CN103998942A - 用于非侵入式负载监测的方法和*** - Google Patents
用于非侵入式负载监测的方法和*** Download PDFInfo
- Publication number
- CN103998942A CN103998942A CN201180067369.9A CN201180067369A CN103998942A CN 103998942 A CN103998942 A CN 103998942A CN 201180067369 A CN201180067369 A CN 201180067369A CN 103998942 A CN103998942 A CN 103998942A
- Authority
- CN
- China
- Prior art keywords
- power
- cluster
- load
- variation
- time
- 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 description 56
- 238000012544 monitoring process Methods 0.000 title claims description 14
- 230000008859 change Effects 0.000 claims description 65
- 230000008569 process Effects 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000000844 transformation Methods 0.000 claims description 5
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims 1
- 241000876466 Varanus bengalensis Species 0.000 claims 1
- 230000036962 time dependent Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 9
- 230000007704 transition Effects 0.000 description 9
- 238000005265 energy consumption Methods 0.000 description 8
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000013011 mating Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 235000012364 Peperomia pellucida Nutrition 0.000 description 1
- 240000007711 Peperomia pellucida Species 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D4/00—Tariff metering apparatus
- G01D4/002—Remote reading of utility meters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D2204/00—Indexing scheme relating to details of tariff-metering apparatus
- G01D2204/10—Analysing; Displaying
- G01D2204/14—Displaying of utility usage with respect to time, e.g. for monitoring evolution of usage or with respect to weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D2204/00—Indexing scheme relating to details of tariff-metering apparatus
- G01D2204/20—Monitoring; Controlling
- G01D2204/24—Identification of individual loads, e.g. by analysing current/voltage waveforms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02B90/20—Smart grids as enabling technology in buildings sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/242—Home appliances
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/30—Smart metering, e.g. specially adapted for remote reading
Landscapes
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
通过使用在住宅机构或商业机构的主断路器级获得的合计的功率数据来识别并跟踪主要电器。阶跃功率变化和功率剧变表征了电器的特性。识别这些特征并且考虑使用时间和持续时间的统计,以将所观测到的功率变化序列与正被接通和断开的电器进行匹配。然后,重新构建电器的依赖于时间的使用以及电器的功耗。
Description
技术领域
本发明涉及对住宅环境和商业环境中的电力利用进行监测和管理的领域。更具体地,本发明涉及非侵入式负载监测,在该非侵入式负载监测中将针对住宅房屋或商业房屋的合计的功耗数据进行分解以与能量管理结合使用。
背景技术
广泛认识到可以通过对住宅建筑和商业建筑进行更好的能量管理和控制来实现电能消耗的显著节约。为了实现更有效的能量控制,对使用中的电气负载(例如,电器、照明装置、电机等)进行相当准确的实时监测是有益的。(在下文中,除非上下文表示了意指特定类型的电器,否则专用术语“电器”以与通用术语“负载”可互换的方式使用)。获得关于能量利用的、对负载特定的信息的一种方式是单独监测每个负载。然而,这要求在利用电器内部的设备(因此,提高每个电器的成本,尤其是为了改进已经安装的电器)的情况下或者在需要每个电器的附加装置的情况下来在每个电器处监测能量的使用。另一方式是在主断路器级(main breakerlevel)或服务馈电级(service feed level)处监测合计的总电力消耗,接着分解数据以分离出所关注的每个负载的定时和贡献。拥有该信息,可以考虑电能的更有效使用,例如可通过采取各种步骤(从将电器变为另一模式或者对电器的使用进行时移,到许多其他措施中的任一措施)而实现节约。然而,将整体能量消耗分解成其组成部分并不是一项小任务。
这样的非侵入式电器负载监测(NIALM)方法需要硬件部件(包括传感器和其他元件)和软件部件(即,在一个或更多个处理器上执行的信号处理算法)两者。NIALM的软件部件依赖于硬件部件。例如,如果传感器以至少数kHz的速率来对电压和电流进行采样,则可以使用信号波形分析。然而,这样的传感器仍是昂贵的并且不是广泛地可获取的。廉价且容易安装的硬件替换物是如下传感器:该传感器以约1Hz的采样频率来测量正被输送至住宅房屋或商业房屋的总电力。在例如美国专利4,858,141、5,717,325、5,483,153以及若干学术刊物中已经详述了与这样的传感器对应的NIALM算法。这些算法检测功率的阶跃变化并且将这些变化与正被接通或断开的负载相匹配。功率的变化可以是一维的(例如,仅测量有功功率)或者二维的(例如,测量有功功率分量和无功功率分量两者)。
尽管这些NIALM算法能够监测主要家用电器等,但是其准确度级别仅在80%附近。监测准确度这样低的主要原因在于,两个或更多个不同负载可能同时***作并且甚至可能以非常接近的时间接近度被接通或断开。此外,两个不同负载所消耗的功率量可能会非常相似。例如,计算机监视器的功率损耗可能近似等于白炽灯泡的功率损耗,这使得这两种负载不能通过所提到的算法来区分。低准确度的另一重要原因在于,所提到的算法认为功率变化与负载状态的切换之间一对一的匹配。该匹配易于引起测量误差和算法误差两者,并且易于引起由于同时启动或停止多个负载而产生的模糊性。
因此,存在对能够提供更准确的电器(负载)使用数据的NIALM***和方法的需求。
发明内容
本文中示出的一组新的NIALM***和方法(即,算法)能够显著地克服上面提到的挑战并且解决所观察到的需求。这些方法存在三个主要优点。第一,不仅使用负载状态变化而且还使用功率剧变(power surge)(剧变幅度和持续时间的统计)以及负载状态变化和功率剧变的统计分布,以更准确地识别负载及其能量消耗。第二,为了更好地进行电器识别并且与能量消耗进行匹配,利用使用时间(在持续时间和一天中的时间两者的方面)的统计。第三,通过考虑电器状态之间的可能的一系列转变(transition)来进行所测量的功率观测与房屋处的电器之间的匹配,这不仅使得正确地确定给定系列的功率变化的可能性最大化,还使得正确确定使用时间统计和功率剧变统计的可能性最大化。
在一些实施例中,基于相对“长”的时间间隔,使用以经验方式获得的或来自其他源的历史数据来估计针对合计的(公共的)馈电的功率变化的时间统计。使用这些统计来对合计的功率变化数据进行再处理,以对在统计上将会呈现为可能归因于同一负载的功率变化的元组(对(pair)、三元组(triplet)等)进行聚类。然后,使用维特比(Viterbi)算法或相似技术,合并相似的聚类,最好分离重叠的聚类,并且更新时间统计以估计负载呈现为处于不同的状态下的时间。基于所更新的统计,然后以相同的方式处理实时功率变化测量结果,以将所检测到的变化进行聚类并且形成实时负载状态信息。为了将该信息与可识别的负载相关联,可以将已知负载动作与估计值相互关联(例如,通过对获知负载已被接通和/或断开进行至少一次记录并且将这些动作与所观测到的功率变化进行匹配)。
一些实施例涉及一种用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的方法。这样的方法包括:基于相对“长”的时间间隔,使用历史数据来估计针对公共馈电的功率变化的时间统计;使用这些统计对合计的功率变化数据进行再处理,以将在统计上呈现为可能归因于同一负载的功率变化的元组进行聚类;合并相似的聚类;分离重叠的聚类;更新时间统计,以估计负载呈现为在不同状态下的时间;以及基于所更新的统计,根据前述步骤(通过更新的再处理)中的一些步骤来处理实时功率变化测量结果,以将所检测到的变化进行聚类并且形成实时负载状态信息。
采用这样的方法的实施例可以进一步包括将实时负载状态信息与可识别的负载相关联,并且将实时负载状态信息与可识别的负载相关联可以包括将已知负载动作与估计相互关联。
在采用前述方法示例中的任一方法示例的实施例中,可以使用维特比算法的变型来执行所述合并相似的聚类。
根据一些实施例,示出了一种用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的方法,该方法包括:经由传感器,提供传感器输出信号,该传感器输出信号表示在一定时间间隔上通过上述馈电输送的功率;监测传感器输出信号,以检测功率的正向变化和负向变化、功率剧变幅度以及持续时间;将功率的负向变化进行聚类;将功率的负向变化和正向变化进行匹配;估计在所关注的间隔期间负载被接通和断开的时间;以及以统计方式表征所述负载中的至少一个负载的操作。
在一些实施例中,用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的方法包括:使用监测负载状态变化和功率剧变以及负载状态变化和功率剧变的统计分布,以更准确地识别负载及其能量消耗。第二,为了更好地进行电器识别并且与能量消耗进行匹配,利用使用时间(在持续时间和一天中的时间两者方面)的统计。第三,通过考虑电器状态之间的可能的一系列转变而进行所测量的功率观测与房屋处的电器之间的匹配,这不仅使得正确地确定给定系列的功率变化的可能性最大化,而且使得正确地确定使用时间统计以及功率剧变统计的可能性最大化。
在一些实施例中,提供了一种用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的方法,该方法包括:经由传感器,提供传感器输出信号,该传感器输出信号表示在第一时间间隔上通过上述馈电输送的功率;监测传感器输出信号,以检测功率的正向变化和负向变化、功率剧变幅度以及持续时间;将功率的负向变化进行聚类;将功率的负向变化和正向变化进行匹配;估计在所关注的间隔期间负载被接通和断开的时间;以及以统计方式表征所述负载中的至少一个负载的操作。可以根据聚类的平均值来对聚类进行分类,然后可以将维特比算法应用于所述聚类的n元组;然后解决聚类冲突,以提供消除功率变化的模糊性的一组聚类;并且,基于由该组聚类表示的功率变化来估计电器状态。这样的方法也可以包括基于前面操作的结果来更新聚类和电器特征统计。在一些实施例中,针对比第一时间间隔短的并且比第一时间间隔晚的第二时间间隔,可以对根据由传感器在第二时间间隔期间感测的功率变化而创建的聚类重新执行通过估计进行分类的步骤。
在一些实施例中,可以实践用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的方法,该方法包括:检测合计的负载状态变化和功率剧变以及合计的负载状态变化和功率剧变的统计分布;以及,通过考虑电器状态之间的可能的一系列转变并从考虑中去除不允许的或者在统计上不太可能的状态变化而将所检测到的功率观测与房屋处的电器的进行匹配,,以使正确地确定所检测到的一系列功率变化所属于的负载的可能性最大化。
在一些实施例中出现的本发明的另一方面是一种用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的***,该***包括:功率传感器,该功率传感器被配置并布置成监测在房屋处消耗的合计的功率;用于检测所监测的功率的变化的装置;以及处理器,所述处理器执行所存储的程序指令,以通过将功率变化进行聚类并且借助于维特比算法来对聚类进行匹配以识别与各个负载相关联的功率变化,来消除所检测到的功率变化的模糊性并将所检测到的功率变化与各个负载相关联。
附图说明
提供了要与一些实施例的详细描述相结合而进行讨论的一组附图,以对其进行更充分地理解。在附图中相似的附图标记意在指相同或相应的元件,在附图中:
图1是根据本文中提出的发明构思的、在其中可以采用本文中所公开的方法的***的框图;
图2是根据本文中所公开的发明构思的信息处理的高级示意图;
图3是描述根据本文中所公开的用于分解功率变化的方法对历史功率变化数据进行初步阶段信息处理的示例实施例的流程图;
图4是用于识别典型的负向功率变化的目的的、来自如本文中所讨论的传感器的合计的功率消耗信号的示例;
图5是用于识别典型的功率剧变的目的的、来自如本文中所讨论的传感器的合计的功率消耗信号中的典型正向功率变化的示例;
图6是典型的功率变化-频率图的示例相邻聚类的一组三个视图A-C、其对应的时间上的每小时存在的函数D-F、以及所生成的聚类合并图G;
图7是根据这些教导的典型的“主要”算法的示例的流程图,该算法首先用于历史数据,接着用于处理实时的或近乎实时的功率变化数据;以及
图8是作为时间的函数的聚类状态的示例的示意图,示出了可以怎样将本文中所呈现的构思之一的应用用于从聚类中排除未在两个相邻聚类对中出现的状态。
具体实施方式
现在注意图1至图7,图1至图7示出了用于实践本文中所公开的发明构思方面的***和方法的实施例。在根据这些附图的实施例中,假设:负载被限制为仅具有两种状态——“接通”(on)和“断开”(off)——的负载。后面会公开将所讨论的示例延伸至具有多种功率消耗状态的负载。然而,在商业房屋中,预期大多数负载(例如照明设备以及暖通空调(HVAC)***中的装置(诸如压缩机、风扇和供暖设备))为双态类型是合理的。因此,最初将讨论限于双态负载仍会包括一大类用途。
参照图1,传感器10被连接以监测诸如到住宅房屋或商业房屋14的服务馈电(service feed)的电力馈线12。通过配电盘(service panel)17来在房屋14内将电力分配给多个负载,诸如负载16A、16B以及16C。传感器可以是传统设计,并且应当是提供根据馈线中的合计的能量流而变化的输出信号的传感器。输出信号可以是模拟电压或模拟电流或者数字值。可替代地,尽管优选的是直接表示功率的信号,但是在一些实施例中可以采用如下传感器:该传感器响应于表示馈线上的(例如,在服务进入点处的)电流、电流变化或电压变化的信号或者输出该信号。在一些实施例中,可以将传感器集成到电能耗量表中,该电能耗量表例如是设施提供商可用将其于测量能量使用并开出关于能量使用的账单的电能耗量表。传感器10将其输出信号直接或间接地(例如,如果传感器输出信号是模拟形式,则经由模数转换器(未示出))传递至处理器18(例如,微处理器),该处理器18执行所存储的来自非暂态存储介质19的程序指令,以实施如下讨论的信号处理方法。处理器18和存储介质19被示出为位于房屋14处,但这不是必需的。处理器18和存储介质19也可以位于远端,只要将传感器10耦接至适当的通信机构以经由通信接口和通信介质(有线的和/或无线的)将其输出提供至远端处理器即可。例如,传感器可以采用电力线通信网络以将其输出发送至处理器。
图2至图7示出了用于处理经由房屋电力设施服务电缆的合计的能量消耗(或者,更确切地说,瞬时功率输送)的变化的示例性方法。
首先转向图2,在概念上示出了根据本文中所述的方法的信息流动。传感器(诸如传感器10)生成数据22。分析该数据以提取三种类型的信息:所检测的功率水平的变化,24A;功率剧变(瞬变)幅度,24B;以及功率剧变持续时间,24C。使用处理器18对该信息进行处理以执行以下描述的信号处理方法(算法)26,从而生成分解的负载信号28。
信号处理方法26可以具有三个阶段:初步处理阶段、对房屋的历史功率使用进行分析的主要阶段、以及使用与主要阶段中相同的技术但是处理近乎实时数据的实时阶段。
初步处理
如图3所示,信号处理方法(算法)的初步阶段30以对关于房屋处的功率使用的历史数据(即,由传感器在较大的间隔(例如,两周的间隔)内收集的数据)进行分析和建模来开始。首先识别功耗的逐步改变(步骤32),并且估计正向变化和负向变化的量值(步骤33)。最初强调的是功耗的负向变化(即,急剧下降)(参见例如图4中的下降A)。这些负向变化表示能量消耗的减少,并且通常与正被断开的电器相对应(或者,在能够操作于多种状态下的负载的情况下,与将其操作状态从一个“接通”状态变成另一“接通”状态的电器相对应;将在下面讨论这样的负载)。
针对功耗的正向变化,注意:一些电器拉动功率的剧变以进行启动。因此,除非将在剧变后的值用于正向功率变化,否则可能出现针对变化量值的错误读数。图5示出了剧变52和在剧变后的功率变化54的示例。剧变或瞬变56通过其量值(ΔPsurge)和持续时间(Δtsurge)来表征。在步骤34中估计剧变量值和持续时间。
由于测量误差和条件的自然可变性,在给定电器被断开时所测量的功率的负向变化不会是具有单一值的,而会是关于标称值而分布(分散)的。因此,为了识别电器,使用适当的统计方法将所识别的功率的负向变化分组成聚类(步骤36),该适当的统计方法例如著名的、通用的迭代自组织数据分析算法(ISODATA)聚类算法(例如参见通过引用合并至本文中的Tou,J,T.,Pattern Recognition Principles,纽约,Addition-Wesley,1974或者其他参考文献)。每个这样的聚类可以正与被断开的单独电器相对应。在此阶段,没有对功率的正向变化进行聚类。
当然,聚类过程可导致误差。单个电器可产生与多个所识别的聚类相对应的正向功率变化和负向功率变化。于是,这些聚类需要被合并,以获得针对该电器的完整记录。另外,多个电器可对应于单个聚类,于是该单个聚类需要进行***。
基于负向功率变化的聚类的合并发生在步骤38和步骤40中。针对聚类的合并,计算在时间上的电器使用的经验统计。该统计可以是例如针对给定聚类每小时存在或不存在功率的负向变化。也就是说,可以定义二进制变量或函数,该二进制变量或函数表示在每小时期间是否出现功率的负向变化。如果在给定小时期间出现了在给定聚类的边界内的至少一次功率负向变化,则可以将给定小时处的针对该聚类的每小时存在的函数赋值为值“1”。否则,将给定小时处的针对该聚类的每小时存在的函数赋值为值“0”。然后估计聚类对之间的负载使用的相似度(步骤38)。这可以例如通过计算多个小时的下述部分来完成:在多个小时的该部分期间两个聚类都存在(即,这两个聚类的每小时存在的函数均具有值1)。然后,合并其负载使用相似度超过阈值的那些相邻聚类对(步骤40)。
图6示出聚类合并的示例。在图中示出的三个聚类(A-C)是通过前述ISODATA算法识别的相邻聚类。这三个聚类均具有时间上的相似的每小时存在(图6中的D至F)。因此,它们被合并在一起(G)。
在合并之后,以其平均值的顺序来对聚类进行标号。在每个聚类中,例如通过将负向功率变化的经验分布拟合成高斯混合模型(Tou,1974)或拉普拉斯分布混合,而以参数形式来以统计方式表征负向功率变化。经验表明,在大部分情况下,概率密度函数(PDF)的双变量高斯或拉普拉斯混合模型是足够的;然而,可以使用其他参数分布模型。注意,聚类边界可重叠。
然后,估计处于“接通”状态和“断开”状态下的电器的初步时间统计(步骤42)。为此,将在时间tj处出现的并且来自聚类i(i=1,2,…,n,其中n是合并之后的聚类的总数目)的量值ΔPij的每个所识别的负向功率变化j与较早在时间tk处出现的量值ΔPik的正向功率变化k相匹配(步骤44)。不需要正向功率变化与负向功率变化之间的精确相等以用于匹配,作为替代,使用容限δ:
ΔPik∈ΔPij(1+δ) 等式1
在此阶段,认为匹配是当在时间上从-ΔPij倒退时满足等式1的第一个ΔPik。以此方式,针对每个聚类i,通过针对每个可获得的匹配对来计算ton=tj-tk而构建“接通”间隔或“接通”时间的样本集合{ton}i。类似地,通过计算toff=tk+1-tj来构建“断开”间隔或“断开”时间的样本集合{toff}i(步骤46)。一旦针对每个聚类可获得两个样本集合,则计算针对每个聚类的ton和toff的累积分布函数(CDF)(针对聚类特性,也可以实施其他依赖于时间的统计,例如时钟时间的使用概率)(步骤42)。
与来自聚类i的负向功率变化相匹配的正向功率变化的集合被认为是聚类iplus。在每个这样的聚类中,例如通过将经验分布拟合成双变量高斯或拉普拉斯混合,而以参数方式表征正向功率变化的统计分布。在每个聚类iplus中,还以统计方式对剧变进行表征。剧变量值(ΔPsurge)和持续时间(Δtsurge)被用于获得针对聚类iplus的剧变量值的样本集合和剧变持续时间的样本集合。然后,针对每个聚类的ΔPsurge和持续时间Δtsurge的PDF都被拟合成例如高斯混合模型。表1总结了优选地在初步处理中获得的统计。应当注意,能以较高采样速率获得的波形信号特征也可以以类似的方式被包括在表1中并且被包括在下一部分中所描述的主要算法中。
表1
关于历史数据的主要处理
主要处理意在对功率的负向变化和正向变化进行更好地匹配,并且解决与同时启动或停止两个或更多个电器有关的模糊性、测量/处理误差以及相邻聚类之间的重叠。该处理如下进行工作。
考虑负向功率变化的相邻聚类i和聚类i+1。这些聚类中的每个聚类相应地针对聚类i而包括所检测的从-ΔPi_max到-ΔPi_min的范围内的负向功率变化并针对聚类i+1而包括所检测的从-ΔPi+1_max到-ΔPi+1_min的范围内的负向功率变化。注意,因为可能重叠,所以-ΔPi_min≠-ΔPi+1_max。与这些聚类有关的信息还包括每小时使用的统计以及接通时间/断开时间的统计。
考虑所检测的正向功率变化。如果正向功率变化ΔPk位于加上容限的匹配边界内,则认为该正向功率变化ΔPk是用于与聚类i或聚类i+1进行匹配的候选:
ΔPi+1,min(1-δ)≤ΔPk≤ΔPi,max(1+δ) 等式1
应当注意,等式2的边界通常比与正向聚类iplus和聚类(i+1)plus对应的边界宽。
假定聚类i和聚类iplus与电器i相对应,而聚类i+1和聚类(i+1)plus与电器i+1相对应。因为电器i和电器i+1中的每个电器可以处于“接通”状态或“断开”状态下,所以包括这两个电器的***中的状态的总数目为四。这些状态被列举如下。
表2
状态 | 电器i | 电器i+1 |
1 | 断开 | 断开 |
2 | 接通 | 断开 |
3 | 断开 | 接通 |
4 | 接通 | 接通 |
一旦记录边界内的新的功率变化,具有如表2所示的状态的***就可从一个状态转变到另一状态。状态以及在这些状态之内的转变对于观察者是隐藏的,然而功率的变化是可观测的。***的转变序列直接与观测序列有关,并且当前***状态通过转移概率(transition probability)而取决于先前状态。因此,该***可以由隐马尔科夫模型(HMM)来表示,并且状态转变的隐藏路径可以通过著名的维特比算法来估计。
表3(具有剧变的正向变化ΔP)和表4(负向变化)列出了根据表1和表2的概率。
表3
表4
通过维特比型算法可以将表3和表4中列出的转移概率连同表1中列出的估计统计一起应用于一系列正向功率变化和负向功率变化。然而,本领域技术人员将根据表3和表4的观测推断出存在可能妨碍维特比型算法实施的两种特性。第一,状态之间的若干转变是被禁止的,这可能会致使算法不可解。第二,该***的转移概率依赖于时间,这要求额外计算时间间隔t12、t13、t42以及t43。依赖于时间的概率也使得当前***状态依赖于若干个先前状态而不是仅仅依赖于一个先前状态。例如在遗漏的功率变化的情况下或者在错误的功率变化的情况下,算法将是不可解的,而遗漏的功率变化或者错误的功率变化又可能是例如同时启动或停止两个或更多个电器或者测量/处理误差的结果。该遗漏的功率变化可例如源自当电器启动时功耗增加以使得功率变化***。在这样的不可解的情况下,可以对该方法进行修改,使得每次出现不可解时产生特定状态,例如0。在已经处理了针对聚类i和聚类iplus的历史数据之后,可发现这些特定状态的出现,并且可以将对应的功率变化分离并从进一步的考虑中排除。然后,将该过程再次应用于剩余数据。可以重复前述处理若干次,直至不可解的数目小于预定义的阈值为止。
首先将过程应用于聚类1和聚类2,然后应用于聚类2和聚类3,…,聚类n-1和聚类n。以此方式,除第一聚类和第n聚类以外的每个聚类将被处理两次。针对每个聚类k,k=2,3,…,n-1,将通过对于对k-1,k的以上处理而获得的一系列状态与针对聚类k,k+1获得的一系列状态进行比较。因为针对历史数据的处理的主要目的是将聚类更好地分离,所以聚类k的没有在两个算法的解中都出现的那些状态连同前面考虑的导致不可解的状态一起被排除。图8给出了这样的排除的示例。X处的当与聚类1配对时的聚类2的状态(第一个解)与当聚类2与聚类3配对时的Y处的聚类2的状态(第二个解)不一致。因此,状态X和状态Y被排除。
用于处理遗漏的功率变化的另一策略可以考虑***保持在相同状态下的非零概率。也可以将该策略应用于重叠聚类的问题,在该情况下,存在“外来的”功率变化,即,来自相邻聚类的变化。如果转变1→1,2→2,3→3,4→4(参见表3、表4)的概率是非零的,则遗漏的功率变化将不再使***保持在先前状态下。该概率与除两个所考虑的电器以外的电器被接通或断开并且生成所观测的功率变化ΔP或更大的功率变化的概率成比例。类似地,外来的功率变化的存在将使得所有其他先前禁止的转变的概率成为非零。因此,转移概率矩阵可以被修改以解释来自“外部”电器的转变。
针对功率的负向变化,在表5中列出了具有这样的外部转变的可能性的转移概率矩阵。可以类似地获得具有外部转变的针对正向功率变化的矩阵。可以以与表2和表3下的计算类似的方式,直接计算出准确的概率。
表5
在该策略下的处理技术可以采取若干种形式。例如,可以在三元组(triplet)(例如,聚类i,聚类i-1以及聚类i+1)或甚至更大的聚类中进行处理,为了更加准确起见,将聚类视为点的n元组(n-tuple),其中n是聚类中的点(功率变化)的数目。在每个三元组(即,3元组)中,首先如上所述独立地处理对i,i-1以及对i,i+1。然后,识别没有状态变化的点。第一对中的这样的点如果与在第二对中所识别的点相匹配,则将其从第一对中的考虑中排除,并且将经修改的维特比算法再次应用于第一对。接下来,将相同的处理应用于第二对。在该处理之后,使用最大概率原理从两个对中将关于属于聚类i的点的信息融合在一起。也就是说,如果点#k在两个对中均被识别为属于聚类i,则接受该点#k属于聚类i。如果发现点#k在第一对(或第二对)中属于聚类i,但是在第二对中属于聚类i+1(或在第一对中属于聚类i-1),则比较这两种可能性的概率。如果第一个可能性具有更高的概率,则推断点#k属于聚类i。
在已经处理了所有聚类对之后,考虑与所排除或所分离的状态对应的功率变化。可以应用各种策略来处理这些功率变化。例如,如果若干被排除的功率变化出现在给定时间间隔内,则可以将它们合并在一起。在时间上隔离的功率变化可以被***:ΔP=ΔP1±ΔP2,其中ΔP1和ΔP2在任意两个聚类的边界内。然后,可以将算法再次应用于以此方式修改的功率变化数据。
在对历史数据的连续的算法处理之后,聚类(参见表1)的统计特性被更新。然后,针对多模态,以统计方式测试接通时间/断开时间的每个所获得的经验分布。如果检测到显著的多模态,则例如使用已经表现出双模态的时间的聚类来优选地将相应的聚类进行***。
一旦已经完成对功率变化的聚类,则可以使用例如功率损耗以及使用模式的信息而以相应的电器来命名聚类。
近乎实时数据的主要算法
一旦已经处理了历史数据以建立启动统计,则使用基本上相同的方法来实时地或近乎实时地监测功率使用。然而,取代考虑很长的时间段上的数据而使用较短的合理尺寸(例如最近的24小时)的数据窗口。每次检测到新的功率变化时,如前所述地对该功率变化进行处理。
因为算法意在解决最可能的状态路径,即电器状态的最可能的序列,所以一旦获得和处理新数据时,就将对在给定时间处估计的电器状态进行重新估计。
在以上讨论的示例实施例中,将经修改的维特比算法用于电器对,而不是将其同时应用于在房屋处的N个电器。通过这样做,实质上忽略了电器(聚类)i与电器(聚类)i±3,i±4,i±5等之间的交互。这是因为这些电器(聚类)之间的功率损耗上的重叠被认为较小。尽管维特比算法的传统使用原本会产生指数相关性,然而由于这个原因,计算复杂度变得与电器的数目线性地成比例。当聚类i与聚类i+3之间的重叠不可忽略时,可以考虑使用三元组来代替对。在三元组中,状态的数目将会为2^3=8,并且转变的数目=64,这仍是可管理的。如果三元组不够,则可以使用四元组(quadruplet)等。在任一情况下,通过将整个***分解成这样的小单元,都将计算复杂度降低了很多个数量级。
在已经详细描述了发明构思以及一些示例实施例的情况下,对本领域内技术人员而言,将会容易获得各种修改和改进。这样的修改和改进意在处于本发明的精神和范围内。因此,前述描述仅是作为示例,而并不意在作为限制。本发明仅如以下权利要求及其等同所限定的那样受到限制。
Claims (10)
1.一种用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的方法,包括:
a.基于相对“长”的时间间隔,使用历史数据来估计针对公共馈电的功率变化的时间统计;
b.使用所述统计来对合计的功率变化数据进行再处理,以将在统计上呈现为可能归因于同一负载的功率变化的元组进行聚类;
c.合并相似的聚类;
d.分离重叠的聚类;
e.更新所述时间统计,以估计所述负载呈现为在不同状态下的时间;以及
f.基于所更新的统计,根据步骤b至步骤e对实时功率变化测量结果进行处理,以将所检测到的变化进行聚类并形成实时负载状态信息。
2.根据权利要求1所述的方法,还包括使所述实时负载状态信息与可识别的负载相关联。
3.根据权利要求2所述的方法,其中,将所述实时负载状态信息与可识别的负载相关联包括将已知负载动作与估计相互关联。
4.根据权利要求1至3中任一项所述的方法,其中,使用维特比算法来执行合并相似的聚类。
5.一种用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的方法,包括:
a.经由传感器,提供表示在第一时间间隔上通过所述馈电输送的功率的传感器输出信号;
b.监测所述传感器输出信号,以检测功率的正向变化和负向变化、功率剧变幅度以及持续时间;
c.将功率的负向变化进行聚类;
d.将功率的负向变化和正向变化进行匹配;
e.估计在所关注的间隔期间负载被接通和断开的时间;以及
f.以统计方式表征所述负载中的至少一个负载的操作。
6.根据权利要求5所述的方法,还包括:
g.根据聚类的平均值来对聚类进行分类;
h.将维特比算法应用于聚类的n元组;
i.解决聚类冲突,以提供消除功率变化的模糊性的一组聚类;以及
j.基于由该组聚类表示的功率变化来估计电器状态。
7.根据权利要求6所述的方法,还包括基于步骤i和步骤j的结果来更新聚类和电器特征统计。
8.根据权利要求7所述的方法,还包括:针对比所述第一时间间隔短的并且比所述第一时间间隔晚的第二时间间隔,对根据由所述传感器在所述第二时间间隔期间感测的功率变化而创建的聚类重新执行步骤g至步骤j。
9.一种用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的方法,包括:
检测合计的负载状态变化和功率剧变以及所述合计的负载状态变化和所述功率剧变的统计分布;
通过考虑电器状态之间的可能的一系列转变并且从考虑中去除不允许的或在统计上不大可能的状态变化,而将所检测到的功率观测与所述房屋处的电器进行匹配,以使正确地确定所检测到的一系列功率变化所属于的负载的可能性最大化。
10.一种用于对在经由公共馈电供应电力的房屋处的多个电气负载的电能使用进行非侵入式监测的***,包括:
a.功率传感器,所述功率传感器被配置并被布置成监测在所述房屋处消耗的合计的功率;
b.用于检测所监测的功率的变化的装置;以及
c.处理器,所述处理器执行所存储的程序指令,以通过将功率变化进行聚类以及借助于维特比算法来对聚类进行匹配以识别与各个负载相关联的功率变化,而消除所检测到的功率变化的模糊性并将所检测到的功率变化与各个负载相关联。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US42231510P | 2010-12-13 | 2010-12-13 | |
PCT/US2011/064745 WO2012082802A2 (en) | 2010-12-13 | 2011-12-13 | Methods and system for nonintrusive load monitoring |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103998942A true CN103998942A (zh) | 2014-08-20 |
Family
ID=46245335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201180067369.9A Pending CN103998942A (zh) | 2010-12-13 | 2011-12-13 | 用于非侵入式负载监测的方法和*** |
Country Status (4)
Country | Link |
---|---|
US (1) | US9817045B2 (zh) |
EP (1) | EP2652685A2 (zh) |
CN (1) | CN103998942A (zh) |
WO (1) | WO2012082802A2 (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104777383A (zh) * | 2015-04-16 | 2015-07-15 | 武汉阿帕科技有限公司 | 一种非侵入式电力负载监测与负荷分解装置 |
CN104915559A (zh) * | 2015-06-10 | 2015-09-16 | 武汉阿帕科技有限公司 | 一种用电设备确定方法及*** |
CN105425079A (zh) * | 2015-12-17 | 2016-03-23 | 东南大学 | 基于实时平均功率频域分析的洗衣机运行非侵入辨识方法 |
CN105629065A (zh) * | 2016-01-07 | 2016-06-01 | 东南大学 | 基于平均有功无功综合频谱分析的微波炉非侵入辨识方法 |
US9465070B2 (en) | 2014-08-01 | 2016-10-11 | Metalligence Technology Corporation | Electronic device and detection method thereof |
CN106093630A (zh) * | 2016-06-02 | 2016-11-09 | 华北电力大学 | 一种非侵入式家用电器辨识方法 |
CN106779133A (zh) * | 2016-10-18 | 2017-05-31 | 中国电子技术标准化研究院 | 一种家庭用电数据预测方法 |
CN106908657A (zh) * | 2017-03-06 | 2017-06-30 | 中国海洋大学 | 一种基于功率的负载开关检测装置及方法 |
CN109345123A (zh) * | 2018-10-11 | 2019-02-15 | 深圳安顺通电力物联服务有限公司 | 一种非侵入式电力用户画像构建方法及*** |
CN109901442A (zh) * | 2017-12-08 | 2019-06-18 | 亿可能源科技(上海)有限公司 | 非侵入式能耗检测方法及*** |
CN111736012A (zh) * | 2020-08-20 | 2020-10-02 | 国网浙江省电力有限公司湖州供电公司 | 一种非侵入式电力负荷识别方法及*** |
CN112444669A (zh) * | 2020-11-17 | 2021-03-05 | 宁夏隆基宁光仪表股份有限公司 | 基于多参量隐马尔科夫模型的非侵入式电器负荷辨识方法 |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2628236B1 (en) * | 2010-10-14 | 2016-01-06 | Koninklijke Philips N.V. | Operational state determination apparatus |
WO2012106709A2 (en) | 2011-02-04 | 2012-08-09 | Myenersave, Inc. | Systems and methods for improving the accuracy of appliance level disaggregation in non-intrusive appliance load monitoring techniques |
WO2013163460A1 (en) | 2012-04-25 | 2013-10-31 | Myenersave, Inc. | Energy disaggregation techniques for low resolution whole-house energy consumption data |
FR2999034B1 (fr) * | 2012-12-04 | 2020-04-17 | Smart Impulse | Procede de separation de la consommation d'electricite d'une pluralite d'equipements electriques de meme nature |
US20140172758A1 (en) * | 2012-12-19 | 2014-06-19 | Robert Bosch Gmbh | Personal emergency response system by nonintrusive load monitoring |
CN103018611B (zh) * | 2012-12-27 | 2015-06-17 | 中国科学院计算技术研究所 | 一种基于电流分解的非侵入式负载监测方法及*** |
US10290063B2 (en) * | 2013-06-18 | 2019-05-14 | United States Department Of Energy | System and method for instantaneous power decomposition and estimation |
WO2015059272A1 (en) * | 2013-10-24 | 2015-04-30 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
TWI481881B (zh) * | 2013-11-22 | 2015-04-21 | Inst Information Industry | 耗電預測裝置、方法及其電腦程式產品 |
US10324117B2 (en) * | 2014-04-28 | 2019-06-18 | Landis+Gyr Innovations, Inc. | Monitoring power consumption by electrical devices using monitored operational parameters |
US11435772B2 (en) | 2014-09-04 | 2022-09-06 | Bidgely, Inc. | Systems and methods for optimizing energy usage using energy disaggregation data and time of use information |
JP2016059126A (ja) * | 2014-09-08 | 2016-04-21 | 株式会社東芝 | 電力負荷推定装置、電力負荷推定方法、及び電力負荷推定プログラム |
US20170090427A1 (en) * | 2015-09-25 | 2017-03-30 | Intel Corporation | Utility provisioning with iot analytics |
CN106296465B (zh) * | 2016-08-23 | 2020-05-08 | 四川大学 | 一种智能电网异常用电行为检测方法 |
US11861716B1 (en) | 2016-10-27 | 2024-01-02 | State Farm Mutual Automobile Insurance Company | Systems and methods for utilizing electricity monitoring devices to reconstruct an electrical event |
CN106603676A (zh) * | 2016-12-20 | 2017-04-26 | 武汉大学 | 一种非侵入式负荷监测服务主站*** |
CN107247201A (zh) * | 2017-06-09 | 2017-10-13 | 东南大学 | 基于功率及时间特性的电烤箱非侵入辨识方法 |
US11307229B2 (en) * | 2017-11-27 | 2022-04-19 | Ramot At Tel-Aviv University Ltd. | Power daemon |
US10734839B2 (en) | 2017-11-30 | 2020-08-04 | International Business Machines Corporation | Smart meters for monitoring individual and multiple energy consuming devices |
CN108152630B (zh) * | 2017-12-26 | 2023-11-14 | 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 |
CN110133393B (zh) * | 2018-09-13 | 2021-07-20 | 华南理工大学 | 一种基于非侵入式监测技术的用电监测***及方法 |
TWI671652B (zh) * | 2018-11-26 | 2019-09-11 | 財團法人資訊工業策進會 | 模型建置裝置與負載解析系統 |
CN110929115B (zh) * | 2019-11-21 | 2021-07-30 | 和远智能科技股份有限公司 | 一种基于用电特性的用电安全监测方法及*** |
US11636356B2 (en) * | 2019-11-27 | 2023-04-25 | Oracle International Corporation | Non-intrusive load monitoring using machine learning and processed training data |
US11593645B2 (en) | 2019-11-27 | 2023-02-28 | Oracle International Corporation | Non-intrusive load monitoring using machine learning |
US11544632B2 (en) | 2019-11-27 | 2023-01-03 | Oracle International Corporation | Non-intrusive load monitoring using ensemble machine learning techniques |
CN112327046B (zh) * | 2020-11-09 | 2021-09-07 | 北华航天工业学院 | 基于模糊聚类和支持向量回归的非侵入式负荷监测方法 |
CN113285448B (zh) * | 2021-05-25 | 2022-10-04 | 国网四川省电力公司电力科学研究院 | 一种电气化铁路非侵入式牵引负荷分解方法 |
CN115201615B (zh) * | 2022-09-15 | 2022-12-20 | 之江实验室 | 基于物理约束神经网络的非侵入式负荷监测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1847867A (zh) * | 2006-03-24 | 2006-10-18 | 西南交通大学 | 电力暂态信号小波分析后处理方法及其装置 |
US20080286622A1 (en) * | 2004-05-11 | 2008-11-20 | Montana State University-Bozeman | Transient Recognition Control for Hybrid Fuel Cell Systems |
WO2009103998A2 (en) * | 2008-02-21 | 2009-08-27 | Sentec Limited | A method of inference of appliance usage. data processing apparatus and/or computer software |
US7743314B2 (en) * | 2002-04-18 | 2010-06-22 | Marvell International Ltd. | Method and apparatus for a data-dependent noise predictive viterbi |
US20100287489A1 (en) * | 2009-05-05 | 2010-11-11 | Harold Gene Alles | Power Monitoring and Analysis System for Identifying Individual Electrical Devices |
US20100305889A1 (en) * | 2009-05-27 | 2010-12-02 | General Electric Company | Non-intrusive appliance load identification using cascaded cognitive learning |
CN101986241A (zh) * | 2009-07-28 | 2011-03-16 | Lsi公司 | 用于存储***中功率分配的方法和设备 |
Family Cites Families (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4858141A (en) | 1986-04-14 | 1989-08-15 | Massachusetts Institute Of Technology | Non-intrusive appliance monitor apparatus |
CA2116168A1 (en) | 1993-03-02 | 1994-09-03 | Gregory Cmar | Process for identifying patterns of electric energy consumption and demand in a facility, predicting and verifying the effects of proposed changes, and implementing such changes in the facility to conserve energy |
US5483153A (en) | 1994-03-24 | 1996-01-09 | Massachusetts Institute Of Technology | Transient event detector for use in nonintrusive load monitoring systems |
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 |
DE4428658A1 (de) | 1994-08-12 | 1996-02-15 | Siemens Ag | Verfahren zur Erkennung von Signalen mittels Fuzzy-Klassifikation |
US6618709B1 (en) * | 1998-04-03 | 2003-09-09 | Enerwise Global Technologies, Inc. | Computer assisted and/or implemented process and architecture for web-based monitoring of energy related usage, and client accessibility therefor |
US6957172B2 (en) | 2000-03-09 | 2005-10-18 | Smartsignal Corporation | Complex signal decomposition and modeling |
JP3602825B2 (ja) | 2000-04-12 | 2004-12-15 | 財団法人電力中央研究所 | 電気機器の消費電力推定システム並びに方法及びこれを利用した異常警告システム |
US6906617B1 (en) | 2000-11-17 | 2005-06-14 | Koninklijke Philips Electronics N.V. | Intelligent appliance home network |
US6757617B2 (en) | 2001-01-23 | 2004-06-29 | International Business Machines Corporation | Multiple fan monitoring circuit for monitoring a number of fans utilizing a single sense input |
US6631309B2 (en) | 2001-02-20 | 2003-10-07 | International Business Machines Corporation | System and method to monitor datamining power usage |
US6937946B1 (en) | 2001-12-04 | 2005-08-30 | The Texas A&M University System | System and method for remote identification of energy consumption systems and components |
US20030135338A1 (en) | 2002-01-11 | 2003-07-17 | Knaus Kenneth R. | Real-time energy monitoring system |
US20050165566A1 (en) | 2002-06-03 | 2005-07-28 | Omnigon Technologies Ltd. | Method for solving waveform sequence-matching problems using multidimensional attractor tokens |
US7561977B2 (en) | 2002-06-13 | 2009-07-14 | Whirlpool Corporation | Total home energy management system |
US7209838B1 (en) | 2003-09-29 | 2007-04-24 | Rockwell Automation Technologies, Inc. | System and method for energy monitoring and management using a backplane |
GB2408592B (en) | 2003-11-27 | 2005-11-16 | James Ian Oswald | Household energy management system |
US7304586B2 (en) | 2004-10-20 | 2007-12-04 | Electro Industries / Gauge Tech | On-line web accessed energy meter |
US20080106146A1 (en) | 2004-11-02 | 2008-05-08 | Lg Electronics Inc. | Management System for In-House Power Quantity Consumed |
US7181293B2 (en) | 2004-12-27 | 2007-02-20 | Intel Corporation | System and method for enabling home power management |
GB0503079D0 (en) | 2005-02-15 | 2005-03-23 | Oxley Dev Co Ltd | Usage monitoring apparatus |
US7274975B2 (en) | 2005-06-06 | 2007-09-25 | Gridpoint, Inc. | Optimized energy management system |
US7684441B2 (en) | 2005-07-01 | 2010-03-23 | Bickel Jon A | Automated precision alignment of data in a utility monitoring system |
US7747399B2 (en) | 2006-07-26 | 2010-06-29 | Polestar, Ltd. | Home energy use indicator |
US7693670B2 (en) | 2007-08-14 | 2010-04-06 | General Electric Company | Cognitive electric power meter |
US9836802B2 (en) | 2008-06-16 | 2017-12-05 | Honeywell International Inc. | System to make consumers aware of electricity usage |
US20100070218A1 (en) | 2008-09-18 | 2010-03-18 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | System and method for identifying appliances by electrical characteristics |
US8090480B2 (en) | 2009-01-07 | 2012-01-03 | International Business Machines Corporation | Consumer electronic usage monitoring and management |
US10776726B2 (en) | 2009-02-23 | 2020-09-15 | McHenry Wallace | Computer application for the gathering and interpretation of data from interval smart meters |
US20100250440A1 (en) | 2009-03-30 | 2010-09-30 | Eugene Wang | Web based monitoring, management and contest based on collected power consumption data |
US8862914B2 (en) * | 2010-02-26 | 2014-10-14 | Microsoft Corporation | Virtual machine power consumption measurement and management |
-
2011
- 2011-12-13 CN CN201180067369.9A patent/CN103998942A/zh active Pending
- 2011-12-13 US US13/993,935 patent/US9817045B2/en active Active
- 2011-12-13 WO PCT/US2011/064745 patent/WO2012082802A2/en active Application Filing
- 2011-12-13 EP EP11848899.8A patent/EP2652685A2/en not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7743314B2 (en) * | 2002-04-18 | 2010-06-22 | Marvell International Ltd. | Method and apparatus for a data-dependent noise predictive viterbi |
US20080286622A1 (en) * | 2004-05-11 | 2008-11-20 | Montana State University-Bozeman | Transient Recognition Control for Hybrid Fuel Cell Systems |
CN1847867A (zh) * | 2006-03-24 | 2006-10-18 | 西南交通大学 | 电力暂态信号小波分析后处理方法及其装置 |
WO2009103998A2 (en) * | 2008-02-21 | 2009-08-27 | Sentec Limited | A method of inference of appliance usage. data processing apparatus and/or computer software |
US20100287489A1 (en) * | 2009-05-05 | 2010-11-11 | Harold Gene Alles | Power Monitoring and Analysis System for Identifying Individual Electrical Devices |
US20100305889A1 (en) * | 2009-05-27 | 2010-12-02 | General Electric Company | Non-intrusive appliance load identification using cascaded cognitive learning |
CN101986241A (zh) * | 2009-07-28 | 2011-03-16 | Lsi公司 | 用于存储***中功率分配的方法和设备 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9465070B2 (en) | 2014-08-01 | 2016-10-11 | Metalligence Technology Corporation | Electronic device and detection method thereof |
CN104777383A (zh) * | 2015-04-16 | 2015-07-15 | 武汉阿帕科技有限公司 | 一种非侵入式电力负载监测与负荷分解装置 |
CN104915559B (zh) * | 2015-06-10 | 2018-04-20 | 武汉阿帕科技有限公司 | 一种用电设备确定方法及*** |
CN104915559A (zh) * | 2015-06-10 | 2015-09-16 | 武汉阿帕科技有限公司 | 一种用电设备确定方法及*** |
CN105425079A (zh) * | 2015-12-17 | 2016-03-23 | 东南大学 | 基于实时平均功率频域分析的洗衣机运行非侵入辨识方法 |
CN105629065A (zh) * | 2016-01-07 | 2016-06-01 | 东南大学 | 基于平均有功无功综合频谱分析的微波炉非侵入辨识方法 |
CN106093630A (zh) * | 2016-06-02 | 2016-11-09 | 华北电力大学 | 一种非侵入式家用电器辨识方法 |
CN106093630B (zh) * | 2016-06-02 | 2019-01-15 | 华北电力大学 | 一种非侵入式家用电器辨识方法 |
CN106779133A (zh) * | 2016-10-18 | 2017-05-31 | 中国电子技术标准化研究院 | 一种家庭用电数据预测方法 |
CN106779133B (zh) * | 2016-10-18 | 2021-07-09 | 中国电子技术标准化研究院 | 一种家庭用电数据预测方法 |
CN106908657A (zh) * | 2017-03-06 | 2017-06-30 | 中国海洋大学 | 一种基于功率的负载开关检测装置及方法 |
CN109901442A (zh) * | 2017-12-08 | 2019-06-18 | 亿可能源科技(上海)有限公司 | 非侵入式能耗检测方法及*** |
CN109345123A (zh) * | 2018-10-11 | 2019-02-15 | 深圳安顺通电力物联服务有限公司 | 一种非侵入式电力用户画像构建方法及*** |
CN111736012A (zh) * | 2020-08-20 | 2020-10-02 | 国网浙江省电力有限公司湖州供电公司 | 一种非侵入式电力负荷识别方法及*** |
CN111736012B (zh) * | 2020-08-20 | 2021-01-05 | 国网浙江省电力有限公司湖州供电公司 | 一种非侵入式电力负荷识别方法及*** |
CN112444669A (zh) * | 2020-11-17 | 2021-03-05 | 宁夏隆基宁光仪表股份有限公司 | 基于多参量隐马尔科夫模型的非侵入式电器负荷辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
US9817045B2 (en) | 2017-11-14 |
WO2012082802A3 (en) | 2014-04-10 |
WO2012082802A9 (en) | 2012-10-11 |
WO2012082802A2 (en) | 2012-06-21 |
US20130338948A1 (en) | 2013-12-19 |
EP2652685A2 (en) | 2013-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103998942A (zh) | 用于非侵入式负载监测的方法和*** | |
Liu et al. | Dynamic time warping based non-intrusive load transient identification | |
CN106093652B (zh) | 一种具备自学习功能的非侵入式电力负荷监测***与方法 | |
US11002773B2 (en) | Monitoring apparatus, monitoring method, and storage medium | |
Chen et al. | Day-ahead prediction of hourly electric demand in non-stationary operated commercial buildings: A clustering-based hybrid approach | |
CN105652739B (zh) | 用于分层负载标识算法的实时执行的负载电源设备和*** | |
Batra et al. | Indic: Improved non-intrusive load monitoring using load division and calibration | |
TWI386652B (zh) | 辨識電器狀態之方法、系統及電腦程式產品 | |
CN108256559A (zh) | 一种基于局部离群点因子的低压窃电用户定位方法 | |
CN110659693A (zh) | 基于k近邻分类的配电网快速拓扑识别方法、***及可读存储介质 | |
CN105514984B (zh) | 一种即插即用的非侵入式负荷分解装置 | |
CN115575754A (zh) | 一种智慧工业园用电信息异常标识方法及*** | |
CN112684401A (zh) | 轻载台区电能表运行误差数据的处理方法及*** | |
Li et al. | An enhanced ISODATA algorithm for recognizing multiple electric appliances from the aggregated power consumption dataset | |
Chen et al. | Mining appliance usage patterns in smart home environment | |
Chen et al. | An intelligent system for mining usage patterns from appliance data in smart home environment | |
CN106651658A (zh) | 一种基于有限状态机的非侵入式住宅用电负荷分解方法 | |
CN105305437B (zh) | 电力负荷三重可信度匹配辨识方法 | |
CN102072976A (zh) | 辨识电器状态的方法及*** | |
CN113627289A (zh) | 一种基于深度学习的电力设备识别方法及其装置 | |
CN102087319B (zh) | 识别回路上电器用电行为的方法与*** | |
Li et al. | Smart home energy management systems based on non-intrusive load monitoring | |
CN115912359B (zh) | 基于大数据的数字化安全隐患识别排查治理方法 | |
CN105572490A (zh) | 获得检测装置插拔组合及电力线拓朴的方法及其电子装置 | |
CN110658385B (zh) | 一种基于复化梯形法的用电量分类计量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140820 |