用于非侵入式负载监测的方法和系统的制作方法
【专利摘要】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。
【专利说明】用于非侵入式负载监测的方法和系统
【技术领域】
[0001]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】
[0002]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 breaker level)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。
[0003]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IHz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)。
[0004]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被操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。
[0005]因此，存在对能够提供更准确的电器(负载)使用数据的NIALM系统和方法的需求。
【发明内容】
[0006]本文中示出的一组新的NIALM系统和方法(B卩，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。
[0007]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)。
[0008]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。
[0009]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。
[0010]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。
[0011]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。
[0012]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。
[0013]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η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。
[0014]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。
[0015]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系统，该系统包括: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。
【专利附图】
【附图说明】
[0016]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:
[0017]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系统的框图；
[0018]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；
[0019]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；
[0020]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；[0021]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；
[0022]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 ；
[0023]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
[0024]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】
[0025]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系统和方法的实施例。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一“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)系统中的装置(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。
[0026]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。
[0027]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。
[0028]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。
[0029]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。[0030]初步处理
[0031]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)。
[0032]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(ΛPsurge)和持续时间(Δ tsurge)来表征。在步骤34中估计剧变量值和持续时间。
[0033]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(IS0DATA)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。
[0034]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。另夕卜，多个电器可对应于单个聚类，于是该单个聚类需要进行分裂。
[0035]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“I”。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“O”。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I)。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)。
[0036]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IS0DATA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)。
[0037]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。[0038]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&处出现的并且来自聚类i(i=l，2，…，n，其中η是合并之后的聚类的总数目)的量值APij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APik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:
[0039]APik e Δ Pij (1+ δ )等式 I
[0040]在此阶段，认为匹配是当在时间上从-Λ Pijgj退时满足等式I的第一个APik。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而构建“接通”间隔或“接通”时间的样本集合ItmJitj类似地，通过计算来构建“断开”间隔或“断开”时间的样本集合IxffIi (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1?和Iff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 )。
[0041]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(Λ Psurge)和持续时间(Atsuw)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APsuw和持续时间Atsurge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。
[0042]表1
[0043]
【权利要求】
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η元组； 1.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系统，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。
【文档编号】G01R21/00GK103998942SQ201180067369
【公开日】2014年8月20日 申请日期:2011年12月13日 优先权日:2010年12月13日
【发明者】迈克尔·蔡夫曼 申请人:美国弗劳恩霍夫股份公司