XiaoMi-AI文件搜索系统
World File Search SystemNILM
使用能量热图的深度学习 NILM 方法
能源分解通过一个测量整个家庭用电需求的仪表来估计每个电器的用电量。与侵入式负荷监测相比，NILM（非侵入式负荷监测）成本低、易于部署且灵活。在本文中，我们提出了一种新方法，即 IMG-NILM，该方法利用卷积神经网络 (CNN) 分解以图像表示的电力数据。IMG-NILM 不是采用传统的将电力数据作为时间序列处理的方法，而是将时间序列转换为热图，将较高的电力读数描绘为“更热”的颜色。然后，CNN 使用图像表示从聚合数据中检测电器的特征。IMG-NILM 稳健而灵活，在各种类型的电器上均具有一致的性能；包括单一状态和多种状态。它在单个房屋的 UK-Dale 数据集上实现了高达 93% 的测试准确率，其中存在大量电器。在从不同房屋收集电力数据的更具挑战性的环境中，IMG-NILM 也达到了 85% 的非常好的平均准确率。
非侵入式负荷监测支持的交流/直流住宅微电网在线能量管理系统
传统电力系统正在经历一场重大革命，这场革命的主要驱动力是绿色转型和数字化。本文利用数字化带来的创新，为住宅交流/直流微电网 (MG) 提出了一种先进的系统级 EMS。所提出的 EMS 支持绿色转型，因为它是为包括可再生能源 (RES)、电池和电动汽车的 MG 而设计的。此外，还自动提取了住宅用户的用电行为，以创建更灵活的 MG。部署了深度学习支持的非侵入式负载监控 (NILM) 算法来分析和分解 MG 中每个家庭的聚合消费信号。设计了一个两级 EMS，使用优化、预测和 NILM 模块来协调家庭和 MG 组件。所提出的系统级 EMS 已在实验室环境中进行了实时测试。实验考虑了不同的优化周期，并证明了所提出的 EMS 对不同优化范围的有效性。以调峰策略为基准，提出的24小时EMS可将住宅MG日常运行成本降低12.36％。
商业整栋建筑传感器和控制的趋势
ACEEE – 美国能源效率经济委员会 AEO – 年度能源展望 AFDD – 自动故障检测与诊断 ASHRAE – 美国采暖、制冷与空调工程师协会 BAS – 楼宇自动化系统 BEMS – 楼宇能源管理系统 BMS – 楼宇管理系统 CAGR – 复合年增长率 CBECS – 商业建筑能耗调查 CDM – 商业需求模块 CFL – 紧凑型荧光灯 CT – 控制技术 DDC – 直接数字控制 DER – 分布式能源 DLC – 设计照明联盟 DOE – 美国能源部 DR – 需求响应 DSIRE – 国家可再生能源与效率激励措施数据库 EMCS - 能源管理和控制系统 FDD – 故障检测与诊断 GSA – 美国总务管理局 HVAC – 采暖、通风与空调 IoT – 物联网 IP – 互联网协议 IT – 信息技术 LBNL – 劳伦斯伯克利国家图书馆 LED – 发光二极管 LMC –照明市场特征 MEL – 杂项电负荷 NEMS – 国家能源建模系统 NILM – 非侵入负荷监测 NYSERDA – 纽约州能源研究与发展局 PNNL – 太平洋西北国家实验室 SaaS – 软件即服务 SDI – 服务需求强度 SSL – 固态照明 VAV – 可变风量