CN107390043B - 基于有功功率波动性和周期性的洗衣机非侵入辨识方法 - Google Patents
基于有功功率波动性和周期性的洗衣机非侵入辨识方法 Download PDFInfo
- Publication number
- CN107390043B CN107390043B CN201710433642.4A CN201710433642A CN107390043B CN 107390043 B CN107390043 B CN 107390043B CN 201710433642 A CN201710433642 A CN 201710433642A CN 107390043 B CN107390043 B CN 107390043B
- Authority
- CN
- China
- Prior art keywords
- washing machine
- sequence
- fluctuation
- active power
- sliding window
- 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
-
- 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)
- Control Of Washing Machine And Dryer (AREA)
Abstract
本发明公开了一种基于有功功率波动性和周期性的洗衣机非侵入辨识方法,包括在一定的采样频率范围内,对总电源进线的电压和电流进行采样,形成电压信号采样序列u和电流信号采样序列i,并计算平均功率序列P;构造长度为N的滑动窗Wn,并计算滑动窗内有功功率序列的标准差Sn;求取序列Sn的子区间的最小值位置序列Mt,记录最小值所在位置;计算序列Mt差分序列ΔMt,根据ΔMt的周期性来判别是否为洗衣机运行,并计算启停时间。本发明提综合利用洗衣机的周期性以及波动性这两个特性,提出了有效的洗衣机辨识方法,将平均有功功率序列转换成标准差序列,避免了偶尔情况下现实工况带来的功率波动而会被误辨成洗衣机的情况。
Description
技术领域
本发明属于智能用电技术领域,尤其涉及一种基于有功功率波动性和周期性的洗衣机非侵入辨识方法。
背景技术
居民电力负荷监测分解技术是一门新兴的智能电网基础支撑技术,与目前智能电表仅量测用户总功率不同,它以监测并分解出居民户内所有电器的启动时间、工作状态、能耗情况为目标,从而实现更加可靠、精确的电能量管理。电力负荷监测分解技术使用户的电费清单像电话费清单一样,各类家用电器的用电量一目了然,从而使用户及时了解自己的用电情况,为合理分配各个电器的用电时间及相应的用电量提供参考,最终能够有效减少电费支出和电能浪费。Google统计数据显示,如果家庭用户能够及时了解住宅电器的详细用电信息,就能使每月电费开支下降5%~15%。如果全美国有一半家庭每个月节省这么多开支,减少的碳排放量相当于减少800万辆汽车的使用。对于工业用户而言,其负荷投切安排一般是比较固定的,只需分时计量即可,对负荷分解的需求较少,本项目的主要研究对象是住宅用电负荷。
目前,居民电力负荷监测分解技术主要分为侵入式监测分解
(IntrusiveLoadMonitoringanddecomposition,ILMD)和非侵入式监测分解
(Non-intrusiveLoadMonitoringanddecomposition,NILMD)两大类:
(1)侵入式负荷监测分解技术(ILMD):侵入式负荷监测将带有数字通信功能的传感器安装在每个电器与电网的接口,可以准确监测每个负荷的运行状态和功率消耗。但大量安装监测传感器造成建设和维护的成本较高,最重要的是侵入式负荷监测需要进入居民家中进行安装调试,容易造成用户抵制心理。
(2)非侵入式负荷监测分解技术(NILMD):仅在用户入口处安装一个传感器,通过采集和分析入口总电流、电压等信息来判断户内每个或每类电器的用电功率和工作状态(例如,空调具有制冷、制热、待机等不同工作状态),从而得出居民的用电规律。和侵入式负荷分解相比,由于只需要安装一个监测传感器,非侵入负荷分解方案的建设成本和后期维护难度都大幅降低;另外,传感器安装位置可以选择在用户电表箱处,完全不会侵入居民户内进行施工。可以认为,NILMD以分解算法代替ILMD系统的传感器网络,具有简单、经济、可靠、数据完整和易于迅速推广应用等优势,有望发展成为高级量测体系(AMI)中新一代核心技术(成熟后,NILMD算法也可以融合到智能电表的芯片内),支持需求侧管理、定制电力等智能用电的高级功能,也适用于临时性的负荷用电细节监测与调查。
洗衣机通过电机旋转来增加衣物与桶壁以及衣物之间的摩擦力达到清洗衣物的目的,洗衣机的辅热功能是普通电阻式加热。洗衣机属于小功率家用电器,通常转速为1200r/min,其洗涤功率一般在100W~300W之间,脱水功率一般在300W~400W之间,但是其加热功率属于大功率电器范畴,一般在1000W~2000W。由于洗衣机加热跟其他如电水壶、热水器等电热类电器的加热原理相同,因此在非侵入辨识算法上,并不能通过洗衣机的加热信息来将洗衣机与其他电器区分开来,但是洗衣机无论是在洗涤还是脱水阶段,其电机功率具有很大的波动性,这是洗衣机的一大特点,另一方面,为了提高洗涤和脱水效率,洗衣机电机会周期性的改变转动方向,这也是洗衣机的一大特点。
洗衣机在洗涤过程中,一般其平均功率在200W左右,但是其波动幅值就会达到150W,因此很难单纯的通过有功功率的增减来判断洗衣机的启停是相当困难的,洗衣机又由于功率小,因此无功虽然有变化,其变化幅度也很小,因此也很难根据其无功的变化来辨识洗衣机。但是洗衣机也有自己的工作特性,一方面为了增加洗涤效果,洗衣机内部电机会周期性的改变旋转方向,使洗衣机的功率波形呈现出周期性;另一方面洗衣机的功率波动性相当大,这是区分于其他电器最明显的特征。
使用一定长度的滑动窗对洗衣机有功功率波形求标准差,当滑动窗包含点数大致与洗衣机一个周期包含点数相同时,所求得的标准差序列会体现出洗衣机有功功率的周期性,而洗衣机有功功率波动幅度大,使得标准差序列幅值较大。这两个特性使得洗衣机的非侵入辨识成为可能。
综上所述,NILMD技术已经逐渐成为一个研究热点,相关技术的突破和产业化对全社会的节能减排具有重要意义。目前,NILMD技术的研究还停留在理论研究阶段,小功率电器尤其是洗衣机的实用化分解辨识方法还有待突破。
因此,亟待解决上述问题。
发明内容
发明目的:本发明的目的是提供一种可精准感测洗衣机运行状态和启停时间的一种基于有功功率波动性和周期性的洗衣机非侵入辨识方法。
技术方案:为实现以上目的,本发明公开了一种基于有功功率波动性和周期性的洗衣机非侵入辨识方法,该方法包括如下步骤:
(1)在一定的采样频率范围内,对总电源进线的电压和电流进行采样,形成电压信号采样序列u和电流信号采样序列i,并计算平均功率序列P;
(2)构造长度为N的滑动窗Wn,并计算滑动窗内有功功率序列的标准差Sn;
(3)求取序列Sn的子区间的最小值位置序列Wt,记录最小值所在位置;
(4)计算序列Wt差分序列ΔMt,根据ΔMt的周期性来判别是否为洗衣机运行,并计算启停时间。
其中,所述步骤(1)采样频率范围为f=0.5kHz~10kHz,平均有功功率序列P的计算公式为
其中,n为一个电压周期所包含的采样点数,即n=f/50,k=0,1,…为计算平均功率起始点,m为计算平均功率的电压周期数。
优选的,所述步骤(2)中滑动窗Wn的构造方法为
N为滑动窗Wn的长度,即为一个滑动窗中有功功率点的个数,K为有功功率P序列长度,滑动窗中心为Pn,求取标准差序列Sn的方法为
其中是窗口Wn的平均功率,求取方法是对所有属于Wn的功率点Pj求平均值
再者,所述一个滑动窗中有功功率点的个数N为80~120。
进一步,所述步骤(3)中,洗衣机的波动中心为洗衣机在一个周期内转动时段的中心点,该波动中心的标准差为局部最小值,且其范围在阈值L~H之间,L和H的范围
保障子区间满足该区间离散点图形为u型的方法如下,扫描Sn,当Sn满足条件:
Sn-1>H&&Sn≤H
定义fk为可能包含波动中心的区间左端点序号,即赋值fk=n,当n满足条件
Sn+1>H&&Sn≤H
定义bk为可能包含波动中心的区间右端点序号,即赋值bk=n,求取fk和bk之间的标准差序列最小值
Sk=min({Sj|fk≤j≤bk})
如果满足
Sk>L
则求得包含波动中心的局部序列为
Ck=Sk={Sj|fk≤j≤bk}
且Sk为第t个波动中心,k为该波动中心在Ck中的相对位置,则最小值位置序列Mt为
Mt=k+fk
优选的,所属步骤(4)中,求取序列Mt差分序列ΔMt的方法为
ΔMt=Mt-Mt-1
当第一个满足
时,记录T0;其中ε为周期误差范围,0<ε<10,如果连续出现多于六个波动中心满足上述条件,则判断有洗衣机正在运行;且修正洗衣机周期为
T0为洗衣机第一个运转周期的波动中心,而波动中心出现在洗衣机四分之一周期时刻,推算出洗衣机启动时刻为
T3=T0-3.5T′
当检测到有洗衣机运转时,继续扫描序列ΔMt,并记录最后一个满足条件
的时刻T1,则推算洗衣机结束运行时刻为
Te=T1+2T′。
有益效果:与现有技术相比,本发明具有以下显著优点:本发明提供了一种基于有功功率波动性和周期性的洗衣机非侵入辨识方法,综合利用洗衣机的周期性以及波动性这两个特性,提出了有效的洗衣机辨识方法,将平均有功功率序列转换成标准差序列,最大的优点就是扩大了洗衣机本身周期性以及波动性的特性,使其很明显的与其他电器区分开,从而能够准确的区分洗衣机和其他小功率电器,也避免了偶尔情况下现实工况带来的功率波动而会被误辨成洗衣机的情况;还有效克服了洗衣机自身功率小而且波动大,且每个周期的时间长度不是严格相等,导致其启停时刻很难抓取,也很难直接根据功率获取其周期信息等难题,同时还解决了仅用波动性来辨识洗衣机时因某些复杂工况也会引起有功功率的波动从而会被误判为洗衣机运行,降低洗衣机辨识度等问题。
附图说明
图1为本发明的流程示意图;
图2为本发明中求得的平均有功功率波形图;
图3为本发明中一定长度的滑动窗滑过平均有功功率序列求得的标准差序列;
图4为本发明中求得的波动中心序列图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
本发明一种基于有功功率波动性和周期性的洗衣机非侵入辨识方法,该方法包括如下步骤:
(1)在采样频率f=0.5kHz~10kHz范围内,对总电源进线的电压和电流进行采样,形成电压采样序列U和电流采样序列I,并计算平均功率序列P;平均有功功率序列P 的计算公式为
其中,n为一个电压周期所包含的采样点数,即n=f/50,k=0,1,…为计算平均功率起始点,m为计算平均功率的电压周期数。
(2)构造长度为N的滑动窗Wn,即N为一个滑动窗中有功功率点的个数,并计算滑动窗内有功功率序列的标准差Sn;其中滑动窗Wn的构造方法为
K为有功功率P序列长度,滑动窗中心为Pn,求取标准差序列Sn方法为
定义洗衣机平均周期为开始转动到下一次反方向转动的平均时间,通常为20S;经过大量实验发现,当N取洗衣机半个周期长度时,所求得的标准差序列散点图呈m型周期出现,且周期与洗衣机工作周期相同,即N取80~120个有功功率点;
(3)求取序列Sn的子区间的最小值位置序列Mt,记录最小值所在位置;其中定义洗衣机的波动中心为洗衣机在一个周期内转动时段的中心点,由于该中心点的窗口Wk不包括或很少包括洗衣机开始或结束转动的功率点,因此其标准差主要是由于洗衣机运转时其波动性造成,而中心点附近的点不仅受到洗衣机运转的波动性影响,同时也受到洗衣机在一个周期内的启停功率的升降的影响,因此波动中心的标准差,是个局部最小值,且其范围在阈值L~H之间,衡量了洗衣机的波动性; L和H的范围
子区间还必须满足该区间离散点图形必须总体为u型才能保证波动中心包含在其中,即总体趋势为单增或者单减的区间Ck不可能包含波动中心,由于数据的离散性,提出如下方法确定波动区间Ck,
扫描Sn,当Sn满足条件:
Sn-1>H&&Sn≤H
赋值fk=n,当n满足条件:
Sn+1>H&&Sn≤H
令bk=n,求取fk和bk之间的标准差序列最小值
Sk=min({Sj|fk≤j≤bk})
如果满足
Sk>L
则求得包含波动中心的局部序列为
Ck=Sk={Sj|fk≤j≤bk}
且Sk为第t个波动中心,则最小值位置序列Mt为
Mt=k+fk。
(4)计算序列Mt差分序列ΔMt,根据ΔMt的周期性来判别是否为洗衣机运行,并计算启停时间;其中求取序列Mt的方法为
ΔMt=Mt-Mt-1
由于洗衣机工作的周期性,会使每个周期的波动中心大致出现在同一位置,因此可以通过判断ΔMt的一致性来确定是否为洗衣机运转,因此当第一个满足
时,记录T0。其中ε为周期误差范围,0<ε<10,如果连续出现多于六个波动中心满足上述条件,则判断有洗衣机正在运行。且修正洗衣机周期为
T0被视为洗衣机第一个运转周期的波动中心,而波动中心出现在洗衣机四分之一周期时刻,因此可推算出洗衣机启动时刻为
Ts=T0-3.5T′
当检测到有洗衣机运转时,继续扫描序列ΔMt,并记录最后一个满足条件
的时刻T1,则推算洗衣机结束运行时刻为
Te=T1+2T′
实施例1
如图1、图2、图3和图4所示,实施例1的具体流程步骤如下:
(1)取采样频率f=800Hz,对总电源进线的电压和电流进行采样,形成电压采样序列和电流采样序列;取计算平均功率的电压周期数m=5,计算平均有功功率P:
每5个电压周期计算一个平均功率点,所得的平均有功功率序列如图2,可以看出洗衣机间歇性运转并且有明显的周期性,而且其平均有功功率的波动很大;
(2)取滑动窗Wn的长度为108,其中108即为有功功率点数,并计算滑动窗内有功功率序列的标准差Sn
求得的标准差序列如图3,可以看出标准差序列曲线更为平滑,同时保留了洗衣机的波动和周期两大特性,更有利于洗衣机的辨识;
(3)取波动中心的上下阈值为H=42,L=31,如图4,根据判定条件
Sfk-1>H&&Sfk≤H
Sbk>H&&Sbk+1≤H
扫描标准差序列求得波动中心子区间再对Ck求取最小值,获得波动中心序列如图4从T0点到T1:
Mt={170.1;191.8;213.5;235.1;256.7;278.3;
300.1;321.7;343.4;365.0;386.7;408.3}
(4)计算上述所求序列Mt的差分序列ΔMt=Mt-Mt-1求得:
ΔMt={21.7:21.7;21.6;21.6;21.6;21.8;21.6;21.7;21.6;21.7;21.6}
取ε=1,获取满足条件
|ΔMT-ΔMT-1|<ε
的第一个和最后一个波动中心所在的位置T0=170.1,T1=408.3;检测并获取连续6个波动中心,即连续5个满足上述条件的ΔMt,则判定洗衣机运行,求取平均周期为
记录第一个和最后一个波动中心为T0=170.1,T1=408.3,从而求取洗衣机开启及关闭时刻分别为:
Ts=T0-3.5T′=94.4(s)
Te=T0+2T′=451.6(s)
则总结为在相对时间为99.4秒时一个周期为21.64秒的洗衣机开启运行,并在相对时间为451.6秒时关闭。
应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (6)
1.一种基于有功功率波动性和周期性的洗衣机非侵入辨识方法,其特征在于:该方法包括如下步骤:
(1)在一定的采样频率范围内,对总电源进线的电压和电流进行采样,形成电压信号采样序列u和电流信号采样序列i,并计算平均有功功率序列P;
(2)构造长度为N的滑动窗Wn,并计算滑动窗内有功功率序列的标准差Sn;
(3)求取序列Sn的子区间的最小值位置序列Mt,记录最小值所在位置,其中,L为洗衣机波动中心标准差下限值,H为洗衣机波动中心标准差上限值,洗衣机的波动中心为洗衣机在一个周期内转动时段的中心点,该波动中心的标准差为局部最小值,且其范围在阈值L~H之间,Ck为Sn的连续子区间,且该区间内的所有点的标准差均在L与H之间;
(4)计算序列Mt差分序列ΔMt,根据ΔMt的周期性来判别是否为洗衣机运行,并计算启停时间。
2.根据权利要求1所述的基于有功功率波动性和周期性的洗衣机非侵入辨识方法,其特征在于:所述步骤(1)采样频率范围为f=0.5kHz~10kHz,平均有功功率序列P的计算公式为
其中,n为一个电压周期所包含的采样点数,即n=f/50,k=0,1,…为计算平均功率起始点,m为计算平均功率的电压周期数。
3.根据权利要求1所述的基于有功功率波动性和周期性的洗衣机非侵入辨识方法,其特征在于:所述步骤(2)中滑动窗Wn的构造方法为
N为滑动窗Wn的长度,即为一个滑动窗中有功功率点的个数,K为平均有功功率序列P的长度,滑动窗中心为Pn,求取标准差序列Sn的方法为
其中是窗口Wn的平均功率,求取方法是对所有属于Wn的功率点Pj求平均值:
4.根据权利要求3所述的基于有功功率波动性和周期性的洗衣机非侵入辨识方法,其特征在于:所述一个滑动窗中有功功率点的个数N为80~120。
5.根据权利要求1所述的基于有功功率波动性和周期性的洗衣机非侵入辨识方法,其特征在于:所述步骤(3)中,L和H的范围
保障子区间Ck满足该区间离散点图形为u型的方法如下,扫描Sn,当Sn满足条件:
Sn-1>H&&Sn≤H
定义fk为可能包含波动中心的区间左端点序号,即赋值fk=n,当n满足条件
Sn+1>H&&sn≤H
定义bk为可能包含波动中心的区间右端点序号,即赋值bk=n,求取fk和bk之间的标准差序列最小值
Sk=min({Sj|fk≤j≤bk})
如果满足
Sk>L
则求得包含波动中心的局部序列为
Ck={Sj|fk≤j≤bk}
且Sk为第t个波动中心,k为该波动中心在Ck中的相对位置,则最小值位置序列Mt为
Mt=k+fk 。
6.根据权利要求1所述的基于有功功率波动性和周期性的洗衣机非侵入辨识方法,其特征在于:所属步骤(4)中,求取序列Mt差分序列ΔMt的方法为
ΔMt=Mt-Mt-1
当第一个满足
时,记录T0;其中ε为周期误差范围,0<ε<10,如果连续出现多于六个波动中心满足上述条件,则判断有洗衣机正在运行;且修正洗衣机周期为
T0为洗衣机第一个运转周期的波动中心,而波动中心出现在洗衣机四分之一周期时刻,推算出洗衣机启动时刻为Ts=T0-3.5T′
当检测到有洗衣机运转时,继续扫描序列ΔMt,并记录最后一个满足条件
的时刻T1,则推算洗衣机结束运行时刻为
Te=T1+2T′。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710433642.4A CN107390043B (zh) | 2017-06-09 | 2017-06-09 | 基于有功功率波动性和周期性的洗衣机非侵入辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710433642.4A CN107390043B (zh) | 2017-06-09 | 2017-06-09 | 基于有功功率波动性和周期性的洗衣机非侵入辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107390043A CN107390043A (zh) | 2017-11-24 |
CN107390043B true CN107390043B (zh) | 2019-07-30 |
Family
ID=60332182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710433642.4A Active CN107390043B (zh) | 2017-06-09 | 2017-06-09 | 基于有功功率波动性和周期性的洗衣机非侵入辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107390043B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488128A (zh) * | 2019-09-12 | 2019-11-22 | 广东电网有限责任公司佛山供电局 | 双边累积和事件检测方法 |
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 |
CN111208375B (zh) * | 2020-03-04 | 2022-03-18 | 威胜集团有限公司 | 定频电器启动的实时监测方法、装置和存储介质 |
CN111323644B (zh) * | 2020-03-17 | 2022-11-18 | 广东恒港电力科技股份有限公司 | 一种基于电能表的智能监测方法及系统 |
CN111665387B (zh) * | 2020-05-08 | 2021-06-04 | 深圳供电局有限公司 | 一种非侵入式的家用电饭煲辨识方法 |
CN111983303B (zh) * | 2020-07-09 | 2023-09-29 | 张子毅 | 一种基于占空比分解的洗衣机非侵入电量估算方法 |
CN112039059B (zh) * | 2020-08-20 | 2022-02-18 | 国网湖南省电力有限公司 | 基于功率阶跃连续性判别的长暂态负荷事件检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105425079A (zh) * | 2015-12-17 | 2016-03-23 | 东南大学 | 基于实时平均功率频域分析的洗衣机运行非侵入辨识方法 |
CN105529700A (zh) * | 2015-12-07 | 2016-04-27 | 河南许继仪表有限公司 | 一种非侵入式在线负荷分解装置 |
CN105629065A (zh) * | 2016-01-07 | 2016-06-01 | 东南大学 | 基于平均有功无功综合频谱分析的微波炉非侵入辨识方法 |
WO2017066658A1 (en) * | 2015-10-16 | 2017-04-20 | Massachusetts Institute Of Technology | Non-intrusive monitoring |
CN106600074A (zh) * | 2016-12-28 | 2017-04-26 | 天津求实智源科技有限公司 | 基于dfhsmm的非侵入式电力负荷监测方法及系统 |
CN106680637A (zh) * | 2017-01-12 | 2017-05-17 | 威胜集团有限公司 | 非侵入式家用负荷投切事件实时监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140065897A (ko) * | 2012-11-22 | 2014-05-30 | 삼성전자주식회사 | 전력 부하 모니터링 장치 및 방법 |
-
2017
- 2017-06-09 CN CN201710433642.4A patent/CN107390043B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017066658A1 (en) * | 2015-10-16 | 2017-04-20 | Massachusetts Institute Of Technology | Non-intrusive monitoring |
CN105529700A (zh) * | 2015-12-07 | 2016-04-27 | 河南许继仪表有限公司 | 一种非侵入式在线负荷分解装置 |
CN105425079A (zh) * | 2015-12-17 | 2016-03-23 | 东南大学 | 基于实时平均功率频域分析的洗衣机运行非侵入辨识方法 |
CN105629065A (zh) * | 2016-01-07 | 2016-06-01 | 东南大学 | 基于平均有功无功综合频谱分析的微波炉非侵入辨识方法 |
CN106600074A (zh) * | 2016-12-28 | 2017-04-26 | 天津求实智源科技有限公司 | 基于dfhsmm的非侵入式电力负荷监测方法及系统 |
CN106680637A (zh) * | 2017-01-12 | 2017-05-17 | 威胜集团有限公司 | 非侵入式家用负荷投切事件实时监测方法 |
Non-Patent Citations (1)
Title |
---|
基于有功功率特征和模板边缘检测的负载识别;丁明月等;《青岛大学学报(工程技术版)》;20161231;第31卷(第4期);74-78 |
Also Published As
Publication number | Publication date |
---|---|
CN107390043A (zh) | 2017-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107390043B (zh) | 基于有功功率波动性和周期性的洗衣机非侵入辨识方法 | |
CN105911342B (zh) | 基于功率持续时间特性的电饭煲非侵入辨识方法 | |
CN105425079B (zh) | 基于实时平均功率频域分析的洗衣机运行非侵入辨识方法 | |
CN108021736B (zh) | 一种基于滑动窗残差模型的负荷投切动作监测方法 | |
CN107561354B (zh) | 基于功率持续时间特性的多电器非侵入辨识方法 | |
WO2019128844A1 (zh) | 一种基于混合判据的微波炉运行的非侵入辨识方法 | |
CN108152630A (zh) | 一种基于混合判据的非侵入式ih电饭煲运行辨识方法 | |
CN106771593B (zh) | 基于混合判据的非侵入式电磁炉启动辨识方法 | |
CN107356827B (zh) | 一种基于有功功率波动性的洗衣机运行非侵入辨识方法 | |
CN105629065B (zh) | 基于平均有功无功综合频谱分析的微波炉非侵入辨识方法 | |
CN106501680B (zh) | 基于有功两段抬升的非侵入式微波炉启动辨识方法 | |
CN107247201A (zh) | 基于功率及时间特性的电烤箱非侵入辨识方法 | |
CN108062627A (zh) | 一种基于非侵入式用电数据的需求响应分析方法 | |
CN106340884B (zh) | 基于混合功率判据的非侵入式非变频冰箱启动辨识方法 | |
CN109470957B (zh) | 一种基于弗雷歇距离的非侵入式电器识别方法 | |
CN108595376B (zh) | 一种区分定频空调与冲击钻的非侵入负荷辨识方法 | |
CN106093565A (zh) | 一种基于稳态特征波形匹配的电能分项计量方法及装置 | |
CN111025013A (zh) | 一种基于功率谐波特征的ptc型电采暖非侵入辨识方法 | |
CN111665388A (zh) | 一种非侵入式的家用空调辨识方法 | |
CN108572292A (zh) | 一种微波炉非侵入负荷辨识方法 | |
CN108267637A (zh) | 一种基于混合频谱特性的洗衣机非侵入式运行检测方法 | |
CN111934318B (zh) | 非侵入式电力负荷分解方法、装置、设备及存储介质 | |
Cannas et al. | NILM techniques applied to a real-time monitoring system of the electricity consumption | |
Kong et al. | Non-intrusive load monitoring and identification based on maximum likelihood method | |
Cannas et al. | Real-time monitoring system of the electricity consumption in a household using NILM techniques |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |