CN109449919A - 一种非侵入式用电负荷分析方法及装置 - Google Patents
一种非侵入式用电负荷分析方法及装置 Download PDFInfo
- Publication number
- CN109449919A CN109449919A CN201811128315.9A CN201811128315A CN109449919A CN 109449919 A CN109449919 A CN 109449919A CN 201811128315 A CN201811128315 A CN 201811128315A CN 109449919 A CN109449919 A CN 109449919A
- Authority
- CN
- China
- Prior art keywords
- power load
- analyzed
- voltage
- signal
- current
- 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
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Abstract
本发明涉及一种非侵入式用电负荷分析方法及装置,所述方法包括利用待分析用电负荷的电压信号和电流信号获取待分析用电负荷的电压‑电流轨迹图;以所述待分析用电负荷的电压‑电流轨迹图作为预先建立的卷积神经网络模型的输入,获取所述待分析用电负荷的种类和工作状态,本发明提供的技术方案,采用电压‑电流轨迹图作为用电负荷分析的判断依据,可以保留原始信号的所有信息量,同时采用卷积神经网络模型进行用电负荷分析,提高了用电负荷种类和工作状态的识别准确率。
Description
技术领域
本发明涉及智能家庭/智能楼宇非侵入式负荷分析领域,具体涉及一种非侵入式用电负荷分析方法及装置。
背景技术
需求响应能够促进电网削峰填谷、可再生能源消纳,提升能源利用效率。需求响应是用户对自身用电行为的调整,实现需求响应的前提是用户能够实时的获取自身用能结构和用电设备的工作状态。
目前,使用户能够实时的获取自身用能结构和用电设备的工作状态一般采用非侵入式用电监测手段,非侵入式用电监测即只需在进户干线上装设监测设备,采样用户电压电流信息,通过信号处理进行预处理,再利用负荷辨识算法提取单个家用负荷的工作状态。现有技术中的非侵入式用电监测方法可以分为两类:一种是低抽样频率、功率为特征,另一种是高抽样频率、谐波为特征,这两类方法均是基于监督类学习的方法,通过特征提取、数据标定获得训练数据,采用监督类算法进行机器学习。
目前基于监督类学习的方法存在的问题主要在于特征的提取和选择,特征的提取和选择直接影响到分类识别的效率。针对监督类学习中特征的提取和选择上面临两个问题:第一个问题是特征数量较少,不能全面的包含用电信号中的信息量,导致识别准确率低;另一个问题是特征数量较多,计算成本高,同时由于特征数量多,可能会出现特征相互制约,降低识别准确率的现象。
发明内容
本发明提供一种非侵入式用电负荷分析方法及装置,其目的是采用电压-电流轨迹图作为用电负荷分析的判断依据,可以保留原始信号的所有信息量,同时采用卷积神经网络模型进行用电负荷分析,提高了用电负荷种类和工作状态的识别准确率。
本发明的目的是采用下述技术方案实现的:
一种非侵入式用电负荷分析方法,其改进之处在于,包括:
利用待分析用电负荷的电压信号和电流信号获取待分析用电负荷的电压-电流轨迹图;
以所述待分析用电负荷的电压-电流轨迹图作为预先建立的卷积神经网络模型的输入,获取所述待分析用电负荷的种类和工作状态;
其中,所述卷积神经网络模型利用用电负荷的历史电压-电流轨迹图以及所述历史电压-电流轨迹图对应的用电负荷的种类和工作状态。
优选的,所述预先建立的卷积神经网络模型的获取过程包括:
以用电负荷的历史电压-电流轨迹图为初始卷积神经网络模型输入层样本,所述用电负荷的历史电压-电流轨迹图对应的用电负荷种类和工作状态为初始卷积神经网络模型输出层样本,训练并获取所述卷积神经网络模型。
优选的,所述用电负荷的电压信号和电流信号通过互感电路采集。
优选的,所述用电负荷的工作状态包括:投入状态和切断状态。
优选的,所述利用待分析用电负荷的电压信号和电流信号获取待分析用电负荷的电压-电流轨迹图,包括:
以测试周期内待分析用电负荷的电压信号为横坐标,待分析用电负荷的电流信号为纵坐标,构建所述待分析用电负荷的电压-电流轨迹图。
优选的,所述利用待分析用电负荷的电压信号和电流信号获取待分析用电负荷的电压-电流轨迹图之前,包括:
对所述待分析用电负荷电压信号和电流信号进行信号去躁和数据清洗,并将信号去躁和数据清洗后的电压信号和电流信号转换为数字信号。
优选的,所述待分析用电负荷的电压信号为监测设备在进户干线上采集得到;
所述待分析用电负荷的电流信号的获取过程为:对监测设备在进户干线上采集得到的电流信号进行开关事件的监测,以开关事件前后的差分电流作为所述待分析用电负荷的电流信号。
一种非侵入式用电负荷分析装置,其改进之处在于,所述装置包括:
第一获取单元,用于利用待分析用电负荷的电压信号和电流信号获取待分析用电负荷的电压-电流轨迹图;
第二获取单元,用于以所述待分析用电负荷的电压-电流轨迹图作为预先建立的卷积神经网络模型的输入,获取所述待分析用电负荷的种类和工作状态;
其中,所述卷积神经网络模型利用用电负荷的历史电压-电流轨迹图以及所述历史电压-电流轨迹图对应的用电负荷的种类和工作状态。
优选的,所述第一获取单元,用于:
以测试周期内待分析用电负荷的电压信号为横坐标,待分析用电负荷的电流信号为纵坐标,构建所述待分析用电负荷的电压-电流轨迹图。
优选的,所述装置,还包括:
信号处理单元,用于对所述待分析用电负荷电压信号和电流信号进行信号去躁和数据清洗,并将信号去躁和数据清洗后的电压信号和电流信号转换为数字信号。
本发明的有益效果:
本发明提供的技术方案,利用待分析用电负荷的电压信号和电流信号获取待分析用电负荷的电压-电流轨迹图;以所述待分析用电负荷的电压-电流轨迹图作为预先建立的卷积神经网络模型的输入,获取所述待分析用电负荷的种类和工作状态。基于本发明提供方的技术方案,采用非监督类学习——卷积神经网络进行用电负荷识别有效的避免了因特征选择导致识别准确率低、计算成本高等问题,且本发明采用电压-电流轨迹图作为卷积神经网络的输入,保留了原始信号的所有信息量,提高了识别的准确率,降低了计算成本。同时,本发明中非侵入式的信息采集形式,能够为本发明提供海量的训练数据,由于深度学习在大数据学习中的优势,电压-电流轨迹图越多,基于卷积神经网络的优势越明显,能够有效的避免过于拟合。
附图说明
图1是本发明提供的一种非侵入式用电负荷分析方法的流程图;
图2是本发明实施例提供的不同用电负荷的电压-电流轨迹图;
图3是本发明提供的一种非侵入式用电负荷分析装置的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,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它实施例,都属于本发明保护的范围。
本发明提供的一种非侵入式用电负荷分析方法,如图1所示,包括:
101.利用待分析用电负荷的电压信号和电流信号获取待分析用电负荷的电压-电流轨迹图;
102.以所述待分析用电负荷的电压-电流轨迹图作为预先建立的卷积神经网络模型的输入,获取所述待分析用电负荷的种类和工作状态;
其中,所述卷积神经网络模型利用用电负荷的历史电压-电流轨迹图以及所述历史电压-电流轨迹图对应的用电负荷的种类和工作状态。
例如,所述用电负荷包括电视机、空调、洗衣机、电磁炉、微波炉、电饭煲、冰箱等家用电器。
所述预先建立的卷积神经网络模型的获取过程包括:
以用电负荷的历史电压-电流轨迹图为初始卷积神经网络模型输入层样本,所述用电负荷的历史电压-电流轨迹图对应的用电负荷种类和工作状态为初始卷积神经网络模型输出层样本,训练获取所述卷积神经网络模型。
所述用电负荷的电压信号和电流信号通过互感电路采集。
所述用电负荷的工作状态包括:投入状态和切断状态。
所述利用待分析用电负荷的电压信号和电流信号获取待分析用电负荷的电压-电流轨迹图,包括:
以测试周期内待分析用电负荷的电压信号为横坐标,待分析用电负荷的电流信号为纵坐标,构建所述待分析用电负荷的电压-电流轨迹图。
例如,如图2所示,提取一个周期内用电负荷的电压信号和电流信号的数据,绘制代表用电负荷用电特征的闭合图形,从电压-电流轨迹图中可以直观的看出用电负荷信号的差别。
所述利用待分析用电负荷的电压信号和电流信号获取待分析用电负荷的电压-电流轨迹图之前,包括:
对所述待分析用电负荷电压信号和电流信号进行信号去躁和数据清洗,并将信号去躁和数据清洗后的电压信号和电流信号转换为数字信号。
例如,所述信号去躁采用短时傅里叶变换的方法,提取有用信息,去除干扰。
所述待分析用电负荷的电压信号为监测设备在进户干线上采集得到;
所述待分析用电负荷的电流信号的获取过程为:对监测设备在进户干线上采集得到的电流信号进行开关事件的监测,以开关事件前后的差分电流作为所述待分析用电负荷的电流信号。
例如:所述开关事件的监测可以通过功率差的方法进行监测。
本发明还提供一种非侵入式用电负荷分析装置,其特征在于,所述装置包括:
第一获取单元,用于利用待分析用电负荷的电压信号和电流信号获取待分析用电负荷的电压-电流轨迹图;
第二获取单元,用于以所述待分析用电负荷的电压-电流轨迹图作为预先建立的卷积神经网络模型的输入,获取所述待分析用电负荷的种类和工作状态;
其中,所述卷积神经网络模型利用用电负荷的历史电压-电流轨迹图以及所述历史电压-电流轨迹图对应的用电负荷的种类和工作状态。
所述第一获取单元,用于:
以测试周期内待分析用电负荷的电压信号为横坐标,待分析用电负荷的电流信号为纵坐标,构建所述待分析用电负荷的电压-电流轨迹图。
所述装置,还包括:
信号处理单元,用于对所述待分析用电负荷电压信号和电流信号进行信号去躁和数据清洗,并将信号去躁和数据清洗后的电压信号和电流信号转换为数字信号。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种非侵入式用电负荷分析方法,其特征在于,所述方法包括:
利用待分析用电负荷的电压信号和电流信号获取待分析用电负荷的电压-电流轨迹图;
以所述待分析用电负荷的电压-电流轨迹图作为预先建立的卷积神经网络模型的输入,获取所述待分析用电负荷的种类和工作状态;
其中,所述卷积神经网络模型利用各类用电负荷的历史电压-电流轨迹图进行建立,所述各类用电负荷的历史电压-电流轨迹图通过相应种类用电负荷的历史电压和电流信号获得。
2.如权利1所述的方法,其特征在于,所述卷积神经网络模型通过各类用电负荷的历史电压-电流轨迹图进行建立,包括:
以各类用电负荷的历史电压-电流轨迹图为初始卷积神经网络模型输入层样本,以各类用电负荷的历史电压-电流轨迹图对应的用电负荷种类和工作状态为初始卷积神经网络模型输出层样本,训练并获取所述卷积神经网络模型。
3.如权利要求1所述的方法,其特征在于,所述用电负荷的电压信号和电流信号通过互感电路采集。
4.如权利要求1所述的方法,其特征在于,所述用电负荷的工作状态包括:投入状态和切断状态。
5.如权利要求1所述的方法,其特征在于,所述利用待分析用电负荷的电压信号和电流信号获取待分析用电负荷的电压-电流轨迹图,包括:
以测试周期内待分析用电负荷的电压信号为横坐标,待分析用电负荷的电流信号为纵坐标,构建所述待分析用电负荷的电压-电流轨迹图。
6.如权利要求1所述的方法,其特征在于,所述利用待分析用电负荷的电压信号和电流信号获取待分析用电负荷的电压-电流轨迹图之前,包括:
对所述待分析用电负荷电压信号和电流信号进行信号去躁和数据清洗,并将信号去躁和数据清洗后的电压信号和电流信号转换为数字信号。
7.如权利要求1所述的方法,其特征在于,所述待分析用电负荷的电压信号为监测设备在进户干线上采集得到;
所述待分析用电负荷的电流信号的获取过程为:对监测设备在进户干线上采集得到的电流信号进行开关事件的监测,以开关事件前后的差分电流作为所述待分析用电负荷的电流信号。
8.一种非侵入式用电负荷分析装置,其特征在于,所述装置包括:
第一获取单元,用于利用待分析用电负荷的电压信号和电流信号获取待分析用电负荷的电压-电流轨迹图;
第二获取单元,用于以所述待分析用电负荷的电压-电流轨迹图作为预先建立的卷积神经网络模型的输入,获取所述待分析用电负荷的种类和工作状态;
其中,所述卷积神经网络模型利用各类用电负荷的历史电压-电流轨迹图进行建立,所述各类用电负荷的历史电压-电流轨迹图通过相应种类用电负荷的历史电压和电流信号获得。
9.如权利要求8所述的装置,其特征在于,所述第一获取单元,用于:
以测试周期内待分析用电负荷的电压信号为横坐标,待分析用电负荷的电流信号为纵坐标,构建所述待分析用电负荷的电压-电流轨迹图。
10.如权利要求8所述的装置,其特征在于,所述装置,还包括:
信号处理单元,用于对所述待分析用电负荷电压信号和电流信号进行信号去躁和数据清洗,并将信号去躁和数据清洗后的电压信号和电流信号转换为数字信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811128315.9A CN109449919A (zh) | 2018-09-27 | 2018-09-27 | 一种非侵入式用电负荷分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811128315.9A CN109449919A (zh) | 2018-09-27 | 2018-09-27 | 一种非侵入式用电负荷分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109449919A true CN109449919A (zh) | 2019-03-08 |
Family
ID=65544491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811128315.9A Pending CN109449919A (zh) | 2018-09-27 | 2018-09-27 | 一种非侵入式用电负荷分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109449919A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929115A (zh) * | 2019-11-21 | 2020-03-27 | 和远智能科技股份有限公司 | 一种基于用电特性的用电安全监测方法及系统 |
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 |
CN112180193A (zh) * | 2020-09-28 | 2021-01-05 | 华中科技大学 | 一种基于轨迹图像识别的非侵入式负荷识别系统及方法 |
CN112636328A (zh) * | 2020-11-25 | 2021-04-09 | 国网湖南省电力有限公司 | 一种中压配电网设备负荷状态辨识方法 |
CN113141008A (zh) * | 2021-04-23 | 2021-07-20 | 国网陕西省电力公司电力科学研究院 | 一种数据驱动的配电网分布式新能源消纳能力评估方法 |
CN114355275A (zh) * | 2022-03-21 | 2022-04-15 | 青岛鼎信通讯股份有限公司 | 电能表负荷监测方法、系统、装置及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096726A (zh) * | 2016-05-31 | 2016-11-09 | 华北电力大学 | 一种非侵入式负荷监测方法及装置 |
CN106908671A (zh) * | 2017-01-13 | 2017-06-30 | 中国海洋大学 | 一种非侵入式家用负荷智能检测方法及系统 |
CN107302217A (zh) * | 2017-06-02 | 2017-10-27 | 广东中粤售电科技有限公司 | 基于v‑i轨迹的非侵入式负荷分解方法及系统 |
US20170351288A1 (en) * | 2016-06-07 | 2017-12-07 | Shenzhen Zhidian Energy Technology LTD | Non-invasive online real-time electric load identification method and identification system |
CN108256075A (zh) * | 2018-01-17 | 2018-07-06 | 深圳市和拓创新科技有限公司 | 一种基于非侵入式智能监测分析用户用电数据的技术 |
-
2018
- 2018-09-27 CN CN201811128315.9A patent/CN109449919A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096726A (zh) * | 2016-05-31 | 2016-11-09 | 华北电力大学 | 一种非侵入式负荷监测方法及装置 |
US20170351288A1 (en) * | 2016-06-07 | 2017-12-07 | Shenzhen Zhidian Energy Technology LTD | Non-invasive online real-time electric load identification method and identification system |
CN106908671A (zh) * | 2017-01-13 | 2017-06-30 | 中国海洋大学 | 一种非侵入式家用负荷智能检测方法及系统 |
CN107302217A (zh) * | 2017-06-02 | 2017-10-27 | 广东中粤售电科技有限公司 | 基于v‑i轨迹的非侵入式负荷分解方法及系统 |
CN108256075A (zh) * | 2018-01-17 | 2018-07-06 | 深圳市和拓创新科技有限公司 | 一种基于非侵入式智能监测分析用户用电数据的技术 |
Non-Patent Citations (3)
Title |
---|
LEEN DE BAETS 等: "VI-based Appliance classification using aggregated power consumption data", 《2018 IEEE INTERNATIONAL CONFERENCE ON SMART COMPUTING》, 20 June 2018 (2018-06-20) * |
TAHA HASSAN 等: "An Empirical Investigation of V-I Trajectory Based Load Signatures for Non-Intrusive Load Monitoring", 《IEEE TRANSACTIONS ON SMART GRID》, vol. 5, no. 2, 31 March 2014 (2014-03-31), XP011540006, DOI: 10.1109/TSG.2013.2271282 * |
程祥 等: "非侵入式负荷监测与分解研究综述", 《电网技术》, vol. 40, no. 10, 31 October 2016 (2016-10-31) * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110929115A (zh) * | 2019-11-21 | 2020-03-27 | 和远智能科技股份有限公司 | 一种基于用电特性的用电安全监测方法及系统 |
CN112180193A (zh) * | 2020-09-28 | 2021-01-05 | 华中科技大学 | 一种基于轨迹图像识别的非侵入式负荷识别系统及方法 |
CN112180193B (zh) * | 2020-09-28 | 2021-11-02 | 华中科技大学 | 一种基于轨迹图像识别的非侵入式负荷识别系统及方法 |
CN112636328A (zh) * | 2020-11-25 | 2021-04-09 | 国网湖南省电力有限公司 | 一种中压配电网设备负荷状态辨识方法 |
CN112636328B (zh) * | 2020-11-25 | 2022-06-21 | 国网湖南省电力有限公司 | 一种中压配电网设备负荷状态辨识方法 |
CN113141008A (zh) * | 2021-04-23 | 2021-07-20 | 国网陕西省电力公司电力科学研究院 | 一种数据驱动的配电网分布式新能源消纳能力评估方法 |
CN113141008B (zh) * | 2021-04-23 | 2023-06-13 | 国网陕西省电力公司电力科学研究院 | 一种数据驱动的配电网分布式新能源消纳能力评估方法 |
CN114355275A (zh) * | 2022-03-21 | 2022-04-15 | 青岛鼎信通讯股份有限公司 | 电能表负荷监测方法、系统、装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109449919A (zh) | 一种非侵入式用电负荷分析方法及装置 | |
CN110514889A (zh) | 一种非侵入式家庭用电负载识别的方法及系统 | |
CN106096726B (zh) | 一种非侵入式负荷监测方法及装置 | |
Marchiori et al. | Circuit-level load monitoring for household energy management | |
CN106646026A (zh) | 一种非侵入式家电负荷识别方法 | |
CN111428755B (zh) | 非侵入式负荷监测方法 | |
CN110443302A (zh) | 基于特征融合与深度学习的负荷辨识方法及其应用 | |
CN102566555B (zh) | 基于模式识别的白色家电工作状态监测方法 | |
CN103869192B (zh) | 智能电网线损检测方法和系统 | |
KR102049453B1 (ko) | 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법 | |
CN105372541A (zh) | 一种基于模式识别的家用电器智能集总检测系统及其工作方法 | |
CN109470957B (zh) | 一种基于弗雷歇距离的非侵入式电器识别方法 | |
CN108054749A (zh) | 一种非侵入式电力负荷分解方法及装置 | |
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 | |
CN110264041A (zh) | 一种基于差分的非侵入式负载分解及监测方法 | |
CN103544652A (zh) | 电网行业分类负荷自动统计方法及系统 | |
CN104538957A (zh) | 用于统计低频低压切负荷容量的电网模型自适应处理方法 | |
CN113030564A (zh) | 一种基于双芯智能电表系统下的负荷识别方法 | |
Su et al. | Non-intrusive load monitoring of air conditioning using low-resolution smart meter data | |
Hoyo-Montaño et al. | Overview of Non-Intrusive Load Monitoring: A way to energy wise consumption | |
Yuan et al. | A novel current signal feature and its application in noninvasive load monitoring | |
Zhibin et al. | Research on household appliances recognition method based on data screening of deep learning | |
CN110413622A (zh) | 一种基于电力大数据平台的数据处理方法 | |
Zhou et al. | Research on non-invasive load monitoring based on convolutional neural network | |
CN112949563B (zh) | 基于变点检测和改进knn算法的非侵入式负荷识别方法 |
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: 20190308 |