基于特征融合与深度学习的非侵入式负荷辨识算法

针对使用单一设备特征进行负荷辨识存在的局限性,提出了一种基于特征融合与深度学习的非侵入式负荷辨识算法。通过分析设备的高频采样数据提取了V-I轨迹图像特征与功率数值特征。利用人工神经网络的高级特征提取能力,实现了V-I轨迹图像特征与功率数值特征的融合。最后以复合特征作为设备新的特征训练反向传播(BP)神经网络进行非侵入式负荷辨识。使用PLAID数据集对算法辨识效果进行了验证,并对比了不同分类算法对特征融合的有效性与负荷辨识能力。结果表明,该算法利用不同特征之间的互补性,克服了使用V-I轨迹特征无法反映设备功率大小的缺点,从而提高了V-I轨迹特征的负荷辨识能力,并且在嵌入式设备中的运算速度为毫秒级。     

基于V-I轨迹与高次谐波特征的非侵入式负荷识别方法

针对传统方法无法准确识别含高次谐波家用负荷的问题,文中提出了基于V-I轨迹矩阵、功率及高次谐波多特征融合的负荷辨识方法.首先,分析了11种典型家用负荷的V-I轨迹、功率特征以及谐波特征,提出了基于像素图像转换的混合特征矩阵构建方法,将负荷的功率、高次谐波特征通过二进制编码转换与基本V-I像素轨迹相融合,丰富了样本的特征信息;然后以混合特征矩阵作为卷积神经网络的输入,实现了对家用负荷类型的准确识别.算例中,文中所提算法可准确区分功率特征相似但高次谐波含量不同的加热器与吹风机2种负荷,且其对全类型家用负荷的准确辨识率超过93％.该算法的应用可为实际中准确排查含高次谐波家用负荷的用电安全隐患提供有力的技术支撑.     

基于孪生分支网络的非侵入式冲击负荷辨识方法

传统边缘侧电力设备无法有效检测出对电网影响较大的冲击性负荷的设备类别与功率启停信息。为此,提出一种基于孪生分支网络的非侵入式冲击负荷辨识方法。通过总线入口处的高频采样数据提取波形的V-I轨迹特征和对角高斯谐波特征;预设多种先验信息对不同设备的冲击负荷特性进行训练,特别地,设计一种基于孪生分支结构的卷积神经网络,利用二分类交叉熵损失函数实现冲击负荷的分类辨识,同时引入最小平方误差损失函数对冲击负荷功率进行分解;使用非侵入式的方式并基于ARM Cortex-M4平台进行算法部署与识别测试。对比不同识别算法对冲击负荷的辨识能力,结果表明,当电网发生大功率冲击性波动时,孪生分支网络可以更准确地识别冲击负荷的设备类别,有效提高了对冲击负荷的辨识效果。     

基于颜色编码的非侵入式负荷细粒度识别方法

在非侵入式负荷识别任务中,仅使用单一负荷特征对设备进行辨识时,存在特征重叠现象,无法满足对设备进行细粒度分类的需求。为此,该文提出一种基于颜色编码的非侵入式负荷细粒度识别方法。首先,采用Fryze功率理论将高频采样电流分解为有功、无功电流,并对高频采样电压与无功电流进行标准化处理以构建二维U-I轨迹图像。然后,利用颜色编码技术对轨迹图像进行处理,在R、G、B三通道中分别融合有功电流、轨迹变化信息及瞬时功率,得到彩色U-I轨迹图像。最后,构建卷积神经网络,对彩色U-I轨迹图像进行特征提取,实现对设备的分类。在此基础上,文中提出了一种自主学习方法,实现对负荷识别模型自主更新。使用PLAID和WHITED数据集对本算法的识别效果及自主学习方法进行测试。结果表明,文中方法使得U-I轨迹所携带的信息量增加,增强了负荷特征的独特性,从而实现对设备的细粒度识别;自主学习方法能够学习新型电器并更新模型,提升了负荷识别模型场景适应能力。     

基于二次聚类的电力负荷异常数据辨识

历史负荷数据是电力系统进行负荷预测的基础,历史数据异常将会影响负荷预测的准确性和有效性,因此需要对负荷数据进行异常数据辨识。本文以某一节点负荷数据为研究对象,提出一种基于二次聚类算法的异常电力负荷数据辨识方法。运用数据挖掘中模糊聚类算法并结合有效指数准则对负荷曲线进行一次聚类;将一次聚类结果结合神经网络实现对负荷曲线的二次聚类,提取出日负荷特征曲线;根据负荷曲线的相似性和平滑性,辨识异常负荷数据。算例分析结果表明,此方法效果良好。     

基于U-I轨迹曲线精细化识别的非侵入式居民负荷监测方法

识别用户的负荷用电特性与用电行为是智能电网的重要研究内容之一。该文提出一种基于U-I轨迹曲线精细化识别的非侵入式负荷监测方法,实现对用户负荷有效的非侵入式监测。首先,利用拟合优度检验捕捉用电器投切事件,提取负荷的有功、无功功率变化量以及U-I轨迹3类特征。然后,进行两阶段负荷识别:第一阶段利用考虑初始优化的k-means算法对有功、无功变化量进行聚类,并压缩聚类个数,将功率特征相近的用电器聚为同组,得到一阶段识别判据,实现负荷粗辨识;第二阶段针对一阶段存在的识别盲区,构建卷积神经网络模型,以二维U-I轨迹图作为输入,通过卷积神经网络自动提取轨线的有效特征,实现一阶段盲区负荷的精细化识别。最后,利用BLUED数据集进行方法有效性的验证。     

考虑数据不均衡的居民用户负荷曲线分类方法

由于用户用电行为的多样性和随机性,负荷数据存在分布不均衡的问题,传统负荷曲线分类方法在处理不均衡数据时性能较差,为此,提出一种改进K-means与LSTM（long short term memory network）-CNN（convolutional neural network）分类模型结合的负荷曲线分类方法。首先,为提升K-means算法对不均衡数据的聚类效果,基于密度峰值聚类算法（density peaks clustering,DPC）思想,提出一种相对k近邻密度峰值初始聚类中心选取方法（related k-nearest neighbor density peaks,RKDP）,将其作为K-means算法的初始中心进行聚类;其次,为提高RKDP_K-means处理高维负荷数据的性能,采用LSTM自编码器进行特征降维后再聚类（LSTM-auto-encoder RKDP_K-means,LARK）获得精准类别标签;最后,基于LSTM和CNN网络分别提取负荷特征构建负荷曲线分类模型,实现对大规模负荷曲线的分类。算例表明在大规模负荷曲线分类时,相比于LARK算法,本文所提方法轮廓系数指标提升29.7%,效率提升3.46倍,具有良好的负荷曲线分类效果。     

基于数据挖掘的工业用户用电行为分析

文中以上海市部分地区工业用户为研究对象,利用数据挖掘技术分析其用电行为。根据用户档案采集和整合用电数据,同时对数据进行修复和归一化预处理;综合考虑聚类数的确定及初始聚类中心的选择这两个因素,对K-means算法进行优化;利用优化的算法对用户负荷曲线分类并提取特征曲线,分析其用电行为典型特征,并与传统的K-means算法进行比较,同时引入相关指标检验聚类效果。结果表明,采用优化的K-means聚类算法能准确实现不同用户类型的分类识别功能,可以更加准确有效的进行用户用电行为的分析。     

基于自组织中心K-means 算法的用户互动用电行为聚类分析

电力用户参与电网侧互动用电和辅助服务已成为国内外关注热点,用户互动用电行为分析是其中一项核心工作。结合自组织映射SOM神经网络和K-means聚类算法,采用一种自组织中心K-means算法用于用户互动用电行为聚类分析,能够实现更加精准识别和快速聚类。首先,对自组织中心K-means算法原理进行分析,说明其与传统聚类算法相比在用电行为聚类分析中的优势;然后,构建峰谷分时电价背景下,基于用户心理学的调节潜力指标,并分析基于负荷数据和调节潜力指标的用户互动用电行为;最后,以某电力公司管辖区域用户的日常负荷数据为研究对象,将基于自组织中心K-means算法的聚类结果与其他传统聚类方法进行对比,证明基于调节潜力指标的自组织中心K-means算法在用户互动用电行为上的精准识别和准确聚类优势。     

基于离散小波变换和模糊K-modes的负荷聚类算法

为了研究智能电网背景下用户的用电模式,考虑到现有聚类算法的不足,提出了一种基于离散小波变换的模糊K-modes聚类算法。利用离散小波变换将时域的负荷曲线转换到频域,从而将负荷曲线的不同特征隔离在不同的频域水平,并利用低阶近似的思想选取原始曲线的有效分量曲线;对所选的分量曲线进行趋势编码,将连续负荷数据转化为离散类属性数据;基于平均密度确定初始聚类条件,利用模糊K-modes聚类算法对曲线进行形态聚类,得到负荷曲线模板;将所提算法与传统K-means算法及层次聚类算法进行比较,从而验证了所提算法的有效性。     

基于DBSCAN和改进K-means聚类算法的电力负荷聚类研究

对于当前大规模和高维度的用户数据,原始聚类算法有其局限性。提出一种改进的K-means算法与数据降噪处理相结合的方法。首先,DBSCAN(基于密度的空间聚类算法)用于数据去噪,克服了原始K-means聚类算法聚类结果容易受到数据集中噪声点的影响。然后利用轮廓系数和误差平方和确定最优的聚类数。最后,将K-means++聚类算法和确定的最优聚类数用于聚类处理用户负荷曲线。这使得聚类算法避免陷入局部最优,通过数据集测试,表明该方法获得的聚类效果优于原始的K-means算法。     

基于用电信息采集系统用户负荷特性聚类分析

基于用电信息采集系统的用户负荷数据聚类分析,是获得典型负荷曲线和按负荷特性完成用户分类的重要手段。K均值聚类算法(K-means)是目前应用较多的电力负荷分类算法,但K-means算法最大问题在于无法自动获取最优聚类数目。对此,文章提出了一种基于聚类结果评价指标及分类复杂程度确定聚类数目的方法,得到的聚类数目可作为K-means的初始输入。该方法可以有效降低K-means分类算法中人工参与程度,并能获得较优的聚类结果。文章末尾通过实际算例分析验证了所提分类方法的正确性。     

基于自适应模糊C均值算法的电力负荷分类研究

针对当前负荷建模中存在的负荷时变性问题,提出了基于自适应模糊C均值聚类的电力负荷动特性分类方法。探讨了聚类分析方法在负荷动特性分类中的应用,包括聚类特征向量的选取和分类方法研究两个方面。对原始模糊C均值聚类算法中的聚类数 进行了研究,在原始算法中融入新的聚类有效性函数,对算法进行了改进,改进算法不需要预先选择类的数目作为先验值。通过动模实验数据的负荷分类实例,表明该方法可自动获取最佳分类数,且分类效果要好于原始算法。     

基于多特征联合稀疏表达的SOM-K-means非侵入负荷辨识

非侵入负荷监测是全面感知负荷数据及能效优化的有效途径。当前非侵入式负荷监测算法的主要观测对象是具有调控潜力的负荷，但对于其中功率较小、负荷曲线相似的电器辨识准确率还不够理想，算法对先验数据的依赖程度较高。基于此，提出一种基于多特征联合稀疏表达的SOM-K-means非侵入式负荷辨识算法，该算法利用负荷特征训练得出最优字典，结合最优字典与多特征联合稀疏表示构建目标函数，求解多特征联合稀疏矩阵，克服了单类负荷特征限制识别负荷种类的问题；将多特征联合稀疏矩阵作为输入，结合自组织(self-organizing map, SOM)神经网络优化的K-means算法与平均绝对误差值进行快速辨识。最后，利用PLAID数据集进行了实验验证，结果表明，所提算法仅需迭代120次辨识准确率即可达到90%,提高了算法收敛速度，证明了该方法能够准确高效地实现负荷辨识。     

基于自适应模糊C均值算法的电力负荷分类研究

针对当前负荷建模中存在的负荷时变性问题,提出了基于自适应模糊C均值聚类的电力负荷动特性分类方法.探讨了聚类分析方法在负荷动特性分类中的应用,包括聚类特征向量的选取和分类方法研究两个方面.对原始模糊C均值聚类算法中的聚类数进行了研究,在原始算法中融入新的聚类有效性函数,对算法进行了改进,改进算法不需要预先选择类的数目作为先验值.通过动模实验数据的负荷分类实例,表明该方法可自动获取最佳分类数,且分类效果要好于原始算法.     

密度梯度聚类算法在负荷动特性聚类中的应用

文中提出将基于数据挖掘原理的密度梯度聚类算法应用于电力系统负荷动特性的聚类.通过计算实测响应空间各样本间的密度分布,得到原始聚类中心,再利用类与类之间边界点的分布情况进行合并,从而达到负荷动特性分类.聚类中心在分类过程中产生,以此聚类中心作为该类的等效样本,对其进行参数辨识即可得到同类负荷特性的通用负荷模型.分类和综合在同一过程中完成,具有快速简便的优点.对某一变电站现场采集的负荷特性数据进行聚类应用,结果表明该方法具有良好的聚类效果.     

上海电网需求侧负荷模式的组合识别模型

区别于传统按行业分类的需求侧负荷分析方法,利用自组织映射神经网络、K-means、模糊C均值、ID3决策树等数学工具构建了基于聚类、分类技术与决策树结构分析的负荷模式组合识别模型,并对上海电网需求侧负荷进行了特征指标计算、类别判断与挖掘、聚类评判、分类知识解释等综合分析。根据上海电网14个行业357个用户的日负荷数据集进行算例分析,指出了上海电网需求侧负荷类型、行业分布、关键指标等模式特点,验证了该模型的正确性、有效性与工程适用性。     

一种基于Spark和聚类分析的辨识电力系统不良数据新方法

随着电力系统智能化建设的不断深入和推进,电力系统数据呈现海量化、高维化的趋势。针对电力系统中的不良数据将导致电力系统状态估计结果的准确性降低,而传统聚类算法处理海量高维数据时单机计算资源不足,近年来较流行的MapReduce框架不能有效处理频繁迭代计算等问题,提出一种基于Spark的并行K-means算法辨识不良数据的新方法。以某一节点电力负荷数据为研究对象,运用基于Spark的并行K-means聚类算法提取出日负荷特征曲线,分别对输电网状态估计中的不良数据进行检测和辨识。选用EUNITE提供的真实电力负荷数据进行实验,结果表明此方法能有效提高状态估计结果的准确性,与基于MapReduce框架的方法相比,具有更好的加速比、扩展性,能更好地处理电力系统的海量数据。     

基于聚类加权随机森林的非侵入式负荷识别

非侵入式负荷识别是实现用能管理的重要监测手段,而随机森林因其良好的泛化能力和鲁棒性应用于负荷识别领域。针对传统随机森林算法忽略决策树分类能力的差异、投票不公平的问题,提出了一种基于层次聚类的加权随机森林算法。首先,提取各类负荷开关状态下负荷特征量,建立特征数据库用于训练原始随机森林模型。然后,利用有功功率差检测总线信号中的开关事件,并提取负荷特征量作为验证集和测试集;验证集采用层次聚类选择法获得每个聚类中分类精度最高的决策树,测试集采用加权投票策略实现负荷识别。通过实验验证,说明相比于传统的机器学习算法,该算法可以实现更高的识别精度,准确率可达96.2%。     

基于GAN的不平衡负荷数据类型辨识方法

负荷分类对于负荷预测、风险预警、优化调度等具有重要意义.为了改善负荷类别不平衡对分类精度的影响,提出了一种基于生成式对抗网络(generative adversarial network,GAN)的不平衡负荷数据类型辨识方法.首先,通过K-means算法对负荷数据聚类获取其类别标签;其次,根据聚类结果,针对负荷数据中的小样本类别,采用基于GAN的过采样方法进行类别平衡;最后,使用支持向量机(support vector machine,SVM)进行负荷分类.选取爱尔兰实测负荷数据作为实验数据,验证了所提方法的有效性.