聚类中进行处理，为了更加准确起见，将聚类视为点的n元组（n-tuple），其中n是聚类中的点（功率变化）的数目。在每个三元组（即，3元组）中，首先如上所述独立地处理对i，i-1以及对i，i+1。然后，识别没有状态变化的点。第一对中的这样的点如果与在第二对中所识别的点相匹配，则将其从第一对中的考虑中排除，并且将经修改的维特比算法再次应用于第一对。接下来，将相同的处理应用于第二对。在该处理之后，使用最大概率原理从两个对中将关于属于聚类i的点的信息融合在一起。也就是说，如果点#k在两个对中均被识别为属于聚类i，则接受该点#k属于聚类i。如果发现点#k在第一对（或第二对）中属于聚类i，但是在第二对中属于聚类i+1（或在第一对中属于聚类i-1），则比较这两种可能性的概率。如果第一个可能性具有更高的概率，则推断点#k属于聚类i。

在已经处理了所有聚类对之后，考虑与所排除或所分离的状态对应的功率变化。可以应用各种策略来处理这些功率变化。例如，如果若干被排除的功率变化出现在给定时间间隔内，则可以将它们合并在一起。在时间上隔离的功率变化可以被分裂：ΔP=ΔP₁±ΔP₂，其中ΔP₁和ΔP₂在任意两个聚类的边界内。然后，可以将算法再次应用于以此方式修改的功率变化数据。

在对历史数据的连续的算法处理之后，聚类（参见表1）的统计特性被更新。然后，针对多模态，以统计方式测试接通时间/断开时间的每个所获得的经验分布。如果检测到显著的多模态，则例如使用已经表现出双模态的时间的聚类来优选地将相应的聚类进行分裂。

一旦已经完成对功率变化的聚类，则可以使用例如功率损耗以及使用模式的信息而以相应的电器来命名聚类。

近乎实时数据的主要算法

一旦已经处理了历史数据以建立启动统计，则使用基本上相同的方法来实时地或近乎实时地监测功率使用。然而，取代考虑很长的时间段上的数据而使用较短的合理尺寸（例如最近的24小时）的数据窗口。每次检测到新的功率变化时，如前所述地对该功率变化进行处理。

因为算法意在解决最可能的状态路径，即电器状态的最可能的序列，所以一旦获得和处理新数据时，就将对在给定时间处估计的电器状态进行重新估计。

在以上讨论的示例实施例中，将经修改的维特比算法用于电器对，而不是将其同时应用于在房屋处的N个电器。通过这样做，实质上忽略了电器（聚类）i与电器（聚类）i±3，i±4，i±5等之间的交互。这是因为这些电器（聚类）之间的功率损耗上的重叠被认为较小。尽管维特比算法的传统使用原本会产生指数相关性，然而由于这个原因，计算复杂度变得与电器的数目线性地成比例。当聚类i与聚类i+3之间的重叠不可忽略时，可以考虑使用三元组来代替对。在三元组中，状态的数目将会为2^3=8，并且转变的数目=64，这仍是可管理的。如果三元组不够，则可以使用四元组（quadruplet）等。在任一情况下，通过将整个系统分解成这样的小单元，都将计算复杂度降低了很多个数量级。

在已经详细描述了发明构思以及一些示例实施例的情况下，对本领域内技术人员而言，将会容易获得各种修改和改进。这样的修改和改进意在处于本发明的精神和范围内。因此，前述描述仅是作为示例，而并不意在作为限制。本发明仅如以下权利要求及其等同所限定的那样受到限制。

Claims

1.一种用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的方法，包括：

a.基于相对“长”的时间间隔，使用历史数据来估计针对公共馈电的功率变化的时间统计；

b.使用所述统计来对合计的功率变化数据进行再处理，以将在统计上呈现为可能归因于同一负载的功率变化的元组进行聚类；

c.合并相似的聚类；

d.分离重叠的聚类；

e.更新所述时间统计，以估计所述负载呈现为在不同状态下的时间；以及

f．基于所更新的统计，根据步骤b至步骤e对实时功率变化测量结果进行处理，以将所检测到的变化进行聚类并形成实时负载状态信息。

2.根据权利要求1所述的方法，还包括使所述实时负载状态信息与可识别的负载相关联。

3.根据权利要求2所述的方法，其中，将所述实时负载状态信息与可识别的负载相关联包括将已知负载动作与估计相互关联。

4.根据权利要求1至3中任一项所述的方法，其中，使用维特比算法来执行合并相似的聚类。

5.一种用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的方法，包括：

a.经由传感器，提供表示在第一时间间隔上通过所述馈电输送的功率的传感器输出信号；

b.监测所述传感器输出信号，以检测功率的正向变化和负向变化、功率剧变幅度以及持续时间；

c.将功率的负向变化进行聚类；

d.将功率的负向变化和正向变化进行匹配；

e.估计在所关注的间隔期间负载被接通和断开的时间；以及

f.以统计方式表征所述负载中的至少一个负载的操作。

6.根据权利要求5所述的方法，还包括：

g.根据聚类的平均值来对聚类进行分类；

h.将维特比算法应用于聚类的n元组；

i.解决聚类冲突，以提供消除功率变化的模糊性的一组聚类；以及

j.基于由该组聚类表示的功率变化来估计电器状态。

7.根据权利要求6所述的方法，还包括基于步骤i和步骤j的结果来更新聚类和电器特征统计。

8.根据权利要求7所述的方法，还包括：针对比所述第一时间间隔短的并且比所述第一时间间隔晚的第二时间间隔，对根据由所述传感器在所述第二时间间隔期间感测的功率变化而创建的聚类重新执行步骤g至步骤j。

9.一种用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的方法，包括：

检测合计的负载状态变化和功率剧变以及所述合计的负载状态变化和所述功率剧变的统计分布；

通过考虑电器状态之间的可能的一系列转变并且从考虑中去除不允许的或在统计上不大可能的状态变化，而将所检测到的功率观测与所述房屋处的电器进行匹配，以使正确地确定所检测到的一系列功率变化所属于的负载的可能性最大化。

10.一种用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的系统，包括：

a.功率传感器，所述功率传感器被配置并被布置成监测在所述房屋处消耗的合计的功率；

b.用于检测所监测的功率的变化的装置；以及

c.处理器，所述处理器执行所存储的程序指令，以通过将功率变化进行聚类以及借助于维特比算法来对聚类进行匹配以识别与各个负载相关联的功率变化，而消除所检测到的功率变化的模糊性并将所检测到的功率变化与各个负载相关联。