1. 简介
非侵入式负载监控(Non-Intrusive Load Monitoring,NILM)是仅根据整个房屋的功率计读数估算单个设备所消耗的能量的过程。换句话说,它仅通过一个整个房屋的电表就可以判断出各类电器使用的电量(比如空调,冰箱,白炽灯,荧光灯和电视机),知道了分类电器的用电情况,可以实现各种节能措施。
所谓非侵入是指不需要进入房屋内部,安装各种计量设备,就可以检测内部各种电器的行为。该系统具有显著的成本优势,并且减少给顾客的麻烦。
国外研究这个课题的还很多。包括了
- 开源项目
- 开源数据集
- 公开发布的论文
下面的网站记录的比较完整:http://nilm.ca/
还有一个github 项目:https://github.com/nilmtk/nilmtk
2. 算法
2.1 基于传统的方式
早在上世纪80年代末,美国电科院和MIT就已经开始进行相关理论研究,代表文献为:
Hart, G.W. Nonintrusive appliance load monitoring. IEEE Proc 1992, 80, 1870–1891.
通过用电功率变化的低速数据可以判断出来电器的类型,比如电冰箱,空调的功率是间隙变化启动和停止的。据此开发了相关的非侵入式负荷监测系统。但是当负荷种类和数量较多时,负荷监测的正确率大幅下降。
基本的方法是判断下面的曲线。
2.2 基于深度学习/神经网络方式
3. 商业化产品
我们以美国Enetics的speed 产品为例介绍商业化产品。
3.1 数据采集
采集的数据大致如下:
- 电压 :幅度,频率,相位角
- 电流:幅度,频率,相位角
- 谐波信号:多届谐波信号
- 功率因子
数据包括了低速数据和高速数据两种。
3.2 采样频率
据Baranski2004年研究表明,典型的家庭的开关频次1000到10000次。冰箱和空调是间隙开关的。
3.3 数据检测设备
如果直接通过电表采集数据,可能速度、精度和参数类型不够,个人觉得使用专用仪表好一点,比如采集的方式可以使用电能分析仪,福禄克称为电能质量记录仪,但价格不便宜。
如果采集的数据用于神经网络的训练,还需要加上实际电器的开关情况。那就要采集各类电器的开关信息。数据采集工作是非常耗费时间和资金的事情,有了数据相当于成功了一半。