用电信息采集系统电能计量数据异常识别研究

针对电能计量数据识别异常问题,进行用电信息采集系统电能计量数据异常识别方法的研究。选取改进的粒子群算法优化支持向量机核函数参数,构建电能质量扰动模型,对用电信息系统采集的电能计量异常数据实施分类;利用LOF算法计算异常因子,采用飞走异常智能分析方法所确定的扰动模型来判断电能计量器示值是否异常,完成电能计量数据异常识别过程。实验结果表明：该方法对异常数据分类较为精准,识别准确率高达98.50%;检测时间较短,仅为1.121 s,均优于对比方法。说明能更好地防止发生错误判断,可有效提升电能计量数据异常判断的质量和效率。     

基于WT和GA-SVM的电能质量扰动识别方法

电能质量的监测是用电信息采集系统的主要任务,监测电能质量的关键在于对电能质量扰动的识别。针对电能质量扰动的识别和分类问题,提出了一种基于小波变换(WT)和遗传支持向量机(GA-SVM)的识别方法。首先对正常电压和6种常见的电能质量扰动信号进行小波分解,提取各层小波系数的能量熵作为特征向量,然后利用基于GA优化的SVM对扰动信号进行学习训练,得到电能质量扰动识别模型。算例实验中与单一的SVM和反向传播(BP)神经网络智能算法分别对比,结果表明该方法在各扰动信号的识别准确率和训练时间方面都有明显改善。     

用电顾问

<正>用电信电息磁采辐集射终的端影的分响类标准问:用电信息采集终端分类标准是什么?答:(1)专用变压器采集终端。专用变压器采集终端是对专用变压器用户用电信息进行采集的设备,可以实现电能表数据的采集、电能计量设备工况和供电电能质量监测,以及客户用电负荷和电能量的监控。(2)集中抄表终端。集中抄表终端是对低压用户用电信息进行采集的设备,包括集中器、采集器。集中器收集各采集器或电能表的数据,并进行处理储存,同时能和主站或手持设备进     

基于监督学习的非侵入式负荷监测算法比较

非侵入式负荷监测(NILM)能够在不干扰用户正常用电的情况下,低成本地实现用户用电设备类型的识别和用电负荷的分解,因此非常适用于家庭用户用电监测。大量智能电表在家庭用户中的安装为居民NILM提供了数据支撑,也使得居民NILM研究成为热点。基于家庭负荷稳态电流样本,采用负荷电流谐波系数作为负荷分类特征,建立了基于多层感知器(MLP)神经网络、k-近邻算法、逻辑回归、支持向量机的4种NILM分类模型,利用BLUED数据库对4种分类器进行训练和测试,对比分析其在识别精度、训练时间、识别速度和抗噪能力方面的表现,并对其在家庭负荷识别中的应用效果进行对比研究。结果表明,4种分类器中MLP神经网络具有总体最优的分类效果和计算性能,更适用于家庭用户负荷监测。     

基于模糊算法的熔铸炉电力能耗分析研究

针对有色金属加工企业熔铸生产工艺流程的特点,监测熔铸设备的用能状况和数据,利用模糊算法对设备电能质量进行综合分析和评价。对不同工况下的电能质量和能耗指标进行对标,降低能源消耗,提升企业能源管理和设备经济运行水平。     

电能质量治理设备运行状态识别及其治理效果评价*

针对目前电网中电能质量干扰源复杂、用户侧治理设备管理困难的现状,文中提出了基于电网侧电能质量监测数据,对用户侧治理设备进行运行状态识别以及治理效果评价的算法,实现电网公司对用户侧电能质量治理设备的非侵入式监测。文章利用概率神经网络,将电压偏差、三相电压不平衡度、电压谐波总畸变率以及电压长时闪变作为网络的输入参数,对治理设备的工况进行分类,以实现治理设备的运行状态识别;通过对比治理设备投入前后的电能质量评估结果,结合模糊综合评价法来完成治理设备的治理效果评价。以安徽电网某变电站的监测数据为例,分析了所提电能质量治理设备运行状态识别方法和治理效果评价方法的实用性。     

基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别

新型电力系统中电能质量扰动问题愈加复杂和严重,多种电能质量扰动同时出现,导致传统算法识别准确率降低。 提出一种基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别算法。采用马尔可夫变迁场将电能质量扰动信号可视化映射为二维特征图像;通过EfficientNet卷积神经网络处理图像数据,实现扰动信号的特征提取;利用神经架构搜索自动调节卷积神经网络超参数进行网络训练,建立电能质量扰动分类识别模型。仿真结果表明,所提方法能够准确高效地提取扰动信号特征,对复合电能质量扰动分类效果好且抗噪声能力强。     

基于组合支持向量回归的排污企业生产识别

在电网大数据结合环保监管的背景下,研究了以企业用电和纳税数据为特征的企业生产状态识别方法。实际输入特征通常存在异常和部分缺失的情况,采用回归分析解决数据异常和部分缺失的问题,提高了分析结果的鲁棒性。建立支持向量回归模型来识别污染企业生产状况,通过网格搜索选择多个支持向量回归组合模型来识别污染企业生产状况,增加了模型的泛化能力,提高了分类精度。最后,实际测试结果验证了所提出的基于组合支持向量回归的排污企业生产识别方法的精确性和适用性。     

基于改进GMM-CNN-GRU混合的非侵入式 负荷监测方法研究

为挖掘用户侧节能减排潜力，对用户用电行为进行精细化分析和管理，提升电能利用效率，提出了一种基于高斯混合模型聚类和深度神经网络相结合的非侵入式负荷监测方法。首先，针对同一电器常出现功率相近但运行状态不一致问题，利用高斯混合模型聚类算法中“软分类”和类簇灵活的优势，对负荷工作状态进行精细分类，形成负荷用电设备实际运行情况的负荷状态特征库。其次，针对常见的应用于非侵入式负荷监测模型的深度神经网络在多标签分类时存在识别精度低等问题，提出卷积神经网络与门控循环单元混合的深度神经网络模型。最后，综合考虑外部环境数据对家庭用户用能习惯的影响，在AMPds2数据集上开展验证分析，并与其他模型进行对比。结果表明，所提的非侵入式负荷监测模型具有较高的准确性。     

基于稀疏自动编码器深度神经网络的电能质量扰动分类方法

针对智能电网日益突出的电能质量扰动问题,提出了一种基于稀疏自动编码器(SAE)深度神经网络的电能质量扰动分类方法。利用SAE对电能质量扰动原始数据进行无监督特征学习,自动提取数据特征的稀疏特征表达;通过堆栈式稀疏自动编码器(SSAE)进行逐层学习,获得电能质量扰动数据的深层次特征;将其连接到softmax分类器进行微调训练,并输出电能质量扰动事件分类结果。利用已添加高斯白噪声的数据对SSAE进行训练,以提高其特征表达的抗噪声能力。仿真结果表明,所提方法能够准确地识别包含2种复合扰动在内的9种电能质量扰动信号,并且具有很好的鲁棒性。     

基于循环神经网络的电能质量扰动识别

针对电能质量扰动信号识别算法复杂、识别率低等问题,提出一种将长短时记忆神经网络应用于电能质量扰动信号识别分类的新方法。首先在 Tensorflow中搭建长短时记忆神经网络,建立电能质量扰动信号分类模型。其次利用分类模型对电能质量扰动信号原始数据进行有监督学习,提取扰动信号的深层次特征,并将其连接到Softmax分类器输出各扰动信号的识别率。最后将电能质量扰动信号通过递归图生成的二维轨迹图像作为分类模型的输入,通过训练模型实现扰动信号的分类。仿真结果表明,该分类模型对电能质量扰动信号的一维和二维表示均有较好的分类准确率,可以有效识别7种单一扰动和6种复合扰动信号。     

基于概率预测的用电采集终端电量异常在线实时识别方法

电力市场环境下用电信息采集系统采集的用电量成为市场结算的重要依据。实时识别用电采集终端上送的异常电量,不但可以提升数据质量,也可以为发现采集终端的故障、识别异常用电行为提供参考。针对现有异常数据识别方法识别性能和实时性不高的问题,提出基于概率预测的电量异常在线实时识别方法。首先,在分析电量异常类型和特点的基础上,提出离线训练概率预测模型、在线实时识别异常数据的检测方法。其次,提出了基于状态空间模型的结构化用电量模型对用户用电规律进行建模,并采用变分贝叶斯推断训练模型,以实现用电量的概率分布预测。最后,利用预测标准分数衡量电量实测数据与电量概率预测结果之间的差异,从而实现异常数据的在线识别。采用实际电量数据进行验证,并与其他方法进行对比,验证了该方法的实用性和有效性。     

基于GIS和专家系统的电能质量监测WEB系统

提出一种基于GIS和专家系统的电能质量监测WEB系统,该系统能对电能质量监测数据进行深入的分析和展示。该系统分为监测设备层、数据采集层、数据应用层。数据应用层采用GIS界面对电能质量监测点的相关信息进行展示,同时采用专家系统对监测系统进行电能质量综合评估、暂降原因识别、谐波发射水平估计和电能质量事件空间分析,该系统能够深入分析系统的电能质量情况。     

基于改进PSO-SVM算法的电能质量扰动分类

对电能质量进行监测是用电信息采集系统的重要任务之一。针对电能质量扰动的识别和分类问题,提出一种基于小波支持向量机(support vector machine,SVM)的分类方法。对正常电压信号和6种电能质量扰动信号波形进行仿真,首先对各种扰动信号进行小波分解,提取各层小波重构系数的能量熵作为特征向量;然后改进的粒子群(particle swarm optimization,PSO)算法对SVM核函数参数进行优化;最后,利用优化参数的SVM对扰动测试集进行分类识别。仿真结果表明,与BP神经网络分类方法相比,该方法对扰动识别和分类的准确率达到97.28%,且训练时间和测试时间都有所减小。     

非侵入式负荷识别的电流序列可视化方法

以单一特征为标签的用电设备识别,因特征携带的信息量不足,在区分性质相似的负荷时易产生误判,为此,提出一种将电流序列编码为图像的二维可视化方法,通过计算机视觉技术对负荷进行分类识别。利用Fryze功率理论提取电流的非有功分量,通过格拉姆角场(GAF)将一维电流序列转换成二维图像,借助数据扩充的方式进行升维,并赋予矩阵颜色特征来提升负荷标签的辨识度;基于迁移学习的思想,利用预训练模型Inception_v3提取并学习GAF图像特征,并以该特征为标签对负荷类型进行分类识别。在2个公开数据集上的实验验证了所提方法在高频采集场景下的准确性和有效性。     

基于智能电能表数据的非侵入式负载监测

非侵入式负载监测(Non-Intrusive Load Monitoring,NILM)旨在将家庭总用电分解为含有多个组分的负载信号,以识别出不同用电设备的用电特征并实现异常用电的自动检测.传统方法通常将NILM视为分类问题处理,在忽视了负载中的大量功率波动细节的同时,当用电设备增加时,模型的复杂度大幅上升,从而在实用性上受到限制.针对这一问题,文章提出将NILM作为序列到序列的回归问题,使用长短期记忆网络(Long Short-term Memory,LSTM)学习设备负载中的长期依赖,提高回归性能.此外,引入了非因果结构与贝叶斯参数优化框架,解决模型在处理多状态设备时的问题,提升模型表现.真实的智能电能表数据实验表明,该方法优于当前其他主流方法.     

一种基于PSO-SVM的电能质量扰动识别与分类的新方法

针对目前电网电能质量扰动识别与分类中采用的SVM分类器参数难以选择的问题,提出了一种基于粒子群(PSO)优化SVM的电能质量扰动识别新方法。利用MATLAB软件对实际电网中常见的5种扰动信号进行建模,将检测到的电压信号经复小波变换后作为PSO-SVM的输入样本进行训练和测试。仿真结果表明,该方法能够快速、可靠地对电能质量扰动进行识别与分类,对电网的电能质量监测具有较高的应用价值。     

基于S变换的电能质量扰动异常数据识别

提出一种新的电能质量异常数据剔除方法,用于电能质量在线监测及测试波形数据中的异常数据发现。根据实际可能出现的异常类型,建立异常波形库,对异常波形进行S变换,形成异常波形模板库。在进行异常数据识别的过程为对待测波形进行S变换后和异常波形模板库进行对比,对于和异常库中信号相近的扰动波形,认为是异常数据,从而完成电能质量扰动波形数据的异常剔除工作。所述方法已经用在了实际电能质量监测系统中,实践证明了方法的有效性。     

基于IEC61850和PQDIF的电能质量监测装置研究与设计

电能质量监测装置是智能化变电站的必要设备之一,其数据传输与储存是相关技术研究中的重要方面。结合IEC61850与PQDIF的特点,构建了电能质量监测装置IEC61850 IED设备信息模型,利用IEC61850数据及数据集服务实现实时数据通信;采用XML文件方式,实现了历史统计数据与事件的PQDIF数据格式映射,通过IEC61850文件服务和PQDIF数据格式实现统计数据的上传。基于以上技术研究,形成了全新软硬件设计方案,设计并试制的电能质量监测装置通过第三方机构和专业软件检测,验证了方案与模型的正确性以及该电能质量装置的实用性。     

浙赣电气化铁路江西段开放式电能质量监测系统的开发与应用

针对浙赣电气化铁路江西段对电能质量运行管理的要求,研究开发了开放式电能质量综合监测系统。系统软件采用模型驱动架构的设计思想,遵循IEC 61850标准进行电能质量对象建模,利用电能质量数据集中器实现子站系统异构设备的接入,解决了现有电能质量监测系统在开放性、标准化、自动化等方面存在的技术问题,实现了对浙赣电气化铁路沿线江西段14个子站不同厂家与不同型号产品的接入和电能质量的实时全局监测,为电力和铁路部门对电气化铁路电能质量的监控分析和治理提供了良好的平台。