CN112016587A - 基于主站特征库技术的用能监测云端协同非侵入辨识方法 - Google Patents
基于主站特征库技术的用能监测云端协同非侵入辨识方法 Download PDFInfo
- Publication number
- CN112016587A CN112016587A CN202010655735.3A CN202010655735A CN112016587A CN 112016587 A CN112016587 A CN 112016587A CN 202010655735 A CN202010655735 A CN 202010655735A CN 112016587 A CN112016587 A CN 112016587A
- Authority
- CN
- China
- Prior art keywords
- master station
- electric appliance
- feature library
- uncertain
- energy consumption
- 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 abstract description 29
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000005265 energy consumption Methods 0.000 title claims abstract description 19
- 238000012917 library technology Methods 0.000 title claims abstract description 15
- 238000011160 research Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 4
- 238000005406 washing Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000009533 lab test Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于主站特征库技术的用能监测云端协同非侵入辨识方法,包括以下步骤:步骤一:非侵入终端进行负荷辨识;步骤二:上传该不确定电器的物理特征和时间特征到主站;步骤三:在主站构建常用电器的特征库;步骤四:将非侵入终端上传的物理特征和时间特征与特征库样本进行聚类;步骤五:将聚类完成的未知电器特征与主站已构建的特征库匹配,若匹配成功,则将该未知电器辨识为与主站特征库对应的电器;若未在特征库中匹配到合适的负荷,则转向步骤六;步骤六:经过实地调研和入户采访,确定该未知电器。本发明实现不确定电器的云端协同辨识,不需要进入居民家中就可以更加准确辨识出更多的电器,辨识结果有助于用户了解家庭的能耗情况。
Description
技术领域
本发明涉及一种基于主站特征库技术的用能监测云端协同非侵入辨识方法,属于智能管理的技术领域。
背景技术
居民负荷作为电力负荷重要组成部分,其电能的消耗比重在逐渐增大,因此,建立可实现居民家庭用电可视化的智能用电***成为一种迫切的需求,它有助于用户了解自身不同时段各电器设备电能的消耗情况,制定合理的节能计划,有针对性的选购节能设备,检验节能效果,从而降低能源消耗,减少电费开支。用电可视化也被认为是平抑高峰用电的有效手段之一,可促使用户选择夜间等低谷电价时段用电,达到削峰填谷的目标,可有效提高电力投资效益。
目前,居民电力负荷监测分解技术主要分为侵入式监测分解(Intrusive LoadMonitoring and decomposition,ILMD)和非侵入式监测分解(Non-intrusive LoadMonitoring and decomposition,NILMD)两大类:
(1)侵入式负荷监测分解技术(ILMD):侵入式负荷监测将带有数字通信功能的传感器安装在每个电器与电网的接口,可以准确监测每个负荷的运行状态和功率消耗。但大量安装监测传感器造成建设和维护的成本较高,最重要的是侵入式负荷监测需要进入居民家中进行安装调试,容易造成用户抵制心理。
(2)非侵入式负荷监测分解技术(NILMD):仅在用户入口处安装一个传感器,通过采集和分析入口总电流、电压等信息来判断户内每个或每类电器的用电功率和工作状态(例如,空调具有制冷、制热、待机等不同工作状态),从而得出居民的用电规律。和侵入式负荷分解相比,由于只需要安装一个监测传感器,非侵入负荷分解方案的建设成本和后期维护难度都大幅降低;另外,传感器安装位置可以选择在用户电表箱处,完全不会侵入居民户内进行施工。可以认为,NILMD以分解算法代替ILMD***的传感器网络,具有简单、经济、可靠、数据完整和易于迅速推广应用等优势,有望发展成为高级量测体系(AMI)中新一代核心技术(成熟后,NILMD算法也可以融合到智能电表的芯片内),支持需求侧管理、定制电力等智能用电的高级功能,也适用于临时性的负荷用电细节监测与调查
综上所述,现有的研究、文献已对常用负荷的模型和运行特性进行了研究,但是尚有许多电器不能被准确地辨识出来。因此本文提出了一种基于主站特征库技术的用能监测云端协同非侵入辨识方法,能够有效地辨识出终端不能辨识出来地不确定电器,有利于用户了解自身的电能消耗构成,最大程度的降低电能消耗。有助于电力公司精确了解用户电力负荷构成,为需求侧管理、负荷预测、***规划提供更准确的基础数据。
发明内容
为了解决上述技术问题,本发明提供一种基于主站特征库技术的用能监测云端协同非侵入辨识方法,该方法能够准确快速有效地辨识出终端不能辨识出来的负荷,可用于非侵入负荷辨识分解装置,其具体技术方案如下:
一种基于主站特征库技术的用能监测云端协同非侵入辨识方法,包括以下步骤:
步骤一:用非侵入终端采集用户进线端的电压、电流信号,进行负荷辨识;
步骤二:若非侵入终端辨识到电器,则直接输出电器,若非侵入终端无法辨识电器,则上传该不确定电器的物理特征和时间特征到主站,物理特征和时间特征的集合称为负荷特征量;
步骤三:在主站构建常用电器的特征库;
步骤四:将非侵入终端上传的物理特征和时间特征与特征库样本进行聚类;
步骤五:将聚类完成的未知电器特征与主站已构建的特征库匹配,若匹配成功,则将该未知电器辨识为与主站特征库对应的电器;若未在特征库中匹配到合适的负荷,则转向步骤六;
步骤六:经过实地调研和入户采访,确定该未知电器。
进一步的,所述步骤二中不确定电器的物理特征包括电器启动时有功功率变化形态、有功幅值、无功幅值以及电流谐波平均变化量,不确定电器的时间特征包括运行时长和运行时刻。
进一步的,所述电流谐波平均变化量具体为:二次谐波平均变化量、三次谐波平均变化量、五次谐波平均变化量、七次谐波平均变化量、九次谐波平均变化量,通过电流谐波平均变化量依次计算得到:二次谐波幅值、三次谐波幅值、五次谐波幅值、七次谐波幅值、九次谐波幅值。
进一步的,所述步骤三中主站构建的常见电器的特征库,常见电器包括冰箱,洗衣机,空调,热水器,电水壶,电饭煲,微波炉,电磁炉,照明,电视机;
特征库包含物理特征与时间特征,物理特征包括电器启动时有功功率变化形态、有功幅值、无功幅值以及电流谐波幅值,时间特征包括运行时长和运行时刻。
进一步的,所述步骤四中聚类的具体为:采用DBSCAN密度聚类算法进行聚类,
输入:非侵入终端上传的负荷特征量与特征库样本一同构成的数据集P,半径参数ε,密度阈值MinPts,
输出:聚类结果及噪声数据。
进一步的,所述半径参数ε确定过程为:
给定数据集P={p(i);i=0,1,…n},对于任意点p(i),计算点p(i)到集合S={p(0),p(1),p(2),…,p(i-1),p(i+1),…,p(n)}中所有点之间的距离,距离按照从小到大的顺序排序,设排序后的距离集合为J={j(1),j(2),…,j(k-1),j(k),j(k+1),…,j(n)},则j(k)被称为k距离;k距离是点p(i)到所有非p(i)点之间距离第k近的距离;对待聚类集合中每个点p(i)都计算k距离,得到所有点的k距离集合E={e(1),e(2),…,e(n)},e(n)为第n个点的k距离;对所有点的k距离集合E进行升序排序后得到排序后的k-距离集合E’,拟合一条排序后的E’集合中k距离的变化曲线图,绘出曲线,将急剧发生变化的位置所对应的k距离的值,确定为半径ε的值;
k的取值为密度阈值MinPts,其中,m是参与主站聚类的样本总数。
进一步的,所述步骤五中匹配过程为:将非侵入终端上传的所有用户至少30天的负荷特征量与主站特征库一起聚类,若该不确定电器80%的样本与主站某电器的特征数据集聚类为同一个簇,那么该不确定电器就可辨识为这个主站电器;若低于80%或者不确定电器的样本单独聚为一个类,则说明这是一个在主站特征库不存在的新电器。
进一步的,所述步骤六具体为:根据不确定电器的特征量,通过实验室测试,实地调研和入户采访,利用专家知识最终辨识出该不确定电器。
本发明的有益效果是:
本发明的根据终端上传的负荷特征量,在云端聚类后辨识终端未能成功辨识出的不确定电器,此方法不需要进入居民家中就可以更加准确辨识出更多的电器,具有简单、经济、易于推广应用等优点。辨识结果有助于用户了解家庭的能耗情况,可应用于电网公司对居民用户的需求侧管理工作。
附图说明
图1是本发明的总体流程图,
图2是本发明的有功功率变化形态,
图3是本发明的电流谐波幅值变化量。
具体实施方式
图1为本发明的总体流程图,本发明提出基于主站特征库技术的用能监测云端协同非侵入辨识方法,具体的流程步骤如下:
步骤一:用非侵入终端采集用户进线端的电压、电流信号,进行负荷辨识。
步骤二:若非侵入终端辨识到电器,则直接输出电器,若非侵入终端无法辨识电器,则上传该不确定电器的物理特征和时间特征到主站。非侵入终端会成功辨识出一些电器,也会辨识不出一些电器,也就是不确定电器。此时,非侵入终端将上传不确定电器的物理特征和时间特征。物理特征为:有功功率变化形态(参见图2)、有功幅值、无功幅值、二次电流谐波幅值、三次电流谐波幅值、五次电流谐波幅值、七次电流谐波幅值和九次电流谐波幅值(参见图3),时间特征包括运行时刻和运行时间。
参见图2,有功功率变化形态上传编号1—4,除图2所示有功功率变化形态外,均给有功功率变化形态赋值4;非侵入终端将一天24小时划分为96个时段,15分钟为1个时段,故运行时刻取值1—96。
为了防止终端上传过多冗余信息,减轻终端上传压力,本实施例规定同一未知电器一天内上送特征数据不超过5条。
步骤三:在主站构建常用电器的特征库。在主站构建常见电器的特征库,常见电器包括冰箱,洗衣机,空调,热水器,电水壶,电饭煲,微波炉,电磁炉,照明,电视机。特征库包含物理特征与时间特征。
步骤四:将非侵入终端上传的所有用户30天的负荷特征量与主站特征库一起进行DBSCAN聚类。根据k距离的变化曲线图和式(1)计算得出结果半径参数ε和密度阈值MinPts。
步骤五:终端上传的不确定电器样本单独聚为一个类,则说明这是一个在主站特征库不存在的新电器。
步骤六:经过实地调研和入户采访,利用专家知识最终辨识出该不确定电器。
下面具体说明本发明的应用:
30天内非侵入终端上传的负荷特征如下图:
该电器在30天内运行了25天,每天都在早上8-9点出现,有功功率为500W,说明是一个早上上班前使用的小电器。由于存在有功和电流谐波,说明该不确定电器是一个含有电机和电力电子元件的电器,在基于调研和专家知识的基础上,最终确定这个电器为破壁机。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (7)
1.一种基于主站特征库技术的用能监测云端协同非侵入辨识方法,其特征在于:包括以下步骤:
步骤一:用非侵入终端采集用户进线端的电压、电流信号,进行负荷辨识;
步骤二:若非侵入终端辨识到电器,则直接输出电器,若非侵入终端无法辨识电器,则上传该不确定电器的物理特征和时间特征到主站,物理特征和时间特征的集合称为负荷特征量;
步骤三:在主站构建常用电器的特征库;
步骤四:将非侵入终端上传的物理特征和时间特征与特征库样本进行聚类;
步骤五:将聚类完成的未知电器特征与主站已构建的特征库匹配,若匹配成功,则将该未知电器辨识为与主站特征库对应的电器;若未在特征库中匹配到合适的负荷,则转向步骤六;
步骤六:经过实地调研和入户采访,确定该未知电器。
2.根据权利要求1所述的基于主站特征库技术的用能监测云端协同非侵入辨识方法,其特征在于:所述步骤二中不确定电器的物理特征包括电器启动时有功功率变化形态、有功幅值、无功幅值以及电流谐波幅值变化量,不确定电器的时间特征包括运行时长和运行时刻。
3.根据权利要求1所述的基于主站特征库技术的用能监测云端协同非侵入辨识方法,其特征在于:所述步骤三中主站构建的常见电器的特征库,常见电器包括冰箱,洗衣机,空调,热水器,电水壶,电饭煲,微波炉,电磁炉,照明,电视机;
特征库包含物理特征与时间特征,物理特征包括电器启动时有功功率变化形态、有功幅值、无功幅值以及电流谐波幅值,时间特征包括运行时长和运行时刻。
4.根据权利要求1所述的基于主站特征库技术的用能监测云端协同非侵入辨识方法,其特征在于:所述步骤四中聚类的具体为:采用DBSCAN密度聚类算法进行聚类,
输入:非侵入终端上传的负荷特征量与特征库样本一同构成的数据集P,半径参数ε,密度阈值MinPts,
输出:聚类结果及噪声数据。
5.根据权利要求4所述的基于主站特征库技术的用能监测云端协同非侵入辨识方法,其特征在于:所述半径参数ε确定过程为:
给定数据集P={p(i);i=0,1,…n},对于任意点p(i),计算点p(i)到集合S={p(0),p(1),p(2),…,p(i-1),p(i+1),…,p(n)}中所有点之间的距离,距离按照从小到大的顺序排序,设排序后的距离集合为J={j(1),j(2),…,j(k-1),j(k),j(k+1),…,j(n)},则j(k)被称为k距离;k距离是点p(i)到所有非p(i)点之间距离第k近的距离;对待聚类集合中每个点p(i)都计算k距离,得到所有点的k距离集合E={e(1),e(2),…,e(n)},e(n)为第n个点的k距离;对所有点的k距离集合E进行升序排序后得到排序后的k-距离集合E’,拟合一条排序后的E’集合中k距离的变化曲线图,绘出曲线,将急剧发生变化的位置所对应的k距离的值,确定为半径ε的值;
k的取值为密度阈值MinPts,其中,m是参与主站聚类的样本总数。
6.根据权利要求1所述的基于主站特征库技术的用能监测云端协同非侵入辨识方法,其特征在于:所述步骤五中匹配过程为:将非侵入终端上传的所有用户至少30天的负荷特征量与主站特征库一起聚类,若该不确定电器80%的样本与主站某电器的特征数据集聚类为同一个簇,那么该不确定电器就可辨识为这个主站电器;若低于80%或者不确定电器的样本单独聚为一个类,则说明这是一个在主站特征库不存在的新电器。
7.根据权利要求1所述的基于主站特征库技术的用能监测云端协同非侵入辨识方法,其特征在于:所述步骤六具体为:根据不确定电器的特征量,通过实验室测试,实地调研和入户采访,利用专家知识最终辨识出该不确定电器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010655735.3A CN112016587A (zh) | 2020-07-09 | 2020-07-09 | 基于主站特征库技术的用能监测云端协同非侵入辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010655735.3A CN112016587A (zh) | 2020-07-09 | 2020-07-09 | 基于主站特征库技术的用能监测云端协同非侵入辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112016587A true CN112016587A (zh) | 2020-12-01 |
Family
ID=73498602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010655735.3A Pending CN112016587A (zh) | 2020-07-09 | 2020-07-09 | 基于主站特征库技术的用能监测云端协同非侵入辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016587A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560909A (zh) * | 2020-12-04 | 2021-03-26 | 江苏方天电力技术有限公司 | 一种基于多类型特征交互的云端协同非介入负荷辨识方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2000780A1 (fr) * | 2007-06-05 | 2008-12-10 | Electricité de France | Procédé et système de détection et d'estimation de la consommation des usages électriques des installations d'un souscripteur |
CN106093652A (zh) * | 2016-07-07 | 2016-11-09 | 天津求实智源科技有限公司 | 一种具备自学习功能的非侵入式电力负荷监测***与方法 |
CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
US20170351288A1 (en) * | 2016-06-07 | 2017-12-07 | Shenzhen Zhidian Energy Technology LTD | Non-invasive online real-time electric load identification method and identification system |
CN108733661A (zh) * | 2017-04-13 | 2018-11-02 | 深圳点亮新能源技术有限公司 | 一种面向非侵入式监测的在线负荷特征库维护方法 |
CN110514889A (zh) * | 2019-07-19 | 2019-11-29 | 浙江万胜智能科技股份有限公司 | 一种非侵入式家庭用电负载识别的方法及*** |
CN110533089A (zh) * | 2019-08-19 | 2019-12-03 | 三峡大学 | 基于随机森林的自适应非侵入式负荷识别方法 |
CN110672934A (zh) * | 2019-08-23 | 2020-01-10 | 北京中电飞华通信股份有限公司 | 一种非侵入式负荷辨识方法、终端及*** |
-
2020
- 2020-07-09 CN CN202010655735.3A patent/CN112016587A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2000780A1 (fr) * | 2007-06-05 | 2008-12-10 | Electricité de France | Procédé et système de détection et d'estimation de la consommation des usages électriques des installations d'un souscripteur |
US20170351288A1 (en) * | 2016-06-07 | 2017-12-07 | Shenzhen Zhidian Energy Technology LTD | Non-invasive online real-time electric load identification method and identification system |
CN106093652A (zh) * | 2016-07-07 | 2016-11-09 | 天津求实智源科技有限公司 | 一种具备自学习功能的非侵入式电力负荷监测***与方法 |
CN108733661A (zh) * | 2017-04-13 | 2018-11-02 | 深圳点亮新能源技术有限公司 | 一种面向非侵入式监测的在线负荷特征库维护方法 |
CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
CN110514889A (zh) * | 2019-07-19 | 2019-11-29 | 浙江万胜智能科技股份有限公司 | 一种非侵入式家庭用电负载识别的方法及*** |
CN110533089A (zh) * | 2019-08-19 | 2019-12-03 | 三峡大学 | 基于随机森林的自适应非侵入式负荷识别方法 |
CN110672934A (zh) * | 2019-08-23 | 2020-01-10 | 北京中电飞华通信股份有限公司 | 一种非侵入式负荷辨识方法、终端及*** |
Non-Patent Citations (3)
Title |
---|
余贻鑫;刘博;栾文鹏;: "非侵入式居民电力负荷监测与分解技术", 南方电网技术, no. 04, 20 August 2013 (2013-08-20) * |
夏磊;李泽滔;夏懿;: "电器辨识算法与***研究", 自动化仪表, no. 03, 20 March 2018 (2018-03-20) * |
阮敬等: "《Python数据分析基础 第3版十四五全国统计规划教材》", 30 September 2017, 中国统计出版社, pages: 360 - 363 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560909A (zh) * | 2020-12-04 | 2021-03-26 | 江苏方天电力技术有限公司 | 一种基于多类型特征交互的云端协同非介入负荷辨识方法 |
CN112560909B (zh) * | 2020-12-04 | 2022-06-24 | 江苏方天电力技术有限公司 | 一种基于多类型特征交互的云端协同非介入负荷辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN105911342B (zh) | 基于功率持续时间特性的电饭煲非侵入辨识方法 | |
CN106646026A (zh) | 一种非侵入式家电负荷识别方法 | |
Pihala | Non-intrusive appliance load monitoring system based on a modern kWh-meter | |
CN112633924B (zh) | 一种基于负荷分解的小区电能替代需求分析方法 | |
CN111650431B (zh) | 一种电表台区识别方法 | |
CN111382789B (zh) | 基于机器学习的电力负荷识别方法及*** | |
CN109633301B (zh) | 基于量子遗传优化的非侵入式电器负荷识别方法 | |
CN107247201A (zh) | 基于功率及时间特性的电烤箱非侵入辨识方法 | |
CN110136024B (zh) | 获取用户的用电特征、用电习惯及用电量预测值的方法及装置 | |
CN109193630B (zh) | 一种柔性负荷可调区间预测方法及装置 | |
CN105629065A (zh) | 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 | |
CN108595376B (zh) | 一种区分定频空调与冲击钻的非侵入负荷辨识方法 | |
CN106340884A (zh) | 基于混合功率判据的非侵入式非变频冰箱启动辨识方法 | |
CN110084719A (zh) | 一种配电网负荷种类辨识装置 | |
CN111025013A (zh) | 一种基于功率谐波特征的ptc型电采暖非侵入辨识方法 | |
CN112909923A (zh) | 一种基于dtw算法的非侵入式家居负荷行为识别的装置 | |
CN115660225A (zh) | 一种基于电表通信模块的用电负荷预测管理方法及*** | |
CN107767037B (zh) | 一种用户用电构成解析方法 | |
CN115759708A (zh) | 一种考虑电力时空分布特性的线损分析方法及*** | |
Ramadan et al. | Towards energy‐efficient smart homes via precise nonintrusive load disaggregation based on hybrid ANN–PSO | |
CN112016587A (zh) | 基于主站特征库技术的用能监测云端协同非侵入辨识方法 | |
CN102072976A (zh) | 辨识电器状态的方法及*** | |
Cannas et al. | NILM techniques applied to a real-time monitoring system of the electricity consumption | |
CN113206547A (zh) | 基于非侵入式电力负荷监测的变电站电力分配*** |
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 |