TWI842329B - 非侵入式負載辨識方法 - Google Patents
非侵入式負載辨識方法 Download PDFInfo
- Publication number
- TWI842329B TWI842329B TW112100641A TW112100641A TWI842329B TW I842329 B TWI842329 B TW I842329B TW 112100641 A TW112100641 A TW 112100641A TW 112100641 A TW112100641 A TW 112100641A TW I842329 B TWI842329 B TW I842329B
- Authority
- TW
- Taiwan
- Prior art keywords
- current
- load
- waveform
- transient
- interval
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000001052 transient effect Effects 0.000 claims abstract description 103
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000002441 reversible effect Effects 0.000 claims description 28
- 230000010355 oscillation Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 6
- 238000012806 monitoring device Methods 0.000 description 26
- 238000012544 monitoring process Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
一種負載辨識方法,係通過非侵入式偵測裝置偵測電力系統的主電力線上的總電流來辨識複數負載之種類及其個別負載的開關狀態。負載辨識方法主要是取出個別當前負載開啟時的開啟區間或負載關閉時的關閉區間,且基於開啟區間或關閉區間取得當前負載開啟或關閉的暫態電流,且轉換該暫態電流為當前能量特徵,以通過當前能量特徵判斷當前負載的種類。
Description
本發明係有關一種負載辨識方法,尤指一種非侵入式的負載辨識方法。
由於近年來,各國政府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。
其中,紀錄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。為達到上述目的,用戶端會因應負載的數量配置多組的電力量測裝置S(例如但不限於電壓/電流感測器),以對負載的使用狀況進行監控。以圖1為例,電力系統200通過主電力線1對多個負載2-1~2-M供電,且每個負載點上皆安裝至少一組電力量測裝置S(例如但不限於智慧型插座)。此種監測方式稱之為侵入式(Intrusive)的監測方式。
進一步而言,侵入式負載監測裝置5A需要在每一個支路上裝置電力量測裝置S,並通過電力量測裝置S來感測負載2-1~2-M的運作。當負載被啟動或關閉時,電力量測裝置S會藉由內部連接線傳送訊息至負載監測裝置5A,並可以同時傳送至遠端的資料中心作進一步的分析,以得知負載的使用狀況。其中,判斷負載的使用情況主要是依據電力量測裝置S所監測到的電力特徵,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。因此,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。然而,此種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電力量測裝置S,致使裝置成本提高及設備維護不易。
另外一方面,在非侵入式的負載監測領域中,台灣專利公告號TWI504095B揭露一種非侵入式負載監測系統及其方法。該負載監測系統及其方法主要係根據相應於電源之電性變化的量化資訊進行分析,以擷取出暫態期間暫態響應資訊。然後再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,並依據螞蟻演算法來對N階暫態期間諧波特徵資訊與預先儲存的諧波特徵資訊進行比對、搜尋、辨識,以確認負載的種類。然而,此種方法是使用諧波特徵進行比對,諧波特徵為週期性穩態特徵通常需要使用演算法分別對時域與頻域的一定週期進行計算,勢必會增加負載辨識的時間。
台灣專利公開號TW201712349A揭露一種非侵入式負載監測方法及裝置。非侵入式負載監測裝置包含量測元件以及處理元件。量測元件用以量測負載的負載電壓以及負載電流。處理元件用以根據負載電壓以及負載電流計算量測電力特徵,以及根據量測電力特徵辨識出負載的當前負載狀態。其中,
量測電力特徵為負載的無效電流。然而,此種方法必須要依據負載電壓以及負載電流二種資訊來計算量測電力特徵,因此使得計算過於複雜而導致無法降低負載種類辨識的時間。
台灣專利公告號I492182揭露一種電器負載辨識方法。該電器負載辨識方法主要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,該方法係依據總電流波形與穩態電流波形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(Parseval 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。然而,此種方法必須要依據總電流波形與週期性穩態電流波形擷取出每一電器負載的暫態電流波形,也勢必需要耗費大量的時間來進行暫態電流波形的計算,導致無法降低負載種類辨識的時間。
中國專利公開號CN113673480A揭露一種非介入式負載識別方法及裝置。非介入式負載識別方法包括:獲取待檢測用電迴路對應的待識別用電信號數據;在待檢測用電迴路有新負載接入時,利用特徵提取模型對待識別用電信號數據進行處理,得到對應提取結果;其中,提取結果包括時域典型集合、頻域典型集合以及暫態典型集合;利用多維度自適應因子判定方法將提取結果與樣本庫中的樣本進行對比,得到對應的識別結果,並根據識別結果確定新負載的類型。然而,此種方法必須要提取時域典型集合、頻域典型集合以及暫態典型集合,因此提取的資訊種類眾多意味著處理時間會過長,進而導致負載種類的辨識時間被拉長。
所以,如何設計出一種非侵入式的負載監測系統,以通過非侵入式偵測裝置偵測電力系統的主電力線上的總電流來辨識複數負載之種類,且能同時解決主要負載具有多操作狀態(multiple number of operating states)的負載辨識,且縮短負載種類辨識的時間,乃為本案創作人所欲行研究的一大課題。
為了解決上述問題,本發明係提供一種非侵入式負載辨識方法,以克服習知技術的問題。因此,本發明的開啟負載辨識方法係通過非侵入式偵測裝置偵測電力系統的主電力線上的總電流來辨識複數負載之種類,且負載辨識方法係包括下列步驟:(a)建立資料庫,資料庫包括該等負載開啟時所相應的複數能量特徵。(b)基於總電流的第一變化量高於第一閾量,擷取第一變化量前後的特定範圍的電流波形。(c)基於電流波形的絕對值產生一包絡線波形,並將包絡線波形進行小波轉換而取得小波波形。(d)將小波波形的最大值設定為當前被開啟負載的暫態啟動點。(e)將電流波形左右翻轉為反向電流波形,且通過反向電流波形的第二變化量是否高於第二閾量來偵測反向電流波形是否有數週振盪,若有則以第二閾量所在位置值取得當前負載的暫態截止點,若無則以反向電流波形的預設振盪週期上限值,由所量測的電流波形暫態啟動點往後取得當前負載的暫態截止點。(f)將暫態啟動點與暫態截止點設定為開啟區間。(g)將開啟區間與開啟區間前置一倍的區間設定為第一區間,且將開啟區間前置二倍的區間設定為第二區間。(h)基於第一區間與第二區間的差值取得當前個別開啟負載的暫態電流。(g)轉換暫態電流為當前能量特徵,且比對當前能量特徵與該等能量特徵,以取得當前被開啟負載的種類。
為了解決上述問題,本發明係提供一種非侵入式負載辨識方法,以克服習知技術的問題。因此,本發明關閉負載辨識方法係通過非侵入式偵測裝置偵測電力系統的主電力線上的總電流來辨識複數負載之種類,且負載辨識方法係包括下列步驟:(a)建立資料庫,資料庫包括該等負載關閉時所相應的複數能量特徵。(b)基於總電流的第一變化量低於第一閾量,擷取第一變化量前後的特定範圍的電流波形,且將電流波形左右翻轉為反向電流波形。(c)基於反向電流波形的絕對值產生一包絡線波形,並將包絡線波形進行小波轉換而取得小波波形。(d)將小波波形的最大值設定為當前被關閉負載的暫態截止點。(e)將反向電流波形左右翻轉為電流波形,且基於電流波形的預設振盪週期上限值由所量測的電流波形暫態截止點往前取得當前負載的暫態啟動點。(f)將暫態截止點與暫態啟動點設定為關閉區間。(g)將關閉區間與關閉區間後置一倍的區間設定為第一區間,且將關閉區間後置二倍的區間設定為第二區間。(h)基於該第一區間與該第二區間的一差值取得該當前個別關閉負載的暫態電流。(g)轉換暫態電流為當前能量特徵,且比對當前能量特徵與該等能量特徵,以取得當前被關閉負載的種類。
本發明之主要目的及功效在於,通過非侵入式偵測裝置偵測電力系統的主電力線上的總電流,且基於總電流的變化所產生的能量特徵來比對資料庫裡的資料,以判斷被開啟/關閉的主要負載究竟為何。後續可通過電力管理系統,計算出主要負載的使用需量情形,作為提醒使用用戶節約能源及減少不必要的能源消耗。使用本發明所提技術可以在極短時間內產生能量特徵,在數周期內即可判斷被開啟/關閉的主要負載,且同時解決主要負載具有多操作狀態的負載辨識。
為了能更進一步瞭解本發明為達成預定目的所採取之技術、手段及功效,請參閱以下有關本發明之詳細說明與附圖,相信本發明之目的、特徵與特點,當可由此得一深入且具體之瞭解,然而所附圖式僅提供參考與說明用,並非用來對本發明加以限制者。
5A:負載監測裝置
S:電力量測裝置
100:負載監測系統
3:電壓感測模組
4:電流感測模組
5:監測裝置
6:資料庫
200:電力系統
2-1~2-M:負載
2A:次要負載
2B:主要負載
1:主電力線
300:電網
V:總電壓
I:總電流
It:暫態電流波形
W_D1:小波波形
We:能量特徵波形
(S100)~(S620):步驟
圖1為習知的侵入式的負載監測系統監測電力系統之系統架構圖;圖2為本發明非侵入式的負載監測系統監測電力系統之系統架構圖;圖3A為本發明在主要負載開啟時的負載辨識方法流程圖;圖3B為本發明在主要負載關閉時的負載辨識方法流程圖;圖3C為本發明在主要負載開啟/關閉時的負載辨識方法流程圖;圖4A為本發明在吹風機開啟時的電流波形圖;圖4B為本發明在吹風機關閉時的電流波形圖;圖5A為本發明在除濕機開啟時的電流波形圖;圖5B為本發明在除濕機關閉時的電流波形圖;圖6A為本發明在開飲機開啟時的電流波形圖;圖6B為本發明在開飲機關閉時的電流波形圖;圖7A為本發明在電冰箱開啟時的電流波形圖;及圖7B為本發明在電冰箱關閉時的電流波形圖。
茲有關本發明之技術內容及詳細說明,配合圖式說明如下:請參閱圖2為本發明非侵入式的負載監測系統監測電力系統之系統架構圖。電力系統200包括電網300、主電力線1及複數負載2-1~2-M,且當負載2-1~2-M開啟而運作時,電網300通過主電力線1向該等運作的負載2-1~2-M供電。其中,電網300通常可以為市電電力,但並不排除其他例如但不限於,發電機、再生能源或其偕同運作等電力來源。非侵入式的負載監測系統100(Non-Intrusive Demand Monitoring and Load Identification,NIDMLI,或稱Non-Intrusive Load Monitoring,NILM)配置於監測電力系統200,且非侵入式的負載監測系統100主要是通過非侵入的方式來監測主電力線1上的電力,以確認負載2-1~2-N的使用狀況。負載監測系統100包括電壓感測模組3、電流感測模組4及監測裝置5,且電壓感測模組3與電流感測模組4分別耦接電力線1與監測裝置5之間,以使監測裝置5通過電壓感測模組3與電流感測模組4分別偵測主電力線1上的總電壓V與總電流I。
具體而言,電壓感測模組3通常可以為至少一比壓器,用以量測主電力線1上的總電壓V,並提供相應於總電壓V的電壓訊號至監測裝置5。電流感測模組4通常可以為至少一比流器,用以量測主電力線1上的總電流I,並提供相應於總電流I的電流訊號至監測裝置5。其中,比壓器與比流器的數量可以依照電力系統200的相數而定。監測裝置5可以通過實體線路連接,或以無線傳輸的方式近端或遠端連接電力管理系統或電表資料管理系統或雲端資料庫伺服器,其還可以配置於例如但不限於電力管理系統、電表資料管理系統、雲端資料庫伺服器(圖未示)中,以供能源管理系統基於主電力線1上的總電壓V與總電流I相關資訊來對電力系統200進行相應的監測。負載2-1~2-M包括一部分的次
要負載2A(例如負載待機狀態但不限於電視、檯燈、風扇、冷氣等待機或其他負載但不限於家用網路閘道器、路由器、神明燈等)與一部分的主要負載2B(例如但不限於吹風機、吸塵器),在本發明之一實施例中,監測裝置5主要是監測主要負載2B(Primary loads)的開啟/關閉來辨識主要負載2B之種類究竟為何。次要負載2A通常視為背景負載,並非作為主要監測開啟/關閉的負載對象。
進一步而言,所謂非侵入式的負載監測系統100所指的是不需要在每一條的負載2-1~2-M路徑上加裝電力量測裝置(例如但不限於智慧插座),僅需要在電力輸入源處(即主電力線1上)加裝感測模組來量測總電壓V/總電流I,即可視為非侵入式的負載監測系統100。本發明主要的目的與功效在於,通過非侵入式偵測裝置100偵測電力系統200的主電力線1上的總電流I,且基於總電流I的變化所產生的能量特徵來比對資料庫6(通常於遠端,可配置於監測裝置5中,但不限)裡的資料,以判斷被開啟/關閉的主要負載2B究竟為何。後續可通過電力管理系統,計算出主要負載2B的使用情形,作為提醒使用用戶節約能源及減少不必要的能源消耗。
請參閱圖3A為本發明在主要負載開啟時的負載辨識方法流程圖,復配合參閱圖2。本發明主要係在電力系統200具有數個次要負載2A運作(作為背景負載),且同時間或極短時間內只有一個主要負載2B開啟時,對當前開啟的主要負載2B進行種類辨識的操作環境。在此定義負載動作,負載的操作事件分別為開啟、運行及關閉三種事件,且本發明著重在負載的開啟與關閉事件。在負載的開啟與關閉事件中為暫態,且分別包括啟動與截止點。意即,在負載的開啟事件的暫態過程中包括暫態啟動點與暫態截止點,且在負載的關閉事件的暫態過程中也包括暫態啟動點與暫態截止點。
復參閱圖3A,本發明之負載辨識方法首先包括,建立資料庫,資料庫包括主要負載開啟時所相應的複數能量特徵(S100)。具體地,資料庫6儲存有每一主要負載2B所對應的能量特徵,上述能量特徵可以包括能量指標圖(電力強度),且還可包括實功率、虛功率、各階(總)諧波含量、穩態電流波形、開啟/關閉暫態電流波形、開啟/關閉暫態能量、開啟/關閉暫態功率的至少一者或其組合。本發明的負載辨識方法主要是取出當前開啟的主要負載2B的當前能量特徵與資料庫6內所儲存的能量特徵進行比對,且通過比對出相同或相似的能量特徵即可判定主要負載2B的種類為何。
然後,設定參數(S120)。其中,參數的設定主要是對負載辨識方法的操作環境進行設定。例如但不限於,電壓頻率(通常為市電頻率60Hz)、取樣頻率(例如但不限於10.08kHz)、預設振盪週期數(例如但不限於4個週期)、開啟指標(例如但不限於1.05倍)等操作環境的參數,使得負載辨識方法可以通過這些參數來進行主要負載2B開啟時的判斷機制。其中,若操作環境已被預定在特定環境或操作環境的參數已被設定為特定值,則步驟(S120)可以被省略,並非是本發明負載辨識方法所必要執行之步驟。
然後,基於總電流的第一變化量高於第一閾量,擷取第一變化量前後的特定範圍的電流波形(S140)。具體地,由於各個負載2-1~2-N在開啟時會產生暫態電流,暫態電流的產生會造成總電流I的波動,使得總電流I波形的成分中,包括被開啟的負載2-1~2-N的暫態電流。因此負載辨識方法可以通過偵測總電流I,並且在總電流I的第一變化量高於第一閾量(即開啟指標)時,判斷有某個負載2-1~2-N啟動。細部的流程步驟為,監測裝置5可預先設定第一閾量(即
啟動指標)為1.05倍的有效值。當總電流的當前有效值大於當前有效值前置的有效值的平均值的1.05倍時,代表第一變化量高於第一閾量。
因此當判斷有某個負載2-1~2-N開啟後,監測裝置5會擷取第一變化量前後的特定範圍的電流波形,且特定範圍可以通過前述的參數設定來預先決定,較佳的範圍可以基於市電頻率(但不限於60Hz)而取出至少36個週期,且預設振盪週期較佳地可介於2~12週期,但並不以此為限。因此,一周期大概可以包括168個取樣點,且36個週期大概可以有6048個取樣點。此外,電流波形可以使用實體錄波的方式,將36個週期的電流波形給記錄下來。另外一方面,在步驟(S140)中,於建立資料庫特徵初期還可以取出電流波形的每周有效值的波形。然後利用此有效值的波形確認此段實體錄波的波形是否是合規的負載開啟時波形,避免取得錯誤波形的風險。具體地,由於實施的電流波形具有36個週期,因此可以計算每個周期的有效值,並取出有效值的波形來判斷此波形是否是合規。
然後,基於電流波形的絕對值產生包絡線波形,並將包絡線波形進行小波轉換而取得小波波形(S160)。具體地,為了取得實際的開啟點,因此先將電流波形取絕對值而轉為全正值。其原因在於實際的開啟點可能為正或負值,因此先將電流波形取絕對值來進行後續的計算。然後,對全正值的電流波形簡化為波形的包絡線,再將包絡線波形進行小波轉換而獲得小波波形。
其中,小波轉換主要是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。小波轉換處理係為離散小波轉換,在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。此外,電流波形的絕對值並不限定僅能使用簡化包絡線的方式來進行小波轉換。例如但不限於可以通過濾波等方式後,再進行小波轉換。
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,係將全正值的電流波形先經簡化為波形的包絡線,再將包絡線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。在此步驟的小波波形主要是取出小波d1細節係數,但不以此為限。舉例如但不限於A1、A2、d2、d3等係數皆可做為實施方式。
然後,將小波波形的最大值設定為當前被開啟負載的暫態啟動點(S180)。具體地,由於最大的有效值的開啟時段必定具有負載2-1~2-N實際的啟動點,因此小波波形在開啟時段中的最大值即可判定為當前負載的實際開啟點。由於負載2-1~2-N在開啟的過程中,除了包括暫態啟動點外,還會包括開啟完成的暫態截止點,這啟動點與完成的截止點之間的區間為負載2-1~2-N開啟時的暫態電流。取出此暫態電流的用意在於,可以通過比對此暫態電流的方式來辨識負載2-1~2-N的種類。
為求獲得暫態截止點,因此將電流波形左右翻轉為反向電流波形來找尋暫態截止點(S200),且基於反向電流波形的第二變化量高於第二閾量取得當前負載的暫態截止點(S200A),或者,基於預設振盪週期上限值取得當前負載的暫態截止點(S200B)。具體地,由於暫態截止後,電流會恢復為穩態,因此將電流波形左右翻轉為反向電流波形後,當為馬達或壓縮機類型的負載,則反向電流
波形的第二變化量會高於第二閾量。反之,則反向電流波形的第二變化量通常不會高於第二閾量。因此,可以通過第二變化量是否高於第二閾量來偵測並判斷反向電流波形是否有數週振盪。當反向電流波形的第二變化量高於第二閾量(即啟動指標,為當前有效值前置有效值的平均值的1.05倍)時,代表反向電流波形具有數週振盪,且負載2-1~2-N已開啟完成。因此,可以使用第二閾量所在位置值取得當前負載的暫態截止點。
然而,某些負載2-1~2-N如熱電類負載並非為馬達類型的負載,並不會有明顯的變化量,而是呈週期性的諧振至進入穩態。因此,若未有反向電流的第二變化量高於第二閾量的狀況時,則通過預設振盪週期上限值取得當前負載的暫態截止點(由所量測的電流波形暫態啟動點往後取得)。為了避免預設振盪週期拉至過長而導致後續的操作超出了預先設定的視窗大小,因此預設振盪週期本案例較佳為1/9的特定範圍(但不限定1/9)。值得一提,於本發明之一實施例中,步驟(S200)並不限定僅能應用步驟(S200A)與(S200B)的操作方式來取得暫態截止點。因此舉凡可取得暫態截止點的操作方式,皆應包含在本實施例之範疇當中。
在步驟(S200A)和(S200B)中,也可通過相似於步驟(S140)~(S180)的流程進行小波轉換來取得實際的暫態截止點,然而暫態截止點並非為主要判斷因素,可以不需要因為細找實際的暫態截止點而導致負載2-1~2-N種類判斷的時間過長。
然後,將暫態啟動點與暫態截止點設定為開啟區間(S220),且此區間的總電流包括當前啟動的主要負載2B的暫態電流與背景負載2A的穩態電流。為了濾除背景負載2A的穩態電流,因此本發明係使用差分的方式將背景負載2A
的穩態電流給濾除。具體而言,本發明係將開啟區間與開啟區間前置一倍的區間設定為第一區間,且將開啟區間前置二倍的區間設定為第二區間(S240)。第一區間包括主要負載2B的暫態電流與背景負載2A的穩態電流,且第二區間僅包括背景負載2A的穩態電流,因此可以通過取出第一區間與第二區間的差值取得當前負載(開啟時)的暫態電流(S260)。其中,可以將第一變化量高於第一閾量的時點設定在特定範圍的視窗中間,或者在特定範圍的一側,主要是為了能夠順利取出第一區間與第二區間的時間長度之用,避免所截錄的波形超出硬體錄波的視窗範圍。然而,並不以步驟(S240)~(S260)的方式為限,只要可使用暫態啟動點與暫態截止點或其相應地開啟區間取得暫態電流(例如但不限於使用開啟區間前後的預定範圍)的方式,皆應包含在本實施例之範疇當中。
最後,轉換(開啟時)暫態電流為當前能量特徵,且比對當前能量特徵與資料庫的能量特徵,以取得當前負載的種類(S280)。具體地,監測裝置5可以通過小波轉換與帕塞瓦爾定理的處理取得包括複數能量指標的能量特徵波形。其中,經小波轉換取得的近似值與細節值,係進行帕塞瓦爾定理(Parseval theorem)的處理。
為了使本領域所屬技術人員了解使用帕塞瓦爾定理之目的,在此進行說明,帕塞瓦爾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(S280)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(即開啟暫態電流)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,因此本發明係將小波轉換所產生的解析參數信號經帕塞瓦爾定理的處理後,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。經帕塞瓦爾定理的處理後,會產生一至二十階的能量指標,以形成能量特徵波形。
其中,由於在帕塞瓦爾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。能量指標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與市電頻率而定,第一至八階係為高頻能量指標,且第九至二十階層則為低頻能量指標。本發明係取出1至8~12階的能量指標作為該當前能量特徵,其階層取的越多,負載2-1~2-N的數目越多,則相對的運算速度越慢,且所需資料所佔記憶體空間也會越大。
另外一方面,為了能夠準確的辨識負載2-1~2-N的種類,當前能量特徵的比對及判斷,還可以通過例如但不限於機器學習、類神經網路系統、模糊理論系統等具有學習功能的系統來提高判斷的準確度,將能量特徵與資料庫所儲存之能量特徵進行辨識運算,藉此可提高負載2-1~2-N辨識的準確度。
請參閱圖3B為本發明在主要負載關閉時的負載辨識方法流程圖,復配合參閱圖2~3A。圖3B與圖3A的差異在於,主要負載2B關閉時的波形通常恰與主要負載2B開啟時相反。因此其流程與圖3A大同小異,因此圖3B的步驟(S300)與圖3A的步驟(S100)差異在於,所建立的資料庫6包括主要負載關閉時所相應的複數能量特徵。同樣的,圖3B的步驟(S320)與圖3A的步驟(S120)的差異在於,參數的設定主要是設定關閉的指標,其例如但不限於也可以為1.05倍。
同樣地,若操作環境已被預定在特定環境或操作環境的參數已被設定為特定值,則步驟(S320)可以被省略,並非是本發明負載辨識方法所必要執行之步驟。另外一方面,圖3A的開啟點相應於圖3B的關閉點,因此圖3B的步驟(S340)與圖3A的步驟(S140)有所差異,需要將電流波形左右翻轉為反向電流波形來進行步驟(S360)。在步驟(S360)後,可以通過步驟(S380)取得當前負載的暫態截止點。
在步驟(S380)後,將反向電流波形左右翻轉回電流波形來找尋負載的暫態啟動點(S400)。步驟(S400B)的操作相似於圖3A的步驟(S200B),其差異在於負載2-1~2-N在關閉後不同於啟動後,其電流波形因為切斷電流通常為穩態,不容易出現圖3A的步驟(S200A)的現象。因此通常振盪週期不會超過4週內完成,且可以適應性的將預設振盪週期設定的更少。另外一方面,圖3B的步驟(S440)所述的”後置”相異於圖3A中,步驟(S240)所述的”前置”,其原因在於在主要負載2B關閉時,電流波形的暫態波動一般是在暫態啟動點後發生。因此,其相反於圖3A,係取出關閉區間後置的第一區間與第二區間。除此之外,步驟(S420)~(S480)其餘的操作相似於圖3A的步驟(S220)~(S280),在此不再加以贅述。值得一提,於本發明之一實施例中,步驟(S400)同樣也並不限定僅能應用步驟(S400B)的操作方式來取得暫態啟動點。因此舉凡可取得暫態啟動點的操作方式,皆應包含在本實施例之範疇當中。此外,也並不以步驟(S440)~(S460)的方式為限,只要可使用暫態啟動點與暫態截止點或其相應地關閉區間取得暫態電流(例如但不限於使用關閉區間前後的預定範圍)的方式,皆應包含在本實施例之範疇當中。
請參閱圖3C為本發明在主要負載開啟/關閉時的負載辨識方法流程圖,復配合參閱圖2~3B。圖3C的方法流程主要係融合圖3A的開啟步驟與圖3B的關閉步驟,監測裝置5可通過偵測總電流I,並對總電流I進行分析來判斷
後續要執行何種步驟。在圖3C中,步驟(S500)係為圖3A的步驟(S100)與圖3B的步驟(S300)整合,且步驟(S520)係為圖3A的步驟(S120)與圖3B的步驟(S320)整合。同樣地,若操作環境已被預定在特定環境或操作環境的參數已被設定為特定值,則步驟(S520)可以被省略,並非是本發明負載辨識方法所必要執行之步驟。在步驟(S530)中,判斷是否為開啟事件。當步驟(S530)的判斷為是時進入圖3A的步驟(S140)~(S200),且當步驟(S530)的判斷為否時進入圖3B的步驟(S340)~(S400)。在步驟(S200)後,進入步驟(S600)來判斷反向電流波形是否有數週振盪。當步驟(S600)的判斷為是時進入圖3A的步驟(S200A),且當步驟(S600)的判斷為否時進入圖3A的步驟(S200B)。在步驟(S200A)或(S200B)後,進入步驟(S220)~(S280)以取得當前開啟負載的種類。在步驟(S400)後,進入步驟(S400B)。在步驟(S400B)後,進入步驟(S420)~(S480)以取得當前關閉負載的種類。其中,未有相應於步驟(S200A)的步驟(S400A)原因在於,當在關閉事件時,通常負載的暫態電流波形較為平穩的震盪,較不易出現圖3A的步驟(S200A)的現象。因此,步驟(S400)後可直接進入步驟(S400B),以通過預設震盪週期來取得負載2-1~2-N關閉的暫態啟動點。
另外一方面,在圖3A~3C中,由於負載2-1~2-M包括一部分的主要負載2B與一部分的次要負載2A,因此當監測裝置5通過圖3A~3C的步驟取得當前能量特徵,並與資料庫6的能量特徵比對後,監測裝置5未找出與資料庫6內所儲存的能量特徵相符時,監測裝置5可以判斷當前負載應為次要負載2A。
請參閱圖4A為本發明在吹風機開啟時的電流波形圖、圖4B為本發明在吹風機關閉時的電流波形圖,復配合參閱圖2~3C。監測裝置5可通過錄波的方式,錄製吹風機開啟時的總電流波形I。總電流I通過圖3A的步驟處理,
可取得負載2-1~2-N的暫態電流波形It,經小波轉換的小波波形W_D1(小波d1細節係數,但不限於小波d1細節係數),以及包括多個能量指標的能量特徵波形We。其中,在圖4B的吹風機關閉波形,明顯反向於圖4A的吹風機開啟波形,因此可以通過將電流波形翻轉即可粗略地取得似開啟所需要的波形,加速監測裝置5的演算速度。監測裝置5可通過能量特徵波形We中的能量特徵(即1至8~12階能量指標),比對資料庫6中的能量特徵,即可判斷出圖4A和4B的能量特徵對應到負載2-1~2-N為吹風機的能量特徵。
相似地,請參閱圖5A~5B分別為本發明在除濕機開啟/關閉時的電流波形圖、圖6A~6B分別為本發明在開飲機開啟/關閉時的電流波形圖、圖7A~7B分別為本發明在電冰箱開啟/關閉時的電流波形圖,復配合參閱圖2~7B。在圖6A~6B中,負載2-1~2-N屬於電熱類型的負載,其暫態電流波形It呈週期性的諧振至進入穩態,明顯適用於上述的步驟(S200B)或(S400B)的判斷流程。另外一方面,圖5A~5B及7A~7B中的波形屬於馬達或壓縮機類型負載形成方式相似於圖4A~4B,在此不再加以贅述。
綜上所述,如下表1所示為5個主要負載2B開啟時的實際測試結果、表2所示為9個主要負載2B開啟時的結果、表3所示為12個主要負載2B開啟時的結果,且表4為表1~3的結果統計。其中,每個主要負載2B係分別提供15筆的資料來進行測試,因此在表1的總筆數即為15*5=75筆,依此類推。
在上述的結果統計表4可以看出,在主要負載2B的數量為5時,監測裝置5判斷的準確度為100%。在主要負載2B的數量為9時,135筆的資料能夠準確判斷的數量為124筆(91.8%)。因此,當主要負載2B數量越少時,辨識主要負載2B之種類的精確度越高,反之則下降。
如下表5所示為5個主要負載2B關閉時的實際測試結果、表6所示為9個主要負載2B關閉時的結果、表7所示為12個主要負載2B關閉時的結果,且表8為表5~7的結果統計。其中,每個主要負載2B係分別提供15筆的資料來進行測試,因此在表5的總筆數即為15*5=75筆,依此類推。
在上述的結果統計表8可以看出,在主要負載2B的數量為5時,監測裝置5判斷的準確度為96%。在主要負載2B的數量為9時,135筆的資料能夠準確判斷的數量為124筆(91.8%)。因此,當主要負載2B數量越少時,辨識主要負載2B之種類的精確度越高,反之則下降。因此,比較表4與表8的結果可以得知,當主要負載2B開啟時,主要負載2B的暫態電流波動較劇,能量特徵的區別較為明顯。因此,監測裝置5對其辨識度也較高。以表2的空調的實際負載辨識結果來說明,空調的實際負載測試資料筆數為15筆。經本發明的負載辨識方法的辨識結果中,11筆被辨識為空調,3筆被誤辨識為液晶顯示器與視訊盒,1筆被誤辨識為電磁爐。因此,辨識正確率為70%以上。其他的負載實際測試所出示的結果,其邏輯同於上述說明,在此不再加以贅述。
除了本發明的發明內容所提及之主要功效外,使用本發明所提技術還可於已運轉的負載情形下提高個別負載開啟/關閉的辨識,亦可改善一致性負載、同時間負載的開啟/關閉的辨識,亦可應用於負載劣(老)化與不正常操作等的辨識,且同時解決主要負載具有多操作狀態的負載辨識。
惟,以上所述,僅為本發明較佳具體實施例之詳細說明與圖式,惟本發明之特徵並不侷限於此,並非用以限制本發明,本發明之所有範圍應以下述之申請專利範圍為準,凡合於本發明申請專利範圍之精神與其類似變化之實施例,皆應包括於本發明之範疇中,任何熟悉該項技藝者在本發明之領域內,可輕易思及之變化或修飾皆可涵蓋在以下本案之專利範圍。
(S140)~(S600):步驟
Claims (10)
- 一種負載辨識方法,係通過一非侵入式偵測裝置偵測一電力系統的一主電力線上的一總電流來辨識複數負載之種類,該負載辨識方法係包括下列步驟:建立一資料庫,該資料庫包括該等負載開啟時所相應的複數能量特徵;基於該總電流的一第一變化量高於一第一閾量,擷取該第一變化量前後的一特定範圍的一電流波形,且基於該電流波形的一絕對值進行一小波轉換取得一小波波形;將該小波波形的一最大值設定為當前被開啟的一當前負載的一暫態啟動點,且將該電流波形左右翻轉為一反向電流波形,並通過該反向電流波形取得該當前負載的一暫態截止點;將該暫態啟動點與該暫態截止點設定為一開啟區間,且基於該開啟區間取得該當前負載的一暫態電流;及轉換該暫態電流為一當前能量特徵,且比對該當前能量特徵與該資料庫的該等能量特徵,以取得該當前負載的種類。
- 如請求項1所述之負載辨識方法,更包括下列步驟:通過該反向電流波形的一第二變化量是否高於一第二閾量來判斷該反向電流波形是否有數週振盪;當該第二變化量高於該第二閾量時,基於該第二變化量高於該第二閾量取得該暫態截止點;及當該第二變化量未高於該第二閾量時,基於該反向電流波形的一預設振盪週期上限值取得該暫態截止點。
- 如請求項1所述之負載辨識方法,更包括下列步驟:基於該電流波形的一絕對值產生一包絡線波形,且將該包絡線波形進行一小波轉換而取得該小波波形。
- 如請求項1所述之負載辨識方法,更包括下列步驟:通過一小波轉換與一帕塞瓦爾定理的處理取得包括複數能量指標的一能量特徵波形;及取出1至8~12階的能量指標作為該當前能量特徵。
- 如請求項1所述之負載辨識方法,更包括下列步驟:將該開啟區間與該開啟區間前置一倍的區間設定為一第一區間,且將該開啟區間前置二倍的區間設定為一第二區間;基於該第一區間與該第二區間的一差值取得該暫態電流。
- 一種負載辨識方法,係通過一非侵入式偵測裝置偵測一電力系統的一主電力線上的一總電流來辨識複數負載之種類,該負載辨識方法係包括下列步驟:建立一資料庫,該資料庫包括該等負載關閉時所相應的複數能量特徵;基於該總電流的一第一變化量高於一第一閾量,擷取該第一變化量前後的一特定範圍的一電流波形,且將該電流波形左右翻轉為一反向電流波形,並基於該反向電流波形的一絕對值進行一小波轉換取得一小波波形;將該小波波形的一最大值設定為當前被關閉的一當前負載的一暫態截止點,且將該反向電流波形左右翻轉為該電流波形,並通過該電流波形取得該當前負載的一暫態啟動點; 將該暫態截止點與該暫態啟動點設定為一關閉區間,且基於該關閉區間取得該當前負載的一暫態電流;及轉換該暫態電流為一當前能量特徵,且比對該當前能量特徵與該資料庫的該等能量特徵,以取得該當前負載的種類。
- 如請求項6所述之負載辨識方法,更包括下列步驟:基於該電流波形的一預設振盪週期上限值取得該暫態啟動點。
- 如請求項6所述之負載辨識方法,更包括下列步驟:基於該反向電流波形的一絕對值產生一包絡線波形,且將該包絡線波形進行一小波轉換而取得該小波波形。
- 如請求項6所述之負載辨識方法,更包括下列步驟:通過一小波轉換與一帕塞瓦爾定理的處理取得包括複數能量指標的一能量特徵波形;及取出1至8~12階的能量指標作為該當前能量特徵。
- 如請求項6所述之負載辨識方法,更包括下列步驟:將該關閉區間與該關閉區間後置一倍的區間設定為一第一區間,且將該關閉區間後置二倍的區間設定為一第二區間;基於該第一區間與該第二區間的一差值取得該暫態電流。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW112100641A TWI842329B (zh) | 2023-01-06 | 2023-01-06 | 非侵入式負載辨識方法 |
US18/403,493 US20240235255A1 (en) | 2023-01-06 | 2024-01-03 | Non-intrusive load identification method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW112100641A TWI842329B (zh) | 2023-01-06 | 2023-01-06 | 非侵入式負載辨識方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI842329B true TWI842329B (zh) | 2024-05-11 |
TW202429796A TW202429796A (zh) | 2024-07-16 |
Family
ID=91760925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112100641A TWI842329B (zh) | 2023-01-06 | 2023-01-06 | 非侵入式負載辨識方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240235255A1 (zh) |
TW (1) | TWI842329B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI440862B (zh) * | 2011-11-21 | 2014-06-11 | 國立交通大學 | Electrical detection method and system based on user feedback information |
JP5727949B2 (ja) * | 2012-01-23 | 2015-06-03 | 日本電信電話株式会社 | 電流波形識別装置 |
TWI492182B (zh) * | 2013-07-17 | 2015-07-11 | 電器負載辨識方法 | |
TWI504095B (zh) * | 2014-01-20 | 2015-10-11 | Univ Nat Taipei Technology | Non - invasive load monitoring system and its method |
US9523718B2 (en) * | 2010-09-22 | 2016-12-20 | Philips Lighting Holding B.V. | Disaggregation apparatus for identifying an appliance in an electrical network |
CN114943367A (zh) * | 2022-04-18 | 2022-08-26 | 石家庄科林电气股份有限公司 | 基于bp神经网络模型的非侵入式负荷识别方法 |
CN114966275A (zh) * | 2022-05-20 | 2022-08-30 | 国网江苏省电力有限公司苏州供电分公司 | 非侵入式居民负荷监测方法和装置 |
CN115034922A (zh) * | 2022-05-20 | 2022-09-09 | 国网江苏省电力有限公司苏州供电分公司 | 非侵入式工业负荷监测方法 |
CN115112962A (zh) * | 2021-03-18 | 2022-09-27 | 浙江正泰仪器仪表有限责任公司 | 一种非侵入式负荷辨识方法、系统、存储介质及设备 |
-
2023
- 2023-01-06 TW TW112100641A patent/TWI842329B/zh active
-
2024
- 2024-01-03 US US18/403,493 patent/US20240235255A1/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9523718B2 (en) * | 2010-09-22 | 2016-12-20 | Philips Lighting Holding B.V. | Disaggregation apparatus for identifying an appliance in an electrical network |
TWI440862B (zh) * | 2011-11-21 | 2014-06-11 | 國立交通大學 | Electrical detection method and system based on user feedback information |
JP5727949B2 (ja) * | 2012-01-23 | 2015-06-03 | 日本電信電話株式会社 | 電流波形識別装置 |
TWI492182B (zh) * | 2013-07-17 | 2015-07-11 | 電器負載辨識方法 | |
TWI504095B (zh) * | 2014-01-20 | 2015-10-11 | Univ Nat Taipei Technology | Non - invasive load monitoring system and its method |
CN115112962A (zh) * | 2021-03-18 | 2022-09-27 | 浙江正泰仪器仪表有限责任公司 | 一种非侵入式负荷辨识方法、系统、存储介质及设备 |
CN114943367A (zh) * | 2022-04-18 | 2022-08-26 | 石家庄科林电气股份有限公司 | 基于bp神经网络模型的非侵入式负荷识别方法 |
CN114966275A (zh) * | 2022-05-20 | 2022-08-30 | 国网江苏省电力有限公司苏州供电分公司 | 非侵入式居民负荷监测方法和装置 |
CN115034922A (zh) * | 2022-05-20 | 2022-09-09 | 国网江苏省电力有限公司苏州供电分公司 | 非侵入式工业负荷监测方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202429796A (zh) | 2024-07-16 |
US20240235255A1 (en) | 2024-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ruzzelli et al. | Real-time recognition and profiling of appliances through a single electricity sensor | |
CN106096726B (zh) | 一种非侵入式负荷监测方法及装置 | |
CN107025365B (zh) | 一种用于用户侧的非侵入负荷辨识方法 | |
Schoofs et al. | Annot: Automated electricity data annotation using wireless sensor networks | |
Wong et al. | Recent approaches to non-intrusive load monitoring techniques in residential settings | |
CN110956220A (zh) | 一种非侵入式家用电器负荷识别方法 | |
EP2579050B1 (en) | Utility metering | |
CN110514889A (zh) | 一种非侵入式家庭用电负载识别的方法及系统 | |
CN110412347B (zh) | 一种基于非侵入式负荷监测的窃电行为识别方法与装置 | |
CN111242391B (zh) | 用于电力负荷识别的机器学习模型训练方法及系统 | |
TWI492182B (zh) | 電器負載辨識方法 | |
CN106646026A (zh) | 一种非侵入式家电负荷识别方法 | |
CN111382789B (zh) | 基于机器学习的电力负荷识别方法及系统 | |
Ghosh et al. | An improved load feature extraction technique for smart homes using fuzzy-based NILM | |
CN107247201A (zh) | 基于功率及时间特性的电烤箱非侵入辨识方法 | |
Matthews et al. | Automatically disaggregating the total electrical load in residential buildings: a profile of the required solution | |
Alcalá et al. | Event-based detector for non-intrusive load monitoring based on the Hilbert Transform | |
CN108595376A (zh) | 一种区分定频空调与冲击钻的非侵入负荷辨识方法 | |
Yan et al. | Robust event detection for residential load disaggregation | |
CN108572292A (zh) | 一种微波炉非侵入负荷辨识方法 | |
Luan et al. | Non-intrusive power waveform modeling and identification of air conditioning load | |
TWI842329B (zh) | 非侵入式負載辨識方法 | |
CN105305437A (zh) | 电力负荷三重可信度匹配辨识方法 | |
Lemes et al. | Low runtime approach for fault detection for refrigeration systems in smart homes using wavelet transform | |
CN117039840A (zh) | 一种基于特征自动增强的家用负荷识别方法及系统 |