CN110133396B - 一种基于二分递推svd分解的居民电器开关事件检测方法 - Google Patents
一种基于二分递推svd分解的居民电器开关事件检测方法 Download PDFInfo
- Publication number
- CN110133396B CN110133396B CN201910280687.1A CN201910280687A CN110133396B CN 110133396 B CN110133396 B CN 110133396B CN 201910280687 A CN201910280687 A CN 201910280687A CN 110133396 B CN110133396 B CN 110133396B
- Authority
- CN
- China
- Prior art keywords
- svd
- decomposition
- active power
- binary recursive
- residential
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/001—Measuring real or reactive component; Measuring apparent energy
- G01R21/002—Measuring real component
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Geophysics And Detection Of Objects (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及一种基于二分递推SVD分解的居民电器开关事件检测方法,包括以下步骤:(1)数据采集;(2)对居民电器的总有功功率数据进行二分递推SVD分解,通过计算奇异熵以确定最佳分解层数;(3)利用硬阈值滤波函数滤波获得居民电器的开关时刻;本发明基于二分递推SVD分解的居民电器开关事件进行检测,优点在于采用方法简单易操作且计算速度快,降低了漏检、误检率,提高了检测精度,检测结果稳定。
Description
技术领域
本发明涉及非侵入式负荷监测技术领域,尤其是涉及一种基于二分递推SVD分解的居民电器开关事件检测方法。
背景技术
随着我国城镇化推进和经济结构调整,居民生活用电量占全社会总用电量比例越来越大。居民的用电数据既可以帮助用户调整用电行为,积极参与需求响应,又可以帮助电力公司合理安排调度,削峰填谷。负荷监测技术是获得居民用电数据的重要途径,其可分为“侵入式”和“非侵入式”两种,传统的侵入式监测技术需要为每个用电设备安装采集装置和传感装置,消耗大量人力和物力。20世纪80年代Hart教授提出了非侵入式负荷监测(NILM)技术,该技术无需安装大量监测设备,仅在用户进户端采集总负荷信息,便可通过负荷分解获得户内各电器的耗电信息。随着智能化水平的提高,该技术逐步成为国内研究热点。
非侵入式负荷监测技术包括负荷开关事件检测、特征提取、负荷识别三个环节,其开关事件准确检测是实现非侵入式负荷监测的重要前提和基础。目前居民电器开关事件检测方法主要有非参数化的双边滑动窗CUSUM变点检测方法、小波分解方法。滑动窗CUSUM变点检测方法通过检测滑动窗口内有功功率的变化,可检测出电器开关事件的发生时刻,但是该方法受限于设定的功率序列滑动窗口及阈值,易存在漏检和误检。小波分解方法是通过对功率信号进行小波分解,检测出有功功率信号中突变点的位置,但是该方法难于选择合适的小波基,且检测位置易发生偏移,检测精度不高。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于二分递推SVD分解的居民电器开关事件检测方法,提高非侵入式负荷监测技术中居民电器开关事件检测准确率。
本发明的目的可以通过以下技术方案来实现:
一种基于二分递推SVD分解的居民电器开关事件检测方法,包括以下步骤:
步骤1:数据采集:在电力入户点采集居民家庭的用电信息数据并得出居民家庭的总有功功率数据;
步骤2:利用二分递推SVD分解总有功功率数据:对步骤1中采集到的居民电器开关事件总有功功率数据进行Hankel矩阵变换,再进行二分递推SVD分解,通过计算奇异熵以得到最优分解层数;
步骤3:利用硬阈值滤波函数获得居民电器的开关时刻:利用硬阈值滤波函数对步骤2中获得的最优分解层数下的细节信号进行滤波,实现总有功功率中突变点位置的准确检测,即居民电器的开关时刻。
优选地,所述步骤1中的用电信息数据包括居民电器的总电流、电压数据,所述居民家庭的总有功功率数据通过MATLAB得出并将其作为开关事件检测的目标对象。
优选地,所述步骤2包括以下分步骤:
步骤21:构造针对总有功功率数据的二维Hankel矩阵;
步骤22:利用二分递推SVD分解二维Hankel矩阵后通过反变换得到近似信号A和细节信号D;
步骤23:重复步骤22将原始总有功功率数据分解为一系列的近似和细节信号;
步骤24:针对步骤23中得到的一系列细节信号计算奇异熵增量。
优选地,所述步骤3包括以下分步骤:
步骤31:取最优值:判断若奇异熵增量大于设定值,利用近似信号构造新的Hankel矩阵重复进行分解,直到异熵增量小于设定值,分解层数达到最优;
步骤32:采用硬阈值函数对最优分解层数下的细节信号进行滤波后得到居民电器的开关时刻。
优选地,所述步骤21中的二维Hankel矩阵H为:
式中,[x1x2x3…xn]为居民电器总有功功率数据对应的一维离散信号,H∈R2×n-1。
优选地,
优选地,所述步骤22中经二分递推SVD分解后的二维Hankel矩阵H,其描述公式为:
H=USVT
式中,二维正交矩阵U=(u1,u2),U∈R2×2;V=(v1,v2,…vn-1),n-1维正交矩阵V∈R(n-1)×(n-1);对角矩阵S=(diag(λ1,λ2),O),S∈R2×(n-1),λ1>>λ2,λ1和λ2分别为第一和第二奇异值。
优选地,所述步骤32中的硬阈值函数为:
式中,d为硬阈值函数,dk为变量。
与现有技术相比,本发明具有以下优点:
一、在不同层次空间上进行二分递推SVD正交分解,通过计算奇异熵来确定最佳分解层数,以不同层次空间的细节信号体现出了原信号中的突变点特征。
二、采用硬阈值函数滤除细节信号的微小噪声,实现了总有功功率中突变点的位置准确检测,且该方法简单易操作且计算速度快,能有效消除细节信号中的微小噪声。
三、基于不同噪声条件下实验室数据和REDD数据,与已有小波分解方法和非参数化的双边滑动CUSUM变点检测方法进行对比后,证明本发明技术漏检、误检率低,受噪声影响小,检测精度高。
附图说明
图1为本发明提供的一种基于二分递推SVD分解的居民电器开关事件检测方法的流程图;
图2为本发明中近似矩阵H1的矢量和细节矩阵H2的矢量图,其中,图2(a)为近似矩阵H1的矢量图,图2(b)为细节矩阵H2的矢量图;
图3为本发明中有功功率的多尺度SVD分解图;
图4为本发明中单个线性恒功率电器开关事件检测结果对比图,其中,图4(a)为饮水机有功功率曲线图,图4(b)为非参数化的滑动双边CUSUM变点检测方法的0.86s~0.98s的检测结果图,图4(c)为非参数化的滑动双边CUSUM变点检测方法的3.18s~3.3s的检测结果图,图4(d)为小波分解方法的0.82s~0.98s的检测结果图,图4(e)为小波分解方法的3.16s~3.32s的检测结果图,图4(f)为本发明方法的0.82s~0.98s的检测结果图,图4(g)为本发明方法的3.14s~3.3s的检测结果图;
图5为本发明中单个非线性变功率电器开关事件检测结果对比图,其中,图5(a)为微波炉有功功率曲线图,图5(b)为非参数化的滑动双边CUSUM变点检测方法的检测结果图,图5(c)为小波分解方法的检测结果图,图5(d)为本发明方法的检测结果图;
图6为本发明实施例中的实验中多个电器开关事件检测结果对比图,其中,图6(a)为多个电气总有功功率曲线图,图6(b)为非参数化的滑动双边CUSUM变点检测方法的检测结果图,图6(c)为小波分解方法的检测结果图,图6(d)为本发明方法的检测结果图;
图7为本发明实施例中REDD数据集开关事件检测结果对比图,其中,图7(a)为REDD数据功率曲线图,图7(b)为非参数化的滑动双边CUSUM变点检测方法的检测结果图,图7(c)为小波分解方法的检测结果图,图7(d)为本发明方法的检测结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
总体的基于二分递推SVD分解的居民电器开关事件检测方法的流程图如图1所示。
如图1所示,一种基于二分递推SVD分解的居民电器开关事件检测方法,包括以下步骤:
1)数据采集:采集居民电器的总电流、电压数据,计算居民电器的总有功功率;
2)二分递推SVD分解居民电器总有功功率数据;
21)构造二维Hankel矩阵:对所述步骤1)中采集到的居民电器总有功功率数据进行Hankel矩阵变换,构造二维Hankel矩阵H。
居民电器的总有功功率数据是一维离散信号X=[x1x2x3…xn],通过Hankel矩阵变换构造一个行数为2的空间矩阵:
H∈R2×n-1,H矩阵的特点是第二行数据仅仅比第一行滞后一个数据点,因此H矩阵的两行数据高度相关。H矩阵经过SVD分解后,有且仅有两个奇异值,特点为第一个奇异值较大,而第二个奇异值较小。
H=USVT (2)
式中,U=(u1,u2),U∈R2×2;V=(v1,v2,…vn-1),V∈R(n-1)×(n-1);S=(diag(λ1,λ2),O),S∈R2×(n-1),λ1>>λ2。
式中,ui∈R2×1,vi∈R(n-1)×1,i=1,2。设Hi=λiuivi T,则Hi∈R2×(n-1),Hi与H有类似的矩阵结构。H1对应的是较大奇异值,称之为近似矩阵;H2对应的是较小奇异值,称之为细节矩阵。H1和H2通过Hankel反变换求得的一维向量称为近似信号A和细节信号D,分别体现原始信号的主体概貌和细节特征。
求解近似信号A过程中,H1有两个行矢量,分别为λ1u1,1v1 T和λ1u1,2v1 T,其中u1,1和u1,2为u1的两个坐标。设La1和La2分别是这两个行矢量的子矢量,都代表着近似信号A中的数据a1,2,a1,3,…a1,n-1,如图2所示,图2(a)为近似矩阵H1的矢量,图2(b)为细节矩阵H2的矢量。
23)求解近似信号A和细节信号D:La1和La2不完全相等,为获得信息完全的近似信号,根据式A=(a1,1,(La1+La2)/2,a1,n)和式D=(d1,1,(Ld2+Ld2)/2,d1,n)由H1、H2中同一个数据的相关元素求平均值,构成近似信号A和细节信号D。第j次分解的结果为Aj和Dj,以分解之后的近似信号Aj构造新的矩阵Hj+1,重复上述步骤,将原始信号分解为一系列的近似和细节信号。总有功功率的SVD分解如图3所示。
24)求解奇异熵增量ΔEj:二分递推SVD分解得到的细节信号包含了总有功功率的突变点信息。随着分解层数的增加,细节信号中包含的特征信息增多,但是特征信息的增量减少,且检测突变点所需时间增长。本发明中以奇异熵表征特征信息的复杂度,根据式(4)和式(5)计算该分解层数下奇异熵增量ΔEj。
3)利用硬阈值滤波函数获得居民电器的开关时刻
31)取最优值:判断若ΔEj大于设定值ε,利用近似信号A构造新的矩阵H,重复进行分解,直到ΔEj小于设定值ε,分解层数达到最优。
32)居民电器开关时刻:对居民电器的总有功功率数据进行二分递推SVD分解,得到含有幅度较小噪声的细节信号。为准确检测出事件发生准确时刻,采用硬阈值函数
对最优分解层数下的细节信号D进行滤波,滤波之后的曲线中特征峰零交叉点时刻即为居民电器的开关时刻。
4)实验验证:在实验室搭建测试平台,采用日置公司8860电力录波仪采集饮水机、微波炉、电加热器、风扇4种居民电器开关事件的电压和电流数据,采样频率为2000Hz。
可对单个线性恒功率电器开关事件,单个非线性变功率电器开关事件,多个电器开关事件,分别采用非参数化的滑动双边CUSUM变点检测方法、小波分解方法、本发明所提及的二分递推SVD分解方法进行检测验证。
图4为单个线性恒功率电器开关事件检测结果对比
图5为单个非线性变功率电器开关事件检测结果对比
图6为多个电器开关事件检测结果对比
图4(a)为饮水机有功功率曲线,图5(a)为微波炉有功功率曲线,图6(a)为多个电器总有功功率曲线。图4中(b)和(c)、(d)和(e)、(f)和(g),图5、图6中(b),(c),(d)分别对应为非参数化的滑动双边CUSUM变点检测方法、小波分解方法、本发明所提及的二分递推SVD分解方法下的检测结果图。
三个实验结果图证明滑动双边CUSUM变点检测方法存在滑动窗口大小和阈值h难以设定的缺点,漏检、误检率高。小波分解方法检测结果发生明显偏移,且不同分解层次下各不相同。所发明方法相比于另外两种方法,漏检率低,误检个数少,检测位置稳定不发生偏移,检测精度高。
5)REDD数据库验证:分别采用非参数化的滑动双边CUSUM变点检测方法、小波分解方法、本发明所提及的二分递推SVD分解方法对1个小时的REDD数据集负荷功率数据进行检测,真实开关事件发生了45次,三种方法统计结果如图7所示,
图7(a)为REDD数据功率曲线,图7中(b),(c),(d)分别为非参数化的滑动双边CUSUM变点检测方法、小波分解方法、本发明所提及的二分递推SVD分解方法的检测结果图。
采用三个指标对检测方法结果进行评判,分别为(1)误检:检测出开关事件发生,实际上没有事件发生;(2)漏检:没有检测出开关事件发生,实际上有事件发生;(3)查全率:正确检测的开关事件个数占所有真实事件的比率;(4)平均绝对误差:检测出的开关时刻与真实时刻之间的平均绝对误差。统计结果如表1所示,结果证明,滑动窗双边CUSUM变点检测的漏检值为2,误检值为26,查全率为95%;小波分解方法的漏检值值为3,误检值值为6,查全率为93%;二分递推SVD分解方法的漏检值值为0,误检值值为2,查全率达到100%。相比于另外两种方法,本发明所提的方法有效提高了居民电器开关事件检测精度。
表1
检测开关数 | 漏检个数 | 误检个数 | 检测正确率(%) | 平均绝对误差(s) | |
CUSUM | 43 | 2 | 26 | 95 | 1.29 |
小波分解 | 42 | 3 | 6 | 93 | 1.43 |
SVD分解 | 45 | 0 | 2 | 100 | 0.90 |
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (4)
1.一种基于二分递推SVD分解的居民电器开关事件检测方法,其特征在于,包括以下步骤:
步骤1:数据采集:在电力入户点采集居民家庭的用电信息数据并得出居民家庭的总有功功率数据;
步骤2:利用二分递推SVD分解总有功功率数据:对步骤1中采集到的居民电器开关事件总有功功率数据进行Hankel矩阵变换,再进行二分递推SVD分解,通过计算奇异熵以得到最优分解层数;
步骤3:利用硬阈值滤波函数获得居民电器的开关时刻:利用硬阈值滤波函数对步骤2中获得的最优分解层数下的细节信号进行滤波,实现总有功功率中突变点位置的准确检测,即居民电器的开关时刻;
所述步骤2包括以下分步骤:
步骤21:构造针对总有功功率数据的二维Hankel矩阵;
步骤22:利用二分递推SVD分解二维Hankel矩阵后通过反变换得到近似信号A和细节信号D;
步骤23:重复步骤22将原始总有功功率数据分解为一系列的近似和细节信号;
步骤24:针对步骤23中得到的一系列细节信号计算奇异熵增量;
所述步骤21中的二维Hankel矩阵H为:
式中,[x1 x2 x3 … xn]为居民电器总有功功率数据对应的一维离散信号,H∈R2×n-1;
所述步骤22中经二分递推SVD分解后的二维Hankel矩阵H,其描述公式为:
H=USVT
式中,二维正交矩阵U=(u1,u2),U∈R2×2;V=(v1,v2,…vn-1),n-1维正交矩阵V∈R(n -1)×(n-1);对角矩阵S=(diag(λ1,λ2),O),S∈R2×(n-1),λ1>>λ2,λ1和λ2分别为第一和第二奇异值;
所述步骤24中的奇异熵增量的计算公式为:
式中,λp和λq分别为对角矩阵上的奇异值,r为阶数。
2.根据权利要求1所述的一种基于二分递推SVD分解的居民电器开关事件检测方法,其特征在于,所述步骤1中的用电信息数据包括居民电器的总电流、电压数据,所述居民家庭的总有功功率数据通过MATLAB得出并将其作为开关事件检测的目标对象。
3.根据权利要求1所述的一种基于二分递推SVD分解的居民电器开关事件检测方法,其特征在于,所述步骤3包括以下分步骤:
步骤31:取最优值:判断若奇异熵增量大于设定值,利用近似信号构造新的Hankel矩阵重复进行分解,直到异熵增量小于设定值,分解层数达到最优;
步骤32:采用硬阈值函数对最优分解层数下的细节信号进行滤波后得到居民电器的开关时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910280687.1A CN110133396B (zh) | 2019-04-09 | 2019-04-09 | 一种基于二分递推svd分解的居民电器开关事件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910280687.1A CN110133396B (zh) | 2019-04-09 | 2019-04-09 | 一种基于二分递推svd分解的居民电器开关事件检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110133396A CN110133396A (zh) | 2019-08-16 |
CN110133396B true CN110133396B (zh) | 2021-07-20 |
Family
ID=67569327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910280687.1A Active CN110133396B (zh) | 2019-04-09 | 2019-04-09 | 一种基于二分递推svd分解的居民电器开关事件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110133396B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113988128A (zh) * | 2021-10-27 | 2022-01-28 | 安徽工程大学 | 一种基于二分递推奇异值分解的去噪方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101876546A (zh) * | 2009-11-27 | 2010-11-03 | 北京航空航天大学 | 基于小波阈值去噪和far模型的mems陀螺数据处理方法 |
CN104748961A (zh) * | 2015-03-30 | 2015-07-01 | 中国矿业大学 | 基于svd分解降噪和相关性eemd熵特征的齿轮故障诊断方法 |
CN105224872A (zh) * | 2015-09-30 | 2016-01-06 | 河南科技大学 | 一种基于神经网络聚类的用户异常行为检测方法 |
CN106706285A (zh) * | 2016-11-24 | 2017-05-24 | 重庆工业职业技术学院 | 一种制动盘固有频率在线检测方法 |
CN107133195A (zh) * | 2017-04-14 | 2017-09-05 | 大连理工大学 | 一种工程结构模态识别的模型定阶方法 |
CN108506742A (zh) * | 2018-03-10 | 2018-09-07 | 西安电子科技大学 | 一种自适应有效信号判定流体管道泄漏定位方法 |
CN109101465A (zh) * | 2018-07-13 | 2018-12-28 | 广东石油化工学院 | 一种电器开关事件检测方法及*** |
CN110443104A (zh) * | 2019-03-29 | 2019-11-12 | 杭州电子科技大学 | 一种应用于超声波局放检测的数据滤波方法 |
-
2019
- 2019-04-09 CN CN201910280687.1A patent/CN110133396B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101876546A (zh) * | 2009-11-27 | 2010-11-03 | 北京航空航天大学 | 基于小波阈值去噪和far模型的mems陀螺数据处理方法 |
CN104748961A (zh) * | 2015-03-30 | 2015-07-01 | 中国矿业大学 | 基于svd分解降噪和相关性eemd熵特征的齿轮故障诊断方法 |
CN105224872A (zh) * | 2015-09-30 | 2016-01-06 | 河南科技大学 | 一种基于神经网络聚类的用户异常行为检测方法 |
CN106706285A (zh) * | 2016-11-24 | 2017-05-24 | 重庆工业职业技术学院 | 一种制动盘固有频率在线检测方法 |
CN107133195A (zh) * | 2017-04-14 | 2017-09-05 | 大连理工大学 | 一种工程结构模态识别的模型定阶方法 |
CN108506742A (zh) * | 2018-03-10 | 2018-09-07 | 西安电子科技大学 | 一种自适应有效信号判定流体管道泄漏定位方法 |
CN109101465A (zh) * | 2018-07-13 | 2018-12-28 | 广东石油化工学院 | 一种电器开关事件检测方法及*** |
CN110443104A (zh) * | 2019-03-29 | 2019-11-12 | 杭州电子科技大学 | 一种应用于超声波局放检测的数据滤波方法 |
Non-Patent Citations (2)
Title |
---|
基于Hankel矩阵的复小波_奇异值分解法提取局部放电特征信息;唐炬,等;《中国电机工程学报》;20150405;第35卷(第7期);第1808-1817页 * |
基于二分递推SVD分解的居民电器开关事件检测方法;林顺富,等;《电网技术》;20200430;第44卷(第4期);第1534-1542页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110133396A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rahimpour et al. | Non-intrusive energy disaggregation using non-negative matrix factorization with sum-to-k constraint | |
CN106786534B (zh) | 一种非侵入式电力负荷暂态过程辨识方法及*** | |
Chen et al. | Temporal and spectral feature learning with two-stream convolutional neural networks for appliance recognition in NILM | |
CN108152630B (zh) | 一种基于混合判据的非侵入式ih电饭煲运行辨识方法 | |
CN109633301B (zh) | 基于量子遗传优化的非侵入式电器负荷识别方法 | |
Yan et al. | Household appliance recognition through a Bayes classification model | |
CN112633924B (zh) | 一种基于负荷分解的小区电能替代需求分析方法 | |
CN111563827B (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN114037178B (zh) | 基于无监督预训练神经网络的非侵入式负荷分解方法 | |
CN111553444A (zh) | 一种基于非侵入负荷终端数据的负荷辨识方法 | |
Xu et al. | A new non-intrusive load monitoring algorithm based on event matching | |
CN110133396B (zh) | 一种基于二分递推svd分解的居民电器开关事件检测方法 | |
Han et al. | Non‐intrusive load monitoring by voltage–current trajectory enabled asymmetric deep supervised hashing | |
Azad et al. | Non-intrusive load monitoring (nilm) using deep neural networks: A review | |
CN107767037A (zh) | 一种用户用电构成解析方法 | |
CN108918928B (zh) | 一种负荷分解中功率信号自适应重构方法 | |
Hoyo-Montaño et al. | Overview of Non-Intrusive Load Monitoring: A way to energy wise consumption | |
CN113922361A (zh) | 一种基于非侵入式配用电信息分解的安全隐患及故障保护方法 | |
Hacine-Gharbi et al. | Relevant harmonics selection based on mutual information for electrical appliances identification | |
Liu et al. | Enhanced NILM load pattern extraction via variable-length motif discovery | |
CN117315434A (zh) | 一种基于时序成像和深度学习的非侵入式负荷辨识方法 | |
CN108918929B (zh) | 一种负荷分解中功率信号自适应滤波方法 | |
CN111199014A (zh) | 一种基于时间序列的seq2point的NILM方法及装置 | |
CN115859190A (zh) | 一种基于因果关系的非侵入式家庭电气分类方法 | |
CN112993993A (zh) | 基于改进型差分进化算法的非侵入式电力负荷感知识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |