CN106908671A - 一种非侵入式家用负荷智能检测方法及系统 - Google Patents

一种非侵入式家用负荷智能检测方法及系统 Download PDF

Info

Publication number
CN106908671A
CN106908671A CN201710026069.5A CN201710026069A CN106908671A CN 106908671 A CN106908671 A CN 106908671A CN 201710026069 A CN201710026069 A CN 201710026069A CN 106908671 A CN106908671 A CN 106908671A
Authority
CN
China
Prior art keywords
load
signal
voltage
current
voltage signal
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
Application number
CN201710026069.5A
Other languages
English (en)
Inventor
殷波
朱治丞
丛艳平
魏行昊
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 CN201710026069.5A priority Critical patent/CN106908671A/zh
Publication of CN106908671A publication Critical patent/CN106908671A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明涉及一种非侵入式家用负荷智能检测方法，包括：在处于稳定工作状态的至少一个家用负荷的总入口处采集在预设周期阈值内的每个采集点的电压信号和电流信号；对所述电压信号和电流信号进行分析，分别获取至少一个负荷中的每个负荷对应的电压信号和分电流信号；根据所述每个负荷对应的电压信号和分电流信号分别确定所述每个负荷对应的电压‑电流轨迹图；根据所述每个负荷对应的电压‑电流轨迹图分别提取每个负荷对应的负荷特征信息；以及根据所述每个负荷对应的负荷特征信息通过支持向量机SVM分类算法识别每个负荷对应的电器类别。本发明的有益效果在于：通过对负荷的电压‑电流轨迹图进行分析，能够高效的识别出负荷所属的电器类型。

Description

一种非侵入式家用负荷智能检测方法及系统
技术领域
本发明涉及家用负荷智能检测领域，并且更具体地，涉及一种非侵入式家用负荷智能检测方法及系统。
背景技术
随着传统电网中出现的诸多问题，智能电网的发展迫在眉睫。实施智能电网发展战略不仅能使用户获得高安全性、高可靠性、高质量性、高效率和价格合理的电力供应，还能提高国家的能源安全，改造环境，推动可持续发展。
在智能电网的建设中智能电表的研究是其中重要的一个环节。智能电表的关键技术就是能够识别出家庭中不同用电负荷的类型及其用电信息。现有技术是在每个负荷电器前面安装电表仪器，但这需要大量的电表仪器，会大大的增加安装成本，存在很大的缺点。因此，为了降低财务费用、提高可靠性、提出了非侵入式负荷监测系统，无需在每个负荷电器前面安装电表仪器，仅通过在总的电力负荷入口处对电压、电流及功率信息进行测量、分析，便可得到每个不同负荷电器的实时的功率消耗比例。
目前，对负荷电器的检测、识别、分类的方法主要有稳态分析与暂态分析，使用时域特征、频域特征或者时频域结合的方法进行特征提取，最后使用K近邻规则、反向传播人工神经网络和人工免疫算法等，然而在识别上还存在很多缺陷，主要表现在如下几个方面：算法的复杂程度高，主要是算法的时间复杂度，在分析数据时采集数据的速率和分析数据的速率不能及时的测出当前的信息；在对于相似电器进行分析时，特征相近，分辨成功率低；以及对于小功率的电器难以进行识别。
发明内容
为了解决上述问题，根据本发明的一个方面，提供了一种非侵入式家用负荷智能检测方法，所述方法包括：
在处于稳定工作状态的至少一个家用负荷的总入口处采集在预设周期阈值内的每个采集点的电压信号和电流信号；
对所述每个采集点的电压信号和电流信号进行分析，分别获取处于稳定工作状态的至少一个负荷中的每个负荷对应的电压信号和分电流信号；
根据所述每个负荷对应的电压信号和分电流信号分别确定所述每个负荷对应的电压-电流轨迹图；
根据所述每个负荷对应的电压-电流轨迹图分别提取每个负荷对应的负荷特征信息；以及
根据所述每个负荷对应的负荷特征信息通过支持向量机SVM分类算法识别每个负荷对应的电器类别。
优选地，其中在所述对所述每个采集点的电压信号和电流信号进行分析前，对所述每个采集点电压信号和电流信号进行低通滤波处理，并将经过低通滤波处理的电压信号和电流信号转换为数字信号。
优选地，其中所述负荷特征信息包括：电压-电流轨迹图的闭合区域面积、曲线的交点数目、区间段斜率、左右区间段的面积和轨迹的非线性关系。
根据本发明的另一个方面，提供了一种非侵入式家用负荷智能检测系统，所述系统包括：信号采集单元、信号分析单元、电压-电流轨迹图确定单元、负荷特征信息提取单元和类别确定单元，
所述信号采集单元，在处于稳定工作状态的至少一个家用负荷的总入口处采集在预设周期阈值内的每个采集点的电压信号和电流信号；
所述信号分析单元，对所述每个采集点的电压信号和电流信号进行分析，分别获取处于稳定工作状态的至少一个负荷中的每个负荷对应的电压信号和分电流信号；
所述电压-电流轨迹图确定单元，根据所述每个负荷对应的电压信号和分电流信号分别确定所述每个负荷对应的电压-电流轨迹图；
所述负荷特征信息提取单元，根据所述每个负荷对应的电压-电流轨迹图分别提取每个负荷对应的负荷特征信息；以及
所述类别确定单元，根据所述每个负荷对应的负荷特征信息通过支持向量机SVM分类算法识别每个负荷对应的电器类别。
优选地，其中在所述信号分析单元对所述每个采集点的电压信号和电流信号进行分析前，对所述每个采集点电压信号和电流信号进行低通滤波处理，并将经过低通滤波处理的电压信号和电流信号转换为数字信号。
优选地，其中所述负荷特征信息包括：电压-电流轨迹图的闭合区域面积、曲线的交点数目、区间段斜率、左右区间段的面积和轨迹的非线性关系。
本发明的有益效果在于：
本发明利用非侵入式负荷监测系统高效、准确的监视不同负荷电器的用电信息，通过电压-电流轨迹图代表不同负荷的用电信息，并对负荷的电压-电流轨迹图进行分析，能够高效的识别出负荷所属的电器类型。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明实施方式的非侵入式家用负荷智能检测方法100的流程图；
图2为六种常见家用电器的电压-电流轨迹图；
图3为根据本发明实施方式的电压-电流轨迹图提取的负荷特征信息的示意图；以及
图4为根据本发明实施方式的非侵入式家用负荷智能检测系统400的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
本发明提出了采用电压-电流轨迹图的方法对家用负荷进行分析检测，对电器稳态工作时的一个周期内的电压和电流进行测量，并确定电压-电流轨迹图，通过图形轨迹的封闭面积、轨迹的非线性关系、区间段的斜率和左右区间段的面积作为独特的负荷特征，从而判断负荷对应的电器类别。
图1为根据本发明实施方式的非侵入式家用负荷智能检测方法100的流程图。如图1所示，所述非侵入式家用负荷智能检测方法100从步骤191处开始，在步骤101在处于稳定工作状态的至少一个家用负荷的总入口处采集在预设周期阈值内的每个采集点的电压信号和电流信号。在本发明的实施方式中，预设周期阈值为一个周期，采集频率为7000个每秒。
优选地，在步骤102对所述每个采集点的电压信号和电流信号进行分析，分别获取处于稳定工作状态的至少一个负荷中的每个负荷对应的电压信号和分电流信号。优选地，其中在所述对所述每个采集点的电压信号和电流信号进行分析前，对所述每个采集点电压信号和电流信号进行低通滤波处理，并将经过低通滤波处理的电压信号和电流信号转换为数字信号。在本发明的实施方式中，在对采集到的数据进行分析前，对采集到的数据进行低通滤波处理以达到抑制噪声的目的，并将经过低通滤波处理的电压信号和电流信号通过A/D转换装置来进行转换，转换后的电压信号和电流信号均为数字信号。其中，依据前后周期的功率变化差是否大于设定的阈值，可以判断是否有新的电器开启或者关闭。
优选地，在步骤103根据所述每个负荷对应的电压信号和分电流信号分别确定所述每个负荷对应的电压-电流轨迹图。在负荷识别领域常用的方法包括时域分析、频域分析以及时频域相结合的方法，本发明的核心是在时域信号的基础上，将电压和电流放在一个二维平面上同时加以考虑，从而得到电压-电流轨迹图。图2为六种常见家用电器的电压-电流轨迹图。如图2所示，分别采集电器在稳定工作状态时的同一个周期内的电压信号和电流信号，对应时间的电压和电流两两一组看成横纵坐标，然后在横坐标轴上确定负荷工作时的电压，在纵坐标轴上确定负荷工作时的电流，一个周期的点集合就会构成如图2所示的闭合图形，即电压-电流轨迹图。
优选地，在步骤104根据所述每个负荷对应的电压-电流轨迹图分别提取每个负荷对应的负荷特征信息。优选地，其中所述负荷特征信息包括：电压-电流轨迹图的闭合区域面积、曲线的交点数目、区间段斜率、左右区间段的面积和轨迹的非线性关系。图3为根据本发明实施方式的电压-电流轨迹图提取的负荷特征信息的示意图。如图3所示，图中a为电压-电流的轨迹曲线；b为轨迹平均曲线；c为轨迹正负极值点之间的连线；d为纵坐标轴。轨迹的非线性关系为计算轨迹平均曲线b与正负极值点连线c之间的差异程度，用以表示电压-电流轨迹线性关系的好坏。闭合区域面积指电压-电流轨迹图中闭合图形a所围成的面积，它与电压电流之间相位差的大小成正比。曲线的交点数目为计算电压-电流轨迹图中轨迹自相交所造成的交点数目，交点数目是对所测负荷的高次谐波状态的一种反映。区间段的斜率是计算轨迹正负极值点连线c的斜率，即图中θ。左右区间段面积为计算轨迹左右两端接近垂直部分的面积。
优选地，在步骤105根据所述每个负荷对应的负荷特征信息通过支持向量机SVM分类算法识别每个负荷对应的电器类别。
图4为根据本发明实施方式的非侵入式家用负荷智能检测系统400的结构示意图。如图4所示，所述非侵入式家用负荷智能检测系统400包括：信号采集单元401、信号分析单元402、电压-电流轨迹图确定单元403、负荷特征信息提取单元404和类别确定单元405。在所述信号采集单元401在处于稳定工作状态的至少一个家用负荷的总入口处采集在预设周期阈值内的每个采集点的电压信号和电流信号。
优选地，在所述信号分析单元402对所述每个采集点的电压信号和电流信号进行分析，分别获取处于稳定工作状态的至少一个负荷中的每个负荷对应的电压信号和分电流信号。优选地，其中在所述信号分析单元402对所述每个采集点的电压信号和电流信号进行分析前，对所述每个采集点电压信号和电流信号进行低通滤波处理，并将经过低通滤波处理的电压信号和电流信号转换为数字信号。
优选地，在所述电压-电流轨迹图确定单元403根据所述每个负荷对应的电压信号和分电流信号分别确定所述每个负荷对应的电压-电流轨迹图。
优选地，在所述负荷特征信息提取单元404根据所述每个负荷对应的电压-电流轨迹图分别提取每个负荷对应的负荷特征信息。优选地，其中所述负荷特征信息包括：电压-电流轨迹图的闭合区域面积、曲线的交点数目、区间段斜率、左右区间段的面积和轨迹的非线性关系。
优选地，在所述类别确定单405根据所述每个负荷对应的负荷特征信息通过支持向量机SVM分类算法识别每个负荷对应的电器类别。
本发明的实施例的非侵入式家用负荷智能检测系统400与本发明的另一个实施例的非侵入式家用负荷智能检测方法100相对应，在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。

Claims (6)

1.一种非侵入式家用负荷智能检测方法，其特征在于，所述方法包括：
在处于稳定工作状态的至少一个家用负荷的总入口处采集在预设周期阈值内的每个采集点的电压信号和电流信号；
对所述每个采集点的电压信号和电流信号进行分析，分别获取处于稳定工作状态的至少一个负荷中的每个负荷对应的电压信号和分电流信号；
根据所述每个负荷对应的电压信号和分电流信号分别确定所述每个负荷对应的电压-电流轨迹图；
根据所述每个负荷对应的电压-电流轨迹图分别提取每个负荷对应的负荷特征信息；以及
根据所述每个负荷对应的负荷特征信息通过支持向量机SVM分类算法识别每个负荷对应的电器类别。
2.根据权利要求1所述的方法，其特征在于，在所述对所述每个采集点的电压信号和电流信号进行分析前，对所述每个采集点电压信号和电流信号进行低通滤波处理，并将经过低通滤波处理的电压信号和电流信号转换为数字信号。
3.根据权利要求1所述的方法，其特征在于，所述负荷特征信息包括：电压-电流轨迹图的闭合区域面积、曲线的交点数目、区间段斜率、左右区间段的面积和轨迹的非线性关系。
4.一种非侵入式家用负荷智能检测系统，其特征在于，所述系统包括：信号采集单元、信号分析单元、电压-电流轨迹图确定单元、负荷特征信息提取单元和类别确定单元，
所述信号采集单元，在处于稳定工作状态的至少一个家用负荷的总入口处采集在预设周期阈值内的每个采集点的电压信号和电流信号；
所述信号分析单元，对所述每个采集点的电压信号和电流信号进行分析，分别获取处于稳定工作状态的至少一个负荷中的每个负荷对应的电压信号和分电流信号；
所述电压-电流轨迹图确定单元，根据所述每个负荷对应的电压信号和分电流信号分别确定所述每个负荷对应的电压-电流轨迹图；
所述负荷特征信息提取单元，根据所述每个负荷对应的电压-电流轨迹图分别提取每个负荷对应的负荷特征信息；以及
所述类别确定单元，根据所述每个负荷对应的负荷特征信息通过支持向量机SVM分类算法识别每个负荷对应的电器类别。
5.根据权利要求4所述的系统，其特征在于，在所述信号分析单元对所述每个采集点的电压信号和电流信号进行分析前，对所述每个采集点电压信号和电流信号进行低通滤波处理，并将经过低通滤波处理的电压信号和电流信号转换为数字信号。
6.根据权利要求4所述的系统，其特征在于，所述负荷特征信息包括：电压-电流轨迹图的闭合区域面积、曲线的交点数目、区间段斜率、左右区间段的面积和轨迹的非线性关系。
CN201710026069.5A 2017-01-13 2017-01-13 一种非侵入式家用负荷智能检测方法及系统 Pending CN106908671A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710026069.5A CN106908671A (zh) 2017-01-13 2017-01-13 一种非侵入式家用负荷智能检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710026069.5A CN106908671A (zh) 2017-01-13 2017-01-13 一种非侵入式家用负荷智能检测方法及系统

Publications (1)

Publication Number Publication Date
CN106908671A true CN106908671A (zh) 2017-06-30

Family

ID=59207222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710026069.5A Pending CN106908671A (zh) 2017-01-13 2017-01-13 一种非侵入式家用负荷智能检测方法及系统

Country Status (1)

Country Link
CN (1) CN106908671A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108594035A (zh) * 2018-03-23 2018-09-28 中国海洋大学 一种负荷检测方法及系统
CN108986817A (zh) * 2018-10-08 2018-12-11 杭州鸿雁智能科技有限公司 一种基于语音控制的受控设备自动识别系统
CN109030975A (zh) * 2018-05-23 2018-12-18 北京航空航天大学 基于智能插座的电器类型推断方法及装置
CN109449919A (zh) * 2018-09-27 2019-03-08 中国电力科学研究院有限公司 一种非侵入式用电负荷分析方法及装置
CN109521296A (zh) * 2018-11-23 2019-03-26 四川长虹电器股份有限公司 一种稳态工况下的非侵入式电力负载识别优化算法
WO2019109582A1 (zh) * 2017-12-08 2019-06-13 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
CN109946543A (zh) * 2019-03-28 2019-06-28 西南交通大学 用于非侵入式负荷监测的v-i图样本数据集筛选方法
CN110516743A (zh) * 2019-08-28 2019-11-29 珠海格力智能装备有限公司 用电设备的识别方法、装置、存储介质和处理器
CN111103477A (zh) * 2019-10-31 2020-05-05 武汉旗云高科信息技术有限公司 一种基于3d卷积神经网络的电气负载监测方法和系统
CN111242161A (zh) * 2019-12-27 2020-06-05 国网山西省电力公司大同供电公司 一种基于智能学习的非侵入式非居民用户负荷辨识方法
CN111766462A (zh) * 2020-05-14 2020-10-13 中国计量大学 一种基于v-i轨迹的非侵入式负荷识别方法
CN111817435A (zh) * 2020-05-26 2020-10-23 浙江华云信息科技有限公司 基于电压电流正交曲线的用电感知系统
CN111834999A (zh) * 2020-05-26 2020-10-27 浙江华云信息科技有限公司 基于电压电流正交曲线的用电感知方法
CN111864896A (zh) * 2019-04-29 2020-10-30 清华大学 一种电力负荷监测方法及系统
CN113920375A (zh) * 2021-11-01 2022-01-11 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) 基于Faster R-CNN与SVM结合的融合特征典型负荷识别方法及系统
CN115600837A (zh) * 2022-11-02 2023-01-13 国网山东省电力公司营销服务中心（计量中心）（Cn） 一种用于电器负荷异常的节能诊断方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101282040A (zh) * 2008-05-09 2008-10-08 天津大学 非侵入式电力负荷实时分解方法
CN103973761A (zh) * 2013-01-29 2014-08-06 财团法人工业技术研究院 管理系统、智能电表、服务器、操作方法以及管理方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101282040A (zh) * 2008-05-09 2008-10-08 天津大学 非侵入式电力负荷实时分解方法
CN103973761A (zh) * 2013-01-29 2014-08-06 财团法人工业技术研究院 管理系统、智能电表、服务器、操作方法以及管理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
H.Y.LAM: "A Novel Method to Construct Taxonomy of Electrical Appliances Based on Load Signatures", 《IEEE TRANSACTIONS ON CONSUMER ELECTRONICS》 *
TAHA HASSAN: "An Empirical Investigation of V-I Trajectory Based Load Signatures for Non-Intrusive Load Monitoring", 《IEEE TRANSACTIONS ON SMART GRID》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019109582A1 (zh) * 2017-12-08 2019-06-13 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
CN108594035A (zh) * 2018-03-23 2018-09-28 中国海洋大学 一种负荷检测方法及系统
CN109030975A (zh) * 2018-05-23 2018-12-18 北京航空航天大学 基于智能插座的电器类型推断方法及装置
CN109449919A (zh) * 2018-09-27 2019-03-08 中国电力科学研究院有限公司 一种非侵入式用电负荷分析方法及装置
CN108986817A (zh) * 2018-10-08 2018-12-11 杭州鸿雁智能科技有限公司 一种基于语音控制的受控设备自动识别系统
CN109521296B (zh) * 2018-11-23 2020-09-01 四川长虹电器股份有限公司 一种稳态工况下的非侵入式电力负载识别优化算法
CN109521296A (zh) * 2018-11-23 2019-03-26 四川长虹电器股份有限公司 一种稳态工况下的非侵入式电力负载识别优化算法
CN109946543A (zh) * 2019-03-28 2019-06-28 西南交通大学 用于非侵入式负荷监测的v-i图样本数据集筛选方法
CN109946543B (zh) * 2019-03-28 2020-04-21 西南交通大学 用于非侵入式负荷监测的v-i图样本数据集筛选方法
CN111864896A (zh) * 2019-04-29 2020-10-30 清华大学 一种电力负荷监测方法及系统
CN111864896B (zh) * 2019-04-29 2022-04-15 清华大学 一种电力负荷监测方法及系统
CN110516743A (zh) * 2019-08-28 2019-11-29 珠海格力智能装备有限公司 用电设备的识别方法、装置、存储介质和处理器
CN111103477A (zh) * 2019-10-31 2020-05-05 武汉旗云高科信息技术有限公司 一种基于3d卷积神经网络的电气负载监测方法和系统
CN111242161A (zh) * 2019-12-27 2020-06-05 国网山西省电力公司大同供电公司 一种基于智能学习的非侵入式非居民用户负荷辨识方法
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
CN111766462A (zh) * 2020-05-14 2020-10-13 中国计量大学 一种基于v-i轨迹的非侵入式负荷识别方法
CN111817435A (zh) * 2020-05-26 2020-10-23 浙江华云信息科技有限公司 基于电压电流正交曲线的用电感知系统
CN111834999A (zh) * 2020-05-26 2020-10-27 浙江华云信息科技有限公司 基于电压电流正交曲线的用电感知方法
CN113920375A (zh) * 2021-11-01 2022-01-11 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) 基于Faster R-CNN与SVM结合的融合特征典型负荷识别方法及系统
CN113920375B (zh) * 2021-11-01 2024-06-25 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) 基于Faster R-CNN与SVM结合的融合特征典型负荷识别方法及系统
CN115600837A (zh) * 2022-11-02 2023-01-13 国网山东省电力公司营销服务中心（计量中心）（Cn） 一种用于电器负荷异常的节能诊断方法

Similar Documents

Publication Publication Date Title
CN106908671A (zh) 一种非侵入式家用负荷智能检测方法及系统
CN105067966B (zh) 基于特征模态分量能量分析的低压交流故障电弧检测方法
Khoshkhoo et al. On-line dynamic voltage instability prediction based on decision tree supported by a wide-area measurement system
CN102981049B (zh) 一种用于微电网系统的频率检测方法
CN109470957B (zh) 一种基于弗雷歇距离的非侵入式电器识别方法
CN109299134B (zh) 一种非侵入式监测系统下电器的识别方法
CN109767054A (zh) 基于深度神经网络算法的能效云评估方法及边缘能效网关
CN207457337U (zh) 感应加热电源电流实时采集处理电路
CN105403816A (zh) 一种光伏系统直流故障电弧的识别方法
CN106405280B (zh) 一种智能变电站在线监测参数趋势预警方法
CN102798758B (zh) 并联电容器组串联电抗率的测量方法和系统
CN114236234A (zh) 一种基于基波和谐波混合判据的电器特征辨识方法
Damala et al. A simple decision tree-based disturbance monitoring system for VSC-based HVDC transmission link integrating a DFIG wind farm
CN106443164A (zh) 一种电能分类计量过程中暂态与稳态事件的监测方法
Wu et al. Analysis of electricity stealing based on user electricity characteristics of electricity information collection system
CN101713799A (zh) 三相交流电相序判别方法
CN114839462A (zh) 一种智能反窃电监察方法和系统
CN110579679A (zh) 一种基于负序电流矢量分析的配电网线路故障检测系统及其检测方法
CN104332984B (zh) 一种基于类噪声的节点电压相互影响因子的在线辨识方法
CN103928923B (zh) 一种基于灵敏度分析的网络稳态电能质量预警方法
CN203216993U (zh) 电网谐波实时在线监测仪
CN108092272A (zh) 一种基于渐消卡尔曼滤波的电压稳定在线监测方法
CN109784777A (zh) 基于时序信息片段云相似度度量的电网设备状态评估方法
CN205377455U (zh) 风电场电能质量在线监控系统
CN116106627A (zh) 一种基于电压电流不同相错误接线异常的判断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170630