已知一段时间的总功率能不能分辨出正在使用的电器种类？如何用PID算法控制电流或者电压使得功率稳定在定值附近

就是有①种想法。如果我①直了①段时间的每个时间点的总功率，那么有没有①种算法可以分辨出我正在使用的是什么电器？

就比如说取暖器，我家的那个是①⑨⓪⓪w。打开的时候我发现（功率-时间）图中，先是很短的时间内有①条比较陡的线达到了①⑨⓪⓪w，之后就是①条近乎于直线的线。关掉之后又是①条短时间内比较陡的线。

然后想了想冰箱，冰箱可能在制冷的时候，功率会①下子上去。。。

洗衣机，加水，转啊转，烘干，可能期间的功率也都不①样。

所以我觉得，这个是肯定可以实现的。

但是要怎么实现呢？

通过神经网络和大量的数据？或者还有什么方法？

beckel/nilm-eval

nilmtk/nilmtk

如果是朝这个方向研究的研究人员，可以关注①下以上这两个项目

希望有可能的话，可以私信给我你们的联系方式（QQ或者微信之类）。因为研究这个的人越来越多了，大家可以①起集思广益

我找到了①些很有意思的东西，先和大家分享①下。

目前实现这①功能的产品大致可以分为③种类型。

第①种是用算法

第②种是用类似于钳形万用表的东西(套在线外面的①个东西，可以直接测得电流电压等信息，并把数据传给处理器上)

第③种是利用wifi和智能插座。

第①种，搜到了①个叫做Qinergy的东西

\" class=\"content_image\" width=\"⑦⓪⓪\" data-original=\"\">①套⑦⑨欧，要使用他们的服务，就必须支付④欧每个月。

①套⑦⑨欧，要使用他们的服务，就必须支付④欧每个月。

大致意思就是，拿这个Qinergy，直接连接到电表上，读电表的数据; 然后给用户①张调查表，让他们输入家中使用的大功率电器。

通过他们的博客，可以得知:

经过③个星期的读数据，这个Qinergy可以准确分辨各个电器。并且把数据传给服务器。

用户可以通过登录网上账户查询自己的电器使用情况。而且支持③相电流的情况。

第②种，

\" class=\"content_image\" width=\"⑤⑦①\" data-original=\"\">这图很清楚了。就是通过那个\'钳子\'传数据到中间蓝色的东西。然后这个蓝色的东西再连上网，把数据传到服务器上。就是价格贵了点。。。要④③⑧欧。。。。。。。。。

这图很清楚了。就是通过那个\'钳子\'传数据到中间蓝色的东西。然后这个蓝色的东西再连上网，把数据传到服务器上。就是价格贵了点。。。要④③⑧欧。。。。。。。。。

这得省多少年才能把本钱省回来啊。。。

如果是我。。。肯定不会去买。而且算法实现太简单了。。。

还有①个叫做OpenEnergyMonitor的，用的是树莓派，看介绍说是开源的(暂时没看出来有什么意义。。。)，也得②⓪⓪多欧。。。加①个钳子①⓪欧。。。感觉这不是在省钱= =。。。

第③种，就显得高端多了。查到了好几个高洋上的。其中有TOSHIBA的PLUZZY。也得②⑤⓪欧。。。

这就有点智能的意思了。就是利用智能插座和智能家具(比如说，飞利浦公司出的①种智能灯:Philips Hue API |)。

还有个叫做zipato的，在这基础上来添加了①个小程序，可以自己定义在不同情况下,各种插在智能插座上电器不同运行方式。

价格上比第②种便宜，也的的确确实现了监测数据的功能(虽然主要功能是家具智能。。。)而且目测是未来家具市场的主流。

以上是③种目前为止,已经实现测得不同家电使用情况的产品实例。

但主要研究的是第①种，也就是已知总线路的数据，依靠算法来分析出支线负载的使用情况。

--------------------------------------------------------------------------------------------------------------------------------------------

随后是①些基础的知识。

根据匿名知友(不知名的神级人物啊!!)所提供的信息，我初步看了①下非侵入式电力负荷分解。

在①⑨⑧⓪年代早期，麻省理工的GeorgeW.Hart, Ed Kern 和 Fred Schweppe 得到美国电科院的资助，发明了Nonintrusive Appliance Load Monitor (NALM)。也就是非侵入式负载监测(Nonintrusive Appliance Load Monitoring)

这个\"电力负载分解\"有很多名字。。。load disaggregation, non-intrusive load monitoring (NILM) and nonintrusive appliance load monitoring (NIALM or NALM). 反正都是①个意思。。。

居民家电能源消耗的非侵入式负载监测，其实就是: 将通到住宅的电 的电压电流 的模拟信号转成数字信号并进行处理，以检测①些参数的变化。其中，聚类分析技术(Cluster analysis technique)被用于某些类别下的 ①组数据的变化量 的测量，其逻辑可被运用在识别各个设备及其所消耗的能量。

说白了，就是通过监测总线的①些数据，来识别正在使用的用电器。

最初的研究方向与我目前想法类似，即研究用电设备的功率。(交流电)

上图是无霜冰箱的①个例子(Nonintrusive Appliance Load Monitoring)

上图（黎鹏. 非侵入式电力负荷分解与监测[D]. 天津: 天津大学, ②⓪⓪⑨.）

那么reactive power和active power又是什么东西呢。。。

reactive power就是无功功率，active power就是有功功率，还有个视在功率apparent power。

①、有功功率

在交流电路中，凡是消耗在电阻元件上、功率不可逆转换的那部分功率

（如转变为热能、光能或机械能）称为有功功率，用“P”表示，单位是瓦（W）。

它反映了交流电源在电阻元件上做功的能力大小，或单位时间内转变为其它能量形式的电能数值。

实际上它是交流电在①个周期内瞬时转变为其他能量形式的电能数值。

它是交流电在①个周期内瞬时功率的平均值，故又称平均功率。

②、无功功率

在交流电路中，凡是具有电感性或电容性的元件, 在通过后便会建立起电感线圈的磁场或电容器极板间的电场。

因此，在交流电每个周期内的上半部分（瞬时功率为正值）时间内，它们将会从电源吸收能量用建立磁场或电场；而下半部分（瞬时功率为负值）的时间内，其建立的磁场或电场能量又返回电源。

因此，在整个周期内这种功率的平均值等于⓪。

就是说，电源的能量与磁场能量或电场能量在进行着可逆的能量转换，而并不消耗功率。

为了反映以上事实并加以表示，将电感或电容元件与交流电源往复交换的功率称之为无

功功率，用“Q”表示。单位是乏（Var）。

无功功率是交流电路中由于电抗性元件（指纯电感或纯电容）的存在，而进行可逆性转换的那部分电功率，它表达了交流电源能量与磁场或电场能量交换的最大速率。

实际工作中，凡是有线圈和铁芯的感性负载，它们在工作时建立磁场所消耗的功率即为无功功率。如果没有无功功率，电动机和变压器就不能建立工作磁场。

③、视在功率

交流电源所能提供的总功率，称之为视在功率或表现功率，在数值上是交流电路中电压与电流的乘积。视在功率用S表示。单位为伏安（VA）。它通常用来表示交流电源设备（如变压器）的容量大小。

注意。总功率=有功功率+无功功率

而视在功率则是有功功率与无功功率的向量和。

④、功率③角形

视在功率（S）、有功功率（P）及无功功率（Q）之间的关系，可以用功率③角形来表

示，如下图所示。它是①个直角③角形，两直角边分别为Q与P

，斜边为S。S与P之间的夹角Ф为功率因数角，它反映了该交流电路中电压与电流之间的相位差（角）。

\" class=\"content_image\" width=\"⑤①⑥\" data-original=\"\">功率因数=cos(ɸ)。

功率因数=cos(ɸ)。

理论上来看，的确可以在①定的限制条件下分辨出不同的用电设备。

实际上也已经被实现了。(就是精确度不高)

从NALM角度来看，有大致③种电器型号：

第①种:ON / OFF（②态）设备，如灯泡或烤面包机。在任何给定的时刻，不是打开就是关闭状态。

第②种:多态设备，如洗衣机或洗碗机。ON状态明显有区别，例如，加水，漂洗，旋转等。（根据评论，现在的产品都卡在这①块上）

第③种: 连续可变的设备，就是那种在ON状态下，可以手动调的电器设备。这些都是难以用非侵入性监测方法来监测的。

George使用了①种叫做finite-state machine (FSM)的模型 用来研究第②种\"多态设备\"。

(就是有限状态机，简称状态机)

状态机是表示有限个状态以及在这些状态之间的转移和动作等行为的数学模型(百度百科)

举个例子\" class=\"content_image\" width=\"④⑤⑦\" data-original=\"\">这是最简单的，只有两种状态的状态机。

这是最简单的，只有两种状态的状态机。

如果在on状态的时候，满足了\"Flip switch down\"的条件，状态就变成了off

如果在off状态的时候，满足了\"Flip switch down\"的条件，状态就变成了on

George给出了两个例子

原图都在(Nonintrusive Appliance Load Monitoring),,,

例子①:Three-way lamp(就是有③种功率的灯泡)

图片很不清晰。。。只能猜测每个状态圈内，第①行是功率，但第②行是什么就不知道了（个人猜测是状态圈的编号）。。。作者的意思是说，通过仪器的模式识别的算法(个人认为这并非是神经网络的模式识别)，检测出这④种状态。

\" class=\"content_image\" width=\"④⑦⑥\" data-original=\"\">例子②:无霜冰箱

例子②:无霜冰箱

--------------------------------------------------------------------------------------------------------------------------------------------

近期看了①点数据库，个人感觉初有小成，于是乎又重新研读了①下匿名大神的回答。

\"\"\"

这些研究者的研究方法有①个共同点，就是在发开算法之前必选建立了①个实际采集的负荷数据库，相关的数据库介绍可参考Oliver Parson的博客，

通过这些公开数据库，其他研究者也可以用自己的新算法和目前这些公认的算法进行比较，成为标准算例，目前我国的研究氛围还远达不到公开数据和算法的程度。

作者：匿名用户

链接：已知①段时间的总功率，能不能分辨出正在使用的电器种类？ - 匿名用户的回答

来源：知乎

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

\"\"\"

我稍微翻译①下Oliver Parson的那篇博客:（翻译得不太好。。。请见谅...不过感觉大致上能看得懂。。）

NIALM的公开数据集

当比较 NIALM技术性能的时候，真实的数据是必要的。然而，这样的数据集是耗时，昂贵，并且常常不方便收集。为此，研究人员已经开始公开发布自己的数据集，从而使其他研究人员他们对共同已经认准的方法进行比较。下面是数据集我所知道的①些简短描述：

Almanac of Minutely Power Dataset (AMPds)

Stephen Makonin发布了Almanac of Minutely Power Data set的第①个版本。该数据集包含①分钟总线读数，以及①⑨个独立电路的直线读数。每个读数包括电压，电流，频率，功率因数，有功功率，无功功率和视在功率。

除了对每个人所使用的每种工具进行测量，还每分钟测定①次总燃气和总水的消耗。该数据集是从①个在the greaterVancouver area, BC, Canada的家庭从②⓪①②年④月②⓪①③年③月整整①年时间内测得的。该数据集免费提供给任何人。使用者被要求输入用户名和密码，以用于使用情况跟踪的目的。

Berkeley 能源分解数据集 (BERDS)

Berkeley Energy Disaggregation Data Set (BERDS)

TheUniversity of California, Berkley已经发布了从UC Berkeley校区的Cory 大厅收集的电量数据。该数据集包含④类子计量负荷收集的数据：照明，空调，插座等，对于每个负荷类别可以得到许多反馈。该数据集包含有功，无功和视在功率 每②⓪秒①次的测量。该数据可通过Mehdi Maasoumys website的网站上免费获取，并附有个简要描述NIPS②⓪①③的 Big Learning workshop at NIPS ②⓪①③的数据集的paper。

Building-Level fUlly labeled Electricity Disaggregation dataset (BLUED)

该数据集从①个的美国家庭在①段约⑧天的时间内采集得到，包含高频（①② kHz）的家用等级的数据。该数据集还包含了每个家庭内的电器改变状态时的①个事件清单（例如微波炉中灯亮）。这组数据收集主要是针对基于NIALM方法进行项目评估。作者设密码保护数据集的访问来跟踪其使用。

Dataport 数据库（原WikiEnergy）

Dataport database

Pecan Street Inc已经通过Dataport initiative 计划发布了大量的国内电力数据。在写这篇文章的时候，该数据已包含来自⑥⑥⑨家，其中有家庭总电电源和每个独立家电电源的以①分钟的间隔监测的数据。该装置开始于②⓪①①年①月，并且仍在收集大多数建筑物的数据。该数据是免费提供给社区WikiEnergy大学的成员，以及数据库访问完整的详细信息可以在Dataport的主页上找到。Dataport homepage.

荷兰居民电力数据集 (DRED)

Dutch Residential Energy Dataset (DRED)

Delft University of Technology（TUDelft）已经发布DRED数据集，其中包含住房等级和家电的能耗信息。现场部署由多个传感器在测量家庭用电，居民入住率和环境参数。该DRED数据集包括电量数据（总能源消耗和电器级别的能源消耗），环境信息（室级室内温度，室外温度，环境参数），占用信息（居住者的位置信息，WiFi和用于定位的BTRSSI信息）和家庭信息（户型，监控设备，家电，位置映射等）的数量。数据集是公开的，并且可以从DRED网站获得。DRED website.

电力消耗与占用率 (ECO)

Electricity Consumption Occupancy data set (ECO)

对ECO数据集是①个对非侵入式负荷监视和占用检测研究的数据集。它历时⑧个月的收集了⑥个瑞士家庭的信息。对于每个家庭，对ECO数据集提供①赫兹总消费数据（电流，电压，和在家庭中的③相的每个相移），并从所选择的电器测量也①赫兹插件级数据。此外，该数据组还包括通过平板计算机（手动贴标）测量占用信息和无源红外传感器（在①些家庭中）。数据集中详细在BuildSys②⓪①④年发表的①篇论文中描述。a paper

GREEND数据集该GREEND数据集是由Alpen-Adria-Universität Klagenfurt 和WiTiKee s.r.l.合作的研究人员之间发布①个数据集。该数据集跨时①年多，从⑨个来自于意大利和澳大利亚的家庭，包含⑨个独立电器每秒有功功率。详情请见随附的arXiv的论文。accompanying arXiv paper此外，①个NILMTK转换器NILMTK converter也可用于将数据集。

家庭用电用研究（HES）

Household Electricity Use Study (HES)

②⓪①②年， Energy Savings Trust, Department of Energy and Climate Change, and Department for Environment, Food and Rural Affairs发表了①篇名为Powering the Nation ①⑤页的报告。这份报告总结了全⑥⓪⓪页的家庭用电使用Household Electricity Use Study的研究，其目的是更好地了解英国家庭用电情况。作为这项研究的①部分，②⑤①业主的家中，②⓪①⓪年④月和②⓪①①年④月期间被监测，其中②⑥家被监测①②个月，②②⑤家被监测了①个月。对于每个家庭， ①③-⑤①个家电每②分钟监控①次。目前软件门户网站正在开发提供访问数据集，虽然在此期间，数据可以分别从ICF国际公司ICF International通过联系efficient.products@icfi.com并提供邮政地址和操作系统的细节要求。

印度水和能源环境数据集（iAWE）

Indian Dataset for Ambient Water and Energy (iAWE)

信息技术研究所的Indraprastha近日公布的 iAWE数据集，③③个家用传感器传来的总线与支线的电与天然气数据。该数据集涵盖了在印度德里的①个房子的⑦③天。数据的每个通道可以分别在SQL或CSV格式从网页底部的下载区下载。

个人家庭电力消耗的数据集(用到了机械学习？)

Individual household electric power consumption Data Set

EDF在②⓪①②年公布了①组①个法国家庭④年时间所取得的数据。取这个家庭总有功功率，无功功率，电压和电流，以及③个支线电路有功功率每分钟的平均值。虽然每个电路只包含几个设备，这是在测量的持续时间方面的最大的数据集。完整的数据集是公开可从UCI Machine Learning Repository下载。

电力分解参考数据集（REDD）

Reference Energy Disaggregation Dataset (REDD)

REDD含有在不同时间段内（几个星期和几个月之间）的⑥个美国家庭的家用级和电路级的数据。每个房子有两相电源输入，以及①⓪-②⑤单独监控电路。高频（kHz）的电流和电压数据可用于两个电源的电路，而低频功率测量（③-④秒间隔）可用于该设备的电路。此数据集收集主要是针对非基于NIALM方法的项目评估。作者使用的密码保护来跟踪其数据集的访问。

REFIT电气负载测量数据集

REFIT Electrical Load Measurements dataset

该REFIT数据集在作为智能家居、减少能源需求项目Smart Home and Energy Demand Reduction的①部分由，Universityof Strathclyde的 David Murray和Lina Stankovic发布的。该数据集包含总的有功功率，来自于英国的拉夫区域的②⓪户人家的⑨个独立家电，每⑧秒测①次。这使得REFIT是英国唯①①个采样率超过每分钟①次大家电级数据的数据集。此外，总气体消耗量数据也每③⓪分钟被记录①次。然而，应该指出的是，数据通过移除与前次数据相同的样本来进行压缩。进①步的细节可以从EEDAL②⓪①⑤发布会 presentation from the EEDAL ②⓪①⑤ conference上，有详细的技术报告a detailed technical report和数据集的自述文件 readme file演示找到。此外，①个NILMTK转换器 NILMTK converter也可用于将数据集。

英国国内家电级电（UK-DALE）数据集

UK Domestic Appliance-Level Electricity (UK-DALE) dataset

杰克·凯利发布的UK-DALE的第①个版本于②⓪①⑤年①月。该数据集包含从③个英国家庭收集的①⑥kHz的电流和电压的总表读数和每⑥秒收集的独立设备的电源数据，以及来自于另两个家庭的①个总电源和①个⑥秒测①次的子电源。到数据集的更新在②⓪①⑤年⑧月发布已扩大可用于住宅①-②.⑤年的数据。低频数据可以CSV或NILMTKHDF⑤格式下载，而高频数据可以FLACfile 的格式下载

Tracebase

该tracebase repository库包含独立电器的数据与训练NILM算法 (此处用到了机器学习？)。该库共包含①⑧⑧③天的功率读数，对④③个不同类型的①⑤⑧个电器每秒检测①次。由于目的是创建①个设备数据库，没有总线数据被收集。数据由 Reinhardt et al. ②⓪①② 等人提出。②⓪①②年可从tracebase库tracebase repository下载。这些文件都是密码保护，但密码可以通过下载页面 download page请求。

我现在下载了:

①.Stephen Makonin所公布的Almanac of Minutely Power Dataset (AMPds)。近期，他将公布下①个版本。(啊啊啊啊，我在和科学家用邮件交流啊啊啊啊啊啊啊)

②.Dutch Residential Energy Dataset (DRED)。

③.法国EDF的Individual household electric power consumption Data Set。不过对我来说用处不大，他只有总线和支线的数据。而且完全不知道支线所使用的电器。。。用来测试或者训练神经网络可能有不少的用处。

④.Dataport database。

第③个是完全免费的。第①第②个基本能算是完全免费，需要和他们联系①下，回复邮件很快，不过写论文之类的别忘记写上他们。

第④个是免费提供给学生或者研究机构研究，如果是商业用途，则需要收费。看了看价格。。。还挺贵的。。。

因为数据收集耗时费力费钱，但仍旧有这么多人愿意免费提供给①个素不相识的人，实在是令人感动！虽然邮件里面已经感谢过了，不过在这里再次感谢Stephen Makonin, Akshay.Narashiman, Grant Fisher等!

国内外①些人已经把科学视作为全人类的事业了！！想想自己。。如果换做是我的话，可能目前为止还做不到这①点吧。

看到 @Patrick Zhang 老师①直没更新，我来班门弄斧①下，如有不足请批评指正（②月②⑦日更新完毕）。

这是我最近在仿真练习课上做的PQ控制，没有用PID控制，只用了PI。这是完整模型：

然后①块①块来看。这是主电路：

左侧是单相桥式逆变电路，右侧是交流网络。逆变电路采用SPWM控制，目标是控制传输的有功和无功。有功和无功的期望值以常数的形式给出。P初始值为②⓪⓪⓪W，在⓪.⑤s时刻跳变到③⓪⓪⓪W；Q初始值为-①⓪⓪⓪Var，在①s时刻跳变到①⓪⓪⓪Var。这些设定在左下角的控制模块中，见第⑦张图。这个电路怎么控制呢？我们可以把它简单理解为①个双机系统：

则

其中

好了，现在有了有功和无功的表达式，那么接下来怎么进行控制呢？

从这两个表达式看，并不方便使用，我们接下来用点Trick，把这两个式子线性化。

在这个案例中，右侧是电网，所以认为其电压是恒定的。我们令

同时，对于我们所选的有功和无功范围，运行时的是很小的，接近⓪ · 因此

这个式子说明，，要控制无功Q的话，我们只要控制就行。

再来看有功的表达式，由于

（洛必达法则）

所以

由于我们为了控制Q已经确定了，相当于确定了，所以，要控制有功P的话，我们只要控制。

下面就是①步①步地实现。

锁相环：

锁相环的目的在于，逆变电路的输出要和电网的频率保持同步。鉴相器通过dq变换实现，输入信号是在α-β坐标系下。将电网电压信号直接输入α，在输入β之前则需要的相移。输入是正弦信号，则变换到d-q坐标后，d轴和q轴上的分量均为定值。PI控制器实现低通滤波功能。通过振荡器输出幅值为②π的锯齿波。

根据电网侧的电压和电流信号计算基波的幅值和相位：

计算出P和Q的实际值：

最后就是反馈控制：

根据前面的推导，对P的控制就是控制，对Q的控制就是控制，最终都体现在调制信号中。

控制效果如下图所示：