CN115112989A - 基于低频数据的非侵入式负荷监测方法 - Google Patents

基于低频数据的非侵入式负荷监测方法 Download PDF

Info

Publication number
CN115112989A
CN115112989A CN202211037428.4A CN202211037428A CN115112989A CN 115112989 A CN115112989 A CN 115112989A CN 202211037428 A CN202211037428 A CN 202211037428A CN 115112989 A CN115112989 A CN 115112989A
Authority
CN
China
Prior art keywords
power
electric appliance
jump
event
network
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
CN202211037428.4A
Other languages
English (en)
Other versions
CN115112989B (zh
Inventor
周步祥
赵雯雯
臧天磊
陈阳
闵昕玮
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202211037428.4A priority Critical patent/CN115112989B/zh
Publication of CN115112989A publication Critical patent/CN115112989A/zh
Application granted granted Critical
Publication of CN115112989B publication Critical patent/CN115112989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种基于低频数据的非侵入式负荷监测方法，涉及用户电器功率监测技术领域，包括：通过事件检测获取原始功率序列
Figure 570143DEST_PATH_IMAGE001
；利用基于Lstm构建的电器判别网络得到为对应的电器类别概率，各电器判别网络均采用电器低频数据进行训练和测试，且各电器判别网络对应的电器类别不同；将各判别结果进行综合判别，得到最终判别结果。在事件检测过程中，能排除跳变前后的功率波动，克服小功率电器启停与大功率电器波动之间的矛盾，同时实现事件关键点的定位；在电器判别时刻有效准确的辨识负荷，稳定性好；针对各电器类别建立专一的电器判别网络后进行综合判别，训练数据处理更简单，可为后续新增电器积累训练样本，减少网络训练时间。

Description

基于低频数据的非侵入式负荷监测方法
技术领域
本发明涉及用户电器功率监测技术领域，具体而言，涉及一种基于低频数据的非侵入式负荷监测方法。
背景技术
双碳目标下，数字经济正在推动能源消费结构转型，通过数字化、高度信息化的手段助力能源高效利用，是实现绿色低碳发展的有效途径之一。电力公司也在推出数字化产品助力低碳发展，产品通过对能耗数据的采集、监测精准定位、按需用电等，提升能耗管理的效率。在此背景下，负荷监测通过获取各电器的详细运行状态数据，可以更高效的实现能耗数据精准监测。而非侵入式负荷监测（Non-Intrusive Load Monitoring，NILM）相较于侵入式负荷监测ILM（Intrusive Load Monitoring），成本更低、更容易推广。
目前NILM通常采用两种输入特征进行监测，即高频特征与低频特征。
采用高频数据，可基于事件提取V-I轨迹曲线，利用CNN对V-I轨迹曲线图进行辨识。采用高频数据，也可基于事件探测算法，利用BP神经网络对提取到的负荷特征进行识别。采用高频数据，同样可基于事件利用暂态波形与功率变量作为特征进行动态聚类与关联分析实现功率分解。
采用低频数据，可利用Fisher对负荷进行投影辨识，减少了算法的计算量。采用低频数据，也可运用LSTM对负荷总功率直接进行能量分解。采用低频数据集，同样可对电器功率特征进行聚类后分成不同集群，对各集群分别采用隐马尔可夫模型进行求解监测。
但上述NILM，存在以下问题：
1）采用高频特征实现NILM的文献多采用事件机制，对事件发生时刻的暂态特征进行提取、分析，最后利用不同算法进行负荷辨识。高频特征蕴含的负荷信息量多，识别精度高，但采样频率与识别精度呈正相关，且高频特征处理复杂，使得高频特征在实际工程应用中存在局限性。
2）低频数据蕴含的信息少，相较于高频数据的负荷识别精度低，目前国内外智能电表大多只支持低频数据采集，现有研究认为利用低频数据进行NILM，是低成本、特征处理简单的高性价比方式。但低频数据多应用于直接的负荷分解中，难以准确定位电器的启停事件点，且当网络新增电器时，整个负荷分解网络需要重新训练，由于不同电器的使用频率不同会导致训练样本不平衡，使得网络难以得到充分训练。
发明内容
本发明在于提供一种基于低频数据的非侵入式负荷监测方法，其能够缓解上述问题。
为了缓解上述的问题，本发明采取的技术方案如下：
本发明提供了一种基于低频数据的非侵入式负荷监测方法，包括以下步骤：
S1、监测用户功率并进行功率跳变事件检测，获取事件发生点，将事件发生点，以 及事件发生点前后的多个位置点所对应的功率组成原始功率序列
Figure DEST_PATH_IMAGE001
；
Figure DEST_PATH_IMAGE002
，下标代表该功率点在滑动窗内位 置，P m-1为事件发生点的上一个采样点，P m+1为事件发生点的下一个采样点，以此类推；
S2、对原始功率序列
Figure 78596DEST_PATH_IMAGE001
进行预处理，得到用于网络识别的功率序列
Figure DEST_PATH_IMAGE003
；
S3、将功率序列
Figure DEST_PATH_IMAGE004
同时输入N个电器判别网络，对应输出得到N个单体判别结果；从 数据输入侧到数据输出侧，所述电器判别网络依次包括输入层、Lstm1层、Dropout1层、 Lstm2层、Dropout2层、全连接层、激活函数层以及分类层；各所述电器判别网络均采用公开 数据集中的电器低频数据进行训练和测试，且各所述电器判别网络对应的电器类别不同； 对于每个所述单体判别结果，其包括功率序列
Figure 525758DEST_PATH_IMAGE004
对应的电器类别为其对应的电器类别的概 率；
S4、将N个所述单体判别结果输入一概率判别器中进行综合判别，输出得到最终判 别结果，所述最终判别结果为未知电器类别，或者N个所述电器判别网络对应的电器类别中 的一个；若所述最终判别结果为未知电器类别，则将原始功率序列
Figure 512169DEST_PATH_IMAGE001
保存至新增电器训练样 本集，用于新的电器判别网络的训练。
本技术方案在低频采样数据条件下，通过本发明提出的基于功率差量特征的事件检测方法，实现事件的准确定位与特征提取；概率判别器和多个专一的电器判别网络一起构成事件识别网络，可对提取到的事件特征综合判别，实现非侵入式负荷的精准监测。
在本发明的一较佳实施方式中，所述S1具体包括以下步骤：
S11、实时监测用户用电功率，得到用户功率-时间图；
S12、设定参数，包括第一阈值
Figure DEST_PATH_IMAGE005
、第二阈值
Figure DEST_PATH_IMAGE006
、第一相似系数
Figure DEST_PATH_IMAGE007
和第二相似系数
Figure DEST_PATH_IMAGE008
；
S13、在用户功率-时间图中更新滑动窗口，确定滑动窗口的中心点P m ，P m 为在时间t=m时用户的用电功率；
S14、在滑动窗口内，根据第一阈值
Figure 25975DEST_PATH_IMAGE005
判断中心点P m 是否存在功率跳变，若是，则继 续执行步骤S15，否则跳转至步骤S13；
S15、在滑动窗口内，根据第一相似系数
Figure 326506DEST_PATH_IMAGE007
和中心点P m 的功率跳变，判断中心点P m 前 是否存在功率波动，若是，则跳转至步骤S13，否则继续执行步骤S16；
S16、在滑动窗口内，根据第二阈值
Figure 424912DEST_PATH_IMAGE006
和中心点P m 的功率跳变，判断中心点P m 的功 率跳变是否为大功率电器的功率跳变，若是，跳转至步骤S18，否则继续执行步骤S17；
S17、在滑动窗口内，根据第二相似系数
Figure DEST_PATH_IMAGE009
和中心点P m 的功率跳变，判断中心点P m 后 是否存在功率波动，若是，则跳转至步骤S13，否则认为中心点P m 的功率跳变为大功率电器 的功率跳变，继续执行步骤S18；
S18、将中心点P m 所在位置确认为事件发生点，将事件发生点，以及事件发生点前 后的多个位置点所对应的功率组成原始功率序列
Figure 316645DEST_PATH_IMAGE001
，并输出。
本技术方案利用监测到的用户总线处功率数据，采用滑动窗监测功率跳变，引入一系列相似系数与作为判断功率波动的重要依据，并对监测到的功率跳变运用步骤S11~S18进行依次判断，排除功率波动同时对事件进行准确定位。
在本发明的一较佳实施方式中，
当所述功率跳变事件检测为功率突增事件检测时，在所述S14中，若公式
Figure DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE011
成立，则中心点P m 存在功率跳变，否则不存在；其中up为功率突增量。
当所述功率跳变事件检测为功率突降事件检测时，在所述S14中，若公式
Figure DEST_PATH_IMAGE012
Figure DEST_PATH_IMAGE013
成立，则中心点P m 存在功率跳变，否则不存在，其中down为功率突增量。
在本发明的一较佳实施方式中，
当所述功率跳变事件检测为功率突增事件检测时，在所述S15中，若公式
Figure DEST_PATH_IMAGE014
成立，则中心点P m 前存在功率波动，否则不存在；
当所述功率跳变事件检测为功率突降事件检测时，在所述S15中，若公式
Figure DEST_PATH_IMAGE015
成立，则中心点P m 前存在功率波动，否则不存在。
在本发明的一较佳实施方式中，
当所述功率跳变事件检测为功率突增事件检测时，在所述S16中，若公式
Figure DEST_PATH_IMAGE016
成立，则中心点P m 的功率跳变是大功率电器的功率跳变，否则不是；
当所述功率跳变事件检测为功率突降事件检测时，在所述S16中，若公式
Figure DEST_PATH_IMAGE017
成立，则中心点P m 的功率跳变是大功率电器的功率跳变，否则不是。
在本发明的一较佳实施方式中，
当所述功率跳变事件检测为功率突增事件检测时，在所述S17中，若公式
Figure DEST_PATH_IMAGE018
成立，则中心点P m 后存在功率波动，否则不存在；
当所述功率跳变事件检测为功率突降事件检测时，在所述S17中，若公式
Figure DEST_PATH_IMAGE019
成立，则中心点P m 后存在功率波动，否则不存在。
在本发明的一较佳实施方式中，所述S2具体包括：
S21、对于原始功率序列
Figure 93977DEST_PATH_IMAGE001
，对事件发生前的大范围功率波动进行处理，排除事件发 生前其它电器启停造成的影响，处理公式为：
Figure DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE021
为第三相似系数；
S22、对事件发生后的大范围功率波动进行处理，处理公式为：
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE023
与
Figure DEST_PATH_IMAGE024
为波动与功率突增值之间的相似系数；
S23、去除依次经过步骤S21、S22处理后的功率序列中的最小值，得到所述用于网 络识别的功率序列
Figure 57254DEST_PATH_IMAGE003
。
在本发明的一较佳实施方式中，在所述S4中，所述概率判别器采用的判别公式如下：
Figure DEST_PATH_IMAGE025
其中，
Figure DEST_PATH_IMAGE026
为概率阈值；
Figure DEST_PATH_IMAGE027
为各电器判别网络的可信度，即对各电器判 别网络进行测试时网络的判别正确率；当最终判别结果S=0时，表明原始功率序列
Figure DEST_PATH_IMAGE028
所属电 器类别为未知电器类别，当最终判别结果S=n时，则认为第n个电器判别网络对应的电器类 别VN，即为原始功率序列
Figure 806904DEST_PATH_IMAGE028
所属的电器类别。
在本发明的一较佳实施方式中，对于每个电器判别网络，其训练样本数据均包括两类，一类为其对应电器类别的数据，另一类为其它随机电器类别的数据，两类训练样本数据的占比均为50%。
在本发明的一较佳实施方式中，对于所述电器判别网络，在训练中，Lstm1层的隐含层层数numHiddenUnits1为128，Lstm2层的隐含层层数numHiddenUnits2为100，Lstm1层和Lstm2层的dropout比率均设置为0.2，全连接层输出参数numClasses为2，求解器为adam，学习率为0.001，最大轮数MaxEpochs为300，梯度阈值为1。
与现有技术相比，本发明的有益效果是：
1）在事件检测过程中，利用滑动窗中的功率跳变，排除跳变前后的功率波动，能克服小功率电器启停与大功率电器波动之间的矛盾，同时实现事件关键点的定位；
2）基于LSTM算法构建电器判别网络，以进行负荷辨识，相较于线性判别器与简单神经网络算法，识别效果更加准确，且识别表现更加稳定；
3）针对各电器类别建立专一的电器判别网络后进行综合判别，无需单独的对不平衡样本进行扩充，训练数据处理更简单，有利于在新增电器时减少网络训练时间，同时可为后续新增电器积累训练样本。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明所述非侵入式负荷监测方法的流程图；
图2是本发明提到的功率跳变事件检测算法流程图；
图3是标定了滑动窗的用户功率-时间图；
图4是对原始功率序列进行预处理的方法流程图；
图5是本发明所述电器判别网络的框架图；
图6是本发明所述事件识别网络的框架图；
图7是算例测试中24小时的总功率的波形图
图8是算例测试中对比算法1的事件检测结果图；
图9是算例测试中对比算法2的事件检测结果图；
图10是算例测试中本发明算法的事件检测结果图；
图11是算例测试中本发明算法的评价指标对比图，其中，图11a是算例测试中本发明算法的准确率指标对比图，图11a中的accuracy代表负荷识别的准确率，图11b是算例测试中本发明算法的F1精度指标对比图；
图12是算例测试中新增电器训练时长对比图；
图13是算例测试中采用本发明方法实现的冰箱负荷监测结果；
图14是算例测试中采用本发明方法实现的所有电器的负荷监测结果。
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一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
请参照图1、图2，本发明提供了一种基于低频数据的非侵入式负荷监测方法，包括以下步骤：
S1、监测用户功率并进行功率跳变事件检测，获取事件发生点，将事件发生点，以 及事件发生点前后的多个位置点所对应的功率组成原始功率序列
Figure 338379DEST_PATH_IMAGE001
。
事件检测算法通过对用户功率的跳变情况进行监测与识别，可以获取电器启停的关键点，从而为后续的电器识别奠定基础。为更好地区分用户功率发生的跳变是由电器启停引起的还是仅仅为已开启电器的功率波动，并对事件位置进行准确定位，本发明建立了如图2所示的功率跳变事件检测算法，具体包括以下步骤：
S11、实时监测用户用电功率，得到用户功率-时间图。
S12、设定参数，包括第一阈值
Figure 746882DEST_PATH_IMAGE005
、第二阈值
Figure 654796DEST_PATH_IMAGE006
、第一相似系数
Figure 462215DEST_PATH_IMAGE007
和第二相似系数
Figure 164591DEST_PATH_IMAGE008
。
其中，第一阈值
Figure 57461DEST_PATH_IMAGE005
取值40，第二阈值
Figure 503486DEST_PATH_IMAGE006
取值为500；第一相似系数
Figure 165411DEST_PATH_IMAGE007
在0.2~0.5之 间取值，作为优选，可取值为0.3；第二相似系数
Figure 304269DEST_PATH_IMAGE008
在0.3~0.4之间取值，作为优选，可取值 为0.4。
S13、在用户功率-时间图中更新滑动窗口，确定滑动窗口的中心点P m ，P m 为在时间t=m时用户的用电功率。
如图3所示，滑动窗口设置如图2所示。窗口以P m 作为中心点，取其前、后四个点共同构成滑动窗口，其中，P m 与P m+1用来监测是否发生功率的跳变，P m 周围的8个点用来判断功率跳变是否为已开电器本身的功率波动。当滑动窗口未监测到电器开启事件时，滑动窗口可向后移动一格继续监测。
S14、在滑动窗口内，根据第一阈值
Figure 622118DEST_PATH_IMAGE005
判断中心点P m 是否存在功率跳变，若是，则继 续执行步骤S15，否则跳转至步骤S13。
其中，第一阈值
Figure DEST_PATH_IMAGE029
取值较低，仅几十瓦，用于触发后续检测判断机制。
当功率跳变事件检测为功率突增事件检测时，例如电器开启事件检测时，若公式
Figure 402992DEST_PATH_IMAGE010
Figure 185003DEST_PATH_IMAGE011
成立，则中心点P m 存在功率跳变，认为存在该功率跳变为关闭电器的开启或已开电器的功率波动等多种可能，需要进一步判断，否则不存在；
当功率跳变事件检测为功率突降事件检测时，例如电器关闭事件检测时，若公式
Figure 25920DEST_PATH_IMAGE012
Figure 831065DEST_PATH_IMAGE013
成立，则中心点P m 存在功率跳变，认为存在该功率跳变为开启电器的关闭或已开启电器的功率波动等多种可能，需要进一步判断，否则不存在。
S15、在滑动窗口内，根据第一相似系数
Figure DEST_PATH_IMAGE030
和中心点P m 的功率跳变，判断中心点P m 前 是否存在功率波动，若是，则跳转至步骤S13，否则继续执行步骤S16。
当功率跳变事件检测为功率突增事件检测时，例如电器开启事件检测时，若公式
Figure DEST_PATH_IMAGE031
成立，则中心点P m 前存在功率波动，否则不存在，所监测到的功率跳变前没有类似大小的功率下降，该功率跳变并非由跳变前已有电器的功率波动产生，可进行进一步判断。
当所述功率跳变事件检测为功率突降事件检测时，例如电器关闭事件检测时，若公式
Figure DEST_PATH_IMAGE032
成立，则中心点P m 前存在功率波动，否则不存在，所监测到的功率跳变前没有类似大小的功率下降，该功率跳变并非由跳变前已有电器的功率波动产生，可进行进一步判断。
S16、在滑动窗口内，根据第二阈值
Figure DEST_PATH_IMAGE033
和中心点P m 的功率跳变，判断中心点P m 的功率 跳变是否为大功率电器的功率跳变，若是，跳转至步骤S18，否则继续执行步骤S17。
其中，第二阈值
Figure 946789DEST_PATH_IMAGE033
取值较高，为几百至上千瓦。
当功率跳变事件检测为电器开启事件检测时，若公式
Figure DEST_PATH_IMAGE034
成立，则该功率跳变很大，中心点P m 的功率跳变是大功率电器的功率跳变，表明可以判断为是大功率电器的开启，否则，表明该功率跳变较小，还需通过中心点P m 之后的点进一步判断。
当功率跳变事件检测为电器关闭事件检测时，若公式
Figure DEST_PATH_IMAGE035
成立，则该功率跳变很大，中心点P m 的功率跳变是大功率电器的功率跳变，表明可以判断为是大功率电器的关闭，否则，表明该功率跳变较小，还需通过中心点P m 之后的点进一步判断。
S17、在滑动窗口内，根据第二相似系数
Figure 114465DEST_PATH_IMAGE009
和中心点P m 的功率跳变，判断中心点P m 后 是否存在功率波动，若是，则跳转至步骤S13，否则认为中心点P m 的功率跳变为大功率电器 的功率跳变，继续执行步骤S18。
当功率跳变事件检测为电器开启事件检测时，若公式
Figure DEST_PATH_IMAGE036
成立，则中心点P m 后存在功率波动，无明显下降，可以判断为小功率电器的开启，否则，判定该跳变为已开启的大功率电器的功率波动。
当功率跳变事件检测为电器关闭事件检测时，若公式
Figure DEST_PATH_IMAGE037
成立，则中心点P m 后存在功率波动，无明显上升，可以判断为小功率电器的关闭，否则，判定该跳变为已开启的电器运行中的功率波动。
S18、将中心点P m 所在位置确认为事件发生点，将事件发生点，以及事件发生点前 后的多个位置点所对应的功率组成原始功率序列
Figure 860704DEST_PATH_IMAGE001
，并输出。
事件发生点前后可以分别取9个位置点，则
Figure DEST_PATH_IMAGE038
。
式中，下标代表该功率点在滑动窗内位置，如P m-1为事件发生点的上一个采样点，P m+1为事件发生点的下一个采样点，以此类推。在输出当前的原始功率序列
Figure 684303DEST_PATH_IMAGE001
后，滑动窗口可 向后移动5格跳过当前段，避免重复的事件检测。
S2、对原始功率序列进行预处理，得到用于网络识别的功率序列
Figure 338139DEST_PATH_IMAGE003
。
数据预处理可以将事件检测获取到的原始功率序列进行预处理，排除电器短时间内频繁开启对事件识别造成的干扰，从而提高识别的准确度。如图4所示，具体如下：
S21、对于原始功率序列
Figure 766846DEST_PATH_IMAGE001
，对事件发生前的大范围功率波动进行处理，排除事件发 生前其它电器启停造成的影响，处理公式为：
Figure DEST_PATH_IMAGE039
其中，
Figure DEST_PATH_IMAGE040
为第三相似系数，在0.2~0.5之间取值；上式通过将大于特定范围的功率 波动点进行限制，以在保留目标电器小范围功率波动特征的同时，排除其他电器启停的影 响。
S22、对事件发生后的大范围功率波动进行处理，处理公式为：
Figure DEST_PATH_IMAGE041
其中，
Figure DEST_PATH_IMAGE042
和
Figure DEST_PATH_IMAGE043
为波动与功率跳变值之间的相似系数，均在0.2~0.5之间取值；可以 看到，相比于事件发生前的功率序列处理方法，事件发生后的功率序列处理方法对功率的 向上波动给予了更高的阈值以躲过开启事件造成的功率持续上升。
S23、去除依次经过步骤S21、S22处理后的功率序列中的最小值，得到用于网络识 别的功率序列
Figure DEST_PATH_IMAGE044
。
S3、请参照图5和图6，将功率序列
Figure 805690DEST_PATH_IMAGE003
同时输入N个电器判别网络，对应输出得到N个 单体判别结果；从数据输入侧到数据输出侧，电器判别网络依次包括输入层、Lstm1层、 Dropout1层、Lstm2层、Dropout2层、全连接层、激活函数层以及分类层；各电器判别网络均 采用公开数据集中的电器低频数据进行训练和测试，且各电器判别网络对应的电器类别不 同；对于每个单体判别结果，其包括功率序列
Figure 585428DEST_PATH_IMAGE003
对应的电器类别为其对应的电器类别VN的概 率Y N 。
在本发明中，电器判别网络的框架如图5所示，电器判别网络的输入为经过数据处 理后的启、停事件功率序列
Figure DEST_PATH_IMAGE045
，输出为该功率序列属于某一特定电器类别的概率。
输入层（Input Layer）用于接收经过处理后的事件检测功率序列并传递给下一层。
LSTM层（LSTM Layer）由与功率序列长度相同的若干个计算单元构成，每个单元的输入为输入层传递的X t 、前一个单元输出的功率特征h t-1 和单元状态C t-1 ，输出为h t 和单元状态C t 。
Dropout层临时删除部分LSTM单元用于防止模型过拟合。
全连接层（FullyConnected Layer）将LSTM提取到的功率特征通过加权求和的方 式进行映射，并输出2个范围在
Figure DEST_PATH_IMAGE046
之间实数用于判别功率序列是否为特定类别的电 器。
激活函数层（Softmax Layer）在全连接层的基础上将两个实数映射到（0，1）之间，在本发明所建网络的结构下，这两个值分别代表功率序列属于某一特定类别电器的概率和不为该类别电器的概率。
分类层（Classification Layer）通过对激活函数层的输出值进行判断，将分类结果与从属概率进行输出。
在本发明中，对于每个电器判别网络，其训练样本数据均包括两类，一类为其对应电器类别的数据，另一类为其它随机电器类别的数据，两类训练样本数据的占比均为50%。
在训练中，Lstm1层的隐含层层数numHiddenUnits1为128，Lstm2层的隐含层层数numHiddenUnits2为100，Lstm1层和Lstm2层的dropout比率均设置为0.2，全连接层输出参数numClasses为2，求解器为adam，学习率为0.001，最大轮数MaxEpochs为300，梯度阈值为1。
在事件识别网络中，启停功率序列
Figure 308533DEST_PATH_IMAGE003
被同时输入到各个电器的电器判别网络中， 由每个电器判别网络判别该功率序列属于本类电器VN的概率Y N 。
S4、见图6所示的事件识别网络框架图，将N个单体判别结果输入一概率判别器中 进行综合判别，输出得到最终判别结果，最终判别结果为未知电器类别，或者N个电器判别 网络对应的电器类别中的一个；若最终判别结果为未知电器类别，则将原始功率序列
Figure 591747DEST_PATH_IMAGE001
保存 至新增电器训练样本集，用于新的电器判别网络的训练。
其中，概率判别器采用的判别公式如下：
Figure DEST_PATH_IMAGE047
其中，本发明不考虑等于
Figure DEST_PATH_IMAGE048
这种情况，因为刚好等于的概率极小，网络输出的概率 大多大于0.8，或者小于0.3，取0.4~0.5作为阈值比较合适；
Figure 7685DEST_PATH_IMAGE026
为概率阈值，取值在0.4~0.5之间，本发明取值为0.4；
Figure DEST_PATH_IMAGE049
为各电器判别网络的可信度，即对各电器判别网络进行测试时网 络的判别正确率，可信度高的电器判别网络在网络输出的综合判别中具有更高的话语权； 当最终判别结果S=0时，表明原始功率序列
Figure 805876DEST_PATH_IMAGE028
所属电器类别为未知电器类别；当最终判别结 果S=n时，则认为第n个电器判别网络对应的电器类别，即为原始功率序列
Figure 739197DEST_PATH_IMAGE028
所属的电器类 别，取所有电器判别网络输出概率最大者所属的电器类别作为整个事件识别网络的输出。
下面提供算例测试，以说明本发明所述基于低频数据的非侵入式负荷监测方法的优势。
本发明主要采用目前广泛使用的公开数据集UKdale、REDD中的低频数据进行训练和测试，其中UKdale采样频率为1/6Hz，REDD采样频率为1Hz，需对REDD进行降采样处理，使得数据采样频率均为1/6Hz。此次实验选取多种家庭常用电器，如冰箱、灯、电饭煲、水壶、微波炉、空调等进行监测。
1、事件检测
各种电器正常运行时的功率从几十瓦到上千瓦不等，大功率电器的正常功率波动也有上百瓦，在事件检测判断中，小功率电器的启停与大功率电器的功率波动容易混淆，影响后续负荷识别。同时，事件发生点的定位准确与否，会直接干扰负荷特征的提取，从而影响后续识别。
选取曲线拟合算法作为对比算法1，事件滑动窗探测算法作为对比算法2，将这两种事件检测算法与本发明提出的事件检测算法进行对比，结果如图7、图8、图9、图10所示。
负荷某24小时总功率波形如图7所示，图7中A1处所示的区域为图8(a)、图8 (b)， 图9(a)和图10(a)对应的功率波形，图7中A2处所示的区域为图9(b)与图10(b) 对应的功率 波形。对比算法1基于滑动窗内功率曲线的斜率值进行拟合，得到曲线斜率拟合值
Figure DEST_PATH_IMAGE050
，通过 设置功率阈值得到拟合值阈值
Figure DEST_PATH_IMAGE051
，事件发生时刻，会导致斜率的陡升/降，故当曲线斜率拟 合值
Figure DEST_PATH_IMAGE052
大于阈值
Figure DEST_PATH_IMAGE053
时，认定有事件的发生。这种方式能较准确的定位事件发生时刻，且排 除掉较为平缓的功率波动，但存在大的功率波动时，会导致误判，如图8(a)所示；也可以通 过增大阈值
Figure 1551DEST_PATH_IMAGE053
排除大的功率波动，但小功率电器启停事件斜率拟合值
Figure 994915DEST_PATH_IMAGE052
不够触发阈值
Figure 545982DEST_PATH_IMAGE053
，如图8(b)所示，会被当做正常的功率波动排除，导致误判。
对比算法2中，事件发生时刻功率的突增/突降会使得滑动窗的方差陡增，该算法 利用判定条件方差
Figure DEST_PATH_IMAGE054
判断滑动窗口内发生了功率的跳变，再利用滑动窗前段 功率均值与后端功率均值之差，判断该跳变是由事件发生导致，该算法对排除掉功率波动 具有优势。在实际仿真中，令
Figure DEST_PATH_IMAGE055
，控制T的取值作为判断功率跳变的条件，T取值 过大时，会无法监测到如图9(a)所示的功率跳变，减小T，使得判断阈值降低时，会导致如图 9(b)所示的事件监测敏感度升高，可能过早判断事件发生，使得事件定位的准确度降低。
本发明事件检测算法如图10（a）、（b）所示，本发明算法相较于对比算法1，能克服功率波动与小电器启停间的矛盾，相较于对比算法2，能克服功率波动与事件定位间的矛盾。
2、评价指标
本发明采用了准确率
Figure DEST_PATH_IMAGE056
与精度F1作为识别的评价指标，计算公式如下：
Figure DEST_PATH_IMAGE057
Figure DEST_PATH_IMAGE058
其中，TP判别为正类的正样本数，TN判别为负类的负样本数，FP判别为正类的负样本数，FN判别为负类的正样本数。
3、识别
3.1、识别算法对比
选择其他事件检测的算法进行对比，图11中采用Fisher判别算法实现对家用电器的分类辨识，图中采用BP神经网络进行负荷识别从而实现功率信号的分解。
按前述评价指标，各事件检测算法的对比结果如图11所示：
Fisher作为线性判别器，对于具备明显特征大功率电器，如空调，识别准确较高，当出现电器种类增加、运行功率相似等情况，将使得该算法识别准确率大大降低。
BP神经网络对于微波炉、空调、水壶这类运行功率易区分、运行功率曲线差异性明显的电器识别准确率较高。但由于电饭煲与厨房灯、冰箱与电视在工作时运行功率相近，BP神经网络不能深入挖掘功率曲线的时序关联性，在处理运行功率相近的电器时难以区分，容易产生误判。
通过识别算法对比，可以知道相较于Fisher这类线性判别器，BP神经网络与LSTM作为神经网络在处理本发明面对的分类问题能力更强，使得识别准确率大幅提升。而LSTM相较于BP神经网络，在处理时序信息的能力更强，识别准确率更高，且识别效果更稳定。
3.2、网络结构对比
同时，将本发明算法与直接采用LSTM进行多分类处理的算法进行比较。如图12所示，这类算法从左至右每新增一个电器，需要对网络进行重新训练，随着电器数目的增加，在训练参数不变的条件下，训练样本也随之增加，使得每次网络的训练时长不断累积，且由于不同电器样本数目不同，会导致训练样本不平衡，一味去平衡样本数目也可能出现训练不充分等问题，在进行NILM时，为了解决训练样本不平衡的问题，通过SMOTE、Mixup数据增强方法对少量样本进行扩充，但会进一步增加训练的时间成本。
而本发明算法从左至右每新增一个电器，仅需建立该专一的电器判别网络对该电器的特征进行学习，且各个网络的训练互不干扰，不存在训练样本不平衡的情况。
当某一事件判别为不属于任意已有的专一的电器判别网络时，将会将其归类在标签为新电器的类别中，为未来新增专一的电器判别网络提供训练样本。
4、负荷监测
本发明以冰箱某一天的运行状态进行监测，监测结果如图13所示，通过监测总功率曲线的变化，提取功率事件相应区段进行识别，当识别结果为冰箱的启动/停止时，记录为冰箱的运行事件，此时冰箱的运行状态改变为开启/关闭，实现对冰箱的监测。对所有电器的监测结果如图14所示。
通过以上算例测试，可以说明本发明采用低频特征，提出的一种监测功率跳变点并利用跳变前后的功率时间窗排除功率波动，实现事件准确定位的事件检测算法，解决了大功率电器功率波动与小功率电器启停难以区分误检的问题，解决大功率电器波动与事件准确定位间的矛盾，构建了基于LSTM网络的专一电器判别网络，建立了利用各判别网络综合判别的事件识别网络，实现了非侵入式负荷监测，该算法新增电器无需重新训练网络，解决了负荷分解中可扩展性差的问题，且识别准确度高，识别稳定性更好。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (10)

1.一种基于低频数据的非侵入式负荷监测方法，其特征在于，包括以下步骤：
S1、监测用户功率并进行功率跳变事件检测，获取事件发生点P m ，将事件发生点，以及事件发生点前后的多个位置点所对应的功率组成原始功率序列P；
S2、对原始功率序列
Figure 385754DEST_PATH_IMAGE001
进行预处理，得到用于网络识别的功率序列
Figure 99632DEST_PATH_IMAGE002
；
S3、将功率序列
Figure 613790DEST_PATH_IMAGE003
同时输入N个电器判别网络，对应输出得到N个单体判别结果；从数据 输入侧到数据输出侧，所述电器判别网络依次包括输入层、Lstm1层、Dropout1层、Lstm2层、 Dropout2层、全连接层、激活函数层以及分类层；各所述电器判别网络均采用公开数据集中 的电器低频数据进行训练和测试，且各所述电器判别网络对应的电器类别不同；对于每个 所述单体判别结果，其包括功率序列
Figure 805737DEST_PATH_IMAGE003
对应的电器类别为其对应的电器类别的概率；
S4、将N个所述单体判别结果输入一概率判别器中进行综合判别，输出得到最终判别结 果，所述最终判别结果为未知电器类别，或者N个所述电器判别网络对应的电器类别中的一 个；若所述最终判别结果为未知电器类别，则将原始功率序列
Figure 354530DEST_PATH_IMAGE001
保存至新增电器训练样本 集，用于新的电器判别网络的训练。
2.根据权利要求1所述的非侵入式负荷监测方法，其特征在于，所述S1具体包括以下步骤：
S11、实时监测用户用电功率，得到用户功率-时间图；
S12、设定参数，包括第一阈值
Figure 973730DEST_PATH_IMAGE004
、第二阈值
Figure 975184DEST_PATH_IMAGE005
、第一相似系数
Figure 970822DEST_PATH_IMAGE006
和第二相似系数
Figure 374121DEST_PATH_IMAGE007
；
S13、在用户功率-时间图中更新滑动窗口，确定滑动窗口的中心点P m ，P m 为在时间t=m时用户的用电功率；
S14、在滑动窗口内，根据第一阈值
Figure 164223DEST_PATH_IMAGE004
判断中心点P m 是否存在功率跳变，若是，则继续执 行步骤S15，否则跳转至步骤S13；
S15、在滑动窗口内，根据第一相似系数
Figure 652973DEST_PATH_IMAGE006
和中心点P m 的功率跳变，判断中心点P m 前是否 存在功率波动，若是，则跳转至步骤S13，否则继续执行步骤S16；
S16、在滑动窗口内，根据第二阈值
Figure 186723DEST_PATH_IMAGE005
和中心点P m 的功率跳变，判断中心点P m 的功率跳变 是否为大功率电器的功率跳变，若是，跳转至步骤S18，否则继续执行步骤S17；
S17、在滑动窗口内，根据第二相似系数
Figure 444529DEST_PATH_IMAGE008
和中心点P m 的功率跳变，判断中心点P m 后是否 存在功率波动，若是，则跳转至步骤S13，否则认为中心点P m 的功率跳变为大功率电器的功 率跳变，继续执行步骤S18；
S18、将中心点P m 所在位置确认为事件发生点，将事件发生点，以及事件发生点前后的多 个位置点所对应的功率组成原始功率序列
Figure 671111DEST_PATH_IMAGE001
，并输出。
3.根据权利要求2所述的非侵入式负荷监测方法，其特征在于，
当所述功率跳变事件检测为功率突增事件检测时，在所述S14中，若公式
Figure 647157DEST_PATH_IMAGE009
Figure 719018DEST_PATH_IMAGE010
成立，则中心点P m 存在功率跳变，否则不存在；其中up为功率突增量；
当所述功率跳变事件检测为功率突降事件检测时，在所述S14中，若公式
Figure 96910DEST_PATH_IMAGE011
Figure 228814DEST_PATH_IMAGE012
成立，则中心点P m 存在功率跳变，否则不存在，其中down为功率突增量。
4.根据权利要求3所述的非侵入式负荷监测方法，其特征在于，
当所述功率跳变事件检测为功率突增事件检测时，在所述S15中，若公式
Figure 692156DEST_PATH_IMAGE013
成立，则中心点P m 前存在功率波动，否则不存在；
当所述功率跳变事件检测为功率突降事件检测时，在所述S15中，若公式
Figure 567708DEST_PATH_IMAGE014
成立，则中心点P m 前存在功率波动，否则不存在。
5.根据权利要求4所述的非侵入式负荷监测方法，其特征在于，
当所述功率跳变事件检测为功率突增事件检测时，在所述S16中，若公式
Figure 800106DEST_PATH_IMAGE015
成立，则中心点P m 的功率跳变是大功率电器的功率跳变，否则不是；
当所述功率跳变事件检测为功率突降事件检测时，在所述S16中，若公式
Figure 365561DEST_PATH_IMAGE016
成立，则中心点P m 的功率跳变是大功率电器的功率跳变，否则不是。
6.根据权利要求5所述的非侵入式负荷监测方法，其特征在于，
当所述功率跳变事件检测为功率突增事件检测时，在所述S17中，若公式
Figure 50621DEST_PATH_IMAGE017
成立，则中心点P m 后存在功率波动，否则不存在；
当所述功率跳变事件检测为功率突降事件检测时，在所述S17中，若公式
Figure 729864DEST_PATH_IMAGE018
成立，则中心点P m 后存在功率波动，否则不存在。
7.根据权利要求6所述的非侵入式负荷监测方法，其特征在于，所述S2具体包括：
S21、对于原始功率序列
Figure 816768DEST_PATH_IMAGE001
，对事件发生前的大范围功率波动进行处理，排除事件发生前 其它电器启停造成的影响，处理公式为：
Figure 556054DEST_PATH_IMAGE019
其中，
Figure 993989DEST_PATH_IMAGE020
为第三相似系数；
S22、对事件发生后的大范围功率波动进行处理，处理公式为：
Figure 149027DEST_PATH_IMAGE021
其中，
Figure 418334DEST_PATH_IMAGE022
与
Figure 266204DEST_PATH_IMAGE023
为波动与功率突增值之间的相似系数；
S23、去除依次经过步骤S21、S22处理后的功率序列中的最小值，得到所述用于网络识别的功率序列。
8.根据权利要求7所述的非侵入式负荷监测方法，其特征在于，在所述S4中，所述概率判别器采用的判别公式如下：
Figure 988173DEST_PATH_IMAGE024
其中，
Figure 946901DEST_PATH_IMAGE025
为概率阈值；
Figure 805136DEST_PATH_IMAGE026
为各电器判别网络的可信度，即对各电器判别 网络进行测试时网络的判别正确率；当最终判别结果S=0时，表明原始功率序列
Figure 823907DEST_PATH_IMAGE027
所属电器 类别为未知电器类别，当最终判别结果S=n时，则认为第n个电器判别网络对应的电器类别 VN，即为原始功率序列
Figure 33172DEST_PATH_IMAGE027
所属的电器类别。
9.根据权利要求8所述的非侵入式负荷监测方法，其特征在于，对于每个电器判别网络，其训练样本数据均包括两类，一类为其对应电器类别的数据，另一类为其它随机电器类别的数据，两类训练样本数据的占比均为50%。
10.根据权利要求9所述的非侵入式负荷监测方法，其特征在于，对于所述电器判别网络，在训练中，Lstm1层的隐含层层数numHiddenUnits1为128，Lstm2层的隐含层层数numHiddenUnits2为100，Lstm1层和Lstm2层的dropout比率均设置为0.2，全连接层输出参数numClasses为2，求解器为adam，学习率为0.001，最大轮数MaxEpochs为300，梯度阈值为1。
CN202211037428.4A 2022-08-29 2022-08-29 基于低频数据的非侵入式负荷监测方法 Active CN115112989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211037428.4A CN115112989B (zh) 2022-08-29 2022-08-29 基于低频数据的非侵入式负荷监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211037428.4A CN115112989B (zh) 2022-08-29 2022-08-29 基于低频数据的非侵入式负荷监测方法

Publications (2)

Publication Number Publication Date
CN115112989A true CN115112989A (zh) 2022-09-27
CN115112989B CN115112989B (zh) 2022-11-22

Family

ID=83335558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211037428.4A Active CN115112989B (zh) 2022-08-29 2022-08-29 基于低频数据的非侵入式负荷监测方法

Country Status (1)

Country Link
CN (1) CN115112989B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115982576A (zh) * 2023-03-17 2023-04-18 石家庄科林电气股份有限公司 一种恶性负载的识别方法、装置及电能表

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0820812D0 (en) * 2008-11-13 2008-12-24 Isis Innovation Variable power load detector apparatus and method
KR20140065897A (ko) * 2012-11-22 2014-05-30 삼성전자주식회사 전력 부하 모니터링 장치 및 방법
CN107122790A (zh) * 2017-03-15 2017-09-01 华北电力大学 基于混合神经网络和集成学习的非侵入式负荷识别算法
CN107730003A (zh) * 2017-10-23 2018-02-23 华中科技大学 一种支持多电器类型高精度的nilm实现方法
KR101867222B1 (ko) * 2017-03-08 2018-06-12 전자부품연구원 복합 센서의 기기상태 영향도 기반 비접촉 가전기기 식별방법 및 장치
CN109085439A (zh) * 2018-09-18 2018-12-25 四川大学 基于多层级分类的非侵入式负载识别方法及系统
CN109598451A (zh) * 2018-12-27 2019-04-09 东北大学 一种基于pca与lstm神经网络的非侵入式负荷辨识方法
CN109685314A (zh) * 2018-11-20 2019-04-26 中国电力科学研究院有限公司 一种基于长短期记忆网络的非侵入负荷分解方法和系统
CN110188826A (zh) * 2019-05-31 2019-08-30 湖南科技大学 基于智能电表数据的家用电器运行状态非侵入式检测方法
CN110309984A (zh) * 2019-07-09 2019-10-08 上海上塔软件开发有限公司 一种非侵入式负荷识别与短期用户行为预测方法
CN110516788A (zh) * 2019-08-07 2019-11-29 深圳供电局有限公司 一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统
US10983496B1 (en) * 2020-10-13 2021-04-20 King Abdulaziz University Apparatus and method for non-intrusive load monitoring aided hybrid high and low frequency approaches
US20210158150A1 (en) * 2019-11-27 2021-05-27 Oracle International Corporation Non-Intrusive Load Monitoring Using Machine Learning
CN113344346A (zh) * 2021-05-25 2021-09-03 合肥工业大学 基于非侵入式负荷分解的用电异常检测方法和系统
CN114498634A (zh) * 2022-02-17 2022-05-13 四川大学 一种基于电表数据的电动汽车充电负荷预测方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0820812D0 (en) * 2008-11-13 2008-12-24 Isis Innovation Variable power load detector apparatus and method
KR20140065897A (ko) * 2012-11-22 2014-05-30 삼성전자주식회사 전력 부하 모니터링 장치 및 방법
KR101867222B1 (ko) * 2017-03-08 2018-06-12 전자부품연구원 복합 센서의 기기상태 영향도 기반 비접촉 가전기기 식별방법 및 장치
CN107122790A (zh) * 2017-03-15 2017-09-01 华北电力大学 基于混合神经网络和集成学习的非侵入式负荷识别算法
CN107730003A (zh) * 2017-10-23 2018-02-23 华中科技大学 一种支持多电器类型高精度的nilm实现方法
CN109085439A (zh) * 2018-09-18 2018-12-25 四川大学 基于多层级分类的非侵入式负载识别方法及系统
CN109685314A (zh) * 2018-11-20 2019-04-26 中国电力科学研究院有限公司 一种基于长短期记忆网络的非侵入负荷分解方法和系统
CN109598451A (zh) * 2018-12-27 2019-04-09 东北大学 一种基于pca与lstm神经网络的非侵入式负荷辨识方法
CN110188826A (zh) * 2019-05-31 2019-08-30 湖南科技大学 基于智能电表数据的家用电器运行状态非侵入式检测方法
CN110309984A (zh) * 2019-07-09 2019-10-08 上海上塔软件开发有限公司 一种非侵入式负荷识别与短期用户行为预测方法
CN110516788A (zh) * 2019-08-07 2019-11-29 深圳供电局有限公司 一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统
US20210158150A1 (en) * 2019-11-27 2021-05-27 Oracle International Corporation Non-Intrusive Load Monitoring Using Machine Learning
US10983496B1 (en) * 2020-10-13 2021-04-20 King Abdulaziz University Apparatus and method for non-intrusive load monitoring aided hybrid high and low frequency approaches
CN113344346A (zh) * 2021-05-25 2021-09-03 合肥工业大学 基于非侵入式负荷分解的用电异常检测方法和系统
CN114498634A (zh) * 2022-02-17 2022-05-13 四川大学 一种基于电表数据的电动汽车充电负荷预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MIN XIA ET AL.: "Non-intrusive load disaggregation based on composite deep long short-term memory network", 《EXPERT SYSTEMS WITH APPLICATIONS》 *
刘睿迪 等: "基于低频功率数据处理的负荷分解方法", 《能源工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115982576A (zh) * 2023-03-17 2023-04-18 石家庄科林电气股份有限公司 一种恶性负载的识别方法、装置及电能表
CN115982576B (zh) * 2023-03-17 2023-06-20 石家庄科林电气股份有限公司 一种恶性负载的识别方法、装置及电能表

Also Published As

Publication number Publication date
CN115112989B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN110956220A (zh) 一种非侵入式家用电器负荷识别方法
CN112149510B (zh) 一种非侵入式负荷检测方法
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
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
CN114114039B (zh) 一种电池系统的单体电芯一致性的评估方法和装置
CN112732748B (zh) 一种基于自适应特征选择的非侵入式家电负荷识别方法
CN112198385A (zh) 一种非侵入式负荷监测方法
CN111830347A (zh) 一种基于事件的两阶段非侵入式负荷监测方法
CN112580471A (zh) 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法
CN111639586B (zh) 非侵入式负荷识别模型构建方法、负荷识别方法及系统
CN113567794B (zh) 基于动态时间规整的电动自行车户内充电辨识方法及系统
CN115112989B (zh) 基于低频数据的非侵入式负荷监测方法
CN113344346B (zh) 基于非侵入式负荷分解的用电异常检测方法和系统
CN111563827A (zh) 基于电器物理特性及居民用电行为的负荷分解方法
EP2715376A1 (en) Transition detection method for automatic-setup non-intrusive appliance load monitoring
CN110264041A (zh) 一种基于差分的非侵入式负载分解及监测方法
CN116307944B (zh) 基于人工智能与物联网的配电箱远程监测系统
Himeur et al. Appliance identification using a histogram post-processing of 2d local binary patterns for smart grid applications
CN113010985A (zh) 一种基于并行aann的非侵入式负荷识别方法
CN116796271A (zh) 一种居民用能异常识别方法
CN112085064A (zh) 基于支持向量机多分类概率输出的变压器故障诊断方法
CN112287979A (zh) 一种基于互信息的储能电池状态判定方法
CN116628620A (zh) 一种非侵入式负荷识别计算方法
CN114662576A (zh) 基于有监督分类的非侵入式电瓶车充电检测方法及系统
CN116010866A (zh) 一种基于transformer与深度学习的负荷数据能耗分解方法

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
GR01 Patent grant
GR01 Patent grant