CN116780537A - 非侵入式负荷监测方法、装置、存储介质 - Google Patents
非侵入式负荷监测方法、装置、存储介质 Download PDFInfo
- Publication number
- CN116780537A CN116780537A CN202311070647.7A CN202311070647A CN116780537A CN 116780537 A CN116780537 A CN 116780537A CN 202311070647 A CN202311070647 A CN 202311070647A CN 116780537 A CN116780537 A CN 116780537A
- Authority
- CN
- China
- Prior art keywords
- load
- appliance
- characteristic
- electrical appliance
- unknown
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 7
- 230000001052 transient effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力负荷监测领域,涉及一种非侵入式负荷监测方法、装置、存储介质。基于采集的单个电器的不同负荷特征,建立典型电器模型,构建电器负荷特征数据库;对于用户的聚合电力负荷数据,执行事件检测;对于每一事件序列进行特征提取,获得未知电器的负荷特征;采用熵权法确定各个负荷特征的特征权重;将每一事件的负荷特征作为目标解,通过TOPSIS法计算出数据库中各电器与未知电器的相似度;确定数据库中与未知电器相似度最高的电器,并将未知电器辨识为此类电器,完成负荷辨识。本发明方法对计算空间和内存空间要求度低,不需要提前对电器模型进行训练即可完成对电器负荷的识别与监测,适合更广泛的应用场景。
Description
技术领域
本发明属于电力负荷监测领域,尤其是一种非侵入式负荷监测方法、装置、存储介质。
背景技术
研究表明,通过向终端用户反馈能源使用信息,比如能源消耗方式和能源消费量,可以使居民家庭的功耗降低10%以上。因此,为最终用户提供这些用电细节信息,激励并支持更可持续的能源消费行为,正成为一个热门研究课题。为此,实现这一目标的一个简单策略是采用“侵入式负载监测”,即在建筑物中的每一个设备上安装单独的智能电表或传感器,此方案的成本十分高昂,并不适宜大规模部署。在此情况下,另一个解决方案“非侵入式负载监测”具有广阔的应用前景。
非侵入式负荷监测(Non-intrusive load monitoring,NILM)是Hart于1982年提出的一个概念。它可以提供电器级别的能源使用信息,而无需在每个负载中部署电表,这些信息可以进一步有利于能效监测电力消耗情况,帮助实现智能建筑等。在NILM的帮助下,消费者可以随时检查自家用电器使用情况,然后可以调整自己的行为来实现节电。从20世纪80年代到现在,大量的研究工作致力于利用信号分析与处理、机器学习和深度学习等各种技术构建负载监测算法。NILM的原始方法是使用收集的有功功率和无功功率增量作为负载特征向量,然后使用这些信息和传统的聚类算法来识别负载。当每个用电负载的有功功率和无功功率特性都是唯一时,这种方法可以达到令人满意的效果。然而,随着社会的快速发展,电力负荷的类型不断增加,许多负荷的功率特性在特征空间中存在重叠。因此,仅使用功率特征的负载监测方法的准确性也有所下降。为了获得更好的效果,开发了更多的电力负荷特征。例如随着采样设备和图像处理技术的发展,通过使用深度学习等算法,发现V-I轨迹图像对负荷识别是有效的。尽管V-I轨迹比其它负载特征具有更好的识别效果,但它还不足以区分所有电器,因为获得V-I轨迹时需要进行归一化处理,无法反映功率特征。
为了开发一种对计算空间和内存空间要求度低,且不需要对电器模型进行训练的NILM方法,提出本发明方法。
发明内容
本发明的目的在于克服现有技术的不足之处,提供一种非侵入式负荷监测方法、装置及存储介质。此发明可以在不需要训练的情况下实现对电力消耗信息的分解和对电器的负荷监测,为电力部门和消费者提供用电细节信息,帮助进行能源管理与节约。
本发明解决技术问题所采用的技术方案是:
本发明的第一方面是提供了一种非侵入式负荷监测方法,包括以下步骤:
S1:基于采集的单个电器的不同负荷特征,建立典型电器模型,构建电器负荷特征数据库;
S2:对于用户的聚合电力负荷数据,执行事件检测;
S3:对于每一事件序列进行特征提取,获得未知电器的负荷特征;
S4:基于S1建立的电器负荷特征数据库,采用熵权法确定各个负荷特征的特征权重;
S5:将每一事件的负荷特征作为目标解,结合S4中得到的特征权重,通过TOPSIS法计算出数据库中各电器与未知电器的相似度;
S6:确定数据库中与未知电器相似度最高的电器,并将未知电器辨识为此类电器,完成负荷辨识。
进一步地,S1中,采集各单个电器运行数据构建负荷特征数据库,不对电器模型进行训练。
进一步地,S2中,通过功率变化和电流变化是否大于阈值来综合判断负荷事件是否发生。
进一步地,S3中,未知电器的负荷特征包括稳态特征和暂态特征,其中稳态特征包括有功功率和无功功率/>,暂态特征包括电压-电流轨迹特性/>以及谐波特性/>。
进一步地,所述有功功率的计算公式为:
;
其中,为事前对应周期计算得到的有功功率,/>为事后对应周期计算得到的有功功率,/>为/>次谐波有功功率分量,/>则为谐波次数,/>为/>次谐波电压有效值,/>为次谐波电流有效值,/>为功率因数角;
所述无功功率的计算公式为:
;
其中,为事前对应周期计算得到的无功功率,/>为事后对应周期计算得到的无功功率,/>为/>次谐波无功分量;
所述谐波特性采用2~15次的谐波;
所述电压-电流轨迹特性的计算公式为:
;
其中,为电压变化序列,/>为电流变化序列,/>为事前周期/>对应的电压序列,为事前周期/>对应的电流序列,/>为事后周期/>对应的电压序列,/>为事后周期/>对应的电流序列;
通过电压变化序列和电流变化序列/>绘制电压-电流轨迹。
进一步地,采用的电压-电流轨迹的特征包括:封闭面积、中段峰值及中线斜率。
进一步地,所述熵权法具体步骤如下:
A1将个评价电器的/>个初始评价特征指标数据构成初始矩阵/>;
;
其中,;/>,/>表示未知电器与数据库中第/>个电器在第/>个特征上的相似度值,计算公式为:
;
其中,表示未知电器在第/>个特征上取值;/>表示数据库中第/>个电器在第个特征上取值,/>值越大,表示两个电器相同的可能性就越大;
A2对初始矩阵进行标准化处理,得到标准化矩阵/>;
;
其中,;/>,/>为/>经过标准化后的数值;
A3计算每个特征对应的信息熵数值;
;
其中,为特征/>的信息熵,/>为电器/>的特征/>在所有电器的特征/>中的占比;
A4获得特征权重矩阵;
;
其中,为特征/>的权重,/>。
进一步地,通过TOPSIS法计算出数据库中各电器与未知电器的相似度的具体步骤如下:
B1结合各评价指标的特征权重矩阵,构造加权规范化矩阵/>;
;
其中,为未知电器与电器/>在特征/>上的单个加权评价数值;
B2确定理想解,理想解分为正理想解和负理想解/>;
;
其中,为所有电器在特征/>的最优值,/>为所有电器在特征/>的最劣值;
B3计算各个方案分别与正理想解、负理想解/>的距离,
;
其中,为电器/>到正理想解/>的距离,/>为电器/>到负理想解/>的距离;
B4计算各个方案与理想解的相似度,
;
其中,为电器/>到理想解的最终距离。
本发明的第二方面是提供了实现上述非侵入式负荷监测方法的非侵入式负荷监测装置,包括:
数据库构建模块,基于采集的单个电器的不同负荷特征,建立典型电器模型,构建电器负荷特征数据库;
检测模块,对于用户的聚合电力负荷数据,执行事件检测;
特征提取模块,对于每一事件序列进行特征提取,获得未知电器的负荷特征;
权重确定模块,基于S1建立的电器负荷特征数据库,采用熵权法确定各个负荷特征的特征权重;
相似度判断模块,将每一事件的负荷特征作为目标解,结合S4中得到的特征权重,通过TOPSIS法计算出数据库中各电器与未知电器的相似度;
负荷辨识模块,确定数据库中与未知电器相似度最高的电器,并将未知电器辨识为此类电器,完成负荷辨识。
本发明的第三方面是提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序用于使所述计算机执行所述的非侵入式负荷监测方法。
本发明的优点和积极效果是:
本发明方法对计算空间和内存空间要求度低,不需要提前对电器模型进行训练即可完成对电器负荷的识别与监测,适合更广泛的应用场景。
附图说明
图1为本发明方法流程图。
具体实施方式
下面通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
如图1所示,本发明提出的一种非侵入式负荷监测方法,包括以下步骤:
S1:基于采集的单个电器的不同负荷特征,建立典型电器模型,构建电器负荷特征数据库。
电器负荷特征数据库为一个负载特征表,以便分解算法能够确定测量到的电器信号是否与数据库中的电器匹配。负荷特征数据库在NILM系统中起着至关重要的作用,因为它是负荷辨识所必需的。在所提出的方案中,将存储每个电器的四个负荷特征取值,即有功功率、无功功率/>、谐波特性/>、以及电压-电流轨迹特性/>。
S2:对于用户的聚合电力负荷数据,执行事件检测。
非侵入式负荷监测需要处理聚合状态的电力负荷数据,本方法通过功率变化和电流变化是否大于阈值来综合判断负荷事件是否发生,即当公式(1)成立时,才认为存在电器切换导致负荷事件发生。
(1);
其中,为相邻周期功率变化量,/>为相邻周期电流变化量,/>为功率阈值,/>为电流阈值。
S3:对于每一事件序列进行特征提取,获得未知电器的负荷特征。
根据任一事件,可以确定其事前周期/>与事后周期/>。
有功功率:
其中,为事前对应周期计算得到的有功功率,/>为事后对应周期计算得到的有功功率,/>为/>次谐波有功功率分量,/>为谐波次数,/>为/>次谐波电压有效值,/>为/>次谐波电流有效值,/>为功率因数角。
无功功率:
其中,为事前对应周期计算得到的无功功率,/>为事后对应周期计算得到的无功功率,/>为/>次谐波无功分量。
谐波特性:
为了获得谐波含量,采用了快速傅立叶变换(Fast Fourier Transform,FFT)。由于大多数家用电器的谐波含量在15次谐波之后并不显著,因此研究2次到15次的谐波。
电压-电流轨迹特性:
取事前周期对应的电压序列/>和电流序列,其中/>为一个周期的采样点个数。同理,取事后周期/>对应的电压序列/>和电流序列/>。则可以获得因电器切换而导致的电压电流变化序列:
为电压变化序列,/>为电流变化序列。
随后,可以通过电压变化序列和电流变化序列/>绘制电压-电流轨迹,即/>轨迹。进一步,可以用/>轨迹的特征来描述轨迹的形状并表示负载特征,本方案使用的/>轨迹的特征主要包括:
1)封闭面积:表示轨迹所包围的区域,与电器的电压电流之间的相位差大小有关;
2)中段峰值:轨迹中间部分间距峰值;
3)中线斜率:轨迹中间部分的斜率大小。
S4:基于S1建立的电器负荷特征数据库,利用熵权法确定各个负荷特征的特征权重。
熵权法是一种应用于多指标的客观赋权方法,其基本思路在于利用信息之间的差异性进行客观赋权,主要依赖数据本身的离散性因而不易受人为主观因素的影响。具体步骤如下:
A1针对某一负荷事件对应的电器辨识决策问题,若数据库中共有个备选电器组成解集/>。在衡量每个备选电器与未知电器的决策方案优劣时,需要从/>个负荷特征方面进行综合评价,则/>个评价电器的/>个初始评价特征指标数据构成初始矩阵/>。
其中,;/>,/>表示未知电器与数据库中第/>个电器在第/>个特征上的相似度值,计算公式为:
其中,表示未知电器在第/>个特征上取值,/>表示数据库中第/>个电器在第个特征上取值。/>值越大,表示两个电器相同的可能性就越大。
A2对初始矩阵进行标准化处理,得到标准化矩阵/>。
其中,;/>,/>为/>经过标准化后的数值。
A3计算每个特征对应的信息熵数值。
其中,为特征/>的信息熵,/>为电器/>的特征/>在所有电器的特征/>中的占比。
A4获得特征权重矩阵。
其中,为特征/>的权重,/>。
S5:将每一事件提取的负荷特征作为目标解,结合S4中得到的特征权重,通过TOPSIS法计算出数据库中各电器与未知电器的相似度。
TOPSIS(Technique for Order Preference by Similarity to IdealSolution)法是一种多目标决策分析方法,又称为优劣解距离法。其主要思想是通过计算评价对象与理想化目标和负理想化目标的接近程度对评价对象进行排序以确定其相对优劣程度,从而选择最佳方案。
具体步骤如下:
B1结合各评价指标的特征权重矩阵,构造加权规范化矩阵/>。
其中,为未知电器与电器/>在特征/>上的单个加权评价数值。
B2确定理想解,理想解分为正理想解和负理想解/>,评价指标可以分为效益性指标和成本性指标。
其中,为所有电器在特征/>的最优值,/>为所有电器在特征/>的最劣值。
B3计算各个方案分别与正理想解、负理想解/>的距离。
其中,为电器/>到正理想解/>的距离,/>为电器/>到负理想解/>的距离。
B4计算各个方案与理想解的相似度。
其中,为电器/>到理想解的最终距离。
S6:确定数据库中与未知电器相似度最高的电器,并将未知电器辨识为此类电器,完成负荷辨识。
对于任一由电器状态切换引起的负荷事件,通过TOPSIS法对其各项负荷特征进行综合判断,将其归入数据库中对应值最大的电器,完成负荷辨识。
本发明进一步提供了实现上述非侵入式负荷监测方法的非侵入式负荷监测装置,包括:
数据库构建模块,基于采集的单个电器的不同负荷特征,建立典型电器模型,构建电器负荷特征数据库;
检测模块,对于用户的聚合电力负荷数据,执行事件检测;
特征提取模块,对于每一事件序列进行特征提取,获得未知电器的负荷特征;
权重确定模块,基于S1建立的电器负荷特征数据库,采用熵权法确定各个负荷特征的特征权重;
相似度判断模块,将每一事件的负荷特征作为目标解,结合S4中得到的特征权重,通过TOPSIS法计算出数据库中各电器与未知电器的相似度;
负荷辨识模块,确定数据库中与未知电器相似度最高的电器,并将未知电器辨识为此类电器,完成负荷辨识。
本发明进一步提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序用于使所述计算机执行所述的非侵入式负荷监测方法。
以上所述的仅是本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种非侵入式负荷监测方法,其特征在于,包括以下步骤:
S1:基于采集的单个电器的不同负荷特征,建立典型电器模型,构建电器负荷特征数据库;
S2:对于用户的聚合电力负荷数据,执行事件检测;
S3:对于每一事件序列进行特征提取,获得未知电器的负荷特征;
S4:基于S1建立的电器负荷特征数据库,采用熵权法确定各个负荷特征的特征权重;
S5:将每一事件的负荷特征作为目标解,结合S4中得到的特征权重,通过TOPSIS法计算出数据库中各电器与未知电器的相似度;
S6:确定数据库中与未知电器相似度最高的电器,并将未知电器辨识为此类电器,完成负荷辨识。
2.根据权利要求1所述的方法,其特征在于,S1中,采集各单个电器运行数据构建负荷特征数据库,不对电器模型进行训练。
3.根据权利要求2所述的方法,其特征在于,S2中,通过功率变化和电流变化是否大于阈值来综合判断负荷事件是否发生。
4.根据权利要求3所述的方法,其特征在于,S3中,未知电器的负荷特征包括稳态特征和暂态特征,其中稳态特征包括有功功率和无功功率/>,暂态特征包括电压-电流轨迹特性/>以及谐波特性/>。
5.根据权利要求4所述的方法,其特征在于,
所述有功功率的计算公式为:
;
其中,为事前对应周期计算得到的有功功率,/>为事后对应周期计算得到的有功功率,/>为/>次谐波有功功率分量,/>为谐波次数,/>为/>次谐波电压有效值,/>为/>次谐波电流有效值,/>为功率因数角;
所述无功功率的计算公式为:
;
其中,为事前对应周期计算得到的无功功率,/>为事后对应周期计算得到的无功功率,/>为/>次谐波无功分量;
所述谐波特性采用2~15次的谐波;
所述电压-电流轨迹特性的计算公式为:
;
其中,为电压变化序列,/>为电流变化序列,/>为事前周期/>对应的电压序列,/>为事前周期/>对应的电流序列,/>为事后周期/>对应的电压序列,/>为事后周期/>对应的电流序列;
通过电压变化序列和电流变化序列/>绘制电压-电流轨迹。
6.根据权利要求5所述的方法,其特征在于,采用的电压-电流轨迹的特征包括:封闭面积、中段峰值及中线斜率。
7.根据权利要求6所述的方法,其特征在于,所述熵权法具体步骤如下:
A1将个评价电器的/>个初始评价特征指标数据构成初始矩阵/>;
;
其中,;/>,/>表示未知电器与数据库中第/>个电器在第/>个特征上的相似度值,计算公式为:
;
其中,表示未知电器在第/>个特征上取值,/>表示数据库中第/>个电器在第/>个特征上取值,/>值越大,表示两个电器相同的可能性就越大;
A2对初始矩阵进行标准化处理,得到标准化矩阵/>;
;
其中,;/>,/>为/>经过标准化后的数值;
A3计算每个特征对应的信息熵数值;
;
其中,为特征/>的信息熵,/>为电器/>的特征/>在所有电器的特征/>中的占比;
A4获得特征权重矩阵;
;
其中,为特征/>的权重,/>。
8.根据权利要求7所述的方法,其特征在于,通过TOPSIS法计算出数据库中各电器与未知电器的相似度的具体步骤如下:
B1结合各评价指标的特征权重矩阵,构造加权规范化矩阵/>;
;
其中,为未知电器与电器/>在特征/>上的单个加权评价数值;
B2确定理想解,理想解分为正理想解和负理想解/>;
;
其中,为所有电器在特征/>的最优值,/>为所有电器在特征/>的最劣值;
B3计算各个方案分别与正理想解、负理想解/>的距离,
;
其中,为电器/>到正理想解/>的距离,/>为电器/>到负理想解/>的距离;
B4计算各个方案与理想解的相似度,
;
其中,为电器/>到理想解的最终距离。
9.根据权利要求1-8任一权利要求所述非侵入式负荷监测方法的非侵入式负荷监测装置,其特征在于,包括:
数据库构建模块,基于采集的单个电器的不同负荷特征,建立典型电器模型,构建电器负荷特征数据库;
检测模块,对于用户的聚合电力负荷数据,执行事件检测;
特征提取模块,对于每一事件序列进行特征提取,获得未知电器的负荷特征;
权重确定模块,基于S1建立的电器负荷特征数据库,采用熵权法确定各个负荷特征的特征权重;
相似度判断模块,将每一事件的负荷特征作为目标解,结合S4中得到的特征权重,通过TOPSIS法计算出数据库中各电器与未知电器的相似度;
负荷辨识模块,确定数据库中与未知电器相似度最高的电器,并将未知电器辨识为此类电器,完成负荷辨识。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序用于使所述计算机执行权利要求1-8的任一项所述的非侵入式负荷监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311070647.7A CN116780537A (zh) | 2023-08-24 | 2023-08-24 | 非侵入式负荷监测方法、装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311070647.7A CN116780537A (zh) | 2023-08-24 | 2023-08-24 | 非侵入式负荷监测方法、装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116780537A true CN116780537A (zh) | 2023-09-19 |
Family
ID=88008504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311070647.7A Pending CN116780537A (zh) | 2023-08-24 | 2023-08-24 | 非侵入式负荷监测方法、装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116780537A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333724A (zh) * | 2023-11-28 | 2024-01-02 | 天津滨电电力工程有限公司 | 一种基于多特征融合图像的非侵入式负荷辨识方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735955A (zh) * | 2011-04-15 | 2012-10-17 | 财团法人交大思源基金会 | 辨识电器状态的功率监控装置及其功率监控方法 |
CN103105556A (zh) * | 2013-01-30 | 2013-05-15 | 西安交通大学 | 基于稳态与暂态特征联合匹配的智能电网负载检测与识别方法 |
CN106443244A (zh) * | 2016-08-31 | 2017-02-22 | 南方电网科学研究院有限责任公司 | 用电设备类型辨识方法和系统 |
CN107302217A (zh) * | 2017-06-02 | 2017-10-27 | 广东中粤售电科技有限公司 | 基于v‑i轨迹的非侵入式负荷分解方法及系统 |
CN111244954A (zh) * | 2020-03-23 | 2020-06-05 | 广东电科院能源技术有限责任公司 | 一种非入侵式负荷辨识方法及装置 |
CN112732748A (zh) * | 2021-01-07 | 2021-04-30 | 西安理工大学 | 一种基于自适应特征选择的非侵入式家电负荷识别方法 |
CN113191253A (zh) * | 2021-04-28 | 2021-07-30 | 浙江大学 | 一种边缘机器学习下基于特征融合的非侵入式负荷识别方法 |
CN114757284A (zh) * | 2022-04-18 | 2022-07-15 | 天津大学 | 一种基于图信号处理的非侵入式负荷监测方法 |
-
2023
- 2023-08-24 CN CN202311070647.7A patent/CN116780537A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735955A (zh) * | 2011-04-15 | 2012-10-17 | 财团法人交大思源基金会 | 辨识电器状态的功率监控装置及其功率监控方法 |
CN103105556A (zh) * | 2013-01-30 | 2013-05-15 | 西安交通大学 | 基于稳态与暂态特征联合匹配的智能电网负载检测与识别方法 |
CN106443244A (zh) * | 2016-08-31 | 2017-02-22 | 南方电网科学研究院有限责任公司 | 用电设备类型辨识方法和系统 |
CN107302217A (zh) * | 2017-06-02 | 2017-10-27 | 广东中粤售电科技有限公司 | 基于v‑i轨迹的非侵入式负荷分解方法及系统 |
CN111244954A (zh) * | 2020-03-23 | 2020-06-05 | 广东电科院能源技术有限责任公司 | 一种非入侵式负荷辨识方法及装置 |
CN112732748A (zh) * | 2021-01-07 | 2021-04-30 | 西安理工大学 | 一种基于自适应特征选择的非侵入式家电负荷识别方法 |
CN113191253A (zh) * | 2021-04-28 | 2021-07-30 | 浙江大学 | 一种边缘机器学习下基于特征融合的非侵入式负荷识别方法 |
CN114757284A (zh) * | 2022-04-18 | 2022-07-15 | 天津大学 | 一种基于图信号处理的非侵入式负荷监测方法 |
Non-Patent Citations (2)
Title |
---|
孙晓伟: "基于FHMM的非侵入式负荷分解研究", 知网数据库 * |
王爱囡 等: "种非侵入式电力负荷监测系统的设计与实现", 西安理工大学学报, vol. 35, no. 3, pages 343 - 351 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333724A (zh) * | 2023-11-28 | 2024-01-02 | 天津滨电电力工程有限公司 | 一种基于多特征融合图像的非侵入式负荷辨识方法 |
CN117333724B (zh) * | 2023-11-28 | 2024-02-27 | 天津滨电电力工程有限公司 | 一种基于多特征融合图像的非侵入式负荷辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rajabi et al. | A comparative study of clustering techniques for electrical load pattern segmentation | |
Wang et al. | Non-intrusive load monitoring algorithm based on features of V–I trajectory | |
Hassan et al. | An empirical investigation of VI trajectory based load signatures for non-intrusive load monitoring | |
Munshi et al. | Unsupervised nonintrusive extraction of electrical vehicle charging load patterns | |
Jazizadeh et al. | An unsupervised hierarchical clustering based heuristic algorithm for facilitated training of electricity consumption disaggregation systems | |
CN103135009B (zh) | 基于使用者回馈信息的电器侦测方法与系统 | |
CN111830347B (zh) | 一种基于事件的两阶段非侵入式负荷监测方法 | |
CN110416995B (zh) | 一种非侵入式负荷分解方法和装置 | |
CN116780537A (zh) | 非侵入式负荷监测方法、装置、存储介质 | |
CN112101110A (zh) | 一种电力系统用户侧非侵入式负荷识别的方法 | |
Himeur et al. | Appliance identification using a histogram post-processing of 2d local binary patterns for smart grid applications | |
CN113177299A (zh) | 非侵入式电力负荷分解方法、装置、设备及介质 | |
Dinesh et al. | Incorporating time-of-day usage patterns into non-intrusive load monitoring | |
Zakariazadeh | Smart meter data classification using optimized random forest algorithm | |
CN111275069B (zh) | 一种非侵入式负荷监测方法 | |
Zhou et al. | Neural network pattern recognition based non-intrusive load monitoring for a residential energy management system | |
Panapakidis et al. | A missing data treatment method for photovoltaic installations | |
Li et al. | Stacking ensemble learning-based load identification considering feature fusion by cyber-physical approach | |
Ma et al. | Measurement error assessment for smart electricity meters under extreme natural environmental stresses | |
Zhang et al. | An autocorrelation incremental fuzzy clustering framework based on dynamic conditional scoring model | |
Parson et al. | A scalable non-intrusive load monitoring system for fridge-freezer energy efficiency estimation | |
Mariño et al. | NILM: Multivariate DNN performance analysis with high frequency features | |
Gurbuz et al. | A brief review of non-intrusive load monitoring and its impact on social life | |
Panapakidis et al. | Three-stage clustering procedure for deriving the typical load curves of the electricity consumers | |
Luan et al. | Unsupervised identification and status assessment for electric bicycle charging load |
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 |