CN113673830A - 基于非侵入式负荷监测技术的自适应家庭能量管理方法 - Google Patents

基于非侵入式负荷监测技术的自适应家庭能量管理方法 Download PDF

Info

Publication number
CN113673830A
CN113673830A CN202110843131.6A CN202110843131A CN113673830A CN 113673830 A CN113673830 A CN 113673830A CN 202110843131 A CN202110843131 A CN 202110843131A CN 113673830 A CN113673830 A CN 113673830A
Authority
CN
China
Prior art keywords
energy management
appliance
power
ith
period
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.)
Granted
Application number
CN202110843131.6A
Other languages
English (en)
Other versions
CN113673830B (zh
Inventor
彭秉刚
邱磊鑫
余涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110843131.6A priority Critical patent/CN113673830B/zh
Publication of CN113673830A publication Critical patent/CN113673830A/zh
Application granted granted Critical
Publication of CN113673830B publication Critical patent/CN113673830B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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]
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/10—The network having a local or delimited stationary reach
    • H02J2310/12—The local stationary network supplying a household or a building
    • H02J2310/14—The load or loads being home appliances
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)

Abstract

本发明公开了一种基于非侵入式负荷监测技术的自适应家庭能量管理方法，包括如下步骤：首先，通过非侵入式负荷监测技术获得必要的用户用电细节，如家电类型、终端用户行为偏好等。采用离散贝叶斯网络对用户用电行为进行建模，自适应地将非侵入式负荷监测结果与家庭能量管理策略相结合。最后，建立基于经济性指标、时间舒适度指标和温度舒适度指标的混合整数线性多目标模型用于家庭能量管理系统的优化调度。本发明提出的家庭能量管理方法的结构相当灵活，可以采用并网发电的方式，即居民用户可以根据自己的用电需求来决定购电或售电。

Description

基于非侵入式负荷监测技术的自适应家庭能量管理方法
技术领域
本发明涉及非侵入式负荷监测和家庭能量管理领域，具体涉及一种基于非侵入式负荷监测技术的自适应家庭能量管理方法。
背景技术
随着全球气候的逐渐恶化和极端天气事件的频繁发生，世界各国将减少温室气体排放作为全球协议的国际共识。据统计，居民和商业用电占全球能源消费的40％以上，二氧化碳排放量超过总排放量的三分之一。为此，近年来提出了一系列节能方案。最有效的策略之一是在家电层面向消费者提供详细的用电信息，以优化能源消费管理。据研究向用户提供用电反馈可以节省高达20％的用电，这有利于消费者参与电力市场，并为全球节能减排做出贡献。作为一种信息提供技术，非侵入式负荷监测(NILM)可以从建筑物的电源读数中提取目标家电的详细用电量。与成本高、维护复杂、实用性差的侵入式负荷监测相比，近些年来NILM受到了更广泛的关注。
值得注意的是，高精度的NILM结果不仅可以减少侵入式设备的支出，还可以帮助消费者参与需求侧响应。通常，需求侧响应通常以自上而下的方式运行，居民用户几乎不可能通过监测电价来改变用电行为，因为这既繁琐又低效。相反，如果将NILM结果用于构建自下而上的需求响应策略，其经济效果可能是显著的。在NILM的帮助下，可以自动监控每个家电的消费行为，根据这些行为可以分析每个家庭的特定电力需求画像。然而，关于这一主题的研究却很少。文献(Y.H.Lin,M.S.Tsai,An advanced home energy management systemfacilitated by nonintrusive load monitoring with automated multiobjectivepower scheduling,IEEE Transactions on Smart Grid 2015(6):1839–1851.)提出了一种基于KNN的能量分解技术和一个基于遗传算法的多目标家庭能量管理系统，但这种方法在人工提取特征时非常耗时，而且遗传算法不能总是保证收敛到全局最优解；文献(H.Imen,N.Etinkaya,J.C.V asquez,J.M.Guerrero,Amicrogrid energy managementsystem based on non-intrusive load monitoring via multitask learning,IEEETransactions on Smart Grid 2021(12):977–987.)提出了一种高效的基于NILM的能量管理系统，该系统根据NILM结果得到的多个运行参数来规划可调度的任务，然而，所需参数不能完全反映用电行为，其获取与NILM结果无关，这意味着，在用户的用电习惯动态变化的情况下，HEMS策略将表现不佳。因此亟需一种能充分结合NILM结果，且具有动态自适应能力的HEMS方法
发明内容
本发明提出一种基于非侵入式负荷监测技术的自适应家庭能量管理方法，该方法具有逻辑清晰、运行成本低、提高整体用户舒适度、能动态追踪用户实时用电行为的特点。
本发明的目的至少通过如下技术方案实现。
基于非侵入式负荷监测技术的自适应家庭能量管理方法，包括如下步骤：
步骤1、通过非侵入式负荷监测模型获得用户用电数据；
步骤2、对家庭能量管理系统中所包含的各类电器进行建模；
步骤3、建立基于离散贝叶斯网络的负荷行为模型；
步骤4、建立基于家庭能量管理系统的混合整数线性多目标优化模型。
优选的，所述非侵入式负荷监测模型为：
对于某一家庭用户，在t＝{1,2,…T}时刻家庭总负荷功率序列
Figure BDA0003177936450000021
表示为：
Figure BDA0003177936450000022
式中，Psum(k)是时刻k的总负荷功率；Pi(k)是时刻k第i种电器的功率；e(k)为模型噪声；NN是不可调控电器的数目，NS是可调控电器的数目；
从给定的总负荷功率序列
Figure BDA0003177936450000031
中提取目标电器的运行特征，并分解出目标电器的功率序列
Figure BDA0003177936450000032
优选的，步骤2中，所述家庭能量管理系统包括各种电器，所述电器被分类为不可调控的电器和可调控的电器；不可调控的设备包括灯、冰箱和其他不能根据需求响应信号进行调度的设备；可调度的电器能够响应调度指令改变其自身用电行为，包括洗衣机、洗碗机和空调；对于高压交流电器，其工作状态取决于室外温度、室内温度、用户设定的可接受的温度范围、房间的热阻和热容量的参数，数学模型用离散的热力学模型来表示：
Figure BDA0003177936450000033
式中，
Figure BDA0003177936450000034
为t时段的室内温度，R为房间热阻，C为房间热容量，PAC为空调的额定功率，
Figure BDA0003177936450000035
为t时段室外温度，Δt是调度时间间隔。
优选的，步骤3中，所述基于离散贝叶斯网络的负荷行为模型包括：
(1)根据调度区间划分负荷使用时段，将每个时段的负荷状态作为网络的父节点，将负荷的使用次数作为子节点；
(2)根据父节点和子节点之间的因果关系，在网络中增加一条有向边；
(3)利用先验知识计算用电量的后验概率，构建各用电器的离散贝叶斯网络：
假设一天被分成n个调度时段，那么第i个电器的m天历史数据表示为矩阵ui,m：
Figure BDA0003177936450000036
式中，
Figure BDA0003177936450000037
表示第i个电器在第m天第n时段的使用状态，只有两种状态，1表示在该时段使用了电器，0表示未使用，
Figure BDA0003177936450000038
表示第i个电器在第m天的使用次数；
假设第i台设备一天的使用次数为NOUi，则节点Si,seg＝1＝1的值的概率如下：
Figure BDA0003177936450000039
式中，
Figure BDA00031779364500000310
表示第i个电器的使用次数为NOUi且第1个时段的使用情况为发生的概率，P(ci＝NOUi)为第i个电器的使用次数为NOUi的概率，
Figure BDA0003177936450000041
表示第i个电器在第n个调度时段的状态；
假设原始记录包含m天的历史数据，在k天的数据收集之后，获得m+k天的数据样本，相应地将ui,m更新为ui,m+k：
Figure BDA0003177936450000042
通过数据的不断更新，可以对各个时段内负荷使用的可能性进行修正，并适应不同家庭用电行为的变化，使得家庭能量管理服务具有实效性和自适应性。
优选的，步骤4中，所述基于家庭能量管理系统的混合整数线性多目标优化模型具体描述如下：
经济性目标函数表示为家庭的用电成本，即家庭向电网买电的成本减去向电网售电的收益，令经济性目标函数最小化：
Figure BDA0003177936450000043
式中，
Figure BDA0003177936450000044
表示在t时段家庭向电网买电的费用，
Figure BDA0003177936450000045
表示在t时段家庭向电网售电的费用，Pt grid表示在t时段家庭与电网交换的功率，n表示总时段数，λ1和λ2为二值辅助变量，λ1+λ2＝1用于约束只有一项为非零值；
时间舒适度目标函数表示为可调度电器的实际运行时间与期望运行时间之间的偏差，时间舒适度目标函数表示为：
Figure BDA0003177936450000046
式中，NOUi表示第i个电器的总使用次数，Si,seg＝t＝1表示第i个电器在t时段处于开启状态，Si,t表示第i个电器在t时段的状态，NOUi,max表示第i个电器的最大使用次数，NOUi,min表示第i个电器的最小使用次数，λj表示二值辅助变量；
同样，温度舒适性目标函数表示为室内温度与用户设定温度之间的偏差，表示为：
Figure BDA0003177936450000047
式中，
Figure BDA0003177936450000048
表示时刻t的室内温度，
Figure BDA0003177936450000049
表示用户设定温度的上界，
Figure BDA00031779364500000410
表示用户设定温度的下界。
优选的，采用BIG-M方法对混合整数线性多目标优化模型进行线性化：
将每个目标函数归一化为[0,1]，并基于线性加权方法构造一个多目标函数，该过程表示为：
Figure BDA0003177936450000051
min F＝η1obj1′-η2obj2′+η3obj3′
式中，η1、η2、η3分别为以上三种目标函数的权重值，obji表示第i个目标函数，F表示总目标函数。
优选的，基于混合整数线性多目标优化的家庭能量管理模型的功率平衡约束条件表示为：
在每一调度时段，家庭的总负荷功率、储能装置充放电功率、光伏出力和家庭与电网交换的功率应处于平衡状态，表达为：
Figure BDA0003177936450000052
Figure BDA0003177936450000053
式中，Pt load表示在t时段家庭总负荷功率，Pt ESS表示在t时段储能装置放电功率，Pt PV表示在t时段的光伏出力，
Figure BDA0003177936450000054
表示在t时段家庭与电网功率交换的大小，Pi表示第i个电器的功率。
优选的，基于混合整数线性多目标优化的家庭能量管理模型在ESS运行时需要满足的约束条件为：
ESS的荷电状态与充放电功率的关系为：
Figure BDA0003177936450000055
式中，β表示蓄电池的自放电率，Emax表示蓄电池的最大容量，SOCt+1表示第t+1时段的荷电状态，Pt ESS表示第t时段蓄电池的充电/放电功率，ηch表示充电效率，ηdis表示放电效率，λ3和λ4为二值辅助变量，λ3+λ4＝1用于约束只有一项为非零值；
为延长蓄电池的使用年限，蓄电池在SOC上下限内运行，同时，蓄电池的充放电功率的约束条件为：
SOCmax≤SOCt≤SOCmin
Figure BDA0003177936450000061
式中，SOCmax、SOCmin代表荷电状态的最大、最小值，
Figure BDA0003177936450000062
表示蓄电池最大充放电功率；
为避免光伏出力的波动导致蓄电池频繁充放电，对充放电次数做出约束：
Figure BDA0003177936450000063
Figure BDA0003177936450000064
式中，
Figure BDA0003177936450000065
为蓄电池充放电阈值，当光伏出力大于
Figure BDA0003177936450000066
时，蓄电池充电，当光伏出力小于
Figure BDA0003177936450000067
时，蓄电池放电。
优选的，基于混合整数线性多目标优化的家庭能量管理模型应通过调控空调设备的启停状态来保证家庭的室内温度应处于设定温度的上下界范围内，约束条件表达为：
Figure BDA0003177936450000068
式中，Tt in表示用户设定的温度，
Figure BDA0003177936450000069
表示用户设定温度的上界，
Figure BDA00031779364500000610
表示用户设定温度的下界。
优选的，基于混合整数线性多目标优化的家庭能量管理模型对家庭电器负荷的启动顺序约束表达为：
Figure BDA00031779364500000611
Figure BDA00031779364500000612
式中，NOUi,max、NOUi,min代表第i个电器的最大、最小使用次数，SWD,t代表在t时刻干衣机的使用状态，SWM,k代表在k时刻洗衣机的使用状态
相比于现有技术，本发明的有益效果如下：
本发明提出了一种基于非侵入式负荷监测技术的自适应家庭能量管理方法，基于离散贝叶斯网络，准确地描述并实时更新用电行为，同时将非侵入式负荷监测结果与家庭能量管理策略自适应地结合起来，可以根据居民用户往日的用电需求，提前制定调度策略。首先对家庭能量管理系统中所包含的各类电器进行建模，尤其是对空调等可响应调控指令改变自身用电行为的电器；其次对于每种电器设备都建立基于离散贝叶斯网络的用电行为模型，以负荷状态作为父节点，以负荷使用次数作为子节点建立概率模型，同时随着非侵入式负荷监测结果的实时变化对贝叶斯网络进行更新以适应用户用电行为的变化；最后以经济性指标、时间舒适度指标、温度舒适度指标建立起家庭能量管理系统的混合整数线性多目标优化模型，综合考虑家庭能量管理的各个环节，实现经济效益和用户舒适度的统一。与传统家庭能量管理系统相比，本发明所提出的家庭能量管理系统可显著降低运营成本，提高用户整体舒适度，为非侵入式负荷监测参与需求侧响应提供了良好的应用方向。综上，本发明提出的基于非侵入式负荷监测技术的自适应家庭能量管理方法具有一定的实践运用价值。
附图说明
图1是本发明实施例中家庭能量管理系统的基本结构示意图。
图2是本发明实施例中基于离散贝叶斯网络的用电行为概率模型示意图。
图3本发明实施例中基于非侵入式负荷监测技术的自适应家庭能量管理方法总体流程示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
下面结合附图和具体实施例对发明进行进一步介绍。
实施例一：
一种基于非侵入式负荷监测技术的自适应家庭能量管理方法，如图3所示，包括如下步骤：
步骤1、通过非侵入式负荷监测技术获得必要的用户用电细节，所述非侵入式负荷监测问题可以表述为：
对于某一家庭用户，在t＝{1,2,…T}时刻家庭总负荷功率序列
Figure BDA0003177936450000081
表示为：
Figure BDA0003177936450000082
式中，Psum(k)是时刻k的总负荷功率；Pi(k)是时刻k第i种电器的功率；e(k)为模型噪声；NN是不可调控电器的数目，NS是可调控电器的数目；
NILM(非侵入式负荷监测，non-intrusive load monitoring，non-intrusiveload monitoring)问题就是从给定的总负荷功率序列
Figure BDA0003177936450000083
中提取目标电器的运行特征，并分解出目标电器的功率序列
Figure BDA0003177936450000084
步骤2、对家庭能量管理系统中所包含的各类电器进行建模；
所述家庭能量管理系统的基本结构如图1所示，包括各种电器，所述电器被分类为不可调控的电器和可调控的电器；不可调控的设备包括灯、冰箱和其他不能根据需求响应信号进行调度的设备；可调度的电器能够响应调度指令改变其自身用电行为，包括洗衣机、洗碗机和空调；对于高压交流电器，其工作状态取决于室外温度、室内温度、用户设定的可接受的温度范围、房间的热阻和热容量的参数，数学模型用离散的热力学模型来表示：
Figure BDA0003177936450000085
式中，
Figure BDA0003177936450000086
为t时段的室内温度，R为房间热阻，℃/kW，C为房间热容量，kWh/℃，PAC为空调的额定功率，
Figure BDA0003177936450000087
为t时段室外温度，Δt是调度时间间隔。
步骤3、基于离散贝叶斯网络的负荷行为建模；
所述基于离散贝叶斯网络的负荷行为模型，三个核心步骤为：
(1)根据调度区间划分负荷使用时段，将每个时段的负荷状态作为网络的父节点，将负荷的使用次数作为子节点；
(2)根据父节点和子节点之间的因果关系，在网络中增加一条有向边；
(3)利用先验知识计算用电量的后验概率，构建各用电器的离散贝叶斯网络：
假设一天被分成n个调度时段，那么第i个电器的m天历史数据表示为矩阵ui,m：
Figure BDA0003177936450000091
式中，
Figure BDA0003177936450000092
表示第i个电器在第m天第n时段的使用状态，只有两种状态，1表示在该时段使用了电器，0表示未使用，
Figure BDA0003177936450000093
表示第i个电器在第m天的使用次数；
图2描述了基于离散贝叶斯网络的用电行为概率模型。假设第i台设备一天的使用次数为NOUi，则节点Si,seg＝1＝1的概率可以计算如下：
Figure BDA0003177936450000094
式中，
Figure BDA0003177936450000095
表示第i个电器的使用次数为NOUi且第1个时段的使用情况为发生的概率，P(ci＝NOUi)为第i个电器的使用次数为NOUi的概率，
Figure BDA0003177936450000096
表示第i个电器在第n个调度时段的状态，既包括开启状态也包括关闭状态。
由于非侵入式负荷监测结果将随着时间的推移逐渐增长，因此必须实时更新概率模型，以跟踪用电行为的变化。假设原始记录包含m天的历史数据，在k天的数据收集之后，获得m+k天的数据样本，相应地将ui,m更新为ui,m+k。
Figure BDA0003177936450000097
通过数据的不断更新，可以对各个时段内负荷使用的可能性进行修正，并适应不同家庭用电行为的变化，使得家庭能量管理服务具有实效性和自适应性。
步骤4、建立基于家庭能量管理系统的仅考虑经济性目标优化模型；
所述基于家庭能量管理系统的仅考虑经济性目标优化模型具体描述如下：
该实施例考虑了家庭能量管理系统的经济性指标。经济性目标函数表示为家庭的用电成本，即家庭向电网买电的成本减去向电网售电的收益，令经济性目标函数最小化：
Figure BDA0003177936450000098
式中，
Figure BDA0003177936450000099
表示在t时段家庭向电网买电的费用，
Figure BDA00031779364500000910
表示在t时段家庭向电网售电的费用，Pt grid表示在t时段家庭与电网交换的功率，n表示总时段数，λ1和λ2为二值辅助变量，λ1+λ2＝1用于约束只有一项为非零值；
家庭能量管理模型的约束条件表示为：
第一、在每一调度时段，家庭的总负荷功率、储能装置充放电功率、光伏出力和家庭与电网交换的功率应处于平衡状态，表达为：
Figure BDA0003177936450000101
Figure BDA0003177936450000102
式中，Pt load表示在t时段家庭总负荷功率，Pt ESS表示在t时段储能装置放电功率，Pt PV表示在t时段的光伏出力，
Figure BDA0003177936450000103
表示在t时段家庭与电网功率交换的大小，Pi表示第i个电器的功率；
第二、ESS(能量存储系统)运行时需要满足的约束条件为：
ESS(能量存储系统，energy storage system)的荷电状态SOC)与充放电功率的关系为：
Figure BDA0003177936450000104
式中，β表示蓄电池的自放电率，Emax表示蓄电池的最大容量，单位为kWh，SOCt+1表示第t+1时段的荷电状态，Pt ESS表示第t时段蓄电池的充电/放电功率，ηch表示充电效率，ηdis表示放电效率，λ3和λ4为二值辅助变量，λ3+λ4＝1用于约束只有一项为非零值；
为延长蓄电池的使用年限，蓄电池在SOC上下限内运行，同时，蓄电池的充放电功率的约束条件为：
SOCmax≤SOCt≤SOCmin
Figure BDA0003177936450000105
式中，SOCmax、SOCmin代表荷电状态的最大、最小值，
Figure BDA0003177936450000106
表示蓄电池最大充放电功率；
为避免光伏出力的波动导致蓄电池频繁充放电，对充放电次数做出约束：
Figure BDA0003177936450000107
Figure BDA0003177936450000108
式中，
Figure BDA0003177936450000111
为蓄电池充放电阈值，当光伏出力大于
Figure BDA0003177936450000112
时，蓄电池充电，当光伏出力小于
Figure BDA0003177936450000113
时，蓄电池放电；
第三、应通过调控空调设备的启停状态来保证家庭的室内温度应处于设定温度的上下界范围内，表达为：
Figure BDA0003177936450000114
式中，Tt in表示用户设定的温度，
Figure BDA0003177936450000115
表示用户设定温度的上界，
Figure BDA0003177936450000116
表示用户设定温度的下界；
对家庭电器负荷的启动顺序约束表达为：
Figure BDA0003177936450000117
Figure BDA0003177936450000118
式中，NOUi,max、NOUi,min代表第i个电器的最大、最小使用次数，SWD,t代表在t时刻干衣机的使用状态，SWM,k代表在k时刻洗衣机的使用状态。
实施例二：
一种基于非侵入式负荷监测技术的自适应家庭能量管理方法，如图3所示，包括如下步骤：
步骤1、通过非侵入式负荷监测技术获得必要的用户用电细节；
步骤2、对家庭能量管理系统中所包含的各类电器进行建模；
步骤3、基于离散贝叶斯网络的负荷行为建模；
步骤4、建立基于家庭能量管理系统的仅考虑用户时间舒适度目标优化模型；
所述基于家庭能量管理系统的仅考虑用户时间舒适度目标优化模型具体描述如下：
该实施例考虑了家庭能量管理系统对用户时间舒适度的影响。时间舒适度目标函数表示为可调度电器的实际运行时间与期望运行时间之间的偏差，时间舒适度目标函数表示为：
Figure BDA0003177936450000119
式中，NOUi表示第i个电器的总使用次数，Si,seg＝t＝1表示第i个电器在t时段处于开启状态，Si,t表示第i个电器在t时段的状态，NOUi,max表示第i个电器的最大使用次数，NOUi,min表示第i个电器的最小使用次数，λj表示二值辅助变量；
家庭能量管理模型的约束条件同实施例一。
实施例三：
一种基于非侵入式负荷监测技术的自适应家庭能量管理方法，如图3所示，包括如下步骤：
步骤1、通过非侵入式负荷监测技术获得必要的用户用电细节；
步骤2、对家庭能量管理系统中所包含的各类电器进行建模；
步骤3、基于离散贝叶斯网络的负荷行为建模；
步骤4、建立基于家庭能量管理系统的仅考虑用户舒适度目标优化模型；
所述基于家庭能量管理系统的仅考虑用户舒适度目标优化模型具体描述如下：
该实施例考虑了家庭能量管理系统的对用户舒适度的影响，其中，用户舒适度包含时间舒适度和温度舒适度两方面。
时间舒适度目标函数表示为可调度电器的实际运行时间与期望运行时间之间的偏差，时间舒适度目标函数表示为：
Figure BDA0003177936450000121
式中，NOUi表示第i个电器的总使用次数，Si,seg＝t＝1表示第i个电器在t时段处于开启状态，Si,t表示第i个电器在t时段的状态，NOUi,max表示第i个电器的最大使用次数，NOUi,min表示第i个电器的最小使用次数，λj表示二值辅助变量；
同样，温度舒适性目标函数表示为室内温度与用户设定温度之间的偏差，表示为：
Figure BDA0003177936450000122
式中，
Figure BDA0003177936450000123
表示时刻t的室内温度，
Figure BDA0003177936450000124
表示用户设定温度的上界，
Figure BDA0003177936450000125
表示用户设定温度的下界。
家庭能量管理模型的约束条件同实施例一。
实施例四：
一种基于非侵入式负荷监测技术的自适应家庭能量管理方法，如图3所示，包括如下步骤：
步骤1、通过非侵入式负荷监测技术获得必要的用户用电细节；
步骤2、对家庭能量管理系统中所包含的各类电器进行建模；
步骤3、基于离散贝叶斯网络的负荷行为建模；
步骤4、建立基于家庭能量管理系统的混合整数线性多目标优化模型；
所述基于家庭能量管理系统的混合整数线性多目标优化模型具体描述如下：
该实施例综合考虑了家庭能量管理系统的经济性指标和对用户舒适度的影响，其中，用户舒适度包含时间舒适度和温度舒适度两方面。
经济性目标函数表示为家庭的用电成本，即家庭向电网买电的成本减去向电网售电的收益，令经济性目标函数最小化：
Figure BDA0003177936450000131
式中，
Figure BDA0003177936450000132
表示在t时段家庭向电网买电的费用，
Figure BDA0003177936450000133
表示在t时段家庭向电网售电的费用，Pt grid表示在t时段家庭与电网交换的功率，n表示总时段数，λ1和λ2为二值辅助变量，λ1+λ2＝1用于约束只有一项为非零值；
时间舒适度目标函数表示为可调度电器的实际运行时间与期望运行时间之间的偏差，时间舒适度目标函数表示为：
Figure BDA0003177936450000134
式中，NOUi表示第i个电器的总使用次数，Si,seg＝t＝1表示第i个电器在t时段处于开启状态，Si,t表示第i个电器在t时段的状态，NOUi,max表示第i个电器的最大使用次数，NOUi,min表示第i个电器的最小使用次数，λj表示二值辅助变量；
同样，温度舒适性目标函数表示为室内温度与用户设定温度之间的偏差，表示为：
Figure BDA0003177936450000135
式中，
Figure BDA0003177936450000136
表示时刻t的室内温度，
Figure BDA0003177936450000137
表示用户设定温度的上界，
Figure BDA0003177936450000138
表示用户设定温度的下界。
值得注意的是，上述目标函数是非线性的，因此可以使用BIG-M方法进行线性化。为了平衡多个目标对调度结果的影响，将每个目标函数归一化为[0,1]，并基于线性加权方法构造一个多目标函数，该过程可以表示为：
Figure BDA0003177936450000141
minF＝η1obj1′-η2obj2′+η3obj3′
式中，η1、η2、η3分别为以上三种目标函数的权重值，obji表示第i个目标函数，F表示总目标函数。
家庭能量管理模型的约束条件同实施例一。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.基于非侵入式负荷监测技术的自适应家庭能量管理方法，其特征在于，包括如下步骤：
步骤1、通过非侵入式负荷监测模型获得用户用电数据；
步骤2、对家庭能量管理系统中所包含的各类电器进行建模；
步骤3、建立基于离散贝叶斯网络的负荷行为模型；
步骤4、建立基于家庭能量管理系统的混合整数线性多目标优化模型。
2.根据权利要求1所述的基于非侵入式负荷监测技术的自适应家庭能量管理方法，其特征在于，所述非侵入式负荷监测模型为：
对于某一家庭用户，在t＝{1,2,…T}时刻家庭总负荷功率序列
Figure FDA0003177936440000011
表示为：
Figure FDA0003177936440000012
式中，Psum(k)是时刻k的总负荷功率；Pi(k)是时刻k第i种电器的功率；e(k)为模型噪声；NN是不可调控电器的数目，NS是可调控电器的数目；
从给定的总负荷功率序列
Figure FDA0003177936440000013
中提取目标电器的运行特征，并分解出目标电器的功率序列
Figure FDA0003177936440000014
3.根据权利要求2所述的基于非侵入式负荷监测技术的自适应家庭能量管理方法，其特征在于，步骤2中，所述家庭能量管理系统包括各种电器，所述电器被分类为不可调控的电器和可调控的电器；不可调控的设备包括灯、冰箱和其他不能根据需求响应信号进行调度的设备；可调度的电器能够响应调度指令改变其自身用电行为，包括洗衣机、洗碗机和空调；对于高压交流电器，其工作状态取决于室外温度、室内温度、用户设定的可接受的温度范围、房间的热阻和热容量的参数，数学模型用离散的热力学模型来表示：
Figure FDA0003177936440000015
式中，
Figure FDA0003177936440000016
为t时段的室内温度，R为房间热阻，C为房间热容量，PAC为空调的额定功率，
Figure FDA0003177936440000017
为t时段室外温度，Δt是调度时间间隔。
4.根据权利要求3所述的一种基于非侵入式负荷监测技术的自适应家庭能量管理方法，其特征在于，步骤3中，所述基于离散贝叶斯网络的负荷行为模型包括：
(1)根据调度区间划分负荷使用时段，将每个时段的负荷状态作为网络的父节点，将负荷的使用次数作为子节点；
(2)根据父节点和子节点之间的因果关系，在网络中增加一条有向边；
(3)利用先验知识计算用电量的后验概率，构建各用电器的离散贝叶斯网络：
假设一天被分成n个调度时段，那么第i个电器的m天历史数据表示为矩阵ui,m：
Figure FDA0003177936440000021
式中，
Figure FDA0003177936440000022
表示第i个电器在第m天第n时段的使用状态，只有两种状态，1表示在该时段使用了电器，0表示未使用，
Figure FDA0003177936440000023
表示第i个电器在第m天的使用次数；
假设第i台设备一天的使用次数为NOUi，则节点Si,seg＝1＝1的值的概率如下：
Figure FDA0003177936440000024
式中，
Figure FDA0003177936440000025
表示第i个电器的使用次数为NOUi且第1个时段的使用情况为发生的概率，P(ci＝NOUi)为第i个电器的使用次数为NOUi的概率，
Figure FDA0003177936440000026
表示第i个电器在第n个调度时段的状态；
假设原始记录包含m天的历史数据，在k天的数据收集之后，获得m+k天的数据样本，相应地将ui,m更新为ui,m+k：
Figure FDA0003177936440000027
通过数据的不断更新，可以对各个时段内负荷使用的可能性进行修正，并适应不同家庭用电行为的变化，使得家庭能量管理服务具有实效性和自适应性。
5.根据权利要求4所述的基于非侵入式负荷监测技术的自适应家庭能量管理方法，其特征在于，步骤4中，所述基于家庭能量管理系统的混合整数线性多目标优化模型具体描述如下：
经济性目标函数表示为家庭的用电成本，即家庭向电网买电的成本减去向电网售电的收益，令经济性目标函数最小化：
Figure FDA0003177936440000028
式中，
Figure FDA0003177936440000029
表示在t时段家庭向电网买电的费用，
Figure FDA00031779364400000210
表示在t时段家庭向电网售电的费用，Pt grid表示在t时段家庭与电网交换的功率，n表示总时段数，λ1和λ2为二值辅助变量，λ1+λ2＝1用于约束只有一项为非零值；
时间舒适度目标函数表示为可调度电器的实际运行时间与期望运行时间之间的偏差，时间舒适度目标函数表示为：
Figure FDA0003177936440000031
式中，NOUi表示第i个电器的总使用次数，Si,seg＝t＝1表示第i个电器在t时段处于开启状态，Si,t表示第i个电器在t时段的状态，NOUi,max表示第i个电器的最大使用次数，NOUi,min表示第i个电器的最小使用次数，λj表示二值辅助变量；
同样，温度舒适性目标函数表示为室内温度与用户设定温度之间的偏差，表示为：
Figure FDA0003177936440000032
式中，
Figure FDA0003177936440000033
表示时刻t的室内温度，
Figure FDA0003177936440000034
表示用户设定温度的上界，
Figure FDA0003177936440000035
表示用户设定温度的下界。
6.根据权利要求5所述的基于非侵入式负荷监测技术的自适应家庭能量管理方法，其特征在于，采用BIG-M方法对混合整数线性多目标优化模型进行线性化：
将每个目标函数归一化为[0,1]，并基于线性加权方法构造一个多目标函数，该过程表示为：
Figure FDA0003177936440000036
min F＝η1obj1′-η2obj2′+η3obj3′
式中，η1、η2、η3分别为以上三种目标函数的权重值，obji表示第i个目标函数，F表示总目标函数。
7.根据权利要求6所述的基于非侵入式负荷监测技术的自适应家庭能量管理方法，其特征在于，基于混合整数线性多目标优化的家庭能量管理模型的功率平衡约束条件表示为：
在每一调度时段，家庭的总负荷功率、储能装置充放电功率、光伏出力和家庭与电网交换的功率应处于平衡状态，表达为：
Pt load-Pt ESS-Pt PV＝pt grid
Figure FDA0003177936440000041
式中，Pt load表示在t时段家庭总负荷功率，Pt ESS表示在t时段储能装置放电功率，Pt PV表示在t时段的光伏出力，
Figure FDA0003177936440000042
表示在t时段家庭与电网功率交换的大小，Pi表示第i个电器的功率。
8.根据权利要求7所述的基于非侵入式负荷监测技术的自适应家庭能量管理方法，其特征在于，基于混合整数线性多目标优化的家庭能量管理模型在ESS运行时需要满足的约束条件为：
ESS的荷电状态与充放电功率的关系为：
Figure FDA0003177936440000043
式中，β表示蓄电池的自放电率，Emax表示蓄电池的最大容量，SOCt+1表示第t+1时段的荷电状态，Pt ESS表示第t时段蓄电池的充电/放电功率，ηch表示充电效率，ηdis表示放电效率，λ3和λ4为二值辅助变量，λ3+λ4＝1用于约束只有一项为非零值；
为延长蓄电池的使用年限，蓄电池在SOC上下限内运行，同时，蓄电池的充放电功率的约束条件为：
SOCmax≤SOCt≤SOCmin
Figure FDA0003177936440000044
式中，SOCmax、SOCmin代表荷电状态的最大、最小值，
Figure FDA0003177936440000045
表示蓄电池最大充放电功率；
为避免光伏出力的波动导致蓄电池频繁充放电，对充放电次数做出约束：
Figure FDA0003177936440000046
Figure FDA0003177936440000047
式中，
Figure FDA0003177936440000048
为蓄电池充放电阈值，当光伏出力大于
Figure FDA0003177936440000049
时，蓄电池充电，当光伏出力小于
Figure FDA00031779364400000410
时，蓄电池放电。
9.根据权利要求8所述的基于非侵入式负荷监测技术的自适应家庭能量管理方法，其特征在于，基于混合整数线性多目标优化的家庭能量管理模型应通过调控空调设备的启停状态来保证家庭的室内温度应处于设定温度的上下界范围内，约束条件表达为：
Figure FDA0003177936440000051
式中，Tt in表示用户设定的温度，
Figure FDA0003177936440000052
表示用户设定温度的上界，
Figure FDA0003177936440000053
表示用户设定温度的下界。
10.根据权利要求9所述的基于非侵入式负荷监测技术的自适应家庭能量管理方法，其特征在于，基于混合整数线性多目标优化的家庭能量管理模型对家庭电器负荷的启动顺序约束表达为：
Figure FDA0003177936440000054
Figure FDA0003177936440000055
式中，NOUi,max、NOUi,min代表第i个电器的最大、最小使用次数，SWD,t代表在t时刻干衣机的使用状态，SWM,k代表在k时刻洗衣机的使用状态。
CN202110843131.6A 2021-07-23 2021-07-23 基于非侵入式负荷监测技术的自适应家庭能量管理方法 Active CN113673830B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110843131.6A CN113673830B (zh) 2021-07-23 2021-07-23 基于非侵入式负荷监测技术的自适应家庭能量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110843131.6A CN113673830B (zh) 2021-07-23 2021-07-23 基于非侵入式负荷监测技术的自适应家庭能量管理方法

Publications (2)

Publication Number Publication Date
CN113673830A true CN113673830A (zh) 2021-11-19
CN113673830B CN113673830B (zh) 2024-03-05

Family

ID=78540147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110843131.6A Active CN113673830B (zh) 2021-07-23 2021-07-23 基于非侵入式负荷监测技术的自适应家庭能量管理方法

Country Status (1)

Country Link
CN (1) CN113673830B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114692740A (zh) * 2022-03-21 2022-07-01 华南理工大学 一种非侵入式负荷分解改进方法、装置及存储介质
CN116307584A (zh) * 2023-03-20 2023-06-23 海口明邦实业有限责任公司 一种基于大数据的医疗洗涤供热监管系统及方法
CN114692740B (zh) * 2022-03-21 2024-11-08 华南理工大学 一种非侵入式负荷分解改进方法、装置及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110144819A1 (en) * 2009-12-16 2011-06-16 Robert Bosch Gmbh Method for non-intrusive load monitoring using a hybrid systems state estimation approach
CN108062627A (zh) * 2017-12-16 2018-05-22 广西电网有限责任公司电力科学研究院 一种基于非侵入式用电数据的需求响应分析方法
KR101870250B1 (ko) * 2017-03-30 2018-06-25 한국에너지기술연구원 비침투식 부하전력량 측정 장치 및 방법
GB201810314D0 (en) * 2018-06-22 2018-08-08 Moixa Energy Holdings Ltd Systems for machine learning, optimising and managing local multi-asset flexibility of distributed energy storage resources
CN109904854A (zh) * 2019-01-14 2019-06-18 中国电力科学研究院有限公司 一种面向需求响应的家庭电路负荷分解方法及系统
CN110544175A (zh) * 2019-07-11 2019-12-06 天津大学 一种面向家庭智能用电的多能源综合优化调度方法
CN111564842A (zh) * 2020-06-03 2020-08-21 吉林大学 一种非侵入式用电负荷监测中长期能耗统计估算的方法
CN112834837A (zh) * 2020-11-20 2021-05-25 国网天津市电力公司 基于非侵入式负荷监测的用户行为精细化分析方法
CN112862163A (zh) * 2021-01-21 2021-05-28 北京理工大学 一种基于dtw算法的短期电力负荷预测系统
CN113065704A (zh) * 2021-03-31 2021-07-02 贵州电网有限责任公司 一种非侵入式负荷分解模型的超参数优化和后处理方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110144819A1 (en) * 2009-12-16 2011-06-16 Robert Bosch Gmbh Method for non-intrusive load monitoring using a hybrid systems state estimation approach
KR101870250B1 (ko) * 2017-03-30 2018-06-25 한국에너지기술연구원 비침투식 부하전력량 측정 장치 및 방법
CN108062627A (zh) * 2017-12-16 2018-05-22 广西电网有限责任公司电力科学研究院 一种基于非侵入式用电数据的需求响应分析方法
GB201810314D0 (en) * 2018-06-22 2018-08-08 Moixa Energy Holdings Ltd Systems for machine learning, optimising and managing local multi-asset flexibility of distributed energy storage resources
CN109904854A (zh) * 2019-01-14 2019-06-18 中国电力科学研究院有限公司 一种面向需求响应的家庭电路负荷分解方法及系统
CN110544175A (zh) * 2019-07-11 2019-12-06 天津大学 一种面向家庭智能用电的多能源综合优化调度方法
CN111564842A (zh) * 2020-06-03 2020-08-21 吉林大学 一种非侵入式用电负荷监测中长期能耗统计估算的方法
CN112834837A (zh) * 2020-11-20 2021-05-25 国网天津市电力公司 基于非侵入式负荷监测的用户行为精细化分析方法
CN112862163A (zh) * 2021-01-21 2021-05-28 北京理工大学 一种基于dtw算法的短期电力负荷预测系统
CN113065704A (zh) * 2021-03-31 2021-07-02 贵州电网有限责任公司 一种非侵入式负荷分解模型的超参数优化和后处理方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
周晨轶等: "基于贝叶斯准则的非侵入式负荷监测方法", 浙江电力, no. 5, 25 May 2018 (2018-05-25) *
戚艳等: "基于NILM技术的家庭用户精确负荷建模方法", 电力系统及其自动化学报, no. 1, 23 April 2019 (2019-04-23) *
肖江等: "基于贝叶斯信息准则的非侵入式负荷事件检测算法", 电力系统保护与控制, no. 22, 15 November 2018 (2018-11-15) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114692740A (zh) * 2022-03-21 2022-07-01 华南理工大学 一种非侵入式负荷分解改进方法、装置及存储介质
CN114692740B (zh) * 2022-03-21 2024-11-08 华南理工大学 一种非侵入式负荷分解改进方法、装置及存储介质
CN116307584A (zh) * 2023-03-20 2023-06-23 海口明邦实业有限责任公司 一种基于大数据的医疗洗涤供热监管系统及方法
CN116307584B (zh) * 2023-03-20 2023-09-29 海口明邦实业有限责任公司 一种基于大数据的医疗洗涤供热监管系统及方法

Also Published As

Publication number Publication date
CN113673830B (zh) 2024-03-05

Similar Documents

Publication Publication Date Title
Kanakadhurga et al. Demand side management in microgrid: A critical review of key issues and recent trends
Sedhom et al. IoT-based optimal demand side management and control scheme for smart microgrid
Shafie-Khah et al. A stochastic home energy management system considering satisfaction cost and response fatigue
Arun et al. Intelligent residential energy management system for dynamic demand response in smart buildings
US9671843B2 (en) Computer implemented electrical energy hub management system and method
US11971185B2 (en) Method for improving the performance of the energy management in a nearly zero energy building
Georgiou et al. Real-time energy convex optimization, via electrical storage, in buildings–a review
Kang et al. Scheduling-based real time energy flow control strategy for building energy management system
Alam et al. Computational methods for residential energy cost optimization in smart grids: A survey
Wu et al. Stochastic optimal scheduling of residential appliances with renewable energy sources
Lai et al. Multiagent reinforcement learning for community energy management to mitigate peak rebounds under renewable energy uncertainty
Jeddi et al. Differential dynamic programming based home energy management scheduler
Abdulaal et al. Two-stage discrete-continuous multi-objective load optimization: An industrial consumer utility approach to demand response
Feng et al. A conditional value-at-risk-based dispatch approach for the energy management of smart buildings with HVAC systems
Soares et al. Using reinforcement learning for maximizing residential self-consumption–Results from a field test
Mbuwir et al. Battery scheduling in a residential multi-carrier energy system using reinforcement learning
Saadawi et al. IoT-based Optimal Energy Management in Smart Homes using Harmony Search Optimization Technique
Alrumayh et al. Model predictive control based home energy management system in smart grid
Liang et al. IoT-based intelligent energy management system for optimal planning of HVAC devices in net-zero emissions PV-battery building considering demand compliance
Tiwari et al. Optimal scheduling of home appliances under automated demand response
Oh et al. Electric energy storage design decision method for demand responsive buildings
Amadeh et al. Building cluster demand flexibility: An innovative characterization framework and applications at the planning and operational levels
CN113673830B (zh) 基于非侵入式负荷监测技术的自适应家庭能量管理方法
Paul et al. Intelligent load management system development with renewable energy for demand side management
Ali et al. A reinforcement learning approach to dairy farm battery management using Q learning

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