CN110956220B - 一种非侵入式家用电器负荷识别方法 - Google Patents
一种非侵入式家用电器负荷识别方法 Download PDFInfo
- Publication number
- CN110956220B CN110956220B CN201911281201.2A CN201911281201A CN110956220B CN 110956220 B CN110956220 B CN 110956220B CN 201911281201 A CN201911281201 A CN 201911281201A CN 110956220 B CN110956220 B CN 110956220B
- Authority
- CN
- China
- Prior art keywords
- load
- household appliance
- state
- data
- steady
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000001052 transient effect Effects 0.000 claims abstract description 40
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开一种非侵入式家用电器负荷识别方法。所述方法包括:基于极限学习机建立待监测家庭的家用电器分类器;实时采集待监测家庭用电总线上的电压和电流,并检测是否发生家用电器启停事件;将实时采集的电压数据和电流数据划分为暂态数据序列和稳态数据序列;对暂态数据序列进行小波变换,获取所述家用电器的负荷暂态特征,对稳态数据序列进行FFT变换,获取所述家用电器的负荷稳态特征,将负荷暂态特征和负荷稳态特征组合成负荷特征向量;将所述负荷特征向量输入家用电器分类器,得到发生启停事件的家用电器的类别。与现有技术只采用FFT变换提取负荷特征相比,本发明能够提高负荷特征向量的区分度,进而提高负荷识别的准确度。
Description
技术领域
本发明属于家用电器负荷识别技术领域,具体涉及一种非侵入式家用电器负荷识别方法。
背景技术
家用电器的负荷识别不仅能够提高居民用户对家用电器消耗具体情况的了解,调整用电措施,积极响应国家节能政策,还能够为电网和售电公司制定电能能耗管理和供需侧联动策略提供有力的参考依据。目前,国内外的居民家庭用电负荷监测技术主要有侵入式和非侵入式两种。其中侵入式家庭用电负荷监测需要在各个电器的供电处装备一个监测模块,虽然监测精度较高,但存在成本高、部署施工难度大、维护困难等缺陷。而非侵入式负荷监测(Non-Intrusive Load Monitoring,NILM)系统则只需测量用户家庭进电总线上的电流和电压信号,就可监测到各类家电的运行状态和耗电数据,成本较低、部署简单且易于更新维护。NILM系统的实现步骤一般包括信号采集和处理、电器启停事件检测、负荷特征提取与负荷特征库建立、以及电器负荷识别分类这几步。从采用的负荷识别算法来看,主要分为监督式和非监督式,其中监督式的识别准确率普遍较高。这些NILM方法的实现大多是通过采集大量电器特征量来建立各种电器的特征库,然后应用聚类方法、隐马尔可夫模型、神经网络学习、支持向量机模型等智能算法来实现电器负荷的分类识别。
现有的NILM方法在提取负荷特征时,一般只提取电器稳态特征,由于很多不同中电器会存在稳态特征相似的情形,因而这种做法的有效性存在很大的局限;而有些NILM方法虽然既提取了稳态特征,也提取了暂态特征,但在提取暂态特征时只采用了适合分析稳态信号的FFT算法,仅仅从频谱特性上标识负荷特性,忽略了电器启动时暂态阶段负荷的时域上的特性,无法捕捉全面的暂态负荷特性,使这些方法无法区分哪些暂态特征拥有相近的频谱分量,而这些频谱分量在时域上分布不同的不同种电器负荷。上述问题影响了负荷识别精度的提高。
发明内容
为了解决现有技术中存在的上述问题,本发明提出一种非侵入式家用电器负荷识别方法。
为实现上述目的,本发明采用如下技术方案:
一种非侵入式家用电器负荷识别方法,包括以下步骤:
步骤1,基于极限学习机建立待监测家庭的家用电器分类器;
步骤2,实时采集待监测家庭用电总线上的电压和电流,并检测是否发生家用电器启停事件;
步骤3,如果发生家用电器启停事件,将实时采集的电压数据和电流数据划分为暂态数据序列和稳态数据序列。对暂态数据序列进行小波变换,获取所述家用电器暂态过程的时频谱特性,作为负荷暂态特征;对稳态数据序列进行FFT变换,获取所述家用电器稳态过程的频谱特性,作为负荷稳态特征。将负荷暂态特征和负荷稳态特征组合成负荷特征向量;
步骤4,将所述负荷特征向量输入所述家用电器分类器,得到发生启停事件的家用电器的类别。
与现有技术相比,本发明具有以下有益效果:
本发明通过将实时采集的家庭用电总线上的电压和电流数据划分为暂态数据序列和稳态数据序列,对暂态数据序列进行小波变换,获取家用电器暂态过程的时频谱特性,作为负荷暂态特征,对稳态数据序列进行FFT变换,获取家用电器稳态过程的频谱特性,作为负荷稳态特征,将负荷暂态特征和负荷稳态特征组合成负荷特征向量,将所述负荷特征向量输入家用电器分类器进行负荷识别,与现有技术只采用FFT变换提取负荷特征相比,能够提高负荷特征向量的区分度,进而提高负荷识别的准确度。
附图说明
图1为本发明实施例一种非侵入式家用电器负荷识别方法的流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明实施例一种非侵入式家用电器负荷识别方法,其流程图如图1所示,所述方法包括以下步骤:
S101、基于极限学习机建立待监测家庭的家用电器分类器;
S102、实时采集待监测家庭用电总线上的电压和电流,并检测是否发生家用电器启停事件;
S103、如果发生家用电器启停事件,将实时采集的电压数据和电流数据划分为暂态数据序列和稳态数据序列。对暂态数据序列进行小波变换,获取所述家用电器暂态过程的时频谱特性,作为负荷暂态特征;对稳态数据序列进行FFT变换,获取所述家用电器稳态过程的频谱特性,作为负荷稳态特征。将负荷暂态特征和负荷稳态特征组合成负荷特征向量;
S104、将所述负荷特征向量输入所述家用电器分类器,得到发生启停事件的家用电器的类别。
在本实施例中,步骤S101用于基于极限学习机建立家用电器分类器。家用电器分类器的输入为负荷特征向量,输出为家用电器类别,也称为负荷类别,将发生启停事件的家用电器的负荷特征向量输入家用电器分类器,即可得到发生启停事件的家用电器的类别。极限学习机属于一种特殊的单隐层前馈神经网络,被视为一类特殊的前馈神经网络,是对前馈神经网络及其反向传播算法的改进,其特点是隐含层节点的权重为随机或人为给定的,且不需要更新,学习过程仅计算输出权重。
在本实施例中,步骤S102主要用于从待监测家庭用电总线上实时采集电压和电流数据,并根据所采集的电压和电流数据检测是否发生家用电器启停事件。家用电器启停事件即电器的开启和关闭,如开灯和熄灯。负荷识别就是基于电器的启停事件,当发生电器启停事件时,才去识别具体是哪一种电器开通或者关停了,这是后面进行一系列统计的前提,比如当前某个电器的开关状态,又或者统计具体某个电器的耗电量等。根据用电总线上电压和电流数据的变化情况就可以识别是否发生家用电器启停事件,后面的实施例将给出一种具体的识别方法。
在本实施例中,步骤S103主要用于提取发生启停事件的家用电器的特征向量,也称为负荷特征向量。现有技术一般采用FFT算法提取负荷特征向量,但FFT算法只能提取频谱特性,只适合分析稳态信号,不适合分析电器启动和关闭时暂态阶段的时域特性,从而无法区分哪些暂态特征拥有相近的频谱分量,影响负荷识别精度。为此,本实施例当检测到发生电器启停事件时,将从用电总线上实时采集电压和电流数据,根据采样点和事件过渡阶段划分为暂态数据序列和稳态数据序列(一般在电器刚刚发生启停事件后一段时间内,信号幅度变化率大,波动频繁,不稳定,这段时间的数据为暂态数据;暂态数据之间的数据为稳态数据)。对稳态数据序列采用FFT算法提取负荷稳态特征,如有功功率、无功功率、电压电流波形和电流谐波等;对暂态数据序列采用小波变换提取暂态过程的时频谱特性,作为负荷暂态特征,如暂态电压、瞬时功率、电流峰值均值均方根、电压噪声等。小波变换是采用小波基来观察任意一个函数或信号f(t)。f(t)的小波变换用公式表示为:
式中,a为拉伸或放大的系数,τ为平移系数,通过这两个参数的配合来实现对信号的放大或者平移,从而得到信号的时域-频域特性。因此,小波变换适于分析暂态过程,可用于获取负荷暂态特征。本实施例将负荷暂态特征和负荷稳态特征组合成负荷特征向量(数组),用于负荷类别识别,与现有技术相比,可在一定程度上提高识别精度。
在本实施例中,步骤S104主要用于应用家用电器分类器进行负荷识别。将上一步得到的负荷特征向量输入家用电器分类器,就可得到发生启停事件的家用电器的类别。
作为一种可选实施例,所述方法还包括:通过在线学习,对所述家用电器分类器进行更新。
在本实施例中,由于家用电器的老化和更换,需要对家用电器分类器模型的权重矩阵进行相应调整,从而保证分类的准确率。因而,可以经常采取在线学习的方式来调整权重矩阵,更新分类器模型。具体更新方法属于现有技术,这里不进行详细说明。
作为一种可选实施例,所述S101具体包括:
S1011、利用历史数据建立数据集A=(xi,yi},xi为负荷特征向量,yi为家用电器类别,i=1,2,…,n,n为数据个数;负荷特征向量由负荷暂态特征和负荷稳态特征组合而成;
S1012、将数据集A分成训练样本集和测试样本集两部分;
S1013、以x为输入,以y为输出,建立极限学习机输出模型;
S1014、利用训练样本集不断地学习更新极限学习机中的输出权重,并利用测试样本集对当前极限学习机输出模型进行验证,直到分类结果的误差小于设定阈值。
本实施例给出了基于极限学习机建立待监测家庭的家用电器分类器的技术方案。本实施例采用监督学习方法,给每个输入特征向量打上标签(负荷类别),训练家用电器分类器,有利于获得精度较高的分类器。分类器的建立方法属于现有技术,这里不进一步展开详细说明。
作为一种可选实施例,所述S102采用双边滑窗CUSUM算法检测家用电器启停事件,具体包括:
S1021、将实时采集的电流数据输入到一个宽度为2N的滑窗;
S1022、用滑窗中后N个电流值数据的平均值减去前N个电流数据的平均值,得到一个差值;
S1023、如果所述差值大于设定的大于0的第一阈值,则有家用电器从关停状态变为开通状态;如果所述差值小于设定的小于0的第二阈值,则有家用电器从开通状态变为关停状态;如果所述差值大于或等于第二阈值小于或等于第一阈值,则更新滑窗数据,重复S1022、S1023,直到检测到有家用电器发生启停事件。
本实施例给出了一种检测启停事件的技术方案。当有家用电器发生启停事件时,变化最明显的是用电总线上的电流,比如,有家用电器关闭时,用电总线上的电流减小;反之,有家用电器开启时,用电总线上的电流增大。双边滑窗CUSUM算法就是根据这一原理进行检测的。其中,滑窗宽度2N的值与数据采集频率、检测精度及数据处理速度要求等有关,一般根据经验确定,如N=5。双边滑窗CUSUM算法属于现有技术,这里不进一步展开详细说明。
上述仅对本发明中的几种具体实施例加以说明,但并不能作为本发明的保护范围,凡是依据本发明中的设计精神所做出的等效变化或修饰或等比例放大或缩小等,均应认为落入本发明的保护范围。
Claims (4)
1.一种非侵入式家用电器负荷识别方法,其特征在于,包括以下步骤:
步骤1,基于历史数据建立的数据集A=(x i ,y i )和极限学习机建立待监测家庭的家用电器分类器,x i 为负荷特征向量,y i 为家用电器类别,i=1,2,…,n,n为数据个数;负荷特征向量由负荷暂态特征和负荷稳态特征组合而成;
步骤2,实时采集待监测家庭用电总线上的电压和电流,并检测是否发生家用电器启停事件;
步骤3,如果发生家用电器启停事件,将实时采集的电压数据和电流数据划分为暂态数据序列和稳态数据序列;对暂态数据序列进行小波变换,获取所述家用电器暂态过程的时频谱特性,作为负荷暂态特征;对稳态数据序列进行FFT变换,获取所述家用电器稳态过程的频谱特性,作为负荷稳态特征;将负荷暂态特征和负荷稳态特征组合成负荷特征向量;
步骤4,将所述负荷特征向量输入所述家用电器分类器,得到发生家用电器启停事件的家用电器的类别。
2.根据权利要求1所述的非侵入式家用电器负荷识别方法,其特征在于,所述方法还包括:通过在线学习,对所述家用电器分类器进行更新。
3.根据权利要求1所述的非侵入式家用电器负荷识别方法,其特征在于,所述步骤1具体包括:
步骤1.1,利用历史数据建立数据集A=(x i ,y i ),x i 为负荷特征向量,y i 为家用电器类别,i=1,2,…,n,n为数据个数;负荷特征向量由负荷暂态特征和负荷稳态特征组合而成;
步骤1.2,将数据集A分成训练样本集和测试样本集两部分;
步骤1.3,以x为输入,以y为输出,建立极限学习机输出模型;
步骤1.4,利用训练样本集不断地学习更新极限学习机中的输出权重,并利用测试样本集对当前极限学习机输出模型进行验证,直到分类结果的误差小于设定阈值。
4.根据权利要求1所述的非侵入式家用电器负荷识别方法,其特征在于,所述步骤2采用双边滑窗CUSUM算法检测家用电器启停事件,具体包括:
步骤2.1,将实时采集的电流数据输入到一个宽度为2N的滑窗;
步骤2.2,用滑窗中后N个电流数据的平均值减去前N个电流数据的平均值,得到一个差值;
步骤2.3,如果所述差值大于设定的大于0的第一阈值,则有家用电器从关停状态变为开通状态;如果所述差值小于设定的小于0的第二阈值,则有家用电器从开通状态变为关停状态;如果所述差值大于或等于第二阈值小于或等于第一阈值,则更新滑窗数据,重复步骤2.2、步骤2.3,直到检测到有家用电器发生家用电器启停事件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911281201.2A CN110956220B (zh) | 2019-12-11 | 2019-12-11 | 一种非侵入式家用电器负荷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911281201.2A CN110956220B (zh) | 2019-12-11 | 2019-12-11 | 一种非侵入式家用电器负荷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956220A CN110956220A (zh) | 2020-04-03 |
CN110956220B true CN110956220B (zh) | 2023-10-31 |
Family
ID=69981399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911281201.2A Active CN110956220B (zh) | 2019-12-11 | 2019-12-11 | 一种非侵入式家用电器负荷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956220B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914899B (zh) * | 2020-06-30 | 2023-09-15 | 华南理工大学 | 一种结合人工规则与机器学习的电力负荷识别方法 |
CN112067918A (zh) * | 2020-07-27 | 2020-12-11 | 南京航灵信息科技有限公司 | 基于事件检测的非侵入式负荷识别方法和系统 |
CN112149510B (zh) * | 2020-08-27 | 2022-05-10 | 广东工业大学 | 一种非侵入式负荷检测方法 |
CN112560889A (zh) * | 2020-11-06 | 2021-03-26 | 云南电网有限责任公司电力科学研究院 | 一种电力负荷识别方法 |
CN112653128B (zh) * | 2020-12-03 | 2022-06-10 | 江苏方天电力技术有限公司 | 一种基于k最近邻法的居民负荷辨识方法 |
CN112465268B (zh) * | 2020-12-16 | 2022-04-26 | 北京航空航天大学 | 一种在线家庭负荷用电组合识别与耗电预测的方法 |
CN113036754A (zh) * | 2021-03-05 | 2021-06-25 | 重庆邮电大学 | 一种基于改进dag-svms的非侵入式负荷辨识方法 |
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 |
CN113420584A (zh) * | 2021-03-16 | 2021-09-21 | 国网河南省电力公司安阳供电公司 | 基于遗传优化神经网络的负荷识别方法、装置和存储介质 |
CN113033821A (zh) * | 2021-03-29 | 2021-06-25 | 上海思创电器设备有限公司 | 一种应用于算法核心单元的负载识别机器学习系统 |
CN113285442B (zh) * | 2021-04-21 | 2023-01-31 | 广东工业大学 | 基于非侵入式负荷特征的单一用电设备识别方法及装置 |
CN114325081A (zh) * | 2021-12-29 | 2022-04-12 | 润建股份有限公司 | 一种基于多模态特征的非侵入式负荷识别方法 |
CN114629759B (zh) * | 2022-03-16 | 2023-05-23 | 中国电子科技集团公司第十研究所 | 一种空中目标通信信号细微特征识别方法及系统 |
CN114996182B (zh) * | 2022-05-23 | 2024-04-26 | 中国计量大学 | 一种用于负荷识别模型训练的稳态数据流输出装置 |
CN115407157A (zh) * | 2022-10-31 | 2022-11-29 | 南昌工程学院 | 一种复杂多态电器负荷事件判别方法及装置 |
CN116861318B (zh) * | 2023-09-05 | 2023-11-21 | 国网浙江省电力有限公司余姚市供电公司 | 一种用户用电负荷分类方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105186693A (zh) * | 2015-09-28 | 2015-12-23 | 南方电网科学研究院有限责任公司 | 一种非侵入式用电负荷辨识系统及方法 |
CN105652118A (zh) * | 2015-12-29 | 2016-06-08 | 国家电网公司 | 一种基于负荷瞬时能量特征的电网电能负荷监测方法 |
CN107273920A (zh) * | 2017-05-27 | 2017-10-20 | 西安交通大学 | 一种基于随机森林的非侵入式家用电器识别方法 |
CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
CN110555369A (zh) * | 2019-07-16 | 2019-12-10 | 浙江工业大学 | 一种基于mlcdtl的非侵入式负荷识别方法 |
-
2019
- 2019-12-11 CN CN201911281201.2A patent/CN110956220B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105186693A (zh) * | 2015-09-28 | 2015-12-23 | 南方电网科学研究院有限责任公司 | 一种非侵入式用电负荷辨识系统及方法 |
CN105652118A (zh) * | 2015-12-29 | 2016-06-08 | 国家电网公司 | 一种基于负荷瞬时能量特征的电网电能负荷监测方法 |
CN107273920A (zh) * | 2017-05-27 | 2017-10-20 | 西安交通大学 | 一种基于随机森林的非侵入式家用电器识别方法 |
CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
CN110555369A (zh) * | 2019-07-16 | 2019-12-10 | 浙江工业大学 | 一种基于mlcdtl的非侵入式负荷识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110956220A (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956220B (zh) | 一种非侵入式家用电器负荷识别方法 | |
CN108021736B (zh) | 一种基于滑动窗残差模型的负荷投切动作监测方法 | |
CN111830347B (zh) | 一种基于事件的两阶段非侵入式负荷监测方法 | |
CN111027408A (zh) | 一种基于支持向量机和v-i曲线特征的负荷识别方法 | |
CN111209976B (zh) | 一种非侵入式负荷监测方法及系统 | |
CN110119545B (zh) | 一种基于栈式自编码器的非侵入式电力负荷识别方法 | |
CN111722028A (zh) | 一种基于高频数据的负荷识别方法 | |
CN113361831B (zh) | 基于优先级分配的非侵入式负荷辨识电量分解方法及系统 | |
Wu et al. | A load identification algorithm of frequency domain filtering under current underdetermined separation | |
CN114444539A (zh) | 电力负荷识别方法、装置、设备、介质和程序产品 | |
CN109782086B (zh) | 一种基于多维度信号分析的非侵入负荷识别方法 | |
Dan et al. | Review of non-intrusive load appliance monitoring | |
CN114942344A (zh) | 一种非侵入式用电器识别方法、系统、介质、设备及终端 | |
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 | |
CN113193654A (zh) | 一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测方法 | |
Hu et al. | An improved time–frequency feature fusion based nonintrusive load monitor for load identification | |
Liu et al. | Nonintrusive Load Disaggregation Combining with External Attention Mechanism and Seq2Piont | |
Zhou et al. | Research on non-invasive load monitoring based on convolutional neural network | |
CN115758188A (zh) | 一种非侵入式的负荷识别方法、装置、设备和介质 | |
CN111199014B (zh) | 一种基于时间序列的seq2point的NILM方法及装置 | |
CN114676783A (zh) | 一种基于单分类结合模糊宽度学习的负荷识别方法 | |
Huang et al. | An online non-intrusive load monitoring method based on Hidden Markov model | |
Li et al. | The investigation of residential load identification technologies | |
ShengBo et al. | Research on Non-intrusive Load Identification Technology Based on Deep Learning | |
Zhang et al. | The Method for Extraction and Identification of Non-intrusive Household Appliances Load Features Based on WPT Algorithm |
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 |