TW201504978A - 電器負載辨識方法 - Google Patents
電器負載辨識方法 Download PDFInfo
- Publication number
- TW201504978A TW201504978A TW102125522A TW102125522A TW201504978A TW 201504978 A TW201504978 A TW 201504978A TW 102125522 A TW102125522 A TW 102125522A TW 102125522 A TW102125522 A TW 102125522A TW 201504978 A TW201504978 A TW 201504978A
- Authority
- TW
- Taiwan
- Prior art keywords
- electrical load
- waveform
- power
- load
- energy
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000001052 transient effect Effects 0.000 claims abstract description 99
- 238000012544 monitoring process Methods 0.000 claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000010586 diagram Methods 0.000 claims description 55
- 230000008569 process Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 14
- 230000009466 transformation Effects 0.000 abstract description 2
- 230000006698 induction Effects 0.000 description 40
- 238000004422 calculation algorithm Methods 0.000 description 19
- 230000001939 inductive effect Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 229930091051 Arenine Natural products 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Abstract
一種電器負載辨識方法,係應用於非侵入式需量監測與負載辨識(Non-Intrusive Demand Monitoring and Load Identification,NIDMLI)系統,該方法係擷取出每一電器負載的暫態電流波形,並將此暫態電流波形進行小波轉換分析後,再依據巴賽瓦定理(Parsval Theorem)對分析結果進行處理運算後,產生能量波形圖,進而擷取此能量波形圖中之高頻能量指標作為電力特徵,並以類神經網路系統將電力特徵與比對資料庫中之預設電力特徵進行辨識運算,藉以辨識出電器負載的種類。
Description
本發明係有關於一種電器負載辨識方法,尤指一種擷取電器負載暫態電流波形,並藉由小波轉換以及巴賽瓦定理進行處理後,擷取高頻能量指標之電器負載辨識方法。
由於工業革命、人口劇增等因素,造成大氣中的二氧化碳濃度節節升高,使得全球氣候出現暖化的現象,並導致各地災情頻傳。近年來,各國政府不得不正視氣候變遷帶給人類的衝擊,而紛紛提倡節能減碳的政策,並要求世界諸國簽訂抑制溫室氣體排放的管制協議,因而加速再生能源的開發及能源管理的發展。在電力系統的能源管理方面,專家學者們提出智慧型電網(Smart Grid)的概念。智慧型電網包含發電、輸電、配電及用戶端,其中,在用戶端著重於智慧型電表的發展,而此電表具有支援各種不同的電價費率、提供用戶能源使用資訊並引導自發性節能等優點。
用戶端的負載使用資訊為智慧型電表架構之一,其目的為提供用戶端電器負載的使用情況及電能消耗等資
訊,並引導使用者自發性的節約能源,達到節能減碳與能源管理的目的。而在負載使用資訊方面則仰賴於負載監測系統的發展。負載監測系統大致上分為兩種監測方法,一為侵入式(Intrusive),另一為非侵入式(Non-Intrusive)。此二種不同的監測方式,可從監測觀點判斷之,若判斷負載狀況之量測器裝置於各負載點上,即為侵入式的負載監測方法,例如:智慧型插座;反之,若量測器只裝置於電力入戶端(Power Service Entrance),即為非侵入式的負載監測方法。
進一步而言,侵入式負載監測系統需要在監測之負載上裝置量測器與感測器,並透過所裝置的感測器感測負載的運作。當負載被開啟或關閉時,監測系統會藉由內部連接線傳送訊息至負載紀錄器,並同時傳送至資料中心作進一步的分析,得知負載的使用狀況,且可透過現場的控制設備進行監視及遠端控制的運作,以實現數據採集、負載控制及警報等功能。此項監測方法雖具有遠端控制負載的功能,但卻需要使用到大量的量測設備、感測元件及控制儀器,致使裝置成本提高及設備維護不易。
請參閱第一圖,第一圖係顯示本發明先前技術之非侵入式負載監測系統之示意圖。如第一圖所示,電力入口端PA1係分別電性連接於一公用供電系統PA2、一負載監測中心PA3以及三個電器負載PA4(圖中僅標示一個),其中,上述公用供電系統PA2係為台灣電力公司所提供電壓源系統之公用匯流排,負載監測中心PA3甚至可為
通信連接於電力入口端PA1,且電力入口端PA1可電性連接更多的電器負載PA4,其例如是電風扇、檯燈、吸塵器或吹風機之家用電器。
上述非侵入式負載監測(Non-Intrusive Load Monitoring,NILM)系統監測之方法的概念於八零年代期間,由美國麻省理工學院學者Fred Schweppe與George Hart所提出,此種監測方式只需於用戶端負載系統的電力入口端PA1裝置一組電壓電流量測器(圖未示),並透過各種電力特徵(Power Signature)的萃取及負載辨識的技巧等演算法,得知系統底下負載的動作情況及電能消耗資訊。因此,相較於仰賴硬體功能的侵入式監測方法,非侵入式監測方法具有花費較少、維護較易及安裝容易等優點,且具有極大的潛能作為廣泛的負載監測架構,成為能源管理系統的重要工具。
但是,如何從電力用戶端所量測的電壓電流訊號進行有效地分析,監測系統才能精確地辨識出系統下各負載的使用情況,是為非侵入式負載監測系統的一項挑戰。
具體而言,現有非侵入式負載監測系統係以偵測電力波形是否產生變化確認負載的使用情況。當負載開啟或關閉時,監測系統根據事件發生前後的訊號不同作為判斷負載使用情況的依據。
判斷負載的使用情況主要是依據上述之電力特徵,而電力特徵顧名思義即為負載在運作情況下所出現的特徵,而這些特徵大致上又分為暫態電力特徵及穩態電力特徵。穩態電力特徵有許多種,例如:實虛功率、電流
峰值及諧波含量等。
舉例而言,美國麻省理工學院學者Fred Schweppe與George Hart所提出的方法中,係以實虛功率(Real and Reactive Power)作為電力特徵,並依序進行邊緣偵測(Edge Detector)、叢集分析(Cluster Analysis)、叢集配對(Cluster Match)、異例解析(Anomaly Resolution)以及負載辨識(Load Recognition)之步驟。
其中,在邊緣偵測步驟中,其主要是用於確認電器負載的動作情形,即電器負載被開啟或關閉時之實虛功率的差異量;在叢集分析步驟中,其主要是利用實虛功率的差異量,畫製成一個實虛功率的變化平面;在叢集配對步驟中,其主要係將實虛功率的差異量與已知相似的實虛功率進行配對與歸類;在異例解析的步驟中,係將叢集配對步驟中,失敗的配對叢集根據最佳近似演算法(Best likelihood Algorithm)創造新的叢集或納入已知的叢集,且此步驟表示電器負載辨識失敗;而負載辨識步驟中,其主要係將叢集配對步驟中,對成功的叢集配對,辨識電器負載的使用情形。
雖然上述方法於居家建築監測之實際效果不錯,但此種以負載的實虛功率作為辨識負載的電力特徵可能遭遇到一些問題,例如此監測系統下的電器負載需具備不相同的實虛功率,且如果使用於商業或工業場所時,因其電器負載之複雜性,將可能導致電器負載辨識失敗;此監測系統是使用穩態特徵作為判斷依據,因此需要等到電器負載達到完全穩態後,才可進行量測的動作,得到
正確的穩態值;若電器負載當中出現變動性負載時,將可能使得電器負載辨識器辨識錯誤。
此外,在電器負載有相近的實虛功率之負載出現時;在具有自動功因調整功能的電器負載,造成無法有效量測虛功率時;系統電壓源或頻率不穩定,造成實虛功率飄動劇烈時;當負載隨著使用時間的多寡而改變負載的實虛功率之情況時;當監測系統含有變動性負載時,皆有造成監測系統出現誤判的情形,進而明顯地透露出穩態電力特徵所具有的獨特性質較為薄弱。
再以諧波含量作為電力特徵為例,請一併參閱第二圖與第二A圖,第二圖係顯示本發明先前技術之吹風機之電流諧波含量波形圖,第二A圖係顯示本發明先前技術之電子式檯燈之電流諧波含量波形圖。如圖所示,可知電器負載為吹風機時,其電流諧波失真較小,而電器負載為電子式檯燈時,因其電力電子元件的影響其電流諧波失真較大,所以彼此電流諧波含量的表現不一樣。
然而,若以諧波含量作為非侵入式負載監測系統的電力特徵,仍會碰到一些問題,例如,系統需於穩態下,才能量取諧波含量;若系統下出現變動性電器負載時;若電器負載加入濾波器,造成諧波特徵不明顯等因素,皆有可能造成電器負載辨識錯誤。
由於穩態電力特徵具有上述之缺點,因此有學者提出以暫態電力特徵進行電器負載辨識,其主要係利用電器負載啟動或關閉的暫態現象之片段或完全的重複性(Repeatability)作為電力特徵,但此片段重複的特徵
在辨識的過程中,若二個電器負載(含以上)同時開啟時會碰到一些問題,像是二個電器負載的暫態功率波形出現重疊時,就可能會配對過程中,只找出一個電器負載,但是實際上是二個電器負載被開啟,因而造成負載誤判的情況。
再以專利公告號第I322271號為例,其主要是提供一小波轉換及類神經網路電力品質事件辨識演算方法,其演算法包括兩大部分:資料分析演算法及波形辨識演算法。資料分析演算法係一以小波理論為基礎的演算方法,用以處理資料數量龐大而複雜之電力品質事件資料;而波形辨識演算法進一步包含一適應性類神經網路偵測,用以改善傳統類神經網路方法必需依照應用環境發展適合之神經網路架構,且其架構一旦確定便固定而無法更改之缺點以強化辨識效能。
然而,專利公告號第I322271號針對電力品質問題,進行電壓或電流振幅偵測及小波分析,可以辨別干擾源種類。然而如為電器負載的監測,其種類極為複雜,使得其僅在單獨採用小波轉換搭配類神經網路的狀況下,類神經網路的輸入資料量會過多而導致計算時間過長,甚至有無法收斂等問題。
綜合以上所述,現有非侵入式負載監測系統的方法中,無論是以穩態電力特徵或是暫態電力特徵進行辨識,仍具有辨識率不佳之問題,且其系統要儲存多筆電器負載的資料以及其組合資料以提高辨識率,進而造成儲存空間的浪費,且也由於要在多筆資料中辨識出而有辨識演
算時間長之問題,因此現有非侵入式負載監測系統的方法仍有改善的空間。
有鑒於現有非侵入式負載監測系統的方法中,普遍具有低辨識準確率、浪費儲存空間以及辨識演算時間長之問題。緣此,本發明之主要目的在於提供一種電器負載辨識方法,其主要係在擷取電器負載暫態電流波形後,以小波轉換以及巴賽瓦定理進行處理而得到能量波形圖,並擷取其高頻能量指標作為電力特徵進行辨識,藉以解決習知技術所存在的問題。
基於上述目的,本發明所採用之主要技術手段係提供一種電器負載辨識方法,係應用於一非侵入式需量監測與負載辨識(Non-Intrusive Demand Monitoring and Load Identification,NIDMLI)系統,藉以辨識出一包含有至少一電器負載之一區域用電系統中之該電器負載之種類,電器負載辨識方法包含以下步驟:(a)建立一比對資料庫,比對資料庫係儲存有電器負載所對應之一預設電力特徵;(b)於區域用電系統之電力入口端,擷取電器負載之一總電流波形;(c)依據總電流波形擷取出電器負載之一穩態電流波形;(d)依據總電流波形與穩態電流波形擷取出至少一電流暫態波形;(e)對電流暫態波形進行一小波轉換處理,藉以產生複數個解析參數信號。
(f)對該些解析參數信號進行一巴賽瓦定理(Parseval
theorem)處理,藉以得到一能量波形圖,能量波形圖係包含對應於該些解析參數訊號之複數個高頻能量指標與複數個低頻能量指標;(g)擷取能量波形圖之該些高頻能量指標,藉以作為電器負載之一電力特徵;以及(h)藉由一類神經網路系統,將電力特徵與比對資料庫所儲存之預設電力特徵進行辨識運算,藉以辨識出電器負載之種類。
其中,上述電器負載辨識方法之附屬技術手段之較佳實施例中,在步驟(f)中,該些高頻能量指標係進一步經由重複性測試而作為電力特徵,且電力入口端係為一配電盤、一配電箱、一總表、一電力計、一插座以及一延長線插座中之至少一者。
另外,上述電器負載辨識方法之附屬技術手段之較佳實施例中,比對資料庫設置於非侵入式需量監測與負載辨識系統以及一雲端伺服器中之一者,且類神經網路系統係為一倒傳遞類神經網路(Back-Propagation Artificial Neural Network,BP-ANN)。此外,預設電力特徵係經由小波轉換處理與巴賽瓦處理而得,且電流暫態波形係為電器負載之啟動電流暫態波形與關閉電流暫態波形中之一者。
藉由本發明所採用之電器負載辨識方法後,由於是在擷取啟動/關閉暫態電流後,對其進行小波轉換以及巴賽瓦定理的處理分析運算,進而產生包含有高頻能量指標與低頻能量指標之能量波形圖,並且擷取高頻能量指標作為電力特徵,進而藉由類神經網路系統而與比對資料
庫中所預存的預設電力特徵進行比對辨識運算,使得本案不需要儲存多筆電器負載組合資料,並且同時具有辨識準確率高與辨識演算時間短之優點,進而克服了習知技術所具有之問題。
本發明所採用的具體實施例,將藉由以下之實施例及圖式作進一步之說明。
PA1‧‧‧電力入口端
PA2‧‧‧公用供電系統
PA3‧‧‧負載監測中心
PA4‧‧‧電器負載
1‧‧‧非侵入式負載監測系統
2‧‧‧區域用電系統
21‧‧‧電器負載
22‧‧‧電力入口端
3‧‧‧公用供電系統
100‧‧‧穩態電流波形
200、300、400‧‧‧電流暫態波形
A、B‧‧‧區間
第一圖係顯示本發明先前技術之非侵入式負載監測系統之示意圖;第二圖係顯示本發明先前技術之吹風機之電流諧波含量波形圖;第二A圖係顯示本發明先前技術之電子式檯燈之電流諧波含量波形圖;第三圖係顯示本發明較佳實施例之電器負載辨識方法之流程示意圖;第四圖係顯示本發明較佳實施例之電力入口端之連接示意圖;第五圖係顯示本發明較佳實施例之總電流波形示意圖;第五A圖係顯示本發明較佳實施例之穩態電流波形示意圖;第六圖係顯示本發明較佳實施例之啟動暫態電流波形示意圖;第七圖係顯示本發明較佳實施例之能量波形圖;第八圖係顯示160馬力的感應電動機之啟動暫態電流波
形圖;第八A圖係顯示123馬力的感應電動機之啟動暫態電流波形圖;第八B圖係顯示55仟瓦特負載箱裝置之啟動暫態電流波形圖;第九圖係顯示160馬力的感應電動機之能量波形圖;第九A圖係顯示123馬力的感應電動機之能量波形圖;第九B圖係顯示55仟瓦特負載箱裝置之能量波形圖;第十圖係顯示99瓦特的電視機之啟動暫態電流波形圖;第十A圖係顯示1146瓦特的吸塵器之啟動暫態電流波形圖;第十B圖係顯示773瓦特的吹風機之啟動暫態電流波形圖;第十一圖係顯示99瓦特的電視機之能量波形圖;第十一A圖係顯示1146瓦特的吸塵器之能量波形圖;第十一B圖係顯示773瓦特的吹風機之能量波形圖;第十二圖係顯示2.6馬力的感應電動機之啟動暫態電流波形圖;第十二A圖係顯示4.7馬力的感應電動機之啟動暫態電流波形圖;第十二B圖係顯示與4.7馬力的感應電動機相同實虛功率的電阻與電感性負載之啟動暫態電流波形圖;第十三圖係顯示2.6馬力的感應電動機之能量波形圖;第十三A圖係顯示4.7馬力的感應電動機之能量波形圖;
第十三B圖係顯示與4.7馬力的感應電動機相同實虛功率的電阻與電感性負載之能量波形圖;第十四圖係顯示99瓦特的電視機之啟動暫態電流波形圖;第十四A圖係顯示80瓦特的檯燈之啟動暫態電流波形圖;第十四B圖係顯示97瓦特的電風扇之啟動暫態電流波形圖;第十五圖係顯示99瓦特的電視機之能量波形圖;第十五A圖係顯示80瓦特的檯燈之能量波形圖;第十五B圖係顯示97瓦特的電風扇之能量波形圖;第十六圖係顯示2.6馬力的感應電動機之關閉暫態電流波形圖;第十六A圖係顯示4.7馬力的感應電動機之關閉暫態電流波形圖;第十六B圖係顯示與4.7馬力的感應電動機相同實虛功率的電阻與電感性負載之關閉暫態電流波形圖;第十七圖係顯示2.6馬力的感應電動機之能量波形圖;第十七A圖係顯示4.7馬力的感應電動機之能量波形圖;以及第十七B圖係顯示與4.7馬力的感應電動機相同實虛功率的電阻與電感性負載之能量波形圖。
由於本發明所提供之電器負載辨識方法中,其組合實施
方式不勝枚舉,故在此不再一一贅述,僅列舉一較佳實施例來加以具體說明。
請一併參閱第三圖至第七圖,第三圖係顯示本發明較佳實施例之電器負載辨識方法之流程示意圖,第四圖係顯示本發明較佳實施例之電力入口端之連接示意圖,第五圖係顯示本發明較佳實施例之總電流波形圖,第五A圖係顯示本發明較佳實施例之穩態電流波形示意圖,第六圖係顯示本發明較佳實施例之啟動暫態電流波形示意圖,第七圖係顯示本發明較佳實施例之能量波形圖。
如圖所示,本發明較佳實施例所提供之電器負載辨識方法,係應用於一非侵入式需量監測與負載辨識(Non-Intrusive Demand Monitoring and Load Identification,NIDMLI)系統1(或稱非侵入式負載監測(Non-Intrusive Load Monitoring,NILM)系統),藉以辨識出一包含有至少一電器負載21(圖中僅繪示三個,僅標示一個)之一區域用電系統2中之電器負載21之種類。其中,非侵入式需量監測與負載辨識系統1已於先前技術中敘述,因此不再予以贅述,而在本發明較佳實施例中,區域用電系統2係為家庭之用電系統,因此,電器負載21例如是電風扇、吹風機、電視、音響與檯燈等之家用電器,在其他實施例中,區域用電系統2可為工業園區、工廠或辦公室之用電系統,而電器負載21也可以為上述所使用之負載。
另外,非侵入式需量監測與負載辨識系統1與電器負載21係電性連接於電力入口端22,且此電力入口端22係
可設有電壓感測器(圖未示)與電流感測器(圖未示)以量測總電流或是每一電器負載21的電流,電力入口22係為一配電盤、一配電箱、一總表、一電力計、一插座以及一延長線插座中之至少一者。
此外,電力入口端22係電性連接於公用供電系統3,藉以接收其所提供之電壓源而供應電器負載21用電,公用供電系統3例如是台灣電力公司所提供之電壓源系統,亦可為智慧電網中的太陽能、火力或風力之發電系統。
其中,本發明所提供之電器負載辨識方法之步驟流程如下:步驟S101:建立一比對資料庫,比對資料庫係儲存有每一電器負載所對應之一預設電力特徵;步驟S102:於區域用電系統之電力入口端,擷取電器負載之一總電流波形;步驟S103:依據總電流波形擷取出電器負載之一穩態電流波形;步驟S104:依據總電流波形與穩態電流波形擷取出至少一電流暫態波形;步驟S105:對電流暫態波形進行一小波轉換處理,藉以產生複數個解析參數信號;步驟S106:對該些解析參數信號進行一巴賽瓦定理處理,藉以得到一包含對應於該些解析參數訊號之複數個高頻能量指標與複數個低頻能量指標之能量波形圖;
步驟S107:擷取能量波形圖之該些高頻能量指標,藉以作為電器負載之一電力特徵;以及步驟S108:藉由一類神經網路系統,將電力特徵與比對資料庫所儲存之預設電力特徵進行辨識運算。
步驟開始後,隨即執行步驟S101建立一比對資料庫,比對資料庫係儲存有每一電器負載所對應之一預設電力特徵。其中,比對資料庫(圖未示)係設置於非侵入式負載監測系統1以及一雲端伺服器(圖未示)中之一者,另外,每一電器負載21是分別對應於一個預設電力特徵,因此比對資料庫中係儲存有與電器負載21相同個數之預設電力特徵(在本發明較佳實施例中有三個電器負載21,因此比對資料庫中儲存有三個預設電力特徵),上述之預設電力特徵係可為實功率、虛功率、各階(總)諧波含量、穩態電流波形、啟動/關閉暫態電流波形、啟動/關閉暫態能量、啟動/關閉暫態功率、能量波形圖(電力強度)以及能量指標中之至少一者或其組合。
在執行完步驟S101後,隨即執行步驟S102於區域用電系統之電力入口端,擷取電器負載之一總電流波形。其中,在此步驟中,由於在區域用電系統2中的使用者可能會使用多個電器負載21(本發明較佳實施例中係使用三個),因此在此步驟中,係於電力入口端22擷取出如第五圖所示之總電流波形,且此總電流波形的成分中,包含了一電器負載21之穩態電流波形與另一負載21之
啟動暫態電流波形(在其他實施例中,一總電流波形可能會包含了複數個電器負載21的穩態電流波形與一個(或多個)電器負載21剛開啟或關閉的暫態電流波形)。
執行完步驟S102後,隨即執行步驟S103依據總電流波形擷取出電器負載之一穩態電流波形。其中,在此步驟中,其係可依據比對資料庫所儲存的每一電器負載21的穩態電流波形(即上述之預設電力特徵),進而分析並擷取出如第五A圖所示之電器負載21之穩態電流波形100(在本發明較佳實施例中,會擷取出包含有一電器負載21的穩態電流波形)。
在執行完步驟S103後,隨即執行步驟S104依據總電流波形與穩態電流波形擷取出至少一電流暫態波形。其中,在此步驟中,由於上述之總電流波形中,係包含有穩態電流波形成份(如第五A圖所示之穩態電流波形100)與暫態電流波形成份,因此為了取得暫態電流波形成份,可依據總電流波形濾除步驟S103所擷取的穩態電流波形100,藉以分析並擷取出電流暫態波形,因此在此步驟中,可以分別得到每一電器負載21的電流暫態波形。其中,電流暫態波形200、300、400的差異僅在於啟動的時間不相同,且電流暫態波形200、300、400係為160馬力之感應電動機的啟動暫態電流波形。此外,電流暫態波形200、300、400係為電器負載21之啟動電流暫態波形與關閉電流暫態波形中之一者,而在本發明較佳實施例中係為啟動暫態電流波形,因此,上述所指總電流波形所包含的波形成份中,係包含了穩
態電流波形成分與啟動暫態電流波形成分。
此外,在此值得一提的是,當電器負載21二個同時啟動時,在步驟S104中可同時擷取而得出二個暫態電流波形,因此,本發明在擷取暫態電流的步驟中,並不限於只擷取一個暫態電流波形,其可以擷取多個暫態電流波形,其僅是視實務上是否開啟/關閉多個負載之狀況而有不同的做法。
在執行完步驟S104後,隨即執行步驟S105對電流暫態波形進行一小波轉換處理,藉以產生複數個解析參數信號。其中,係對上述所擷取出之電流暫態波形200、300、400進行小波轉換處理,且在本發明較佳實施例中所使用之小波轉換處理係為離散小波轉換。離散小波轉換的處理中,係可藉由低通濾波器以及高通濾波器達成,信號經由低通濾波器可得近似值(Approximation Value),經由高通濾波器可得細節值(Detail Value),而其可視實務上的操作採用一維多階之架構進行小波轉換。
其中,一階即表示原信號源只經過一層的分解,進而得到一個近似值與一個細節值,因此欲進行二層分解的話,可於低通濾波器後接上一組高通濾波器及低通濾波器,以得到二個細節值與一個近似值,其餘依此類推,因此,在此步驟中,係將暫態電流波形經由小波轉換解析而產生出複數個參數信號(圖未示),而該些參數信號即代表上述之近似值與細節值。
在執行完步驟S105後,隨即執行步驟S106對該些解析參數信號進行一巴賽瓦定理處理,藉以得到一包含對應
於該些解析參數訊號之複數個高頻能量指標與複數個低頻能量指標之能量波形圖。其中,在此步驟中,係對上述之參數信號進行巴賽瓦定理(Parseval theorem)處理,巴賽瓦定理處理係滿足上述之巴賽瓦定理。
為了使本領域所屬技術人員了解使用巴賽瓦定理之目的,在此進行說明,巴賽瓦定理係應用在三角級數的情況下,貝索不等式(Bessel’s Inequalities)的等號成立,其物理意義係指信號之時間域(Time-domain)的能量恆等於其信號之頻率域(Frequency-domain)的能量。因此,在步驟S105利用小波轉換的多重解析度分析的特性,所分解出的解析參數信號,這些分解後的參數信號不會遺失原始信號(即暫態電流波形200、300、400)的任何資訊。
其中,雖然僅採用一維多階的小波轉換之結果中,可完整呈現電力波形的特徵,但卻不易比對資料,舉例來說,如為一維七階的小波轉換,將有七個細節值與一個近似值,意即有八個對時間的波形圖,在辨識處理上極為費時,因此本案將小波轉換所產生的解析參數信號經巴賽瓦定理的處理後,其時間域的波形係轉成頻率域的能量指標(Power Index),藉以降低辨識的複雜度,且在本發明較佳實施例中,上述具有能量指標的波形圖係定義為如第七圖所示之能量波形圖,亦可稱為電力強度圖。
而上述能量指標中,會包含有複數個高頻能量指標與複數個低頻能量指標,具體而言,依據取樣信號的頻率而
定,如第七圖所示,區間A(第一至八階層)係為高頻能量指標,而區間B(第九至二十階層)則為低頻能量指標,其係由於在巴賽瓦定理的運算上會產生屬於高頻能量的代數式以及屬於低頻能量的代數式。
此外,由第七圖可明顯地了解到,雖然暫態電流波形200、300、400的啟動時間不一致,但經過小波轉換以及巴賽瓦定理處理後,第一至八階層的高頻能量指標相當相似,而第九至二十階層則沒有那麼多相似。具體而言,本發明較佳實施例中,係以電壓擾動及相位變化在測試上述能量指標的重複性,且係經過重複性測試才看出第一至八階層有重複性。
因此,在執行完步驟S106後,隨即執行步驟S107擷取能量波形圖之該些高頻能量指標,藉以作為電器負載之一電力特徵。其中,在此步驟中,主要係擷取較為相似之區間A的高頻能量指標,藉以將其作為電力特徵進行辨識。
而在執行完步驟S107後,隨即執行步驟S108藉由一類神經網路系統,將電力特徵與比對資料庫所儲存之預設電力特徵進行辨識運算。其中,在此步驟中,本發明較佳實施例所採用的類神經網路系統係為倒傳遞類神經網路(Back-Propagation Artificial Neural Network,BP-ANN),以將其作為電器負載21的辨識工具,並可提高電器負載21辨識率。
其中,倒傳遞神經網路的學習過程可分成兩個階段,分別為前饋階段(Feed-forward)與倒傳遞階段
(Back-propagation)。於前饋階段時,資料由輸入層(圖未示)輸入,以前饋的方式經過隱藏層,並送至輸出層計算出網路輸出值,此時網路的權重值(Weight)皆是隨機產生且為固定之值;在倒傳遞階段時,藉著期望輸出值亦或是網路目標值減掉實際網路輸出值的誤差信號,再將此誤差信號回傳至網路中。
大多數倒傳遞神經網路在應用上使用傾斜下降的訓練方法,並結合經由倒傳遞的學習方式應用於一層或多層的感知網路(Perceptron Network),這些多層感知器對網路節點或神經元使用分析函數(Analytical Functions)能以監督的模式進行訓練,及運用向後誤差傳遞演算法(Backward error-propagation Algorithm)更新相互連結的權重值與閥值(Bias),直到獲得足夠的辨識結果。
監督多層前饋式神經網路一般有三層結構,分別為輸入層、隱藏層及輸出層。彼此之間的神經元連結在經由輸入與輸出神經元間需求的權重值,這些權重值的訓練是使用適合的演算法計算輸入與輸出之間的彼此關係,在訓練期間適合的動量(Momentum)與學習率(Learning Rate)是值得被注意。因此,本發明較佳實施例係採用倒傳遞神經網路的演算法作為多層前饋式神經網路,並且利用此網路的特性辨識輸入資料與目標資料之間的相似程度。
因此,在步驟S108中,倒傳遞神經網路會將電力特徵與比對資料庫所儲存之預設電力特徵進行辨識運算,亦即將高頻能量指標與預設電力特徵(在本發明較佳實施
例中,預設電力特徵係為高頻能量指標)進行辨識運算,進而辨識出電器負載21之種類,而在本發明較佳實施例中,係可進一步辨識出電器負載21的品牌或其他相關的資訊,且可進一步地藉由監測實際電流有效值與比對資料庫所儲存的電器負載21的額定電流,以判斷電器負載21是否有發生問題並進而提出警報。
其中,在執行完步驟S108後,隨即執行步驟結束,當然,在其他實施例中,係可將此辨識結果存入另一資料庫中,並把在步驟S107所擷取的高頻能量指標存入比對資料庫以更新資料庫,或是重新執行步驟S102,但不在此限。
此外,在此值得一提的是,本發明較佳實施例中,預設電力特徵是在建立比對資料庫時,經由步驟S102至步驟S107而得,亦即預設電力特徵同樣是經過小波轉換處理與巴賽瓦處理而得。
為了使本領域所屬技術人員可更為了解到採用本發明所提供之電器負載辨識方法後的辨識率,以下將說明五種狀況之案例,且所有的模擬皆利用電磁暫態程式(Electromagnetic Transient Program,EMTP)所建立之非侵入式負載監測系統進行模擬,而實際量測的案例則是透過所建立之實體非侵入式負載監測系統的配電平台進行實際量測。此外,每一個案例係採用倒傳遞類神經演算法作為非侵入式負載監測系統的辨識工具,並於網路訓練以設定平均平方誤差小於0.0001及最大疊代次數為3000作為停止網路訓練的目標值。
在案例一中,係模擬非侵入式負載監測系統應用在工業建物裡的電力入口端監測三相電力系統的電壓與電流波形,三種電器負載21分別是一個160馬力的感應電動機、藉由頻率調整的可變電壓驅動器所驅動的123馬力的感應電動機以及由六脈衝閘流體控制的整流器所驅動的一組55仟瓦特負載箱裝置。倒傳遞類神經網路演算法在480伏特的公用匯流排上使用暫態與穩態的特徵用來辨識三種負載。
請一併參閱第八圖至第九B圖,第八圖係顯示160馬力的感應電動機之啟動暫態電流波形圖,第八A圖係顯示123馬力的感應電動機之啟動暫態電流波形圖,第八B圖係顯示55仟瓦特負載箱裝置之啟動暫態電流波形圖,第九圖係顯示160馬力的感應電動機之能量波形圖,第九A圖係顯示123馬力的感應電動機之能量波形圖,第九B圖係顯示55仟瓦特負載箱裝置之能量波形圖。
如圖所示,三個負載皆於0.1秒開啟,而實際上供電端之電壓源會有約正負5%的電壓變動,因此於此非侵入式負載監測系統的負載啟動暫態電流與實虛功率上,從電壓變動-5%至+5%,每隔1%記錄一次電壓變動所得的負載啟動暫態電流。而這些啟動暫態電流又可分為兩種負載,一為單獨負載啟動,即每次量測時,只開啟一個負載,因此共有33(3個負載*電壓變動)筆資料筆數;另一為組合負載,即每次量測時,在一或二個負載已運作於穩定狀況下,開啟另一負載,會有九種組合負載,
因此共有99(9個組合*電壓變動)筆資料筆數,因此,案例一全部共有132(33+99)筆資料筆數。
接著將所量測的啟動暫態電流波形透過啟動暫態能量的計算啟動時間、小波轉換與巴塞瓦定理的計算,即可得能量波形圖,且在此案例中,使用三個電力特徵,分別為實虛功率、啟動暫態能量或能量波形圖之高頻能量指標(下表係稱為電力強度)作為非侵入式負載監測系統的辨識依據,並搭配類神經網路演算法作為辨識工具,而三個電力特徵都各有132筆資料筆數,其中單獨負載有33筆資料筆數,組合負載有99筆資料筆數。對於類神經網路演算法作為辨識工具的過程中,將33筆資料筆數作為類神經網路的訓練資料,將組合負載99筆資料筆數作為測試資料,其結果如表1-1所示;若將總筆數132筆資料隨機分成66筆資料筆數作為類神經網路的訓練資料,將其他66筆資料筆數隨機作為測試資料,其結果如表1-2所示。由下表可知,採用本發明提供的電器負載辨識方法都可得到最佳的辨識率。
在案例二中,係實際量測一個非侵入式負載監測系統應用在家庭負載裡的電力入口端監測單相電力系統的電壓與電流波形,其三種負載分別是一個99瓦特的電視機、一個1146瓦特的吸塵器及一個773瓦特的吹風機。類神經網路演算法在110伏特的公用匯流排上使用暫態與穩態的特徵用來辨識三種負載。
請一併參閱第十圖至第十一B圖,第十圖係顯示99瓦特的電視機之啟動暫態電流波形圖,第十A圖係顯示1146瓦特的吸塵器之啟動暫態電流波形圖,第十B圖係顯示773瓦特的吹風機之啟動暫態電流波形圖,第十一圖係顯示99瓦特的電視機之能量波形圖,第十一A圖係顯示1146瓦特的吸塵器之能量波形圖,第十一B圖係顯示773瓦特的吹風機之能量波形圖。
如圖所示,三個負載皆於0.4秒開啟,而其餘條件(如資料筆數與量測狀況)皆與案例一相同,因此不再予以贅述,而其結果如表2-1與表2-2所示,由下表可知,採用本發明提供的電器負載辨識方法都可得到最佳的辨識率。
在案例三中,係模擬非侵入式負載監測系統在一棟商業建築物裡監測三相電力系統的電壓與電流波形,此電力
系統含有三個負載,其分別為一個2.6馬力的感應電動機、一個4.7馬力的感應電動機及一組電阻與電感性負載但其實功率與虛功率正好與4.7馬力的感應電動機相同,而類神經網路演算法在220伏特的公用匯流排上使用暫態與穩態的特徵用來辨識三種負載。
請一併參閱第十二圖至第十三B圖,第十二圖係顯示2.6馬力的感應電動機之啟動暫態電流波形圖,第十二A圖係顯示4.7馬力的感應電動機之啟動暫態電流波形圖,第十二B圖係顯示與4.7馬力的感應電動機相同實虛功率的電阻與電感性負載之啟動暫態電流波形圖,第十三圖係顯示2.6馬力的感應電動機之能量波形圖,第十三A圖係顯示4.7馬力的感應電動機之能量波形圖,第十三B圖係顯示與4.7馬力的感應電動機相同實虛功率的電阻與電感性負載之能量波形圖。
如圖所示,三個負載皆於0.1秒開啟,而其餘條件(如資料筆數與模擬狀況)皆與案例一相同,因此不再予以贅述,而其結果如表3-1與表3-2所示,由下表可知,採用本發明提供的電器負載辨識方法都可得到最佳的辨識率。
在案例四中,係實際量測一個非侵入式負載監測系統應用在家庭負載裡的電力入口端監測單相電力系統的電壓與電流波形,三種負載分別是一個99瓦特的電視機、一個80瓦特的檯燈及一個97瓦特的電風扇,類神經網
路演算法係在110伏特的公用匯流排上使用暫態與穩態的特徵用來辨識三種負載。
請一併參閱第十四圖至第十五B圖,第十四圖係顯示99瓦特的電視機之啟動暫態電流波形圖,第十四A圖係顯示80瓦特的檯燈之啟動暫態電流波形圖,第十四B圖係顯示97瓦特的電風扇之啟動暫態電流波形圖,第十五圖係顯示99瓦特的電視機之能量波形圖,第十五A圖係顯示80瓦特的檯燈之能量波形圖,第十五B圖係顯示97瓦特的電風扇之能量波形圖。
如圖所示,三個負載皆於0.4秒開啟,而其餘條件(如資料筆數與量測狀況)皆與案例一相同,因此不再予以贅述,而其結果如表4-1與表4-2所示,由下表可知,採用本發明提供的電器負載辨識方法都可得到最佳的辨識率。
在案例五中,係模擬非侵入式負載監測系統在一棟商業建築物裡監測三相電力系統的電壓與電流波形,三種負載分別為一個2.6馬力的感應電動機、一個4.7馬力的感應電動機及一組電阻與電感性負載但其實功率與虛功率正好與4.7馬力的感應電動機相同,類神經網路演算法在220伏特的公用匯流排上使用負載關閉時所產生之暫態電流的特徵用來辨識三種負載。
請一併參閱第十六圖至第十七B圖,第十六圖係顯示2.6馬力的感應電動機之關閉暫態電流波形圖,第十六
A圖係顯示4.7馬力的感應電動機之關閉暫態電流波形圖,第十六B圖係顯示與4.7馬力的感應電動機相同實虛功率的電阻與電感性負載之關閉暫態電流波形圖,第十七圖係顯示2.6馬力的感應電動機之能量波形圖,第十七A圖係顯示4.7馬力的感應電動機之能量波形圖,第十七B圖係顯示與4.7馬力的感應電動機相同實虛功率的電阻與電感性負載之能量波形圖。
如圖所示,三個負載皆於0.1秒關閉,然而,實際上供電端之電壓源會有約正負5%的電壓變動,因此於此非侵入式負載監測系統的負載關閉暫態電流上,從電壓變動-5%至+5%,每隔1%記錄一次電壓變動所得的負載關閉暫態電流。而這些關閉暫態電流又可分為兩種負載,一為單獨負載關閉,即每次量測時,只關閉一個負載,因此共有33(3個負載*電壓變動)筆資料筆數;另一為組合負載,即每次量測時,在一或二個負載已運作於穩定狀況下,關閉另一負載,會有九種組合負載,因此共有99(9個組合*電壓變動)筆資料筆數,因此案例五共有132(33+99)筆資料筆數。
接著將所量測的關閉暫態電流波形透過小波轉換與巴賽瓦定理的計算,即可得電力強度,其中,案例五只使用電力強度作為非侵入式負載監測系統的辨識依據,並搭配類神經網路演算法作為辨識工具。而此案例有132筆資料筆數,其中單獨負載有33筆資料筆數,組合負載有99筆資料筆數,且是基於案例三的監測系統進行負載關閉時的負載辨識任務,因此所有負載種類皆與案
例三相同。對於類神經網路演算法作為辨識工具的過程中,將33筆資料筆數作為類神經網路的訓練資料,將組合負載99筆資料筆數作為測試資料,其結果如表5-1所示;若將總筆數132筆資料隨機分成66筆資料筆數作為類神經網路的訓練資料,將其他66筆資料筆數隨機作為測試資料,其結果如表5-2所示。由下表可知,採用本發明提供的電器負載辨識方法都可得到最佳的辨識率。
綜合以上所述,由於是在擷取啟動(或關閉)暫態電流後,對其進行小波轉換以及巴賽瓦定理的處理分析運算,進而產生包含有高頻能量指標與低頻能量指標之能量波形圖,並且擷取高頻能量指標作為電力特徵,進而藉由類神經系統而與比對資料庫中所預存的預設電力特徵進行比對辨識運算,使得本案不需要儲存多筆電器負載資料,且在上述實際測量以及模擬的結果下,本發明確實具有辨識準確率高之優點,且辨識演算時間相對來說也較短,進而克服了習知技術所具有之問題。
藉由以上較佳具體實施例之詳述,係希望能更加清楚描述本發明之特徵與精神,而並非以上述所揭露的較佳具體實施例來對本發明之範疇加以限制。相反地,其目的是希望能涵蓋各種改變及具相等性的安排於本發明所欲申請之專利範圍的範疇內。
Claims (7)
- 一種電器負載辨識方法,係應用於一非侵入式需量監測與負載辨識(Non-Intrusive Demand Monitoring and Load Identification,NIDMLI)系統,藉以辨識出一包含有至少一電器負載之一區域用電系統中之該電器負載之種類,該電器負載辨識方法包含:(a)建立一比對資料庫,該比對資料庫係儲存有每一該電器負載所對應之一預設電力特徵;(b)於該區域用電系統之一電力入口端,擷取出該電器負載之一總電流波形;(c)依據該總電流波形擷取出該電器負載之一穩態電流波形;(d)依據該總電流波形與該穩態電流波形擷取出至少一電流暫態波形;(e)對該電流暫態波形進行一小波轉換處理,藉以產生複數個解析參數信號;(f)對該些解析參數信號進行一巴賽瓦定理處理,藉以得到一能量波形圖,該能量波形圖係包含對應於該些解析參數訊號之複數個高頻能量指標與複數個低頻能量指標;(g)擷取該能量波形圖之該些高頻能量指標,藉以作為該電器負載之一電力特徵;以及(h)藉由一類神經網路系統,將該電力特徵與該比對資料庫所儲存之該預設電力特徵進行辨識運算,藉以辨識 出該電器負載之種類。
- 如申請專利範圍第1項所述之電器負載辨識方法,其中,在該步驟(f)中,該些高頻能量指標係進一步經由重複性測試而作為該電力特徵。
- 如申請專利範圍第1項所述之電器負載辨識方法,其中,該電力入口端係為一配電盤、一配電箱、一總表、一電力計、一插座以及一延長線插座中之至少一者。
- 如申請專利範圍第1項所述之電器負載辨識方法,其中,該比對資料庫係設置於該非侵入式需量監測與負載辨識系統以及一雲端伺服器中之一者。
- 如申請專利範圍第1項所述之電器負載辨識方法,其中,該類神經網路系統係為一倒傳遞類神經網路(Back-Propagation Artificial Neural Network,BP-ANN)。
- 如申請專利範圍第1項所述之電器負載辨識方法,其中,該預設電力特徵係經由該小波轉換處理與該巴賽瓦定理處理而得。
- 如申請專利範圍第1項所述之電器負載辨識方法,其中,該電流暫態波形係為該電器負載之啟動電流暫態波形與關閉電流暫態波形中之一者。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW102125522A TWI492182B (zh) | 2013-07-17 | 2013-07-17 | 電器負載辨識方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW102125522A TWI492182B (zh) | 2013-07-17 | 2013-07-17 | 電器負載辨識方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201504978A true TW201504978A (zh) | 2015-02-01 |
TWI492182B TWI492182B (zh) | 2015-07-11 |
Family
ID=53018959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW102125522A TWI492182B (zh) | 2013-07-17 | 2013-07-17 | 電器負載辨識方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI492182B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109946543A (zh) * | 2019-03-28 | 2019-06-28 | 西南交通大学 | 用于非侵入式负荷监测的v-i图样本数据集筛选方法 |
WO2019128843A1 (zh) * | 2017-12-26 | 2019-07-04 | 江苏智臻能源科技有限公司 | 一种基于混合判据的非侵入式ih电饭煲运行辨识方法 |
CN110018344A (zh) * | 2019-02-21 | 2019-07-16 | 国网山东省电力公司临沂供电公司 | 具备辨识用电负荷功能的电能计量装置 |
CN110988557A (zh) * | 2019-12-20 | 2020-04-10 | 中国人民解放军陆军军医大学第一附属医院 | 一种基于实时电流检测的设备故障检测装置 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201820246A (zh) | 2016-11-23 | 2018-06-01 | 財團法人資訊工業策進會 | 取得用電戶之負載運作機率之方法及取得用電戶群組之負載運作機率之方法 |
TWI726590B (zh) | 2019-01-30 | 2021-05-01 | 財團法人工業技術研究院 | 充放電裝置和充放電方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI322271B (en) * | 2007-03-22 | 2010-03-21 | Joe Air Jiang | A multiple power quality events measurement system and method |
TWM359870U (en) * | 2008-12-31 | 2009-06-21 | Princeton Technology Corp | A sensing type control circuit for appliance loading |
TWI446675B (zh) * | 2011-04-15 | 2014-07-21 | Univ Nat Chiao Tung | 辨識電器狀態的電力監控系統及其電力監控方法 |
TWI440862B (zh) * | 2011-11-21 | 2014-06-11 | 國立交通大學 | Electrical detection method and system based on user feedback information |
-
2013
- 2013-07-17 TW TW102125522A patent/TWI492182B/zh not_active IP Right Cessation
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019128843A1 (zh) * | 2017-12-26 | 2019-07-04 | 江苏智臻能源科技有限公司 | 一种基于混合判据的非侵入式ih电饭煲运行辨识方法 |
CN110018344A (zh) * | 2019-02-21 | 2019-07-16 | 国网山东省电力公司临沂供电公司 | 具备辨识用电负荷功能的电能计量装置 |
CN109946543A (zh) * | 2019-03-28 | 2019-06-28 | 西南交通大学 | 用于非侵入式负荷监测的v-i图样本数据集筛选方法 |
CN109946543B (zh) * | 2019-03-28 | 2020-04-21 | 西南交通大学 | 用于非侵入式负荷监测的v-i图样本数据集筛选方法 |
CN110988557A (zh) * | 2019-12-20 | 2020-04-10 | 中国人民解放军陆军军医大学第一附属医院 | 一种基于实时电流检测的设备故障检测装置 |
Also Published As
Publication number | Publication date |
---|---|
TWI492182B (zh) | 2015-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI492182B (zh) | 電器負載辨識方法 | |
CN107025365B (zh) | 一种用于用户侧的非侵入负荷辨识方法 | |
US8983670B2 (en) | Energy consumption disaggregation system | |
Lin et al. | A novel feature extraction method for the development of nonintrusive load monitoring system based on BP-ANN | |
CN112505511B (zh) | 一种非侵入式低压故障电弧检测与定位方法及系统 | |
CN103245847A (zh) | 设备异常的侦测装置与方法 | |
CN106646026A (zh) | 一种非侵入式家电负荷识别方法 | |
WO2014075581A1 (zh) | 非侵入式电力负荷监测与分解的电流模式匹配方法 | |
CN104678265A (zh) | 一种串联故障电弧检测装置及检测方法 | |
JP5520338B2 (ja) | 電気機器検出および電力消費量モニタリングシステム | |
Chen et al. | A new transient feature extraction method of power signatures for Nonintrusive Load Monitoring Systems | |
US9448086B2 (en) | Method for analyzing the electricity consumption of a site provided with a plurality of electrical devices | |
CN107796972B (zh) | 一种基于非侵入式负荷分解技术的粮仓能耗监测方法 | |
Iksan et al. | Appliances identification method of non-intrusive load monitoring based on load signature of VI trajectory | |
CN105182250B (zh) | 一种非侵入式分布式电源出力监测装置 | |
CN109830972B (zh) | 一种新能源场站振荡源快速识别系统及方法 | |
CN109299134B (zh) | 一种非侵入式监测系统下电器的识别方法 | |
Alcalá et al. | Event-based detector for non-intrusive load monitoring based on the Hilbert Transform | |
CN113567794A (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 | |
Matthews et al. | Automatically disaggregating the total electrical load in residential buildings: a profile of the required solution | |
CN116028536A (zh) | 一致电网外接窃电核查检测系统 | |
Adabi et al. | Seads: A modifiable platform for real time monitoring of residential appliance energy consumption | |
CN110750760A (zh) | 一种基于态势感知和控制图的异常理论线损检测方法 | |
Buchhop et al. | Residential load identification based on load profile using artificial neural network (ANN) | |
Lin et al. | Application of neuro-fuzzy pattern recognition for non-intrusive appliance load monitoring in electricity energy conservation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees | ||
MM4A | Annulment or lapse of patent due to non-payment of fees |