CN105972761B - 一种非侵入式空调负荷监测方法 - Google Patents
一种非侵入式空调负荷监测方法 Download PDFInfo
- Publication number
- CN105972761B CN105972761B CN201610351374.7A CN201610351374A CN105972761B CN 105972761 B CN105972761 B CN 105972761B CN 201610351374 A CN201610351374 A CN 201610351374A CN 105972761 B CN105972761 B CN 105972761B
- Authority
- CN
- China
- Prior art keywords
- air
- conditioning
- switch
- events
- conditioner
- 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.)
- Active
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
- F24F11/47—Responding to energy costs
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种非侵入式空调负荷监测方法,其包括步骤:采集用户待监测时间段内的总有功功率数据;根据采集到的总有功功率数据形成可能的开关事件序列集合X;对于X中的每一个可能的开关事件序列,确定并计算空调开关状态辨识参数指标集;建立支持向量机空调开关状态辨识模型;训练和验证支持向量机空调开关状态辨识模型;利用训练好的辨识模型,辨识空调的开关状态;根据辨识得到的空调开关状态与用户所安装空调的输入功率,计算该时间段内空调消耗的电能,完成对空调负荷的监测。本发明仅需利用用户低采样率(分钟级)下的总有功功率数据就能实现对空调负荷的非侵入式监测,降低了空调负荷的监测成本,为空调的优化运行提供了科学依据。
Description
技术领域
本发明涉及一种非侵入式空调负荷监测方法,属于智能电网高级量测体系领域。
背景技术
空调负荷作为一种典型的居民用电负荷,近年来大幅度增长。据统计,在我国部分大中城市,夏季高峰时段的空调负荷比例可达30%~40%,个别城市甚至超过50%,给电力系统的安全、经济运行造成较大影响。高峰时段城市电力供应难以满足空调等负荷快速增长的需求,智能用电方案被陆续推出,以保证正常的电力供应,维持电网的稳定运行。空调负荷的主动响应是智能用电环节的重要组成部分,对于有效降低电网高峰负荷,引导居民合理用电,提高电网稳定性具有重要意义。对空调负荷进行监测,掌握其变化规律是实现空调负荷主动响应的基础与前提。
传统的居民电力负荷监测技术是为每个电器配备一个传感器来获取其用电信息,属于侵入式负荷监测。这种监测方法需要安装大量的传感器,安装维护成本高,不易推广。与侵入式负荷监测不同,非侵入式负荷监测技术仅需在用户入口处安装一个传感器,通过采集和分析用户用电总电流和端电压来监测户内每个或每类电器的用电功率和工作状态,从而知晓居民家中每个或每类电器的耗电状态和用电规律。该项技术因其具有简单、经济、数据完整性好和易于迅速推广应用等优势而受到广泛关注。
现有的非侵入式负荷监测算法需要利用除有功功率信息外的其他信息(无功功率、暂态信息等)。现有的智能电表难以获取无功功率信息,且为了不遗漏暂态信息(通常暂态过程仅持续0.2s左右),需要采样设备对负荷进行不间断的监测,这对采样设备的采样率提出了很高的要求。故现有的监测系统对软、硬件的要求很高,大大增加了整套设备的投资,不利于推广。
发明内容
本发明的目的在于针对现有技术之弊端,提供一种非侵入式空调负荷监测方法,其仅利用低采样率(分钟级)下的总有功功率数据就能实现对空调负荷的非侵入式监测,为空调的优化运行提供科学依据。
本发明上述目的是通过下述技术方案实现的:
一种非侵入式空调负荷监测方法,其包括步骤:
S1:采集用户待监测时间段内的总有功功率数据;
S2:根据采集到的总有功功率数据确定可能的空调开启、关闭时间点,形成可能的开关事件序列集合X;
S3:对于所述开关事件序列集合X中的每一个可能的开关事件序列,确定并计算空调开关状态辨识参数指标集;
S4:以空调开关状态辨识参数指标集中的变量作为输入,以实际的空调开关信息作为输出,建立支持向量机(Support Vector Machine,SVM)空调开关状态辨识模型;
S5:利用已知空调开关状态的历史数据,训练和验证支持向量机空调开关状态辨识模型;
S6:利用步骤S5中训练好的支持向量机空调开关状态辨识模型,辨识空调的开关状态;
S7:根据步骤S6中辨识得到的空调开关状态与用户所安装空调的输入功率,计算该时间段内空调消耗的电能,完成对空调负荷的监测。
步骤S2中:
将相邻两个采样点的总有功功率差值与预设定的阈值进行比较,从而找出所有可能的空调开启、关闭时间点,具体判断方式如下:
如果p(i+1)-p(i)>δs,i=1,2,...,n,则ti∈S,
如果p(i)-p(i-1)<δe,i=1,2,...,n,则ti∈E,
其中,S为待监测时间段内所有可能的空调开启时间点的集合,E为待监测时间段内所有可能的空调关闭时间点的集合,δs为预设定的开启阈值,δe为预设定的关闭阈值,所述开启阈值和关闭阈值的大小需根据用户所使用的空调型号来设定,开启阈值设定为用户所安装空调输入功率的25%,关闭阈值设定为用户所安装空调输入功率的20%;
其中,对于已确定的集合S={s1,s2,...,sl1}和集合E={e1,e2,...,el2},si表示任一可能的开启时间点,i=1,2,…l1,l1是待监测时间段内所有可能的开启时间点个数,ei表示任一可能的关闭时间点,i=1,2,…l2,l2是待监测时间段内所有可能的关闭时间点个数,且有l2≥l1;将S中的每个元素与E中的元素进行匹配,从而确定可能的开关事件,这些开关事件形成可能的开关事件序列集合X。
进一步地,将S中的每个元素与E中的元素进行匹配的方式为:对于集合S中的元素si,i=1,2,...,l1,在集合E中找到一个满足ej=min{e|e-si>0}条件的点,与si组成一个可能的开关事件,记区间[si,ej]为一个可能的开关事件窗口,[si,ej]所对应的功率序列p(si),p(si+1),...,p(ej-1),p(ej)为可能的开关事件序列,记为xi,则所有的xi,i=1,2,...,l1组成可能的开关事件序列集合X。
优选地,步骤S1中:
对于每个电力用户,通过用户的智能电表采集得到待监测时间段内的总有功功率数据,记为p(i),i=1,2,...,n,其中p(i)代表第i个采样点的总有功功率值,n为采样点个数,以ti表示第i个采样点的采样时刻,则采样间隔表示为T=ti-ti-1。
优选地,步骤S3中,对于集合X中的每一个可能的开关事件序列,提取如下特征参数以形成空调开关状态辨识参数指标集:
a、开关事件窗口大小
Fi 1=length(xi),i=1,2,...,l1,其中,Fi 1表示第i个可能的开关事件的窗口大小,length(xi)表示计算序列xi的长度,即序列xi中元素的个数;
b、功率均值
Fi 2=mean(xi),i=1,2,...,l1,其中,Fi 2表示第i个可能的开关事件的功率均值,mean(xi)表示对序列xi求取算术平均值;
c、功率方差
Fi 3=var(xi),i=1,2,...,l1,其中,Fi 3表示第i个可能的开关事件的功率方差,var(xi)表示对序列xi求取方差,即为式中Fi 1、Fi 2分别表示第i个可能的开关事件的开关事件窗口大小与功率均值,xi(j)表示可能开关事件序列xi中第j个元素;
d、功率峰值
Fi 4=max(xi),i=1,2,...,l1,其中,Fi 4表示第i个可能的开关事件的功率峰值,max(xi)表示对序列xi求取最大值。
优选地,步骤S5中,针对已知空调开关状态的历史数据,分别计算所述空调开关状态辨识参数指标集中的各项特征参数,然后选择其中的一部分数据作为支持向量机空调开关状态辨识模型的训练样本,训练该模型,将其余部分数据作为验证数据,对该模型的辨识效果进行校验。
优选地,步骤S6中,针对待监测的时间段,计算空调开关状态辨识参数指标集中的各项特征参数,然后将计算出的参数序列输入步骤S5中训练好的支持向量机空调开关状态辨识模型中,得到该时间段内空调的开关状态。
优选地,步骤S7中,以Y={y1,y2,...,yk}表示待监测时间段内由步骤S6中辨识得到的空调开关状态组成的开关事件序列集合,Y为集合X经辨识模型辨识而剔除非开关事件序列后的开关事件序列集合,则Y为集合X的一个子集;以Fi 1表示Y集合中yi元素的第一个特征参数,其单位为分钟,以p表示用户所安装空调的输入功率,其单位为千瓦,则空调在该时间段内所消耗的电能W由计算得到,其单位为千瓦·时。
优选地,所述空调为家庭空调。
优选地,步骤S1中的采样率为分钟级。
上述非侵入式空调负荷监测方法主要基于低采样率有功功率数据进行空调负荷监测,在支持向量机空调开关状态辨识模型的训练和验证过程以及实际用户空调开关状态辨识过程中,应对计算得到的运行状态辨识参数指标集中的特征参数进行归一化处理。
本发明的非侵入式空调负荷监测方法具有如下优点:采样率低,例如可谓分钟级,对采样设备的要求低,可通过用户的智能电表进行采集数据;仅利用有功功率进行负荷监测,数据处理和采集相对容易;对空调开关事件的辨识成功率高;实现该检测方法的整个监测系统的投资成本和运行成本低,易于推广。本发明的方法为空调的优化运行提供了科学依据。
附图说明
下面结合附图对本发明作进一步详述。
图1是本发明的优选实施方式的非侵入式空调负荷监测方法的示意性流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只是用于解释本发明,并非用于限定本发明的保护范围。
本发明的非侵入式空调(优选家用空调)负荷监测方法的基本流程可以包括:首先利用例如智能电表来采集用户待监测时间段内的总有功功率数据;其次将每相邻两个采样点的总有功功率差值与预设定的阈值进行比较,找出所有可能的空调开启时间点和关闭时间点,将每个可能的开启时间点和与之最相邻的可能的关闭时间点组成可能的开关事件;然后对每个可能的开关事件,提取能够表征空调开关状态的波形特征参数;随后,通过支持向量机方法,建立家用空调开关状态辨识模型,拟合总功率波形特征参数与空调开关状态之间的非线性映射关系;利用空调开关状态辨识模型对待监测时间段内的总负荷数据进行监测,得到待监测时间段内空调的开关状态;最后,结合用户所安装空调的输入功率,计算得到待监测时间段内空调的电能消耗,完成对空调负荷的监测。
具体地,如图1所示,本发明的非侵入式空调负荷监测方法包括步骤:
S1:采集用户待监测时间段内的总有功功率数据。
S2:根据采集到的总有功功率数据确定可能的空调开启、关闭时间点,形成可能的开关事件序列集合X。本步骤中,之所以称为“可能的开关事件序列集合”,是因为其中有可能包含“非开关事件序列”,即,有可能存在某些可能的空调开启、关闭时间点并不构成真正的开关事件的情形,这些“非开关事件序列”需要在后续步骤中予以剔除。
S3:对于所述开关事件序列集合X中的每一个可能的开关事件序列,确定并计算空调开关状态辨识参数指标集。
S4:以空调开关状态辨识参数指标集中的变量作为输入,以实际的空调开关信息作为输出,建立支持向量机(Support Vector Machine,SVM)空调开关状态辨识模型。
S5:利用已知空调开关状态的历史数据,训练和验证支持向量机空调开关状态辨识模型。
S6:利用步骤S5中训练好的支持向量机空调开关状态辨识模型,辨识空调的开关状态。
S7:根据步骤S6中辨识得到的空调开关状态与用户所安装空调的输入功率,计算该时间段内空调消耗的电能,完成对空调负荷的监测。
优选地,步骤S1中:
对于每个电力用户,通过用户的智能电表采集得到待监测时间段内的总有功功率数据,记为p(i),i=1,2,...,n,其中p(i)代表第i个采样点的总有功功率值,n为采样点个数,以ti表示第i个采样点的采样时刻,则采样间隔表示为T=ti-ti-1。
优选地,步骤S2中:
将相邻两个采样点的总有功功率差值与预设定的阈值进行比较,从而找出所有可能的空调开启、关闭时间点,具体判断方式如下:
如果p(i+1)-p(i)>δs,i=1,2,...,n,则ti∈S,
如果p(i)-p(i-1)<δe,i=1,2,...,n,则ti∈E,
其中,S为待监测时间段内所有可能的空调开启时间点的集合,E为待监测时间段内所有可能的空调关闭时间点的集合,δs为预设定的开启阈值,δe为预设定的关闭阈值,所述开启阈值和关闭阈值的大小需根据用户所使用的空调型号来设定,例如,开启阈值设定为用户所安装空调输入功率的25%,关闭阈值设定为用户所安装空调输入功率的20%。
其中,对于已确定的集合和集合si表示任一可能的开启时间点,i=1,2,…l1,l1是待监测时间段内所有可能的开启时间点个数,ei表示任一可能的关闭时间点,i=1,2,…l2,l2是待监测时间段内所有可能的关闭时间点个数,且有l2≥l1;将S中的每个元素与E中的元素进行匹配,从而确定可能的开关事件,这些开关事件形成可能的开关事件序列集合X。
进一步地,将S中的每个元素与E中的元素进行匹配的方式为:对于集合S中的元素si,i=1,2,...,l1,在集合E中找到一个满足ej=min{e|e-si>0}条件的点,与si组成一个可能的开关事件,,记区间[si,ej]为一个可能的开关事件窗口,[si,ej]所对应的功率序列p(si),p(si+1),...,p(ej-1),p(ej)为可能的开关事件序列,记为xi,则所有的xi,i=1,2,...,l1组成可能的开关事件序列集合X。
优选地,步骤S3中,对于集合X中的每一个可能的开关事件序列,提取如下特征参数以形成空调开关状态辨识参数指标集:
a、开关事件窗口大小
Fi 1=length(xi),i=1,2,...,l1,其中,Fi 1表示第i个可能的开关事件的窗口大小,length(xi)表示计算序列xi的长度,即序列xi中元素的个数;
b、功率均值
Fi 2=mean(xi),i=1,2,...,l1,其中,Fi 2表示第i个可能的开关事件的功率均值,mean(xi)表示对序列xi求取算术平均值;
c、功率方差
Fi 3=var(xi),i=1,2,...,l1,其中,Fi 3表示第i个可能的开关事件的功率方差,var(xi)表示对序列xi求取方差,即为式中Fi 1、Fi 2分别表示第i个可能的开关事件的开关事件窗口大小与功率均值,xi(j)表示可能开关事件序列xi中第j个元素;
d、功率峰值
Fi 4=max(xi),i=1,2,...,l1,其中,Fi 4表示第i个可能的开关事件的功率峰值,max(xi)表示对序列xi求取最大值。
优选地,步骤S5中,针对已知空调开关状态的历史数据,分别计算所述空调开关状态辨识参数指标集中的各项特征参数,然后选择其中的一部分数据作为支持向量机空调开关状态辨识模型的训练样本,训练该模型,将其余部分数据作为验证数据,对该模型的辨识效果进行校验。
优选地,步骤S6中,针对待监测的时间段,计算空调开关状态辨识参数指标集中的各项特征参数,然后将计算出的参数输入步骤S5中训练好的支持向量机空调开关状态辨识模型中,得到该时间段内空调的开关状态。
优选地,步骤S7中,以Y={y1,y2,...,yk}表示待监测时间段内由步骤S6中辨识得到的空调开关状态组成的开关事件序列集合,Y为集合X经辨识模型辨识而剔除非开关事件序列后的开关事件序列集合,则Y为集合X的一个子集;以Fi 1表示Y集合中yi元素的第一个特征参数,其单位为分钟,以p表示用户所安装空调的输入功率,其单位为千瓦,则空调在监测时间段内所消耗的电能W可由计算得到,其单位为千瓦·时。
下面以具体实例来说明本发明的非侵入式空调负荷监测方法的工作过程及所能达到的突出效果。
以某用户2014年1月1日至2014年2月28日的用电监测数据为例,对本发明所提供的方法进行详细阐述。作为示例,该用户2014年1月1日0时至1时的用电监测数据见附表1,其余时段的用电监测数据省略。用电监测数据包括该用户总有功功率数据及空调的实际用电功率数据,采样间隔为1分钟。
由于用户的总有功功率数据已经获得,如附表1所示,因此在下面的实例中将省略步骤S1。具体地,在本实例中,本发明的方法包括如下步骤:
步骤一(对应于前述步骤S2):将用户相邻两个采样点的总有功功率差值与预设定的阈值进行比较,找出所有可能的开关时间点,形成开关事件时间点初选集合。这里,阈值的设置方法是:据用户所使用的空调的输入功率来设定,开启阈值设定为用户所安装空调输入功率的25%,关闭阈值设定为用户所安装空调输入功率的20%。由此计算得到开启阈值为300W,关闭阈值为-240W。将功率差值大于开启阈值的采样点归入开启时间点集合S,小于关闭阈值者归入关闭时间点集合E。对集合S中任意一个元素si,在E中选取si后最近一次发生关闭的ej元素与之进行配对,形成一次可能的开关事件[si,ej],对应的可能开关事件序列为xi。所有的可能开关事件序列组成集合X。实例中共检测到可能的开关事件为861次,且第一次可能的开关事件的开启关闭采样点为[23,38],如附表1所示,即表示从1月1日0时起,第23个数据采样点处发生可能的空调开启事件,第38个数据采样点处发生可能的空调关闭事件,二者组成第一次可能的开关事件。本次可能的开关事件所对应的功率序列为{0.94,1.675,1.743,1.739,1.769,1.775,1.782,1.794,1.802,1.817,1.807,1.823,1.822,1.825,1.846,1.851},功率单位为kW。
步骤二(对应于前述步骤S3):针对每个可能的开关事件序列,确定并计算其特征参数。这里选择{开关事件窗口大小、功率均值、功率方差、功率峰值},为4维变量。针对第一次可能的开关事件序列,计算四个特征参数分别为:16,1.738,0.0473,1.851。计算861次可能的开关事件序列特征参数,形成空调开关状态辨识参数指标集。
步骤三(对应于前述步骤S4):将空调开关状态辨识参数指标集中的变量作为SVM模型的输入,实际的空调开关信息作为SVM的输出,建立SVM空调开关状态辨识模型。作为辨识模型训练样本输出时,将实际发生开关事件的样本标记为1,实际未发生开关事件的样本标记为0。
步骤四(对应于前述步骤S5):选择适当比例的已知空调实际开关时间点的数据作为SVM模型的训练样本,训练该模型,其余部分用以验证模型的辨识效果。分别计算所有可能开关事件对应的空调开关状态辨识参数指标集各特征参数,并对其进行归一化处理,用于SVM辨识模型的训练和验证。这里,按照3:7的比例选择861次可能开关事件中的前258次数据,用以实现SVM的训练,用余下的603次数据对模型辨识效果进行验证,其中开关事件识别正确的次数有558次,准确率达92.54%。
步骤五(对应于前述步骤S6):对于该用户而言,在训练好该空调开关状态辨识模型后,即可以针对待监测的时间段,计算空调开关状态辨识参数指标集中的各项特征参数,然后将计算出的参数序列输入该辨识模型中,得到该时间段内空调的开关状态。
步骤六(对应于前述步骤S7):利用步骤五中辨识得的空调开关状态特征参数与用户所安装空调的输入功率,计算空调在此段时间内的电能消耗,即完成对空调在此段时间内的负荷监测。具体地,以Y={y1,y2,...,yk}表示待监测时间段内由步骤五中辨识得到的空调开关状态组成的开关事件序列集合,集合X为可能的开关事件序列集合,Y为集合X经辨识模型辨识、剔除非开关事件序列后的开关事件序列集合,则Y为集合X的一个子集。以Fi 1表示Y集合中yi元素的第一个特征参数,其单位为分钟,以p表示用户所安装空调的输入功率,其单位为千瓦,空调在监测时间段内所消耗电能W可由计算所得,其单位为千瓦·时。本实例中,该用户2014年1月1日0时至1时由计算可得负荷消耗为0.32kW·h,完成对用户在此时间段内的负荷监测。
上述具体实施方案仅为本发明的优选实施方案,并不用于限制本发明。任何熟悉本领域的技术人员可轻易想到的变化和替换方法,均应涵盖在本发明的保护范围之内。
附表1
Claims (9)
1.一种非侵入式空调负荷监测方法,其特征在于,包括步骤:
S1:采集用户待监测时间段内的总有功功率数据;
S2:根据采集到的总有功功率数据确定可能的空调开启、关闭时间点,形成可能的开关事件序列集合X;
S3:对于所述开关事件序列集合X中的每一个可能的开关事件,确定并计算空调开关状态辨识参数指标集;
S4:以空调开关状态辨识参数指标集中的变量作为输入,以实际的空调开关信息作为输出,建立支持向量机空调开关状态辨识模型;
S5:利用已知空调开关状态的历史数据,训练和验证支持向量机空调开关状态辨识模型;
S6:利用步骤S5中训练好的支持向量机空调开关状态辨识模型,辨识空调的开关状态;
S7:根据步骤S6中辨识得到的空调开关状态与用户所安装空调的输入功率,计算该时间段内空调消耗的电能,完成对空调负荷的监测;
步骤S2中:
将相邻两个采样点的总有功功率差值与预设定的阈值进行比较,从而找出所有可能的空调开启、关闭时间点,具体判断方式如下:
如果p(i+1)-p(i)>δs,i=1,2,...,n,则ti∈S,
如果p(i)-p(i-1)<δe,i=1,2,...,n,则ti∈E,
其中,S为待监测时间段内所有可能的空调开启时间点的集合,E为待监测时间段内所有可能的空调关闭时间点的集合,δs为预设定的开启阈值,δe为预设定的关闭阈值,所述开启阈值和关闭阈值的大小需根据用户所使用的空调型号来设定,开启阈值设定为用户所安装空调输入功率的25%,关闭阈值设定为用户所安装空调输入功率的20%;
其中,对于已确定的集合S={s1,s2,...,sl1}和集合E={e1,e2,...,el2},si表示任一可能的开启时间点,i=1,2,…l1,l1是待监测时间段内所有可能的开启时间点个数,ei表示任一可能的关闭时间点,i=1,2,…l2,l2是待监测时间段内所有可能的关闭时间点个数,且有l2≥l1;将S中的每个元素与E中的元素进行匹配,从而确定可能的开关事件,这些开关事件形成可能的开关事件序列集合X。
2.根据权利要求1所述的方法,其特征在于,步骤S1中:
对于每个电力用户,通过用户的智能电表采集得到待监测时间段内的总有功功率数据,记为p(i),i=1,2,...,n,其中p(i)代表第i个采样点的总有功功率值,n为采样点个数,以ti表示第i个采样点的采样时刻,则采样间隔表示为T=ti-ti-1。
3.根据权利要求1所述的方法,其特征在于,将S中的每个元素与E中的元素进行匹配的方式为:对于集合S中的元素si,i=1,2,...,l1,在集合E中找到一个满足ej=min{e|e-si>0}条件的点,与si组成一个可能的开关事件,记区间[si,ej]为一个可能的开关事件窗口,[si,ej]所对应的功率序列p(si),p(si+1),...,p(ej-1),p(ej)为可能的开关事件序列,记为xi,则所有的xi,i=1,2,...,l1组成可能的开关事件序列集合X。
4.根据权利要求1所述的方法,其特征在于,步骤S3中,对于集合X中的每一个可能的开关事件序列,提取如下特征参数以形成空调开关状态辨识参数指标集:
a、开关事件窗口大小
Fi 1=length(xi),i=1,2,...,l1,其中,Fi 1表示第i个可能的开关事件的窗口大小,length(xi)表示计算序列xi的长度,即序列xi中元素的个数;
b、功率均值
Fi 2=mean(xi),i=1,2,...,l1,其中,Fi 2表示第i个可能的开关事件的功率均值,mean(xi)表示对序列xi求取算术平均值;
c、功率方差
Fi 3=var(xi),i=1,2,...,l1,其中,Fi 3表示第i个可能的开关事件的功率方差,var(xi)表示对序列xi求取方差,即为式中Fi 1、Fi 2分别表示第i个可能的开关事件的开关事件窗口大小与功率均值,xi(j)表示可能开关事件序列xi中第j个元素;
d、功率峰值
Fi 4=max(xi),i=1,2,...,l1,其中,Fi 4表示第i个可能的开关事件的功率峰值,max(xi)表示对序列xi求取最大值。
5.根据权利要求1所述的方法,其特征在于,步骤S5中,针对已知空调开关状态的历史数据,分别计算所述空调开关状态辨识参数指标集中的各项特征参数,然后选择其中的一部分数据作为支持向量机空调开关状态辨识模型的训练样本,训练该模型,将其余部分数据作为验证数据,对该模型的辨识效果进行校验。
6.根据权利要求1所述的方法,其特征在于,步骤S6中,针对待监测的时间段,计算空调开关状态辨识参数指标集中的各项特征参数,然后将计算出的参数序列输入步骤S5中训练好的支持向量机空调开关状态辨识模型中,得到该时间段内空调的开关状态。
7.根据权利要求1所述的方法,其特征在于,步骤S7中,以Y={y1,y2,...,yk}表示待监测时间段内由步骤S6中辨识得到的空调开关状态组成的开关事件序列集合,Y为集合X经辨识模型辨识而剔除非开关事件序列后的开关事件序列集合,则Y为集合X的一个子集;以Fi 1表示Y集合中yi元素的第一个特征参数,其单位为分钟,以p表示用户所安装空调的输入功率,其单位为千瓦,则空调在该时间段内所消耗的电能W由计算得到,其单位为千瓦·时。
8.根据权利要求1-7之一所述的方法,其特征在于,所述空调为家庭空调。
9.根据权利要求1-7之一所述的方法,其特征在于,步骤S1中的采样率为分钟级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610351374.7A CN105972761B (zh) | 2016-05-25 | 2016-05-25 | 一种非侵入式空调负荷监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610351374.7A CN105972761B (zh) | 2016-05-25 | 2016-05-25 | 一种非侵入式空调负荷监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105972761A CN105972761A (zh) | 2016-09-28 |
CN105972761B true CN105972761B (zh) | 2019-01-22 |
Family
ID=56955837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610351374.7A Active CN105972761B (zh) | 2016-05-25 | 2016-05-25 | 一种非侵入式空调负荷监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105972761B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651658B (zh) * | 2016-12-30 | 2020-07-10 | 合肥工业大学 | 一种基于有限状态机的非侵入式住宅用电负荷分解方法 |
CN109901442B (zh) * | 2017-12-08 | 2020-09-15 | 亿可能源科技(上海)有限公司 | 非侵入式能耗检测方法及系统 |
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 |
CN109085423B (zh) * | 2018-09-20 | 2020-07-03 | 广东石油化工学院 | 一种负载开关事件检测方法及系统 |
CN108872666B (zh) * | 2018-09-20 | 2020-06-26 | 广东石油化工学院 | 一种负载开关事件检测方法及系统 |
CN109340998B (zh) * | 2018-09-30 | 2020-10-30 | 广东美的制冷设备有限公司 | 空调器及其控制方法和装置 |
CN110426554B (zh) * | 2019-08-09 | 2022-03-18 | 威胜集团有限公司 | 家用负荷电气特征提取方法、装置及计算机可读存储介质 |
CN111126780B (zh) * | 2019-10-31 | 2023-04-07 | 内蒙古电力(集团)有限责任公司包头供电局 | 一种非侵入式负荷监测方法及存储介质 |
CN111078803A (zh) * | 2019-11-26 | 2020-04-28 | 武汉大学 | 一种基于非侵入式技术的负荷事件多维特征匹配方法与系统 |
CN111177212B (zh) * | 2019-12-13 | 2022-09-27 | 国网北京市电力公司 | 空气源热泵工作状态的确定方法及装置、电子设备 |
CN111103490B (zh) * | 2019-12-26 | 2021-08-27 | 广东电网有限责任公司电力科学研究院 | 一种负荷辨识事件检测方法、装置及设备 |
CN110988570B (zh) * | 2019-12-26 | 2021-06-22 | 威胜集团有限公司 | 定频空调启动辨识方法、装置及存储介质 |
CN111242161B (zh) * | 2019-12-27 | 2023-08-25 | 国网山西省电力公司大同供电公司 | 一种基于智能学习的非侵入式非居民用户负荷辨识方法 |
CN111550915A (zh) * | 2020-05-14 | 2020-08-18 | 郑瀚韬 | 一种基于非侵入式量测的空调智能控制系统 |
CN113218055B (zh) * | 2020-05-29 | 2022-06-07 | 国网河北省电力有限公司 | 空调负荷调控方法、装置及终端设备 |
CN112303819A (zh) * | 2020-09-24 | 2021-02-02 | 青岛海信日立空调系统有限公司 | 一种空调器和控制方法 |
CN112034245B (zh) * | 2020-11-03 | 2021-03-23 | 天津滨电电力工程有限公司 | 一种用于嵌入式终端的家用洗衣机辨识方法 |
CN112365090A (zh) * | 2020-11-26 | 2021-02-12 | 南方电网能源发展研究院有限责任公司 | 一种基于深度学习的非入侵式用电负荷识别方法及装置 |
CN116011621A (zh) * | 2022-08-09 | 2023-04-25 | 国网山东省电力公司东营市河口区供电公司 | 光伏电站功率预调整的预测方法 |
Citations (4)
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 |
CN101567559A (zh) * | 2009-06-04 | 2009-10-28 | 天津天大求实电力新技术股份有限公司 | 非侵入式电力负荷分解的表格方法 |
CN103026246A (zh) * | 2010-06-04 | 2013-04-03 | 胜赛斯美国公司 | 一种用于非侵入式负载监测和处理的系统和方法 |
CN104297594A (zh) * | 2014-10-13 | 2015-01-21 | 电子科技大学 | 一种智能家居的家电设备运行状态监测方法 |
-
2016
- 2016-05-25 CN CN201610351374.7A patent/CN105972761B/zh active Active
Patent Citations (4)
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 |
CN101567559A (zh) * | 2009-06-04 | 2009-10-28 | 天津天大求实电力新技术股份有限公司 | 非侵入式电力负荷分解的表格方法 |
CN103026246A (zh) * | 2010-06-04 | 2013-04-03 | 胜赛斯美国公司 | 一种用于非侵入式负载监测和处理的系统和方法 |
CN104297594A (zh) * | 2014-10-13 | 2015-01-21 | 电子科技大学 | 一种智能家居的家电设备运行状态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105972761A (zh) | 2016-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105972761B (zh) | 一种非侵入式空调负荷监测方法 | |
CN106096726B (zh) | 一种非侵入式负荷监测方法及装置 | |
CN107025365B (zh) | 一种用于用户侧的非侵入负荷辨识方法 | |
CN105823948A (zh) | 一种非干预式居民负荷识别方法 | |
Ahmadi et al. | Load decomposition at smart meters level using eigenloads approach | |
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 | |
CN106786534A (zh) | 一种非侵入式电力负荷暂态过程辨识方法及系统 | |
Ghosh et al. | Artificial bee colony optimization based non-intrusive appliances load monitoring technique in a smart home | |
CN106646026A (zh) | 一种非侵入式家电负荷识别方法 | |
CN107302217A (zh) | 基于v‑i轨迹的非侵入式负荷分解方法及系统 | |
CN103001230A (zh) | 非侵入式电力负荷监测与分解的电流模式匹配方法 | |
CN103116098A (zh) | 一种基于互相关系数的家用电器运行状态识别方法 | |
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 | |
CN107247201A (zh) | 基于功率及时间特性的电烤箱非侵入辨识方法 | |
CN111722028A (zh) | 一种基于高频数据的负荷识别方法 | |
CN111242161A (zh) | 一种基于智能学习的非侵入式非居民用户负荷辨识方法 | |
CN112909923A (zh) | 一种基于dtw算法的非侵入式家居负荷行为识别的装置 | |
CN107767037B (zh) | 一种用户用电构成解析方法 | |
Su et al. | Non-intrusive load monitoring of air conditioning using low-resolution smart meter data | |
CN113363974B (zh) | 基于累积电量低频采样的居民负荷构成解析方法及装置 | |
CN111665388A (zh) | 一种非侵入式的家用空调辨识方法 | |
Yang et al. | Mining the big data of residential appliances in the smart grid environment | |
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 | |
Giri et al. | Novel techniques for the detection of on and off states of appliances for power estimation in non-intrusive load monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |