CN113554076B - 基于小波分解的非侵入式建筑系统能耗监测方法 - Google Patents
基于小波分解的非侵入式建筑系统能耗监测方法 Download PDFInfo
- Publication number
- CN113554076B CN113554076B CN202110786054.5A CN202110786054A CN113554076B CN 113554076 B CN113554076 B CN 113554076B CN 202110786054 A CN202110786054 A CN 202110786054A CN 113554076 B CN113554076 B CN 113554076B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- building
- data
- total
- building system
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 184
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004378 air conditioning Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 2
- 238000005065 mining Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于小波分解的非侵入式建筑系统能耗监测方法，包括：采集建筑总能耗数据，使用小波分解将建筑总能耗分为低频与高频成分，使用建筑总能耗低频与高频成分的小波系数、时刻与星期特征作为分解器模型的特征，测量获取建筑系统分项能耗，将建筑系统分项能耗及其对应特征划分为训练集与测试集；使用训练集和测试集得到分解器模型；对获取新的一栋建筑总能耗数据进行同样的处理来构建建筑系统分项能耗特征集，将其作为该分解器模型的输入对建筑系统能耗进行分解，输出对应的建筑系统分项能耗。本发明保证了数据的可利用性，通过挖掘建筑系统分项能耗数据的特征，使用能表征建筑系统分项能耗特征的多维特征来获取建筑系统分项能耗数据。
Description
技术领域
本发明涉及建筑节能领域，具体是一种基于小波分解的非侵入式建筑系统能耗监测方法。
背景技术
随着社会经济发展，我国建筑能耗整体呈迅速增长趋势。详细的建筑系统分项能耗可帮助用户更好了解建筑各系统运行特性，为建筑节能改造与系统优化控制提供个性化意见，降低建筑能耗，减少建筑碳排放。
传统的能耗监测方法即侵入式负荷监测，需要在末端设备分别安装传感器，因此该方法会造成初投资与维护成本较高等问题，且会占据一定的使用空间，在实际应用中存在一定局限性。非侵入式负荷监测技术仅需监测建筑总能耗，然后通过机器学习算法来监测并识别分项能耗。与侵入式负荷监测方法相比，该方法所需安装的传感器较少，初投资与维护成本相对较低，且对用户造成的侵扰较小，因而该方法得到广泛的关注。非侵入式负荷监测方法主要包括四个步骤，即数据获取与预处理、事件检测、特征提取与能耗识别。
现有研究和专利主要集中于电力领域中建筑内部各类设备的电力负荷分解的问题上。如论文《计及小波设计和半监督机器学习的非侵入式负载识别》与《基于小波设计和数据挖掘算法协同训练的非侵入式负载识别》使用小波分解提取家用电器的开关暂态特性的特征信息，从而识别出家用电器的开关状态来对家庭用户的能耗进行分解。该类设备往往仅包含开/关两种状态或有限态，属于离散负载，利用算法识别出设备状态并估算能耗，从而实现负荷分解，其难度较小。虽然非侵入式负荷监测方法日渐完善，但针对建筑系统分项能耗监测仍存在一定的问题：
(1)非侵入式负荷监测方法主要应用在对单个设备能耗，对建筑系统分项能耗监测研究较少；
(2)在建筑内部各系统内通常包含大量各类设备，由于各设备启停组合较多，其负荷近似为连续性状态，难以通过识别系统状态来获取系统能耗。
发明内容
本发明提供一种非侵入式建筑系统能耗监测方法，该方法仅需监测建筑总能耗数据，通过机器学习算法实现对建筑总能耗的分解，获得准确的建筑系统分项能耗，从而解决现有技术中需要侵入建筑空间对能耗进行监测，以及难以对连续性的建筑系统分项能耗进行识别的技术问题。
为了解决以上技术问题，本发明提供了一种基于小波分解的非侵入式建筑系统能耗监测方法，包括以下步骤：
(1)采集建筑总能耗数据；
(2)对步骤(1)中获取的建筑总能耗数据进行预处理，包括剔除异常值和线性插值处理；
(3)通过对建筑内各系统的末端设备能耗进行测量，获取建筑系统分项能耗，使用小波分解从步骤(2)预处理后的建筑总能耗数据中提取低频与高频成分的小波系数，将提取的低频与高频成分的小波系数与时刻、星期作为分解器模型的特征与测量获取的建筑系统分项能耗构成获取分解器所需的数据集；
(4)使用随机抽样的方法对在步骤(3)得到的数据集进行抽样，整个数据集被划分为训练集与测试集两部分，训练集与测试集的比例根据经验选取；
(5)使用步骤(4)随机取样获得的训练集数据对分解器进行训练，并使用测试集对模型的泛化能力进行验证，最后得到分解精度较高的分解器模型，供分解使用；
(6)当获取新的一栋建筑的总能耗数据后，按照步骤(2)中数据预处理方法对建筑总能耗数据进行处理，再按照步骤(3)中特征提取方法对预处理后的建筑总能耗数据进行小波分解得到建筑系统低频与高频成分的小波系数，将提取的低频与高频成分的小波系数与时刻、星期作为步骤(5)得到的分解器模型的输入进行建筑总能耗分解，输出对应的建筑系统分项能耗。
进一步的，所述建筑系统分项能耗包括空调系统能耗、照明系统能耗、插座系统能耗以及电梯系统能耗。
进一步的，还包括步骤(7)：对建筑系统分项能耗结果进行分析，分析出各建筑系统分项能耗所占比重，根据各建筑系统分项能耗所占比重对建筑节能改造提出合理建议。
进一步的，步骤(2)中所述异常值为(μ-3σ，μ+3σ)区间外的建筑总能耗数据，其中μ为建筑总能耗数据的平均值，σ为建筑总能耗数据的标准差。
进一步的，所述建筑总能耗数据的平均值μ以及建筑总能耗数据的标准差σ由以下公式计算得到：
其中，N为建筑总能耗数据的采样数，i为建筑总能耗数据的顺序编号，Xi为第i个建筑总能耗数据值。
进一步的，执行步骤(2)的剔除操作后，对剔除后的空缺值进行线性插值填补。
进一步的，所述对剔除后的空缺值进行线性插值填补具体为：
Xn+1＝2Xn-Xn-1
其中，Xn+1为空缺值或缺失值，Xn为空缺值或缺失值前一个采样周期的值，Xn-1为空缺值或缺失值前两个采样周期的值。
进一步的，步骤(3)中采用db小波族对建筑总能耗进行单层小波分解，得到1个高频成分小波系数D1及1个低频成分小波系数A1，并将其作为建筑分项能耗特征之一。
进一步的，步骤(5)中所述分解器模型为随机森林模型。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：
(1)本发明创新性地提出一种以建筑总能耗低频与高频成分的小波系数、时刻与星期作为特征，获取建筑系统分项能耗的新型非侵入式负荷监测方法。在该方法中，首先需要对采集到的建筑总能耗数据进行预处理，通过数据清洗与填补，提升数据样本的质量，保证数据的可用性。通过对建筑系统分项能耗影响因素的提取，选择能表征建筑系统分项能耗的多维特征，建立能较准确分解建筑总能耗数据的随机森林分解器，获得建筑系统分项能耗。
(2)本发明改进了传统的侵入式负荷监测方法，无需识别负荷状态，直接将在步骤(3)中获取的建筑分项能耗特征输入分解器模型即可获得建筑分项能耗，将非侵入式监测方法应用于建筑系统分项能耗，以安全、经济、准确的方式获得建筑系统分项能耗信息。
(3)传统的负荷识别方法是通过识别负荷得投切状态，通过功率来估计负荷，因而该方式无法识别连续状态的负荷。本发明使用建筑总能耗低频与高频成分的小波系数、时刻与星期作为特征，直接对建筑系统分项能耗进行识别，从而解决连续性的建筑系统分项能耗难以识别的技术问题。
(4)本发明优选地，使用随机森林模型建立起建筑总能耗分解模型，该模型泛化能力强、分解精度高。
附图说明
图1是本发明基于小波分解的非侵入式建筑系统能耗监测方法的流程示意图。
具体实施方式
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的一部分实施例，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的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种新型的基于小波分解的非侵入式建筑系统能耗监测方法。
第一步：数据采集
通过安装在建筑内部的建筑管理系统，采集一段时间内的建筑总能耗数据，为下一步建筑系统分项能耗分解提供数据基础。本实施例中每小时采集一次数据，在实施时也可以使用更高采样频率对数据进行采样。
第二步：数据预处理
对获取的原始的建筑总能耗数据进行预处理，包括剔除异常值和插值处理。具体地：
计算所有获取的建筑总能耗数据的平均值与标准差：
其中，N为采集的建筑总能耗数据的采样数，Xi为建筑总能耗数据值，μ为建筑总能耗数据的平均值，σ为建筑总能耗数据的标准差；
对(μ-3σ，μ+3σ)区间外的冷负荷数据进行剔除，并对剔除后空缺值以及实测数据中缺失值进行线性插值填补与扩充；具体：
Xn+1＝2Xn-Xn-1
其中，Xn+1为缺失值或空缺值，Xn为空缺值前一个采样周期的值，Xn-1为空缺值前两个采样周期的值；
第三步：特征提取
通过对建筑内各系统的末端设备能耗进行测量，获取空调系统能耗、照明系统能耗、插座系统能耗以及电梯系统能耗等建筑系统分项能耗信息。采用db小波族对建筑总能耗进行单层小波分解，得到1个高频成分小波系数D1及1个低频成分小波系数A1。将建筑总能耗低频与高频成分的小波系数、时刻与星期作为分解器模型的特征，输入分解器中获取建筑系统分项能耗。
第四步：划分训练集与测试集
使用随机抽样的方法对在第三步得到的数据集进行抽样，整个数据集被划分为训练集与测试集两部分，训练集与测试集的比例根据经验选择。
第五步：模型建立与训练
使用第四步随机取样获得的训练集数据对随机森林分解器进行训练，并使用测试集数据对模型的泛化能力进行验证，最后得到分解精度较高的分解器模型，供分解使用。
第六步：使用分解器模型对建筑总能耗进行分解
当获取新的一栋建筑总能耗数据后，按照第二步数据预处理的方式对建筑总能耗数据进行预处理，并按照第三步提取建筑系统分项能耗特征，然后将获得的建筑系统分项能耗特征输入到分解器模型进行建筑总能耗分解，建筑系统分项能耗特征为对应时刻的建筑总能耗低频与高频成分的小波系数、时刻与星期，输出为对应的建筑系统分项能耗；
第七步：模型分解结果分析
对建筑系统分项能耗结果进行分析，分析出各建筑系统分项能耗所占比重，对建筑节能改造提出合理建议。
与现有技术相比，本发明具有如下的有益效果：本发明创新性地提出一种基于小波分解的非侵入式建筑系统能耗监测方法。在此方法中，首先对采集到的建筑总能耗数据进行预处理，通过数据清洗与填补，提升数据的质量，保证数据的可用性。通过对建筑系统分项能耗影响因素的挖掘，选取能影响建筑系统分项能耗的特征，建立起分解精度较高、泛化能力强的随机森林分解器用于分解建筑总能耗数据，获得建筑系统分项能耗。
本发明创新性的提出了一种建筑系统分项能耗监测方法，扩充了传统非侵入式监测系统监测对象，以经济、安全、准确的方式获取到建筑系统分项能耗信息。
下面介绍本发明的一个具体应用场景：
本发明为一种基于小波分解的非侵入式建筑系统能耗监测方法，如图1所示，按照如下详细步骤进行处理：
具体步骤如下：
第一步：数据采集
通过安装在建筑内部的建筑管理系统，每隔1小时采集一次建筑总能耗数据，采集汇总后的数据样表如表1所示。
表1数据采集样表
第二步：数据预处理
对获取的原始的建筑总能耗数据进行预处理，包括剔除异常值和线性插值处理。以采集的四个点为例，首先计算四个建筑总能耗数据的平均值与标准差：
对(μ-3σ，μ+3σ)即(150.9，168.3)区间外的建筑总能耗数据进行剔除，该组数据无剔除值；假设5点时建筑总能耗数据值空缺，对其进行线性插值填补与扩充：
Xn+1＝2Xn-Xn-1＝2×163.7-158.3＝169.1
第三步：特征提取
通过对建筑内各系统的末端设备能耗进行测量，获取空调系统能耗、照明系统能耗、插座系统能耗以及电梯系统能耗等建筑系统分项能耗信息。采用db小波族对建筑总能耗进行单层小波分解，得到1个高频成分小波系数D1及1个低频成分小波系数A1。将建筑总能耗低频与高频成分的小波系数、时刻与星期作为分解器模型的特征，输入分解器中获取建筑系统分项能耗。建筑系统分项能耗信息及各特征列表如表2所示：
表2建筑系统分项能耗信息及各特征表
第四步：划分训练集与测试集
使用随机抽样的方法对在第三步得到的数据集进行抽样，整个数据集被划分为训练集与测试集两部分，训练集与测试集的比例根据经验选取75％与25％。
第五步：模型建立与训练
使用第四步随机取样获得的训练集数据对随机森林分解器进行训练，并使用测试集数据对模型的泛化能力进行验证，最后得到分解精度较高的分解器模型，供分解使用。
第六步：调用分解器模型进行分解
当获取新的一栋建筑总能耗数据后，按照第二步数据预处理的方式对建筑总能耗数据进行预处理，再按照第三步中特征提取方法对预处理后的建筑总能耗数据处理获得的建筑系统分项能耗特征，然后将获得的建筑系统分项能耗特征输入到分解器模型进行建筑总能耗分解，建筑系统分项能耗特征为对应时刻的建筑总能耗低频与高频成分的小波系数、时刻与星期，输出为对应时刻的建筑系统分项能耗；
第七步：模型分解结果分析
对建筑系统分项能耗结果进行分析，在该案例中空调系统能耗占比较大，在实际节能改造中应对空调系统进行运行控制策略优化，或对进行排风热回收以及加强围护结构保温从而减小空调系统能耗。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于小波分解的非侵入式建筑系统能耗监测方法，其特征在于：包括以下步骤：
(1)采集建筑总能耗数据；
(2)对步骤(1)中获取的建筑总能耗数据进行预处理，包括剔除异常值和线性插值处理；
(3)通过对建筑内各系统的末端设备能耗进行测量，获取建筑系统分项能耗，使用小波分解从步骤(2)预处理后的建筑总能耗数据中提取低频与高频成分的小波系数，将提取的低频与高频成分的小波系数与时刻、星期作为分解器模型的特征与测量获取的建筑系统分项能耗构成获取分解器所需的数据集；
(4)使用随机抽样的方法对在步骤(3)得到的数据集进行抽样，整个数据集被划分为训练集与测试集两部分，训练集与测试集的比例根据经验选取；
(5)使用步骤(4)随机取样获得的训练集数据对分解器进行训练，并使用测试集对模型的泛化能力进行验证，最后得到分解精度较高的分解器模型，供分解使用；
(6)当获取新的一栋建筑的总能耗数据后，按照步骤(2)中数据预处理方法对建筑总能耗数据进行处理，再按照步骤(3)中特征提取方法对预处理后的建筑总能耗数据进行小波分解得到建筑系统低频与高频成分的小波系数，将提取的低频与高频成分的小波系数与时刻、星期作为步骤(5)得到的分解器模型的输入进行建筑总能耗分解，输出对应的建筑系统分项能耗；
所述建筑系统分项能耗包括空调系统能耗、照明系统能耗、插座系统能耗以及电梯系统能耗；
步骤(3)中采用db小波族对建筑总能耗进行单层小波分解，得到1个高频成分小波系数D1及1个低频成分小波系数A1，并将其作为建筑分项能耗特征之一。
2.如权利要求1所述的基于小波分解的非侵入式建筑系统能耗监测方法，其特征在于：还包括步骤(7)：对建筑系统分项能耗结果进行分析，分析出各建筑系统分项能耗所占比重，根据各建筑系统分项能耗所占比重对建筑节能改造提出合理建议。
3.如权利要求1所述的基于小波分解的非侵入式建筑系统能耗监测方法，其特征在于：步骤(2)中所述异常值为(μ-3σ，μ+3σ)区间外的建筑总能耗数据，其中μ为建筑总能耗数据的平均值，σ为建筑总能耗数据的标准差。
4.如权利要求3所述的基于小波分解的非侵入式建筑系统能耗监测方法，其特征在于：所述建筑总能耗数据的平均值μ以及建筑总能耗数据的标准差σ由以下公式计算得到：
其中，N为建筑总能耗数据的采样数，i为建筑总能耗数据的顺序编号，Xi为第i个建筑总能耗数据值。
5.如权利要求1所述的基于小波分解的非侵入式建筑系统能耗监测方法，其特征在于：执行步骤(2)的剔除操作后，对剔除后的空缺值进行线性插值填补。
6.如权利要求5所述的基于小波分解的非侵入式建筑系统能耗监测方法，其特征在于：所述对剔除后的空缺值进行线性插值填补具体为：
Xn+1＝2Xn-Xn-1
其中，Xn+1为空缺值或缺失值，Xn为空缺值或缺失值前一个采样周期的值，Xn-1为空缺值或缺失值前两个采样周期的值。
7.如权利要求1所述的基于小波分解的非侵入式建筑系统能耗监测方法，其特征在于：步骤(5)中所述分解器模型为随机森林模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110786054.5A CN113554076B (zh) | 2021-07-12 | 2021-07-12 | 基于小波分解的非侵入式建筑系统能耗监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110786054.5A CN113554076B (zh) | 2021-07-12 | 2021-07-12 | 基于小波分解的非侵入式建筑系统能耗监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113554076A CN113554076A (zh) | 2021-10-26 |
| CN113554076B true CN113554076B (zh) | 2022-11-01 |
Family
ID=78102990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110786054.5A Active CN113554076B (zh) | 2021-07-12 | 2021-07-12 | 基于小波分解的非侵入式建筑系统能耗监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113554076B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5483153A (en) * | 1994-03-24 | 1996-01-09 | Massachusetts Institute Of Technology | Transient event detector for use in nonintrusive load monitoring systems |
| CN111428755A (zh) * | 2020-02-29 | 2020-07-17 | 国网(苏州)城市能源研究院有限责任公司 | 非侵入式负荷监测方法 |
| CN111985361A (zh) * | 2020-08-05 | 2020-11-24 | 武汉大学 | 小波降噪和emd-arima的电力系统负荷预测方法及系统 |
-
2021
- 2021-07-12 CN CN202110786054.5A patent/CN113554076B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5483153A (en) * | 1994-03-24 | 1996-01-09 | Massachusetts Institute Of Technology | Transient event detector for use in nonintrusive load monitoring systems |
| CN111428755A (zh) * | 2020-02-29 | 2020-07-17 | 国网(苏州)城市能源研究院有限责任公司 | 非侵入式负荷监测方法 |
| CN111985361A (zh) * | 2020-08-05 | 2020-11-24 | 武汉大学 | 小波降噪和emd-arima的电力系统负荷预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 《Non-Intrusive Electric Load identification using Wavelet Transform》;Jose A.Hoyo-Montano，et al;《Ingenieria e Investigacion》;20180831;第38卷(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113554076A (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | Fault diagnosis of rolling bearings using weighted horizontal visibility graph and graph Fourier transform | |
| CN103018629A (zh) | 一种基于马拉算法的电力系统故障录波数据分析方法 | |
| Figueiredo et al. | Wavelet decomposition and singular spectrum analysis for electrical signal denoising | |
| CN111044902A (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
| CN110775758B (zh) | 一种基于轿厢加速度信号解析的电梯运行健康度评价方法 | |
| Fourie et al. | Advanced process monitoring using an on-line non-linear multiscale principal component analysis methodology | |
| CN108645620A (zh) | 一种基于信息熵和多尺度形态学的滚动轴承早期故障诊断方法 | |
| CN106680621A (zh) | 一种基于电流信号分离的居民负荷用电识别方法 | |
| CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
| CN109581268A (zh) | 一种光纤电流互感器故障诊断方法及装置 | |
| Li et al. | Multi-fault diagnosis of rotating machinery via iterative multivariate variational mode decomposition | |
| CN115081331A (zh) | 一种基于状态参数重构误差的风电机组运行状态异常检测方法 | |
| CN113554076B (zh) | 基于小波分解的非侵入式建筑系统能耗监测方法 | |
| CN107340133A (zh) | 一种基于拟合提升小波和高阶累积分析的轴承状态监测方法 | |
| CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
| CN117269660A (zh) | 基于变异系数差分算法的故障电弧检测方法及系统 | |
| CN113191418A (zh) | 基于室外气象参数的非侵入式建筑分项冷负荷监测方法 | |
| CN107908728B (zh) | 一种在线监测数据历史值的储存及访问方法 | |
| CN110994802A (zh) | 一种输电导线运行状态监测方法和装置 | |
| CN116500391A (zh) | 一种基于频域特征的故障电弧检测方法、系统及存储介质 | |
| CN115292776A (zh) | 一种基于索力监测数据的斜拉桥车致索力实时在线提取方法 | |
| CN109388512A (zh) | 针对大规模计算机集群异常程度的评估与分析系统 | |
| CN115825602A (zh) | 一种综合多元信息相似性分析的负荷辨识方法及系统 | |
| Rui et al. | Research on fault diagnosis and state assessment of vacuum pump based on acoustic emission sensors | |
| WO2023284934A1 (en) | Electrical signal analysis and appliance monitoring |
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 |