CN114942344A - 一种非侵入式用电器识别方法、***、介质、设备及终端 - Google Patents
一种非侵入式用电器识别方法、***、介质、设备及终端 Download PDFInfo
- Publication number
- CN114942344A CN114942344A CN202210637085.9A CN202210637085A CN114942344A CN 114942344 A CN114942344 A CN 114942344A CN 202210637085 A CN202210637085 A CN 202210637085A CN 114942344 A CN114942344 A CN 114942344A
- Authority
- CN
- China
- Prior art keywords
- current
- appliance
- electrical appliance
- electrical
- electric
- 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 80
- 238000005070 sampling Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 17
- 238000009825 accumulation Methods 0.000 claims abstract description 14
- 230000001360 synchronised effect Effects 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims description 41
- 238000012544 monitoring process Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 19
- 238000001228 spectrum Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 101100321817 Human parvovirus B19 (strain HV) 7.5K gene Proteins 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 11
- 238000009776 industrial production Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 26
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 9
- 230000005611 electricity Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000013095 identification testing Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical group [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明属于家用电器识别技术领域,公开了一种非侵入式用电器识别方法、***、介质、设备及终端,利用电流互感器和电压过零检测电路,同步取样用电器的电流;利用MCU对同步采样电流数据进行处理,得到电流的基波相位、各次谐波与基波幅度比和能量比的参数,并利用电流参数计算各用电器特征量;通过对变化的数据提取动态特征值,判断出变化的用电器种类,并结合累积和CUSUM智能识别出当前用电器的种类和数量。本发明兼顾低成本,低功耗,高识别精度为一体,易于工业化生产和推广使用;具有学习功能,可自主学习新用电器,识别用电器不局限于出厂时内置的用电器种类;针对单个用电器进行少量数据的训练即可对组合用电器实现准确的识别。
Description
技术领域
本发明属于家用电器识别技术领域,尤其涉及一种非侵入式用电器识别方法、***、介质、设备及终端。
背景技术
近年来,随着社会经济的飞速发展,工业电力能源消耗和家庭电力能源使用量都在急剧上涨。面对新时代的电力压力,电力***升级优化势在必行,在居民用电领域中,物联网电力控制***具体落实为家用电器状况监控,用电情况通报,用电器智能调控等。
面对这些家庭电力监控需求,识别电器种类,检测电器使用状态,监测电力使用量等基本要求不断被人们所重视。在用电器识别和家庭负荷监测方面,主要有两种研究方法,即侵入式和非侵入式。非侵入式用电负荷监测技术相比于侵入式负荷监测技术而言,无需繁琐的硬件安装,只需要采集电力供给入口处的电压电流,通过特定算法便能得到用电器的类别状态和电能消耗。考虑到侵入式监控的高成本,非侵入式监控成为是家庭电力监控的主流方向。非侵入式监控旨在通过处理家庭聚合用电量信号来识别电器的被使用状况。但在非侵入式用电器监测识别方法中,单一的依靠稳态或瞬态参数无法准确的判断用电器种类,而一味的依靠高精度的谐波分析法又会产生数据冗余。
程春雨等提出了一种基于BP神经网络的用电器识别***设计,***采集单个用电器工作电流数据并传送给上位机存储留待处理。上位机将接收到的数据进行复合数字滤波,并基于BP神经网络通过叠加原理排列组合出多种情况,生成训练数据集,从而实现用电器识别。
曹以龙等提出了一种基于FFT与遗传算法的用电器识别方法,分析了典型用电器负荷的电流波形频谱,并以其谐波作为负荷识别的最优特征参量,通过快速傅里叶变换对波形数据进行处理,以欧式距离最小作为优化指标,采用遗传算法搜寻最优解,最终实现对用电器类别的精确识别。
周晓等提出了一种基于ELM的非侵入式电力负荷识别算法,从负荷特性出发,针对各电力负荷的暂态及稳态电气特性,提取并建立负荷特征标签。然后,采用极限学习机(ELM)神经网络模型,将输入特征非线性地映射到输入层,实现快速收敛至全局最优点。采用基于累积和(CUSUM)的双边事件检测方法,实现快速准确地检测出负荷投切事件,实时触发负荷识别。
以上方案都采用了神经网络或者人工智能的算法,实现了高精度的用电器识别,同时他们都需要复杂的训练以及复杂的计算,带来了***功耗的增加以及成本的增加。
程春雨,曹以龙,周晓等人提出的用电器识别算法虽然采用的不同的具体识别方法,但是都是使用了神经网络或者人工智能的算法以达到用电器识别的高精度要求。虽然以及在一定程度上控制了成本,但是由于神经网络或者人工智能的算法本身固有的对于训练量和计算量的需求,***功耗的增加以及成本的增加是不可避免的。在满足高精度需求的同时难以兼顾低成本的要求,而成本问题在家用设备的领域中由尤为重要,这无疑会限制这些设备的实际推广使用,也不能完美的满足市场用户需求。
除了这些使用了神经网络或者人工智能的算法的***,其他更低成本的识别装置就具有识别精度不足的明显问题。或是只能识别一些由厂商固定选定的用电器,使用范围非常局限,或是识别准确度不高,无法做到高准确率的实时识别显示。
现有技术一(专利号201710448867.7)公开了一种基于S_Kohonen非侵入式居民负荷识别方法,包括以下步骤:步骤一:根据家庭电力入口处有功功率的变化判断投切事件,当发生投切事件时,在家庭电力入口处采集发生投切事件的电器电流样本;步骤二:对采集到的电器电流样本进行频域分析,提取其频域谐波幅值作为各电器的负荷特征,形成负荷特征库;步骤三:设计适用于居民负荷识别的S_Kohonen神经网络,确定S_Kohonen神经网络输入层和输出层的神经元个数以及竞争层的规模,以确定获胜神经元的选择方式和权值调整的学习算法;步骤四:初始化参数;步骤五:训练集对S_Kohonen网络进行训练,测试集进行测试;步骤六:调整网络参数实现最佳网络性能。但是,该技术仅仅对20W以上的用电器有效,低于20W的不能正确的判断出投切事件,从而不能识别出该类用电器;仅仅采用功率变化为投切事件判断的依据,且采用人工智能算法,计算量更大,***功耗更大。
现有技术二(专利号201810133757.6)公开了一种基于Boost模型的非侵入式用电器识别方法,包括以下步骤:一、采用无标签数据收集,对电表数据进行收集;二、指引用户对需要识别的用电器分别进行开关操作,并记录电表功率数据和对应的用电器标签;三、先利用Bootstrap算法扩展有标签集,与无标签集一起组合成训练集,再用建立分类模型;四、实时收集功率突变事件,用训练好的模型对其分类,并向用户显示识别出的用电器结果;五、通过预识别阶段的新样本和新标签,将其添加到原有的有标签数据集中,重复步骤三和步骤四;六、用达到精度要求的模型对用电器进行识别,并实时反馈给用户或需求方。但是,该技术采用功率变化为投切事件判断的依据,其适用的电气功率都是在几十瓦以上,即仅仅对大功率电气有效。
现有技术三(专利号202111501733.X)公开了一种基于非侵入智能终端的负荷识别方法,通过采集终端采集原始负荷数据;利用负荷事件检测算法定位到负荷投切点,并依据投切点提取稳定段数据;进行数据预处理,剔除不理想的数据;提取特征,构建负荷稳态特征集;根据熵权法,计算不同特征的特征权重;提取未知负荷的稳态特征,结合特征权重计算未知负荷与已知稳态特征集的改进特征加权欧式距离;取各类样本倒数作为表决权重,结合表决权重计算未知负荷与特征集的相似度,取最相似的负荷种类作为判别结果。
在如今大量使用电力能源的时代,电力监控是一个重要的话题。在家用电力领域,家用电器识别的要求不断被重视。现有的用电器识别算法与***,往往不能兼顾低成本和高精度这两个重要需求,不适用于实际的家庭电器识别使用状况。现有非侵入用电器识别***计算复杂度过高,不利于低功耗和产业化。
作为家用识别装置,目前市场上已有的多是成本相对较低的非侵入式电器监控装置,为了在节约成本的同时保证识别的准确性,如今的监控装置多采用一些神经网络或者人工智能的算法,需要复杂的训练以及复杂的计算,带来了***功耗的增加以及成本的增加。当然同时也有一些采用简单识别方式的设备,但难以维持较好的识别效果,实际使用效果堪忧。总体来说,在家用电器识别这一领域,高精度和低成本的需求难以两全。因此,亟需设计一种新的、低复杂度、高精度的非侵入式用电器监测识别的方法和***。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有的用电器识别算法与***,往往不能兼顾低成本和高精度这两个重要需求,不适用于实际的家庭电器识别使用状况;现有非侵入用电器识别***计算复杂度过高,不利于低功耗和产业化。
(2)现有用电器识别成本高,其他更低成本的识别装置则具有识别精度不足的明显问题;或是只能识别由厂商固定选定的用电器,使用范围非常局限,或是识别准确度不高,无法做到高准确率的实时识别显示。
(3)现有监控装置多采用神经网络或者人工智能的算法,需要复杂的训练以及复杂的计算,带来***功耗的增加以及成本的增加;当然同时也有采用简单识别方式的设备,但难以维持较好的识别效果,实际使用效果堪忧。
(4)现有的非侵入式居民负荷识别方法仅仅对20W以上的用电器有效,从而不能识别出类用电器;仅仅采用功率变化为投切事件判断的依据,且采用人工智能算法计算量更大,***功耗更大。
(5)现有的非侵入式用电器识别方法采用功率变化为投切事件判断的依据,其适用的电气功率都是在几十瓦以上,即仅仅对大功率电气有效。
发明内容
针对现有技术存在的问题,本发明提供了一种非侵入式用电器识别方法、***、介质、设备及终端,尤其涉及一种基于动态特征参数的非侵入式用电器识别方法、***、介质、设备及终端。
本发明是这样实现的,一种非侵入式用电器识别方法,所述非侵入式用电器识别方法包括:利用电流互感器和电压过零检测电路,同步取样用电器的电流;利用MCU对500ms为一组的同步采样电流数据进行处理,得到电流的基波相位、各次谐波与基波幅度比和能量比的参数,并利用所述电流参数计算各用电器特征量;通过对变化的数据提取动态特征值,判断出变化的用电器种类,并结合累积和CUSUM智能识别出当前用电器的种类和数量。
进一步,所述非侵入式用电器识别方法包括以下步骤:
步骤一,进行ADC和MCU的初始化,为数据采集提供必要环境;
步骤二,进行当前模式判断:判断是否进入学习模式;若进入学习模式,则输入用电器编号,执行步骤三;若未进入学习模式,则为进入检测模式,执行步骤五;此步骤完成***工作方式的确定;
步骤三,判断是否按下学习键:若按下学习键,则同步采集数据并计算和存储特征参数,提示学习完成并显示特征参数;若未按下学习键,则执行步骤四;此步骤用于学习新用电器特征,为智能识别该设备创造条件;
步骤四,判断是否退出学习模式:若退出学习模式,则进入检测模式,执行步骤五;若未退出学习模式,则返回步骤三,重新进行学习操作;此步骤用于连续学习新用电器特征或者退出学习模式的选择;
步骤五,开始检测操作:定时采集数据,计算特征参数Vt,并判断Vt的变化是否超过门限;若否,代表当前被识别用电器数量和种类未发生变化,识别结果不变,返回步骤二;若是,代表当前被识别用电器数量和种类有变化,需要更新识别结果,执行步骤六;此步骤用于用电器状态改变的判断,以便及时触发识别过程;
步骤六,计算动态特征参数,利用欧式距离识别变化的用电器,并基于累计和CUSUM更新当前用电器的种类和数量;此步骤完成用电器的识别。
进一步,所述非侵入式用电器识别方法还包括:
***启动时,OLED屏幕将显示***功能菜单,通过矩阵键盘选择***进入学习模式或检测模式;在学习模式下,用电器数量为1,将用电器启用后通过人机交互,依次采集和学习各个用电器的电流波形和计算出的特征参数,并存储这些特征参数;在监测模式下,***将周期性地采集用电数据,计算出用电量的特征参数Vt,并根据Vt的变化判断是否有用电器状态发生改变,如果有,则利用变化的数据,计算出动态特征参数并利用欧式距离判断出变化的用电器种类;基于累积和更新识别出的当前的用电器种类和数量并通过OLED屏幕显示。
进一步,所述非侵入式用电器识别方法中的用电器参数处理技术过程分为用电器参数获取与用电器变化状态的提取。
用电器参数获取过程中,MCU通过读取ADS1256同步采集的电流和电压信息,进而分析得到有用数据;MCU通过串行***设备接口SPI读取ADC模块的数据;采样率设置为7.5K,通过ADS1256的DRDY信号触发MCU中断,实现对信号的连续采集;每次以过零信号的上升沿触发ADC采集一组数据,并使用环形FIFO队列对电参数信息进行存储。
用电器变化状态提取过程中,通过FFT运算实现电流频谱特征的提取,设第t组采样的电流采样数据为ft(l),则N点的DFT的结果为:
进一步,所述非侵入式用电器识别方法还包括:
定义多个用电器同时工作时,采集到的电流频谱中50Hz基频及各次谐波为:
采用间隔m组的数据的变化值ΔQt作为初步判断用电器是否变化的依据:
其中,H为门限,选取H=50mA,m=2;间隔m根据实际情况调整。
采用差分法,且选取频谱在50Hz的幅值差ΔDt(1)作为额外的判断条件:
ΔDt(1)=|Dt(1)|-|Dt-k(1)|;
通过比较ΔDt(1)值区分出大功率用电器的增减状况。
选取功率因数角φt(k)作为识别用电器变化的特征参数之一:
φt(k)=arg(Dt(k));
其中,arg(x)表示求x的角度。
用于判读用电器状态改变的函数为:
进一步,在对用电器参数进行处理后,所述用电器识别方法如下:
(2)定义特征向量Zt:
(3)在学习模式下,对单个用电器特征进行多次识别得到多个特征向量Z1,Z2,Z3…,作为该用电器的特征簇Ci:
其中,Nc为样本用电器种类数,Ni为第i个用电器的学习次数。
(4)在监测模式下,得到当前电器状态不变的一组未知样本的特征向量d:
当给定样本d时,针对用电器的特征簇划分C={C1,C2,C3,…}得最小平方误差:
其中,ui是簇Ci的均值向量:
E描述样本与簇均值向量的相似度,E值越小,则样本与对应用电器的相似度越高;通过确定E值最小时,对应用电器编号i的值,判断出变化用电器种类。
(5)在识别出变化的用电器种类后,根据ΔQt判断用电器的状态;当ΔQt>0,所述用电器开启,当ΔQt<0,所述用电器关闭;根据积累和原理,更新当前用电器的种类和数量,并更新OLED显示输出。
本发明的另一目的在于提供一种应用所述的非侵入式用电器识别方法的非侵入式用电器识别***,所述非侵入式用电器识别***包括MCU;
所述MCU采用STM32H7A3,外设由电流取样模块、电压过零检测模块、电源模块、ADC采样模块、OLED显示屏模块和键盘模块构成。
其中,利用所述电流取样器取样用电器电流并利用所述过零检测电路检测市电电压过零时刻;利用内置PGA的所述ADC对信号进行放大和模数转换,利用所述MCU在电压过零时刻同步采集电流信号、智能检测用电器种类和数量,并将结果显示在所述OLED屏幕上。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
利用电流互感器和电压过零检测电路,同步取样用电器的电流;利用MCU对500ms为一组的同步采样电流数据进行处理,得到电流的基波相位、各次谐波与基波幅度比和能量比的参数,并利用所述电流参数计算各用电器特征量;通过对变化的数据提取动态特征值,判断出变化的用电器种类,并结合累积和CUSUM智能识别出当前用电器的种类和数量。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
利用电流互感器和电压过零检测电路,同步取样用电器的电流;利用MCU对500ms为一组的同步采样电流数据进行处理,得到电流的基波相位、各次谐波与基波幅度比和能量比的参数,并利用所述电流参数计算各用电器特征量;通过对变化的数据提取动态特征值,判断出变化的用电器种类,并结合累积和CUSUM智能识别出当前用电器的种类和数量。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述的非侵入式用电器识别***。
结合上述的技术方案和解决的技术问题,请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
本发明设计了一种低复杂度、高精度的非侵入式用电器监测识别的算法和***。该***利用电流互感器和电压过零检测电路,同步取样用电器的电流,通过对变化的数据提取动态特征值,判断出变化的用电器种类,最后结合累积和(CUSUM)智能识别出当前用电器的种类和数量。同时,本发明通过对多种同时使用的家用电器进行准确识别,对于家庭电力使用状态做到实时监控把握,同时为实现泛在电力物联网客户侧智能感知提供一定条件,能够广泛应用于低压电网中,实现家用电器状况监控,用电情况通报等多样化功能。
本发明在不影响用电器本身工作状态的情况下,在电源总线上(家庭入户电表处)进行用电流同步采集;通过本发明自定义的多参数的检测方法判断出用电器的状态改变,决策是否实施具体识别过程;在确认有用电器种类发生变化后,本发明针对变化的信息提取出动态特征参数,然后利用欧氏距离判断出变化的用电器种类,最后结合累积和(CUSUM)实现当前用电器的种类和数量;在实现低功耗的同时保证高识别率,同时具有自主学习功能,能够识别多种混合组合用电器(包括大小功率用电器混合),最终识别准确率高达98.8%。
现有技术一仅仅对20W以上的用电器有效,低于20W的不能正确的判断出投切事件,从而不能识别出该类用电器;根据图5的仿真结果和表1可以看出,本发明通过采用电器状态改变的函数Vt,可以实现1W左右的小用电器的识别;现有技术一仅仅采用功率变化为投切事件判断的依据;本发明采用综合了功率变化、频谱变化、功率因数变化等多种变化组合的参数Vt作为投切事件判断的依据,灵敏度更高;现有技术一采用人工智能算法,计算量更大,***功耗更大;本发明采用了用电器的特征簇Ci和欧氏距离方法判断电气种类,计算量更小,且表2的实际测试结果表明,本***功耗小于1瓦(Pw=0.97),具有绿色节能特点,易于产业化。
现有技术二仅仅采用功率变化为投切事件判断的依据,该类方法仅仅对大功率电气有效,从现有技术二的表1和图2都可以看出,其适用的电气功率都是在几十瓦以上;本发明采用综合了功率变化、频谱变化、功率因数变化等多种变化组合的参数Vt作为投切事件判断的依据,灵敏度更高,从本发明图4的仿真结果和表1可以看出,本发明能实现1W左右的小用电器的识别;现有技术二采用Boot算法对采样序列计算熵增变量实现电气分类识别;本发明采用了用电器的特征簇Ci和欧氏距离方法判断电气种类;二者方法明显不同。
本发明与现有技术三的区别如下:
(1)用于学习和分类的特征参数集不同,现有技术三是伏安比系数、谐波畸变系数、有功功率,本发明是功率因数角φ(k)、3次及5次谐波与基波的幅度比值D1和D2、用电器电流I,频谱在50Hz的幅值差ΔDt(1);
(2)从现有技术三的表1、2可以看出,现有技术三的分类方法适用于大功率电气(表中最小功率电气为锂电池:0.291*220=64瓦),而从本发明图5的仿真结果和表1可以看出,本发明实现1W左右的小用电器(47K自制电气功率为0.005*220=1.1瓦,LED灯带功率为9.9瓦)的识别;
(3)现有技术三采用KNN和VFKN算法实现用电器识别;本发明采用电器的特征簇Ci和欧氏距离方法判断电气种类;二者方法明显不同。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明提供的非侵入式用电器识别***工作的电流不到1瓦,具有低功耗特性。经过多次实验验证,本发明的***在学习模式下,能成功学习所有待学习用电器,并在单片机中储存相应电参数;***学习迅速,各个用电器学习时间均小于1分钟。本发明所提的算法和***,具有很高的实用价值。
本发明兼顾低成本,低功耗,高识别精度为一体,易于工业化生产和推广使用;具有学习功能,本发明可自主学习新用电器,可识别用电器不局限于出厂时内置的用电器种类;只需要针对单个用电器进行少量数据的训练,即可对组合用电器实现准确的识别。
第三,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:
(1)本发明的技术方案转化后的预期收益和商业价值为:
为了适应经济社会发展需要,我国正在全力推进智能电网建设。对于建设泛在电力物联网而言,推进智能电表的使用和优化是在电网终端的重要建设。中国目前有约4.91亿户家庭,每年智能电报招标数量基本都在6000万左右,不仅有未安装智能电表的家庭需要新安装智能电表,更有老一代电表需要升级。本发明安装于家庭智能电表之上,能够实时识别用电器种类和数量,检测家庭用电器工作状态,便于进行电能管理,节能减排,减少家庭用电安全隐患等。面对着庞大的社会需求与现存的空白市场,本发明具有巨大的商业价值与空间。
(2)本发明的技术方案填补了国内外业内技术空白:
本发明可以部署在智能电表上,由于不需要复杂的神经网络的训练,因此可以在终端完成用电器的特征学习,大大增加了技术的实用性,填补了国内外业内的技术空白。
(3)本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题:
现有技术无法直接部署到智能电表上,本发明,低功耗和低成本的特性,可以部署到智能电表上,并能够本地化学习用电器特性,解决了人们一直渴望解决、但始终未能获得成功的技术难题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的非侵入式用电器识别方法流程图;
图2是本发明实施例提供的非侵入式用电器识别方法原理图;
图3是本发明实施例提供的非侵入式用电器识别***硬件设计图;
图4是本发明实施例提供的示例用电器频谱图;
图5是本发明实施例提供的示例用电器的变化示意图;
图6是本发明实施例提供的非侵入式用电器识别***OLED显示图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种非侵入式用电器识别方法、***、介质、设备及终端,下面结合附图对本发明作详细的描述。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
术语解释:用电器识别:指区分与确认正在使用的电器的种类;非侵入式:指没有改变原正常工作***的状态,对正常工作***没有影响,以附加状态存在;动态特征参数:指实时变化的电气参数,如电路电流,电功率等。
本发明实施例提供的非侵入式用电器识别方法,利用MCU对500ms为一组的同步采样电流数据进行处理,得到电流的基波相位,各次谐波与基波幅度比和能量比等参数。然后利用这些参数,计算出各用电器特征量。
如图1所示,本发明实施例提供的非侵入式用电器识别方法包括以下步骤:
S101,利用电流互感器和电压过零检测电路,同步取样用电器的电流;
S102,利用MCU对500ms为一组的同步采样电流数据进行处理,得到电流的基波相位、各次谐波与基波幅度比和能量比的参数;
S103,利用电流参数计算各用电器特征量;通过对变化的数据提取动态特征值,判断变化的用电器种类,并结合累积和识别当前用电器的种类和数量。
本发明实施例提供的软件***设计方案如图2所示。***启动时,OLED屏幕将显示***功能菜单,通过矩阵键盘选择***进入学习模式或检测模式。在学习模式下,用电器数量为1,将用电器启用后通过人机交互,依次采集和学习各个用电器的电流波形和计算出的特征参数,并存储这些特征参数;在监测模式下,***将周期性地采集用电数据,计算出用电量的特征参数Vt,然后根据Vt的变化,判断是否有用电器状态发生改变,如果有,则利用变化的数据,计算出动态特征参数并利用欧式距离判断出变化的用电器种类,最后基于累积和(CUSUM)更新识别出的当前的用电器种类和数量并通过OLED屏幕显示。
本发明实施例提供的具体的用电器参数处理技术过程分为用电器参数获取与用电器变化状态的提取。
用电器参数获取过程中,MCU需要通过读取ADS1256同步采集的电流和电压信息,进而分析得到有用数据。本***中,MCU通过串行***设备接口(SPI)来读取ADC模块的数据。采样率设置为7.5K。通过ADS1256的DRDY信号触发MCU中断,实现对信号的连续采集。为了保证每次采集的信号同相位,每次以过零信号的上升沿触发ADC采集一组数据,每组数据4096个,并使用环形FIFO队列对电参数信息进行存储。通过此方法能有效减少数据处理以及DRDY信号的中断服务程序的开销。
用电器变化状态提取过程中,本发明通过FFT运算实现电流频谱特征的提取。FFT是离散傅里叶变换(DFT)的快速算法,两者具有相同性质。设第t组采样的电流采样数据为ft(l),则其N点的DFT的结果为:
以某台灯、吹风机和路由器为例,实际采集和计算得到的频谱如图4所示。
由图4可以明显看出,不同用电器在电流频谱上具有较大差异,因此电流的频谱可以作为用电器识别的依据之一。
为了能判断出用电器数量及状态改变的时间点,需研究用电器的瞬时负荷特性。瞬时负荷特性指负荷在开启和关闭瞬间所表现的电气特性,稳态负荷特性指负荷开启进入稳定工作后所表现的电气特性。多个用电器的稳态负荷特性的变化可用于判断用电器的增减情况。
本发明定义多个用电器同时工作时,采集到的电流频谱中50Hz基频及各次谐波的值为:
如图5所示,在用电器发生变化的t=6的时刻,Qt发生了明显的变化,即通过Qt可以初步反映用电器的变化。本发明采用间隔m组的数据的变化值ΔQt作为初步判断用电器是否变化的依据:
其中H为门限,本发明测试所选取的H=50mA,m=2。间隔m可根据实际情况调整。
为了进一步提高用电器增减时刻的识别成功率,本发明采用差分法,且选取了频谱在50Hz的幅值差ΔDt(1)作为额外的判断条件:
ΔDt(1)=|Dt(1)|-|Dt-k(1)|;
通过比较ΔDt(1)值,可快速区分出大功率用电器的增减状况。
由于用电器会存在功率因数的不同,本发明还选取功率因数角φt(k)作为识别用电器变化的特征参数之一:
φt(k)=arg(Dt(k));
其中,arg(x)表示求x的角度。
综上,用于判读用电器状态改变的函数为:
在对用电器参数进行处理之后,本发明进行具体的用电器识别过程,详细的用电器识别方法如下:
2、定义特征向量Zt:
3、在学习模式下,对单个用电器特征进行多次识别得到多个特征向量Z1,Z2,Z3…,作为该用电器的特征簇Ci:
其中,Nc为样本用电器种类数,Ni为第i个用电器的学习次数。
4、在监测模式下,得到一个稳态下(当前电器状态不变)一组未知样本的特征向量d:
当给定样本d时,针对用电器的特征簇划分C={C1,C2,C3,…},可得最小平方误差:
其中,ui是簇Ci的均值向量:
E描述了样本与簇均值向量的相似度,E值越小,则样本与对应用电器的相似度越高。通过确定E值最小时,对应用电器编号i的值,即可判断出变化用电器种类。
5、在识别出变化的用电器种类后,根据ΔQt判断用电器的状态。当ΔQt>0,该用电器开启,当ΔQt<0,该用电器关闭。最后,根据积累和(CUSUM)原理,更新当前用电器的种类和数量,并更新OLED显示输出。
本发明实施例提供的非侵入式用电器识别***设计分为硬件***设计与软件***设计。本发明实施例提供的硬件设计方案如图3所示。
本发明的MCU采用意法半导体公司的STM32H7A3,外设由电流取样、电压过零检测、电源、ADC采样、OLED显示屏和键盘等模块构成。
本发明实施例提供的非侵入式用电器识别***首先用电流取样器取样用电器电流并利用过零检测电路检测市电电压过零时刻,其次用内置PGA的ADC对信号进行放大和模数转换,再次利用MCU在电压过零时刻同步采集电流信号、智能检测用电器种类和数量,最后将结果显示在OLED屏幕上。
其中,MCU可以为具有类似采样和处理功能的其它型号的微处理器;评价函数与判断用电器状态改变的函数中的具体参数可以选取其它值;判断过程中采用的用电器参数个数与种类(N次谐波与基波比值,功率因数角等),可以更具实际识别需要与成本考虑,进行一定修改调整。本发明显示器硬件部分,具体的屏幕可以被替换,如HMI屏幕,LCD屏幕等,其中显示部分也可根据实际需求更改。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
发明人首先将本发明实现的***部署在接线板输入线上,并在该接线板上接入多个用电器组合,完成了学习和识别,验证了***的正确性;然后将本发明实现的***部署在西安电子科技大学EII-202实验室电表箱内,通过一段测试,表明,***可以准确的识别出实验室内在用的示波器、信号源、电源、电烙铁、空调、笔记本、台灯等用电器的组合,进一步验证了***的正确性。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
1、用电器学习测试
学习时,首先将待学习用电器与插座相连,通过人机交互界面选择进入学习模式。开始学习后,启动用电器并保持用电器运行,此时***将按照所提出的详细的用电器识别方法,对单个用电器的电参量信息采样并计算出用电器的特征向量Zi,经过多次识别后得到该用电器的特征簇Ci并保存。学习成功后,将学习结果显示在OLED显示屏上,显示内容包含功率因数角φ(k)、3次及5次谐波与基波的幅度比值D1和D2、用电器电流I和***功耗Pw。
用电器学习测试结果如表1所示。
表1学习模式测试结果
由表1可知,***工作电流不到1瓦,具有低功耗特性。经过多次实验验证,***在学习模式下,能成功学习所有待学习用电器,并在单片机中储存相应电参数。***学习迅速,各个用电器学习时间均小于1分钟。
2、用电器识别测试
本发明对8种用电器的256种不同投切组合进行验证,设定用电器开启的状态为“1”,关闭的状态为“0”。用1个字节的各个比特表示各个用电器的状态,1到8号用电器分别对应该字节的第0位到第7位。此时,256种用电器组合可表示为0到255的一个数,用二进制表示为{00000000,00000001,00000010,……,11111110,11111111}。为消除积累误差带来的错误统计,每种用电器组合均从全部用电器关闭开始,按照表2第二列逐渐增加用电器数量,然后将***识别结果记录在表2的第三列。
表2用电器识别测试结果
表2给出了不同用电器组合的测试结果,省略的部分测试结果均正确。通过表2可知,本***在第49、170、237组实验时,发生错误,进一步分析可知,错误发生时,6号大功率用电器(电吹风)均在工作,导致5号最小的用电器(47k纯电阻)识别错误。***的识别成功率为(256-3)/256=98.83%。考虑到用电器识别的目的是统计用电负荷信息,对于这种非常小的用电器,错误的识别结果对用电负荷信息的统计影响不大,因此本发明所提算法和***,仍具有很高的实用价值。
图6给出了***学习和测试时的OLED显示信息。图6左图给出了***学习节能灯的结果,中间图给出了***学习风扇时结果,右图给出了***在监测模式下检测到LED灯带开启时结果。图6中,DATA X和IDX中数字X与表1中的用电器编号相对应。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
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,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种非侵入式用电器识别方法,其特征在于,所述非侵入式用电器识别方法包括:
利用电流互感器和电压过零检测电路,同步取样用电器的电流;利用MCU对500ms为一组的同步采样电流数据进行处理,得到电流的基波相位、各次谐波与基波幅度比和能量比的参数,并利用所述电流参数计算各用电器特征量;通过对变化的数据提取动态特征值,判断出变化的用电器种类,并结合累积和CUSUM智能识别出当前用电器的种类和数量。
2.如权利要求1所述的非侵入式用电器识别方法,其特征在于,所述非侵入式用电器识别方法包括以下步骤:
步骤一,进行ADC和MCU的初始化;
步骤二,进行当前模式判断:判断是否进入学习模式;若进入学习模式,则输入用电器编号,执行步骤三;若未进入学习模式,则为进入检测模式,执行步骤五;
步骤三,判断是否按下学习键:若按下学习键,则同步采集数据并计算和存储特征参数,提示学习完成并显示特征参数;若未按下学习键,则执行步骤四;
步骤四,判断是否退出学习模式:若退出学习模式,则进入检测模式,执行步骤五;若未退出学习模式,则返回步骤三,重新进行学习操作;;
步骤五,开始检测操作:定时采集数据,计算特征参数Vt,并判断Vt的变化是否超过门限;若否,代表当前被识别用电器数量和种类未发生变化,识别结果不变,返回步骤二;若是,代表当前被识别用电器数量和种类有变化,需要更新识别结果,执行步骤六;
步骤六,计算动态特征参数,利用欧式距离识别变化的用电器,并基于累计和CUSUM更新当前用电器的种类和数量。
3.如权利要求1所述的非侵入式用电器识别方法,其特征在于,所述非侵入式用电器识别方法还包括:
***启动时,OLED屏幕将显示***功能菜单,通过矩阵键盘选择***进入学习模式或检测模式;在学习模式下,用电器数量为1,将用电器启用后通过人机交互,依次采集和学习各个用电器的电流波形和计算出的特征参数,并存储这些特征参数;在监测模式下,***将周期性地采集用电数据,计算出用电量的特征参数Vt,并根据Vt的变化判断是否有用电器状态发生改变,如果有,则利用变化的数据,计算出动态特征参数并利用欧式距离判断出变化的用电器种类;基于累积和更新识别出的当前的用电器种类和数量并通过OLED屏幕显示。
4.如权利要求1所述的非侵入式用电器识别方法,其特征在于,所述非侵入式用电器识别方法中的用电器参数处理技术过程分为用电器参数获取与用电器变化状态的提取;
用电器参数获取过程中,MCU通过读取ADS1256同步采集的电流和电压信息,进而分析得到有用数据;MCU通过串行***设备接口SPI读取ADC模块的数据;采样率设置为7.5K,通过ADS1256的DRDY信号触发MCU中断,实现对信号的连续采集;每次以过零信号的上升沿触发ADC采集一组数据,并使用环形FIFO队列对电参数信息进行存储;
用电器变化状态提取过程中,通过FFT运算实现电流频谱特征的提取,设第t组采样的电流采样数据为ft(k),则N点的DFT的结果为:
5.如权利要求1所述的非侵入式用电器识别方法,其特征在于,所述非侵入式用电器识别方法还包括:
定义多个用电器同时工作时,采集到的电流频谱中50Hz基频及各次谐波为:
采用间隔m组的数据的变化值ΔQt作为初步判断用电器是否变化的依据:
其中,H为门限,选取H=50mA,m=2;间隔m根据实际情况调整;
采用差分法,且选取频谱在50Hz的幅值差ΔDt(1)作为额外的判断条件:
ΔDt(1)=|Dt(1)|-|Dt-k(1)|;
通过比较ΔDt(1)值区分出大功率用电器的增减状况;
选取功率因数角φt(k)作为识别用电器变化的特征参数之一:
φt(k)=arg(Dt(k));
其中,arg(x)表示求x的角度;
用于判读用电器状态改变的函数为:
6.如权利要求1所述的非侵入式用电器识别方法,其特征在于,在对用电器参数进行处理后,所述用电器识别方法如下:
(2)定义特征向量Zt:
(3)在学习模式下,对单个用电器特征进行多次识别得到多个特征向量Z1,Z2,Z3...,作为该用电器的特征簇Ci:
其中,Nc为样本用电器种类数,Ni为第i个用电器的学习次数;
(4)在监测模式下,得到当前电器状态不变的一组未知样本的特征向量d:
当给定样本d时,针对用电器的特征簇划分C={C1,C2,C3,...}得最小平方误差:
其中,ui是簇Ci的均值向量:
E描述样本与簇均值向量的相似度,E值越小,则样本与对应用电器的相似度越高;通过确定E值最小时,对应用电器编号i的值,判断出变化用电器种类;
(5)在识别出变化的用电器种类后,根据ΔQt判断用电器的状态;当ΔQt>0,所述用电器开启,当ΔQt<0,所述用电器关闭;根据积累和原理,更新当前用电器的种类和数量,并更新OLED显示输出。
7.一种应用如权利要求1~6任意一项所述的非侵入式用电器识别方法的非侵入式用电器识别***,其特征在于,所述非侵入式用电器识别***包括MCU;
所述MCU采用STM32H7A3,外设由电流取样模块、电压过零检测模块、电源模块、ADC采样模块、OLED显示屏模块和键盘模块构成;
其中,利用所述电流取样器取样用电器电流并利用所述过零检测电路检测市电电压过零时刻;利用内置PGA的所述ADC对信号进行放大和模数转换,利用所述MCU在电压过零时刻同步采集电流信号、智能检测用电器种类和数量,并将结果显示在所述OLED屏幕上。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
利用电流互感器和电压过零检测电路,同步取样用电器的电流;利用MCU对500ms为一组的同步采样电流数据进行处理,得到电流的基波相位、各次谐波与基波幅度比和能量比的参数,并利用所述电流参数计算各用电器特征量;通过对变化的数据提取动态特征值,判断出变化的用电器种类,并结合累积和CUSUM智能识别出当前用电器的种类和数量。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
利用电流互感器和电压过零检测电路,同步取样用电器的电流;利用MCU对500ms为一组的同步采样电流数据进行处理,得到电流的基波相位、各次谐波与基波幅度比和能量比的参数,并利用所述电流参数计算各用电器特征量;通过对变化的数据提取动态特征值,判断出变化的用电器种类,并结合累积和CUSUM智能识别出当前用电器的种类和数量。
10.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现如权利要求7所述的非侵入式用电器识别***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210637085.9A CN114942344A (zh) | 2022-06-07 | 2022-06-07 | 一种非侵入式用电器识别方法、***、介质、设备及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210637085.9A CN114942344A (zh) | 2022-06-07 | 2022-06-07 | 一种非侵入式用电器识别方法、***、介质、设备及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114942344A true CN114942344A (zh) | 2022-08-26 |
Family
ID=82909877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210637085.9A Pending CN114942344A (zh) | 2022-06-07 | 2022-06-07 | 一种非侵入式用电器识别方法、***、介质、设备及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114942344A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601603A (zh) * | 2022-11-29 | 2023-01-13 | 北京志翔科技股份有限公司(Cn) | 模型训练和用电器类别识别方法、设备及存储介质 |
CN116433226A (zh) * | 2023-06-14 | 2023-07-14 | 浙江亿视电子技术有限公司 | 基于电参数ai分析的交流供电设备管理方法及*** |
-
2022
- 2022-06-07 CN CN202210637085.9A patent/CN114942344A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601603A (zh) * | 2022-11-29 | 2023-01-13 | 北京志翔科技股份有限公司(Cn) | 模型训练和用电器类别识别方法、设备及存储介质 |
CN116433226A (zh) * | 2023-06-14 | 2023-07-14 | 浙江亿视电子技术有限公司 | 基于电参数ai分析的交流供电设备管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Non-intrusive load monitoring algorithm based on features of V–I trajectory | |
CN110956220B (zh) | 一种非侵入式家用电器负荷识别方法 | |
Gao et al. | A feasibility study of automated plug-load identification from high-frequency measurements | |
CN112180193B (zh) | 一种基于轨迹图像识别的非侵入式负荷识别***及方法 | |
Berges et al. | User-centered nonintrusive electricity load monitoring for residential buildings | |
CN114942344A (zh) | 一种非侵入式用电器识别方法、***、介质、设备及终端 | |
CN114970633B (zh) | 一种基于lstm的非侵入式用电器识别方法、***及设备 | |
CN105823948A (zh) | 一种非干预式居民负荷识别方法 | |
CN109359665B (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
CN110416995B (zh) | 一种非侵入式负荷分解方法和装置 | |
CN109633301B (zh) | 基于量子遗传优化的非侵入式电器负荷识别方法 | |
Yu et al. | Non-intrusive adaptive load identification based on siamese network | |
Du et al. | Support vector machine based methods for non-intrusive identification of miscellaneous electric loads | |
CN109782086B (zh) | 一种基于多维度信号分析的非侵入负荷识别方法 | |
Liu | Non-intrusive load monitoring | |
CN111932051A (zh) | 一种基于非侵入式电力终端时序监测的恶意行为检测方法 | |
CN113361831A (zh) | 基于优先级分配的非侵入式负荷辨识电量分解方法及*** | |
Mittelsdorf et al. | Submeter based training of multi-class support vector machines for appliance recognition in home electricity consumption data | |
Yin et al. | Research on non-intrusive unknown load identification technology based on deep learning | |
Li et al. | Stacking ensemble learning-based load identification considering feature fusion by cyber-physical approach | |
Matthews et al. | Automatically disaggregating the total electrical load in residential buildings: a profile of the required solution | |
de Souza et al. | An effective CPT-based nonintrusive load monitoring for cognitive meters | |
Gurbuz et al. | A brief review of non-intrusive load monitoring and its impact on social life | |
CN205809165U (zh) | 一种基于相似度算法的用于家用智能电表的负荷识别*** | |
CN114492671B (zh) | 基于改进fcm聚类算法与mlp神经网络的非侵入式家庭负荷识别方法 |
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 |