TW201530959A - 非侵入式負載監測系統及其方法 - Google Patents
非侵入式負載監測系統及其方法 Download PDFInfo
- Publication number
- TW201530959A TW201530959A TW103101909A TW103101909A TW201530959A TW 201530959 A TW201530959 A TW 201530959A TW 103101909 A TW103101909 A TW 103101909A TW 103101909 A TW103101909 A TW 103101909A TW 201530959 A TW201530959 A TW 201530959A
- Authority
- TW
- Taiwan
- Prior art keywords
- information
- transient
- processing module
- module
- harmonic
- Prior art date
Links
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本發明係一種非侵入式負載監測系統及其方法,非侵入式負載監測系統包含電源感測、資料擷取、記憶以及運算處理模組,電源感測模組係量測電源之電性變化,以產生電源量測資訊,資料擷取模組則對電源量測資訊進行低通濾波以及類比/數位轉換,以產生數位化/量化資訊,記憶模組之辨識資訊係記錄諧波特徵資訊及其所對應之負載,而運算處理裝置更操作:根據分析量化資訊,以擷取出暫態期間暫態響應資訊、依據時頻域分析自暫態響應資訊萃取出N階暫態期間諧波資訊、將所記錄之N階暫態期間諧波資訊與所萃取之諧波特徵資訊進行比對辨識,並輸出對應之至少一辨識資訊。
Description
本發明係一種負載監測系統及其方法,尤指一種非侵入式負載監測系統及其方法。
由於能源日漸枯竭,而整體社會為了達到永續發展之目標,電力技術領域之領導廠商無不將研發的重心放在再生能源技術以及節電能源技術之開發。而目前電力公司為了限制用電戶之用電量,多透過契約容量的政策來改善用電情況。此政策為規定當用電度數越高時,每度電之電費亦隨之增加,使得用電大戶必需承擔較高之用電成本,並據此來引導整體之用電習慣走向節電的方向。
習知之技術為了有效控管以及規劃用電環境內的各個用電負載之功率消耗以及總電源功耗不超過特定之度數,目前多分別在各個負載上安裝具量測模組之負載監測裝置,並透過負載監裝置上的無線通訊模組來回傳各負載之工作狀態及電力能源耗用資訊。然後此種方式必需在每一個負載上嵌入特定之監測裝置,使得整體建置之成本極為昂貴。
而當用電環境之負載有所更動時,監測裝置之拆卸以及更新作業,讓管理上變得極為不便。而當用電環境之無線頻譜過於擁擠時,亦會連帶干擾監測裝置之回報訊號,因而對整體用電能源控管以及規劃上造成嚴重的影響。
因此,提供一種毋需對各個用電負載進行嵌入改裝作業,以及讓負載管理上更為簡潔之負載量測系統乃本領域亟須解決之技術問題。
為解決前揭習知技術之技術問題,本發明之一目的係提供一種非侵入式負載監測系統,以解決於先前負載監測系統繁複之嵌入改裝等問題。
為達上述之目的,本發明提供一種非侵入式負載監測系統。非侵入式負載監測系統包含一電源感測模組、一資料擷取模組、一記憶模組以及一運算處理模組。電源感測模組係用以和外部之電源連接,例如,家庭或工廠之電力供應入口處(配電盤),並量測電源之電性變化,以產生一電源量測資訊。資料擷取模組係連接電源感測模組,並對電源量測資訊進行低通濾波以及類比/數位轉換,以產生一數位化/量化資訊。記憶模組包含了至少一個諧波特徵資訊,以及至少一辨識資訊,各至少一辨識資訊係記錄至少一諧波特徵資訊及其所對應之一負載。運算處理模組係連接資料擷取模組以及記憶模組,運算處理裝置更操作:根據一分析量化資訊,以擷取出一暫態期間暫態響應資訊,暫態期間係電源量測資訊之暫態區段、依據一時頻域分析自暫態響應資訊萃取出N階暫態期間諧波資訊、將N階暫態期間諧波資訊與至少一諧波特徵資訊進行比對辨識,並輸出對應之至少一辨識資訊。
為達上述之目的,本發明又提供一種非侵入式負載監測方法,應用於前述之非侵入式負載監測系統,並包含下列所述之步驟:首先,令電源感測模組於與外部之一電源連接時來量測電源之電性變化,以產生
一電源量測資訊。接著,令資料擷取模組對電源量測資訊進行低通濾波以及類比/數位轉換以產生一數位化/量化資訊。又令運算處理模組根據一分析量化資訊,以擷取出一暫態期間暫態響應資訊,前述之暫態期間係電源量測資訊之暫態區段。接著,令運算處理模組依據一時頻域分析自暫態響應資訊萃取出N階暫態期間諧波資訊。最後,令運算處理模組將N階暫態期間諧波資訊與至少一諧波特徵資訊進行比對辨識,並輸出對應之至少一辨識資訊。
綜上所述,本發明之非侵入式負載監測系統及其方法僅需安裝在用電環境之總電源處,並透過分析總電源之總電流變化得知用電環境上之負載掛載狀態,免除了先前技術需各別改裝安置等之繁雜手續。
1‧‧‧非侵入式負載監測系統
11‧‧‧電源感測模組
12‧‧‧資料擷取模組
13‧‧‧運算處理模組
14‧‧‧記憶模組
2‧‧‧負載
3‧‧‧集中式家庭能源管理系統
4‧‧‧電源
S101~S105‧‧‧步驟
第1圖係為本發明之非侵入式負載監測系統之方塊圖。
第2圖係為本發明之非侵入式負載監測方法之流程圖。
第3圖係為本發明之第一應用情形。
第4.1至4.5圖係為本發明之第一應用情形之波形圖。
以下將描述具體之實施例以說明本發明之實施態樣,惟其並非用以限制本發明所欲保護之範疇。
請參閱第1圖,其為本發明之一種非侵入式負載監測系統。非侵入式負載監測系統1包含一電源感測模組11、一資料擷取模組12、一運算處理模組13以及一記憶模組14。電源感測模組11係用以和外部之一電源4
連接,且電源感測模組11係量測電源4之電性變化,以產生一電源量測資訊。資料擷取模組12為連接電源感測模組11,且資料擷取模組12對電源量測資訊進行低通濾波以及類比/數位轉換,以產生一離散(discrete)之量化資訊。記憶模組14包含了至少一個諧波特徵資訊以及至少一辨識資訊。
各至少一辨識資訊係記錄一負載2,且負載2係對應至少一諧波特徵資訊。運算處理模組13係連接資料擷取模組12以及記憶模組14,運算處理模組13更操作:根據一分析量化資訊,以擷取出一暫態期間暫態響應資訊,前述之暫態期間係電源量測資訊之暫態區段,接著,運算處理模組13依據一時頻域分析自前述之暫態響應資訊萃取出N階暫態期間諧波資訊。最後,運算處理模組13又將N階暫態期間諧波資訊與至少一諧波特徵資訊進行比對辨識,並輸出對應之至少一辨識資訊。
運算處理模組13透過分析量化資訊之強度變化之一移動平均值(running average)來擷取暫態期間暫態響應資訊。為取得前述之移動平均值,運算處理模組13更包含一數位濾波之操作,其數位濾波之視窗尺寸大小為ε,且數位濾波係將量化資訊之強度變化進行移動平均值,且該移動平均值與預先設置的一門檻值γ進行比較,並在移動平均值低於γ且在δ個週期內成立即擷取暫態響應。接著,運算處理模組13更透過離散S轉換函數對上述之暫態響應資訊進行時頻域分析,以萃取出N階暫態期間諧波資訊。當電源4上掛載多個負載2時,為有效的在電源4迴路上進行辨識,運算處理模組13更依據一螞蟻演算法來對這些所萃取之N階暫態期間諧波特徵資訊與至少一所記錄之諧波特徵資訊進行比對辨識,並輸出對應之至少一辨識資訊。
請參閱第2圖,其為本發明之非侵入式負載監測方法,其應用於前述之非侵入式負載監測系統。此方法包含下列步驟:
S101:令電源感測模組於與外部之一電源連接時,量測電源之電性變化,以產生一電源量測資訊。
S102:令資料擷取模組對電源量測資訊進行低通濾波以及類比/數位轉換,以產生一數位化/量化資訊。
S103:令運算處理模組根據一分析量化資訊,以擷取出一暫態期間暫態響應資訊,暫態期間係電源量測資訊之暫態區段。
S104:令運算處理模組依據一時頻域分析自暫態響應資訊萃取出N階暫態期間諧波特徵資訊。
S105:令運算處理模組將N階暫態期間諧波資訊與至少一諧波特徵資訊進行比對辨識,並輸出對應之至少一辨識資訊。
前述之方法更令運算處理模組使用離散S轉換函數對所擷取之暫態響應資訊進行時頻域分析,以萃取出N階暫態期間諧波資訊。而暫態響應擷取係令運算處理模組透過分析量化資訊之強度變化之一移動平均值來進行。而移動平均值則是令運算處理模組13透過數位濾波處理程序進行處理,其數位濾波處理程序係將量化資訊之強度變化進行移動平均值計算,移動平均值並與預先設置的一門檻值γ進行比較,並在移動平均值低於γ且在δ個週期內成立即擷取暫態響應資訊。為了有效率地進行比對辨識,前述之方法更令運算處理模組13依據一螞蟻演算法來對N階暫態期間諧波特徵資訊與至少一諧波特徵資訊進行比對辨識,並輸出對應之至少一辨識資訊。
請接著參閱第3圖,其為本發明之一應用情形。本發明之非侵入式負載監測系統1掛載於一用電環境之電源4上,並透過分析電源4之電壓或者是電流變化來辨識出各個負載2之電力能源使用相關資訊,例如,各個負載2是否執行啟動或者是關閉動作。
本發明之非侵入式負載監測系統1更與集中式家庭能源管理系統3比較使用,以進行負載量測及評估非侵入式負載監測系統1成效之作業。集中式家庭能源管理系統3(ARM CortexTM-A9嵌入式系統,內設有LAMP(Linux OS+Apache HTTP server+MySQL+Perl)開發環境),而各個負載2內更嵌設有無線控制模組,讓集中式家庭能源管理系統3能透過發送無線控制訊號來控制各負載2之啟動以及關閉。其電源4為市電AC110V/60Hz,運算處理模組13為可提供運算作業之電子裝置,諸如電腦裝置、微處理晶片、嵌入式電腦系統等。前述提供低通濾波作業之低通濾波器其高頻截止頻率為500Hz。前述提供類比/數位轉換之類比/數位轉換器之解析度為12位元,且其取樣區間為0.5ms。
當與電源4連接迴路掛載的複數個負載2分別為吸塵器負載以及煮水電爐負載,且此二個負載2被同時地啟動時,電源4上之電流變化如第4.1圖所示。前述之電流變化若由時頻域分析後可得知其頻域分佈包含了如第4.2圖所示之暫態部分(分佈於市電60Hz之正整數倍之訊號)。於基頻60Hz之電源4上之電流變化之能量訊號強度大小約為15,如第4.3圖所示。由於每一負載啟動或關閉時,其電流暫態訊號資訊皆具有特定的特徵,因此,若能透過解析暫態部分之特徵,便能分析此第4.1圖所示之合成量化資訊所代表之負載2為何。
接著,請再參閱第4.4圖,當運算處理模組13在判定量化資訊之電流強度如公式(1)所示大於預先設定的門檻值時,運算處理模組13判定有一負載2啟動事件發生,並時頻分析進行暫態特徵資訊之萃取。請接著參閱第4.4圖,暫態期間之起始時間為TR start ,此起始時間即等於負載2啟動事件發生之時間,暫態期間之終止時間為TR end ,此終止時間之計算如公式(2)所示。而「點虛線段」所示為第4.1圖之訊號經由公式(1)運算出來之電流強度變化情形;「實線段」所示為運算處理模組13透過數位濾波對第4.4圖之「點虛線段」進行數位濾波而計算出的電流強度變化之移動平均值(running average)。如第4.4圖所示,當移動平均值小於γ,且δ個週期內成立時,運算處理模組13擷取暫態響應資訊。透過上述之演算即可得知如第4.1圖所示之量化資訊之暫態期間之範圍為何,所擷取之前述量化資訊之暫態響應資訊則如第4.5圖所示。
△I intensity =(I intensity ) k+1-(I intensity ) k (1)於公式(1)中,,i(j)代表電源4上之電流於每一個週期中第j個電流取樣點,N為總取樣點數,mean(i)為電流在每一個週期之平均值,k代表第k個電流週期。
TR end =Tt end -TR start -δ.(16.67ms/週期) (2)
當取得暫態響應資訊後,運算模組13透過如公式(3)之離散S轉換(discrete S-transform)萃取出N階的暫態期間諧波特徵資訊(第1~8階電流暫態期間諧波資訊:~),並對前述之諧波資訊和記憶模組14內的諧波特徵資訊進行比對,以得知目前電源4上掛載了哪些負載2在進行啟
動/關閉作業。離散S轉換可以藉由離散傅立葉轉換(discrete Fourier Transform)加以實現。其中,設定被取樣分析之量化資訊h(kT)之在時間取樣區間(time sampling interval)T之離散傅立葉變換為,進而,離散S轉換如公式(3)所述:
公式(3)之G(m,n)為高斯視窗函數(Gaussian window function),且G(m,n)=exp(-(2π 2 m 2 α'2/n 2)),α'=1/b,b為常數,m,n,j=0,1,2,...,N-1,N為取樣點總數。
由於各負載2之啟動(ON:「1」)/關閉(OFF:「0」)時之狀態可用0或1之訊號來表示,另外,由於各負載2之部分的暫態特徵資訊可能會具有等價性,因此,本發明所指涉之負載2辨識則得以視為一改良0-1多限制式背包問題,本發明之非侵入式負載監測系統1為有效率地監測與識別電源4上的負載2及其變化,以螞蟻演算法來解決前述之0-1改良多限制式背包問題,以進行負載2分析。
0-1多限制式背包問題係在解決如何從n項物品中,在符合m條限制式下,選出數項物品,使得總體效益最大。每一類型物品只會被選取0或1個。有鑒於此,本發明之非侵入式負載監測系統1之改良0-1多限制背包演算如公式(4)所示:
,i=1,2,3,...,m,j=1,2,3,...,n,x 0 {0,1},
在公式(4)中,p j 代表選取物件(Object)j的收益(Profit),對
照於本發明之非侵入式負載監測系統1中,Objectj係對應於某一負載2在某一運轉模式下運轉、Profit係對應於前述之運轉之第一階/基頻的暫態特徵資訊、x j 代表Objectj的決策變數。若物件Objectj被選取,則x j 等於1(代表該負載2被啟動);反之,則x j 等於0。在公式(4)中,總計有n個物件數及m條限制條件(對應於所萃取之暫態特徵資訊之限制條件)。r ij 為物件Objectj於限制條件i所會耗用的資源。r ij 之值係由非侵入式負載監測系統1所擷取「各別」負載2之暫態特徵資訊計算決定。c i 為限制條件i的最大可用/容許資源量。該最大可用/容許資源量是由非侵入式負載監測系統1量測電源4並計算所獲得;亦即,其為待辨識之合成量化訊號之諧波特徵資訊。T i 代表限制條件i的最大可用/容許資源量的補償項;代表物件Objectj於限制條件資源i的標準差。J={1,2,...,n}。[r ij ] m×n 矩陣及[c i ] m 向量兩者均為非負數。換言之,改良0-1多限制式背包問題不同於習知之General 0-1 Linear Integer Programming問題。
為有效率地從前述之合成量化訊號之N階暫態期間諧波特徵資訊解析出所代表的至少一個負載2,本發明之非侵入式負載監測系統1透過螞蟻演算法,在滿足所有的資源限制條件(暫態特徵資訊之限制條件)下,搜尋出負載2運轉狀態組合。此舉如同從n項物品中,在符合m條限制式下,選出數項物品,使得總體效益最大。
而當電源4上掛載了複數個負載2時,諸如:吸塵器負載(900Watt)、電爐負載(750Watt)、微波爐負載(1,225Watt)以及吸風機負載(780Watt)時,為有效率地進行負載2之辨識作業,本發明使用集中式家庭能源管理系統3進行負載2遠端開關控制。受控負載2包含:吸塵器負載、煮水
電爐負載、微波爐負載、吹風機負載。各負載2以「1」代表啟動負載,以「0」代表關閉負載。各負載2被「各別地」啟動10次,以取得「各別」負載2之暫態諧波特徵分布,進而計算出前述之物件Objectj於限制條件i所會耗用的資源(亦即,r ij )。當與電源4連接迴路掛載的複數個負載2分別為吸塵器負載以及煮水電爐負載,且此二個負載2被同時地啟動時,合成量化訊號/合成電流變化如第4.1圖所示。該合成量化訊號(c i )所對應的負載2運轉組合可以被非侵入式負載監測系統1透過螞蟻演算法成功地識別。設定特徵參數(γ,ε,δ)為(0.25,120.0,5.0),離散S轉換之尺度因子為0.45,螞蟻演算法之設定參數如下:總虛擬螞蟻數為160、最大迭代次數為300、於轉換機率決定虛擬螞蟻行進路徑之選擇方面則決定費洛濃度與虛擬螞蟻能見度之相對重要性參數比為0.2,以及費洛蒙揮發系數為0.3。
前述費洛蒙之揮發機制(evaporation of pheromone)主要功能為令所有求解路徑上的費洛蒙濃度一定程度的揮發,以避免部分的求解路徑的費洛蒙不斷地累積,而導致所有虛擬螞蟻依循同一求解路徑行進,以此讓螞蟻演算法發揮優化之功效。
透過前述之流程處理便能取得如下之暫態諧波特徵資訊之分佈表:
透過負載暫態諧波資訊分佈表即能得知每個負載2的各階暫態期間諧波特徵資訊之值,而非侵入式負載監測系統1便能透過表內之值並查詢對應之辨識資訊(以螞蟻演算法解決前述之改良0-1多限制背包問題如公式(4)所示)即得知目前電源4上啟動或關閉了哪些負載2。
而當負載2遠端受控於集中式家庭能源管理系統3,在不同的運轉狀態組合之運轉情境下,所量測之總測試訊號筆數為100的實測情況下(亦即,所量測且待辨識之合成量化訊號總計100筆,Tot=100),本發明之非侵入式負載監測系統1透過螞蟻演算法去執行負載2辨識時,其整體辨識準確率為79.00%;監測系統執行20次負載2辨識之整體辨識準確率的平均值及標準差分別為75.4%及2.2804。整體辨識準確率之公式如下:
其中,x idx {0,1},當x idx =1時,代表本發明之非侵入式負載監測系統1透過
螞蟻演算法所辨識出之負載2的運轉狀態組合與集中式家庭能源管理系統3控制負載2的運轉狀態組合「相符」;當x idx =0時,代表本發明之非侵入式負載監測系統1透過螞蟻演算法所辨識出之負載2的運轉狀態組合與集中式家庭能源管理系統3控制負載2的運轉狀態組合「不相符」。
上列詳細說明係針對本發明之一可行實施例之具體說明,惟該實施例並非用以限制本發明之專利範圍,凡未脫離本發明技藝精神所為之等效實施或變更,均應包含於本案之專利範圍中。
1‧‧‧非侵入式負載監測系統
11‧‧‧電源感測模組
12‧‧‧資料擷取模組
13‧‧‧運算處理模組
14‧‧‧記憶模組
Claims (10)
- 一種非侵入式負載監測系統,包含:一電源感測模組,用以和外部之一電源連接,該電源感測模組係量測該電源之電性變化,以產生一電源量測資訊;一資料擷取模組,連接該電源感測模組,該資料擷取模組對該電源量測資訊進行濾波及類比/數位轉換,以產生一量化資訊;一記憶模組,包含:至少一個諧波特徵資訊;至少一辨識資訊,各該至少一辨識資訊係記錄該至少一諧波特徵資訊所對應之一負載;以及一運算處理模組,連接該資料擷取模組以及該記憶模組,該運算處理裝置更操作:分析該量化資訊以擷取出一暫態期間之一暫態響應資訊,該暫態期間係該電源量測資訊之暫態區段;依據一時頻域分析自該暫態響應資訊萃取出N階暫態期間諧波特徵資訊;將該些N階暫態期間諧波特徵資訊與該至少一諧波暫態特徵資訊進行比對、搜尋以及辨識,並輸出對應之該至少一辨識資訊。
- 如請求項1所述之系統,其中該運算處理模組使用離散S轉換對該暫態響應資訊進行該時頻域分析,以萃取出該些N階暫態期間諧波特徵資訊。
- 如請求項2所述之系統,其中該運算處理模組透過分析該量化資訊之強度變化之一移動平均值來擷取該暫態響應資訊。
- 如請求項3所述之系統,其中該運算處理模組操作一數位濾波,該數位濾波之視窗尺寸大小為ε,且該數位濾波係將該量化資訊之強度變化計算出該移動平均值,並將該移動平均值與預先設置的一門檻值γ進行比較,並在該移動平均值低於γ且在δ個週期內成立,即擷取該暫態響應資訊。
- 如請求項1所述之系統,其中該運算處理模組更依據一螞蟻演算法來對該些N階暫態期間諧波特徵資訊與該至少一諧波特徵資訊進行比對、搜尋、辨識,並輸出對應之該至少一辨識資訊。
- 一種非侵入式負載監測方法,應用於一非侵入式負載監測系統,該非侵入式負載監測系統包含一電源感測模組、一資料擷取模組、一記憶模組,以及一運算處理模組,該記憶模組包含至少一個諧波特徵資訊以及至少一辨識資訊,各該至少一辨識資訊係記錄各該至少一諧波特徵資訊所對應之一負載,非侵入式負載監測方法包含下列步驟:令該電源感測模組於與外部之一電源連接時,量測該電源之電性變化,以產生一電源量測資訊;令該資料擷取模組對該電源量測資訊進行濾波及類比/數位轉換,以產生一量化資訊;令該運算處理模組分析該量化資訊,以擷取出一暫態期間之一暫態響應資訊,該暫態期間係該電源量測資訊之暫態區段;令該運算處理模組依據一時頻域分析自該暫態響應資訊萃取出N階暫態期間諧波特徵資訊;以及令該運算處理模組將該些N階暫態期間諧波特徵資訊與該至少一諧波特 徵資訊進行比對、搜尋、辨識,並輸出對應之該至少一辨識資訊。
- 如請求項6所述之方法,更包含下列步驟:令該運算處理模組使用離散S轉換對該暫態響應資訊進行該時頻域分析,以萃取出該些N階暫態期間諧波特徵資訊。
- 如請求項7所述之方法,更包含下列步驟:令該運算處理模組分析該量化資訊之強度變化之一移動平均值來擷取該暫態響應資訊。
- 如請求項8所述之方法,其中該運算處理模組更包含一數位濾波,該數位濾波之視窗尺寸大小為ε,並包含下列步驟:令該運算處理模組透過該數位濾波將該量化資訊之強度變化計算出該移動平均值,並將該移動平均值與預先設置的一門檻值γ進行比較,並在該移動平均值低於γ且在δ個週期內成立,即擷取該暫態響應資訊。
- 如請求項6所述之方法,更包含下列步驟:令該運算處理模組依據一螞蟻演算法來對該些N階暫態期間諧波特徵資訊與該至少一諧波特徵資訊進行比對、搜尋、辨識,並輸出對應之該至少一辨識資訊。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103101909A TWI504095B (zh) | 2014-01-20 | 2014-01-20 | Non - invasive load monitoring system and its method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103101909A TWI504095B (zh) | 2014-01-20 | 2014-01-20 | Non - invasive load monitoring system and its method |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201530959A true TW201530959A (zh) | 2015-08-01 |
TWI504095B TWI504095B (zh) | 2015-10-11 |
Family
ID=54342880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW103101909A TWI504095B (zh) | 2014-01-20 | 2014-01-20 | Non - invasive load monitoring system and its method |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI504095B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146758A (zh) * | 2019-05-28 | 2019-08-20 | 四川长虹电器股份有限公司 | 基于交叉熵的非侵入式电器识别方法 |
CN110906434A (zh) * | 2018-09-18 | 2020-03-24 | 中国电力科学研究院有限公司 | 一种非侵入式电暖气负荷识别方法及系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901442B (zh) * | 2017-12-08 | 2020-09-15 | 亿可能源科技(上海)有限公司 | 非侵入式能耗检测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5717325A (en) * | 1994-03-24 | 1998-02-10 | Massachusetts Institute Of Technology | Multiprocessing transient event detector for use in a nonintrusive electrical load monitoring system |
TWI332780B (en) * | 2006-11-23 | 2010-11-01 | Cameo Communications Inc | Load balancing method for wireless network system |
TWI385603B (zh) * | 2008-02-22 | 2013-02-11 | Chunghwa Telecom Co Ltd | 環境監控系統 |
TWI427547B (zh) * | 2010-10-20 | 2014-02-21 | Univ Nat Taipei Technology | An Adaptive Non - invasive Method for Extracting Load from Artificial Intelligence |
-
2014
- 2014-01-20 TW TW103101909A patent/TWI504095B/zh not_active IP Right Cessation
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110906434A (zh) * | 2018-09-18 | 2020-03-24 | 中国电力科学研究院有限公司 | 一种非侵入式电暖气负荷识别方法及系统 |
CN110146758A (zh) * | 2019-05-28 | 2019-08-20 | 四川长虹电器股份有限公司 | 基于交叉熵的非侵入式电器识别方法 |
CN110146758B (zh) * | 2019-05-28 | 2021-02-09 | 四川长虹电器股份有限公司 | 基于交叉熵的非侵入式电器识别方法 |
Also Published As
Publication number | Publication date |
---|---|
TWI504095B (zh) | 2015-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gopinath et al. | Energy management using non-intrusive load monitoring techniques–State-of-the-art and future research directions | |
Lin et al. | Development of an improved time–frequency analysis-based nonintrusive load monitor for load demand identification | |
Wang et al. | Non-intrusive load monitoring algorithm based on features of V–I trajectory | |
Alcalá et al. | Event-based energy disaggregation algorithm for activity monitoring from a single-point sensor | |
Esa et al. | RETRACTED: A review disaggregation method in Non-intrusive Appliance Load Monitoring | |
Klemenjak et al. | Non-intrusive load monitoring: A review and outlook | |
Shao et al. | A temporal motif mining approach to unsupervised energy disaggregation: Applications to residential and commercial buildings | |
Ahmadi et al. | Load decomposition at smart meters level using eigenloads approach | |
Yu et al. | Nonintrusive appliance load monitoring for smart homes: Recent advances and future issues | |
CN106093565B (zh) | 一种基于稳态特征波形匹配的电能分项计量方法及装置 | |
Ma et al. | Toward energy-awareness smart building: Discover the fingerprint of your electrical appliances | |
WO2015008645A1 (ja) | 監視装置、監視方法及びプログラム | |
CN111382789B (zh) | 基于机器学习的电力负荷识别方法及系统 | |
CN105372541A (zh) | 一种基于模式识别的家用电器智能集总检测系统及其工作方法 | |
CN105143892A (zh) | 电能测量装置和使用该装置的电能测量信息标记系统 | |
KR20190070147A (ko) | 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법 | |
CN111722028A (zh) | 一种基于高频数据的负荷识别方法 | |
TWI504095B (zh) | Non - invasive load monitoring system and its method | |
Nardello et al. | A low-cost smart sensor for non intrusive load monitoring applications | |
Athanasiadis et al. | Real-time non-intrusive load monitoring: A machine-learning approach for home appliance identification | |
Laouali et al. | A survey on computational intelligence techniques for non intrusive load monitoring | |
Wang et al. | An online load identification algorithm for non-intrusive load monitoring in homes | |
Schirmer et al. | Improving energy disaggregation performance using appliance-driven sampling rates | |
CN111934318B (zh) | 非侵入式电力负荷分解方法、装置、设备及存储介质 | |
Bucci et al. | A non-intrusive load identification system based on frequency response analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |