CN109782086B - 一种基于多维度信号分析的非侵入负荷识别方法 - Google Patents
一种基于多维度信号分析的非侵入负荷识别方法 Download PDFInfo
- Publication number
- CN109782086B CN109782086B CN201811594100.6A CN201811594100A CN109782086B CN 109782086 B CN109782086 B CN 109782086B CN 201811594100 A CN201811594100 A CN 201811594100A CN 109782086 B CN109782086 B CN 109782086B
- Authority
- CN
- China
- Prior art keywords
- state
- current
- steady
- electric appliance
- characteristic
- 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
Images
Landscapes
- Testing Relating To Insulation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种本发明的基于多维度信号分析的非侵入负荷识别方法,采用用电器的使用时间特征、用电器工作状态持续时间特征、用电器状态变化顺序特征和用电器使用位置特征四个辅助参量,结合动态弯曲距离,比较稳态下的电流信号波动,分析用电器种类。通过多种角度的用电器特征,增加了识别用电器的判别信息,增加了识别的准确率,降低了由于某些稳态特征信号过于相似所导致的识别错误率。利用动态弯曲距离,能够更好的比较在不同时域下的对应波形的相似度。仅利用原始的电流信号,防止了利用有功功率、无功功率以及谐波特性进行识别时,由于算法计算过程中的误差导致的识别错误。
Description
技术领域
本发明涉及智能电网领域,尤其涉及一种基于多维度信号分析的非侵入负荷识别方法。
背景技术
当前世界面临着由于世界人口增长导致的能源危机,有限的不可再生化石能源,诸如石油、天然气等,难以满足人类的需求。其中,在第二次工业革命以后,电能已成为了工业上和居民生活中最不可或缺的能源。在环保的可再生利用的能源(例如太阳能,水利势能和地热能等)的发电形式还未能普遍推广的当下,火力发电这一传统的发电形式仍占到各国发电的重要地位。为了提高电能的利用效率,降低发电量,利用当前已愈加成熟的人工智能技术,实现每一种用电器消耗电能的透明化,提供给用户智能化、个性化的解决方案,从而降低不可再生能源的消耗,成为各国实现节能减排和可持续发展的目标战略的重要手段。
而要实现这个目标的关键核心技术是用电器的负荷识别技术,目前,国际上识别用电器并统计主要采取侵入式和非侵入式两种负荷识别技术。侵入式识别方式具有识别效果精确的优势,但是需要为每一个用电器在供电处加装数据采集装置,增加了系统的花费开销以及维护难度,导致这种方式难以进行市场的广泛推广。而非侵入式负荷监测(Non-Intrusive Load Monitoring,缩写为NILM)只需要在居民用电的总线上安装监测装备,能够仅通过家庭电路总线上的电流和电压的变化,大概率准确的识别用电器种类和状态,能够有效地为用户提供详细的家庭用电系统中各个用电器工作状态。由于NILM设备在安装维护以及成本上优势,具有很高的研究价值和发展潜力。
当前,大多数的NILM设备主要采取对用电器工作的稳态和暂态识别,提取出用电器的稳态特征进行分析。通过采集大量的用电器稳态特征,例如基波电流,谐波电流,有功功率以及无功功率,建立对应用电器的数据库。之后利用用电器的特征数据库,应用聚类、隐马尔可夫链、神经网络、支持向量机或粒子群算法等智能算法,对单个稳态过程中多个用电器可能处于的状态向量求取最优解。
以上NILM设备存在以下问题:
1.当前技术仅依赖于电路的基本信息,未考虑在实际使用中用户使用的因素,系统不能满足用户的个性化需求;
2.某些用电器本身具有多个状态模式,原有的方法对多模式用电器识别效果并不是很好;
3.某些用电器在稳态下具有极其相近的稳态特征,无法有效的区分用电器的种类。
发明内容
有鉴于此,本发明提出了一种用电器识别准确率高的基于多维度信号分析的非侵入负荷识别方法。
本发明的技术方案是这样实现的:本发明提供了一种基于多维度信号分析的非侵入负荷识别方法,采用用电器的使用时间特征、用电器工作状态持续时间特征、用电器状态变化顺序特征和用电器使用位置特征四个辅助参量,结合动态弯曲距离,比较稳态下的电流信号波动,分析用电器种类;其中,用电器的使用时间特征为用电器在家庭电路中大概率的使用时段,用电器工作状态持续时间特征为用电器在工作状态模式下从开始到结束持续的时间,用电器状态变化顺序特征为用电器单个工作模式下可能出现多个状态的顺序,用电器使用位置特征为用电器经常出现的使用位置。
在以上技术方案的基础上,优选的,包括训练样例过程和用电器识别过程。
进一步优选的,所述训练样例过程包括,
A1-1,输入采样的单个用电器单个工作状态模式下的电流,通过基于滑窗的CUSUM,检测电流突变的边界和暂态事件时段;
A1-2,根据最早检测的边界以及最晚的边界,构成用电器单个工作状态模式下的工作状态持续时间特征库。
再进一步优选的,所述步骤A1-1中,事件检测包括,首先对采样电流进行基波波长时间长度下的电流信号进行傅里叶变化,提取当前时间段下的基波电流的电流幅值,再根据规定的滑窗大小将时域上的数据转化为二维矩阵,并计算其行向量的平均值和方差;通过比较平均值和方差的大小,当方差大于平均值时,即判定发生了事件的变化;将邻近的事件滑窗进行融合,从而获得暂态过程,进而获得采样值中的稳态过程。
再进一步优选的,所述训练样例过程包括,
A2-1,根据检测到的暂态事件时段确定稳态时段;
A2-2,按照稳态时段发生的时间顺序构成用电器的用电器状态变化顺序特征;
A2-3,重复步骤A2-1,构成每一个用电器状态变化顺序特征库。
再进一步优选的,所述训练样例过程包括,
A3-1,在步骤A1-1中的稳态时段内,取两个基波时间长度的电流信号,成为该稳态的电流波动特征;
A3-2,重复步骤A3-1,构成每一个用电器的单个工作状态模式下的各稳态下的电流特征库;
A3-3,将步骤A3-2中每个用电器单个工作状态模式下的各稳态下电流波动进行随机组合,构成复合用电器的工作稳态下的电流特征库;
A3-4,将步骤A3-2和A3-3中的单个和复合用电器的工作稳态下的电流特征库融合,得到最终的单个及复合用电器工作稳态电流波形库。
更进一步优选的,所述步骤A3-3中,电流波形叠加过程中,通过利用正弦公式进行电流信号的叠加,分别对0,π/6,π/3,π/2,2π/3,5π/6的相位差进行叠加。
进一步优选的,所述训练样例过程包括,
A4-1,根据家庭电路采集样例,统计用电器的工作时段,排除异常点,构成用电器使用时间特征库;
A4-2,根据统计用电器经常安插的线路,构成用电器使用位置特征库。
进一步优选的,所述用电器识别过程包括,
B1,通过智能电表采集的电信号,区分用电器所在位置,确定用电器使用位置特征;
B2,通过采集到的电流信号的时间,确定用电器的使用时间特征;
B3,对采集到的电流信号,进行暂态事件检测,获得暂态发生的边界,稳态时段;
B4,根据步骤B3获得的稳态时段,对每一个稳态时段,提取两个基波时间长度的电流信号波形,根据用电器的工作稳态下的电流特征库,基于动态弯曲距离的原理,通过比较采集的电流信号波形以及特征库中的特征向量间的动态弯曲距离大小,获得每一个稳态时段下动态弯曲距离最小的10组可能的用电器工作状态组合,将每一个稳态时段下的用电器状态进行组合,获得用电器状态变化顺序特征;
B5,将步骤B4中的用电器状态变化顺序特征与训练样例中的用电器状态变化特征库以及用电器工作状态持续时间特征库比较,结合用电器使用位置特征和使用时间特征,确定最终的采样中各个用电器的工作状态。
再进一步优选的,步骤B4中,在利用动态弯曲距离对波形进行匹配时,利用采样数据和训练样例构成矩阵,矩阵中的每一个值为两个向量间对应位置的特征值的差值的绝对值决定,根据
d(i,j)k+1=d(i,j)k+min(r(i-1,j-1),r(i-1,j),r(i,j-1))
r代表两个向量对应位置差距的绝对值距离构建的矩阵,dk代表第k次得到的动态弯曲距离,当k=0时,d0为矩阵中最右上角的值,i代表特征库中特征向量中各元素的序号,j代表采样后提取的特征向量中各元素的序号;
从矩阵的右上角开始,寻找其邻近最小的点,形成一个最短路径,从而决定两个向量间的动态弯曲距离。
本发明的基于多维度信号分析的非侵入负荷识别方法相对于现有技术具有以下有益效果:
(1)通过多种角度的用电器特征,增加了识别用电器的判别信息,增加了识别的准确率,降低了由于某些稳态特征信号过于相似所导致的识别错误率。
(2)利用动态弯曲距离,能够更好的比较在不同时域下的对应波形的相似度。
(3)仅利用原始的电流信号,防止了利用有功功率、无功功率以及谐波特性进行识别时,由于算法计算过程中的误差导致的识别错误。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于多维度信号分析的非侵入负荷识别方法的训练样例过程的流程图;
图2为本发明的基于多维度信号分析的非侵入负荷识别方法的用电器识别过程的流程图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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他实施方式,都属于本发明保护的范围。
本发明的基于多维度信号分析的非侵入负荷识别方法,采用用电器的使用时间特征、用电器工作状态持续时间特征、用电器状态变化顺序特征和用电器使用位置特征四个辅助参量,结合动态弯曲距离,比较稳态下的电流信号波动,分析用电器种类。从用户的实际使用角度,增加了用电器识别的识别准确率。其中,用电器的使用时间特征为用电器在家庭电路中大概率的使用时段;用电器工作状态持续时间特征为用电器在工作状态模式下从开始到结束持续的时间;用电器使用位置特征为用电器经常出现的使用位置;用电器状态变化顺序特征为用电器单个工作状态模式下可能出现的多个状态的顺序,其中顺序包括了重复顺序、固定顺序以及复合顺序,重复顺序表示该稳态重复出现,固定顺序表示稳态由多个划分的小的稳态以固定的顺序组合而成,复合顺序混合了以上两种顺序的顺序,对于复合顺序的顺序特征,顺序特征通过基于滑窗的CUSUM事件检测发现暂态后决定的出现的稳态特征顺序决定。
本发明的基于多维度信号分析的非侵入负荷识别方法,包括训练样例过程和用电器识别过程。在训练和识别过程中,采集的原始数据都需要通过小波滤波处理,从而消除电路中的噪音对事件检测、生成数据库以及采集到的电流图像的影响。
其中,如图1所示,训练样例过程包括:
A1-1,输入采样的单个用电器单个工作状态模式下的电流,通过基于滑窗的CUSUM,检测电流突变的边界和暂态事件时段。
具体的,由于在家用电器中可以分为三个大类:(1)阻性负荷,一般为电热负荷,有功功率较大,启停冲击极小,甚至没有,代表为电饭煲、电热油汀、电水壶、取暖器;(2)感性负荷,内部具有电机或电感线圈,启停事件常伴波形冲击,代表为荧光灯、电风扇、冰箱、微波炉等;(3)容性负荷,含有启停电源,启停事件常有冲击波形代表为液晶电视、电脑。对每个大类的负荷,提取10种有代表性的用电器,并利用网络爬虫从网上各大购物网站,获得每种用电器最受用户欢迎的3种品牌,对这些品牌的用电器采集单一工作状态模式下的电流数据。
具体的,所述步骤A1-1中,事件检测利用的是基于滑窗的事件探测方法。首先对采样电流进行基波波长时间长度下的电流信号进行傅里叶变化,提取当前时间段下的基波电流的电流幅值,再根据规定的滑窗大小将时域上的数据转化为二维矩阵,并计算其行向量的平均值和方差;通过比较平均值和方差的大小,当方差大于平均值时,即判定发生了事件的变化;将邻近的事件滑窗进行融合,从而获得暂态过程,进而获得采样值中的稳态过程。
A1-2,根据最早检测的边界以及最晚的边界,构成用电器单个工作状态模式下的工作状态持续时间特征库。
A2-1,根据检测到的暂态事件时段确定稳态时段。
A2-2,按照稳态时段发生的时间顺序构成用电器的用电器状态变化顺序特征。
A2-3,重复步骤A2-1,构成每一个用电器状态变化顺序特征库。
A3-1,在步骤A1-1中的稳态时段内,取两个基波时间长度的电流信号,成为该稳态的电流波动特征。
A3-2,重复步骤A3-1,构成每一个用电器的单个工作状态模式下的各稳态下的电流特征库。
A3-3,将步骤A3-2中每个用电器单个工作状态模式下的各稳态下电流波动进行随机组合,构成复合用电器的工作稳态下的电流特征库。
A3-4,将步骤A3-2和A3-3中的单个和复合用电器的工作稳态下的电流特征库融合,得到最终的单个及复合用电器工作稳态电流波形库。
具体的,所述步骤A3-3中,电流波形叠加过程中,通过利用正弦公式进行电流信号的叠加。由于在实际电路中可能存在相位差的问题,因此在叠加时,分别对0,π/6,π/3,π/2,2π/3,5π/6的相位差进行叠加,降低由于相位差的区别,导致模式匹配中用电器的识别错误。
A4-1,根据家庭电路采集样例,统计用电器的工作时段,排除异常点,构成用电器使用时间特征库;
A4-2,根据统计用电器经常安插的线路,构成用电器使用位置特征库。
具体的,对于用电器位置特征数据库将以问卷调查的方式采集。通过询问专业电工们安装用电器的习惯,判断各用电器经常安装的电路信息,从而生成位置特征数据库。
如图2所示,所述用电器识别过程包括,
B1,通过智能电表采集的电信号,区分用电器所在位置,确定用电器使用位置特征。
具体的,智能电表设置于总线上,能够区分家庭电路的各条线路,进而区分用电器所在位置。
B2,通过采集到的电流信号的时间,确定用电器的使用时间特征。
B3,对采集到的电流信号,进行暂态事件检测,获得暂态发生的边界,稳态时段。
B4,根据步骤B3获得的稳态时段,对每一个稳态时段,提取两个基波时间长度的电流信号波形,根据用电器的工作稳态下的电流特征库,基于动态弯曲距离的原理,通过比较采集的电流信号波形以及特征库中的特征向量间的动态弯曲距离大小,获得每一个稳态时段下动态弯曲距离最小的10组可能的用电器工作状态组合,将每一个稳态时段下的用电器状态进行组合,获得用电器状态变化顺序特征。
其中,在利用动态弯曲距离对波形进行匹配时,利用采样数据和训练样例构成矩阵,矩阵中的每一个值为两个向量间对应位置的特征值的差值的绝对值决定,根据
d(i,j)k+1=d(i,j)k+min(r(i-1,j-1),r(i-1,j),r(i,j-1))
r代表两个向量对应位置差距的绝对值距离构建的矩阵,dk代表第k次得到的动态弯曲距离,当k=0时,d0为矩阵中最右上角的值,i代表特征库中特征向量中各元素的序号,j代表采样后提取的特征向量中各元素的序号;
从矩阵的右上角开始,寻找其邻近最小的点,形成一个最短路径,从而决定两个向量间的动态弯曲距离。
B5,将步骤B4中的用电器状态变化顺序特征与训练样例中的用电器状态变化特征库以及用电器工作状态持续时间特征库比较,结合用电器使用位置特征和使用时间特征,确定最终的采样中各个用电器的工作状态。
具体的,采集的数据为每天采集的总数据,其中,在安装初始,依据6:00-10:00,10:00-13:00,13:00-16:00,16:00-20:00,20:00-23:00,23:00-6:00进行时间段切片。通过识别和分析,通过统计家庭用户长期使用电器的时段的小提琴图分析,从而对每一户家庭进行个性化时间片分割,进一步细分时间片,减小滑窗的事件检测的事件开销。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于多维度信号分析的非侵入负荷识别方法,其特征在于:采用用电器的使用时间特征、用电器工作状态持续时间特征、用电器状态变化顺序特征和用电器使用位置特征四个辅助参量,结合动态弯曲距离,比较稳态下的电流信号波动,分析用电器种类;其中,用电器的使用时间特征为用电器在家庭电路中大概率的使用时段,用电器工作状态持续时间特征为用电器在工作状态模式下从开始到结束持续的时间,用电器状态变化顺序特征为用电器单个工作模式下可能出现多个状态的顺序,用电器使用位置特征为用电器经常出现的使用位置;
所述基于多维度信号分析的非侵入负荷识别方法包括训练样例过程和用电器识别过程;所述用电器识别过程包括,
B1,通过智能电表采集的电信号,区分用电器所在位置,确定用电器使用位置特征;
B2,通过采集到的电流信号的时间,确定用电器的使用时间特征;
B3,对采集到的电流信号,进行暂态事件检测,获得暂态发生的边界,稳态时段;
B4,根据步骤B3获得的稳态时段,对每一个稳态时段,提取两个基波时间长度的电流信号波形,根据用电器的工作稳态下的电流特征库,基于动态弯曲距离的原理,通过比较采集的电流信号波形以及特征库中的特征向量间的动态弯曲距离大小,获得每一个稳态时段下动态弯曲距离最小的10组可能的用电器工作状态组合,将每一个稳态时段下的用电器状态进行组合,获得用电器状态变化顺序特征;
B5,将步骤B4中的用电器状态变化顺序特征与训练样例中的用电器状态变化特征库以及用电器工作状态持续时间特征库比较,结合用电器使用位置特征和使用时间特征,确定最终的采样中各个用电器的工作状态。
2.如权利要求1所述的基于多维度信号分析的非侵入负荷识别方法,其特征在于:所述训练样例过程包括,
A1-1,输入采样的单个用电器单个工作状态模式下的电流,通过基于滑窗的CUSUM,检测电流突变的边界和暂态事件时段;
A1-2,根据最早检测的边界以及最晚的边界,构成用电器单个工作状态模式下的工作状态持续时间特征库。
3.如权利要求2所述的基于多维度信号分析的非侵入负荷识别方法,其特征在于:所述步骤A1-1中,事件检测包括,首先对采样电流进行基波波长时间长度下的电流信号进行傅里叶变化,提取当前时间段下的基波电流的电流幅值,再根据规定的滑窗大小将时域上的数据转化为二维矩阵,并计算其行向量的平均值和方差;通过比较平均值和方差的大小,当方差大于平均值时,即判定发生了事件的变化;将邻近的事件滑窗进行融合,从而获得暂态过程,进而获得采样值中的稳态过程。
4.如权利要求2所述的基于多维度信号分析的非侵入负荷识别方法,其特征在于:所述训练样例过程包括,
A2-1,根据检测到的暂态事件时段确定稳态时段;
A2-2,按照稳态时段发生的时间顺序构成用电器的用电器状态变化顺序特征;
A2-3,重复步骤A2-1,构成每一个用电器状态变化顺序特征库。
5.如权利要求3所述的基于多维度信号分析的非侵入负荷识别方法,其特征在于:所述训练样例过程包括,
A3-1,在步骤A1-1中的稳态时段内,取两个基波时间长度的电流信号,成为该稳态的电流波动特征;
A3-2,重复步骤A3-1,构成每一个用电器的单个工作状态模式下的各稳态下的电流特征库;
A3-3,将步骤A3-2中每个用电器单个工作状态模式下的各稳态下电流波动进行随机组合,构成复合用电器的工作稳态下的电流特征库;
A3-4,将步骤A3-2和A3-3中的单个和复合用电器的工作稳态下的电流特征库融合,得到最终的单个及复合用电器工作稳态电流波形库。
6.如权利要求5所述的基于多维度信号分析的非侵入负荷识别方法,其特征在于:所述步骤A3-3中,电流波形叠加过程中,通过利用正弦公式进行电流信号的叠加,分别对0,π/6,π/3,π/2,2π/3,5π/6的相位差进行叠加。
7.如权利要求1所述的基于多维度信号分析的非侵入负荷识别方法,其特征在于:所述训练样例过程包括,
A4-1,根据家庭电路采集样例,统计用电器的工作时段,排除异常点,构成用电器使用时间特征库;
A4-2,根据统计用电器经常安插的线路,构成用电器使用位置特征库。
8.如权利要求1所述的基于多维度信号分析的非侵入负荷识别方法,其特征在于:步骤B4中,在利用动态弯曲距离对波形进行匹配时,利用采样数据和训练样例构成矩阵,矩阵中的每一个值为两个向量间对应位置的特征值的差值的绝对值决定,根据
d(i,j)k+1=d(i,j)k+min(r(i-1,j-1),r(i-1,j),r(i,j-1))
r代表两个向量对应位置差距的绝对值距离构建的矩阵,dk代表第k次得到的动态弯曲距离,当k=0时,d0为矩阵中最右上角的值,i代表特征库中特征向量中各元素的序号,j代表采样后提取的特征向量中各元素的序号;
从矩阵的右上角开始,寻找其邻近最小的点,形成一个最短路径,从而决定两个向量间的动态弯曲距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811594100.6A CN109782086B (zh) | 2018-12-25 | 2018-12-25 | 一种基于多维度信号分析的非侵入负荷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811594100.6A CN109782086B (zh) | 2018-12-25 | 2018-12-25 | 一种基于多维度信号分析的非侵入负荷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109782086A CN109782086A (zh) | 2019-05-21 |
CN109782086B true CN109782086B (zh) | 2020-12-18 |
Family
ID=66497667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811594100.6A Active CN109782086B (zh) | 2018-12-25 | 2018-12-25 | 一种基于多维度信号分析的非侵入负荷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109782086B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326296B (zh) * | 2021-02-25 | 2024-06-07 | 中国电力科学研究院有限公司 | 一种适用于工商业用户的负荷分解的方法及系统 |
CN113033633B (zh) * | 2021-03-12 | 2022-12-09 | 贵州电网有限责任公司 | 一种结合电力指纹知识和神经网络的设备类型识别方法 |
CN113219296B (zh) * | 2021-03-22 | 2022-07-01 | 昆明理工大学 | 一种输电线路行波故障数据片段自适应截取方法 |
CN114301061B (zh) * | 2021-12-23 | 2023-10-27 | 国网天津市电力公司营销服务中心 | 一种基于用户智能负荷辨识模块分析方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0554424A1 (fr) * | 1991-08-27 | 1993-08-11 | Services Ind De Geneve | Procede pour identifier des charges consommatrices d'energie electrique d'un circuit sous surveillance. |
CN102542262A (zh) * | 2012-01-04 | 2012-07-04 | 东南大学 | 一种基于高铁运行特征工况波形库的波形识别方法 |
CN103020459A (zh) * | 2012-12-19 | 2013-04-03 | 中国科学院计算技术研究所 | 一种多维度用电行为的感知方法及系统 |
CN105005205A (zh) * | 2015-08-28 | 2015-10-28 | 天津求实智源科技有限公司 | 一种基于电力负荷分解与监测的家居安全告警系统及方法 |
CN105823948A (zh) * | 2016-05-18 | 2016-08-03 | 国网上海市电力公司 | 一种非干预式居民负荷识别方法 |
US9410996B2 (en) * | 2013-06-03 | 2016-08-09 | Eaton Corporation | Method and system employing finite state machine modeling to identify one of a plurality of different electric load types |
CN105976266A (zh) * | 2016-05-16 | 2016-09-28 | 国网江苏省电力公司电力科学研究院 | 基于典型电压暂降波形匹配的电压暂降原因识别方法 |
CN106815677A (zh) * | 2016-12-09 | 2017-06-09 | 国网北京市电力公司 | 非侵入式负荷识别方法和装置 |
-
2018
- 2018-12-25 CN CN201811594100.6A patent/CN109782086B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0554424A1 (fr) * | 1991-08-27 | 1993-08-11 | Services Ind De Geneve | Procede pour identifier des charges consommatrices d'energie electrique d'un circuit sous surveillance. |
CN102542262A (zh) * | 2012-01-04 | 2012-07-04 | 东南大学 | 一种基于高铁运行特征工况波形库的波形识别方法 |
CN103020459A (zh) * | 2012-12-19 | 2013-04-03 | 中国科学院计算技术研究所 | 一种多维度用电行为的感知方法及系统 |
US9410996B2 (en) * | 2013-06-03 | 2016-08-09 | Eaton Corporation | Method and system employing finite state machine modeling to identify one of a plurality of different electric load types |
CN105005205A (zh) * | 2015-08-28 | 2015-10-28 | 天津求实智源科技有限公司 | 一种基于电力负荷分解与监测的家居安全告警系统及方法 |
CN105976266A (zh) * | 2016-05-16 | 2016-09-28 | 国网江苏省电力公司电力科学研究院 | 基于典型电压暂降波形匹配的电压暂降原因识别方法 |
CN105823948A (zh) * | 2016-05-18 | 2016-08-03 | 国网上海市电力公司 | 一种非干预式居民负荷识别方法 |
CN106815677A (zh) * | 2016-12-09 | 2017-06-09 | 国网北京市电力公司 | 非侵入式负荷识别方法和装置 |
Non-Patent Citations (1)
Title |
---|
基于数据流的非侵入式负荷识别与分类;谭啸风等;《电源技术》;20160530;第40卷(第5期);第1110-1112页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109782086A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109782086B (zh) | 一种基于多维度信号分析的非侵入负荷识别方法 | |
Wang et al. | Residential appliances identification and monitoring by a nonintrusive method | |
CN108021736B (zh) | 一种基于滑动窗残差模型的负荷投切动作监测方法 | |
CN106022645B (zh) | 非侵入式在线实时电力负荷识别方法及识别系统 | |
CN109345409B (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
CN110956220A (zh) | 一种非侵入式家用电器负荷识别方法 | |
CN111830347B (zh) | 一种基于事件的两阶段非侵入式负荷监测方法 | |
Ma et al. | Toward energy-awareness smart building: Discover the fingerprint of your electrical appliances | |
Andrean et al. | A hybrid method of cascade-filtering and committee decision mechanism for non-intrusive load monitoring | |
Abubakar et al. | An overview of non-intrusive load monitoring methodologies | |
Himeur et al. | Efficient multi-descriptor fusion for non-intrusive appliance recognition | |
CN109633301B (zh) | 基于量子遗传优化的非侵入式电器负荷识别方法 | |
CN109470957B (zh) | 一种基于弗雷歇距离的非侵入式电器识别方法 | |
CN112615428A (zh) | 一种线损分析治理系统及方法 | |
Gurbuz et al. | Comprehensive non-intrusive load monitoring process: Device event detection, device feature extraction and device identification using KNN, random forest and decision tree | |
Hoyo-Montaño et al. | Overview of Non-Intrusive Load Monitoring: A way to energy wise consumption | |
Luan et al. | Non-intrusive power waveform modeling and identification of air conditioning load | |
CN109541346A (zh) | 一种稳态工况下的非侵入式电力负载识别提升方法 | |
Cannas et al. | NILM techniques applied to a real-time monitoring system of the electricity consumption | |
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 | |
CN112730984B (zh) | 一种基于智能电表的低压配电网相位识别方法 | |
Zhou et al. | Research on non-invasive load monitoring based on convolutional neural network | |
Jiao et al. | A new construction method for load signature database of load identification | |
Xie et al. | Event-driven non-intrusive load monitoring algorithm based on targeted mining multidimensional load characteristics | |
Cannas et al. | Non-Intrusive Loads Monitoring Techniques for House Energy Management |
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 |