基于LMD和模型匹配的家电负荷识别算法

家电负荷识别是智能用电的重要环节,传统侵入式负荷监测具有成本高、安装维护复杂的缺点,因此以非侵入式负荷监测为基础研究家电负荷识别算法。结合系统辨识的基本原理和方法,以稳态电流、稳态电压为特征,提出一种基于局部平均分解(LMD)和模型匹配的家电负荷识别算法。通过预先获取用电网络中各负荷的稳态数据,构建线性和非线性模型库。利用LMD算法将混合信号分解为单个负荷的用电数据,通过预筛选确定分离数据所属模型库,根据模型匹配原则进行负荷识别。仿真结果表明,所提算法可以准确识别出各负荷的运行状态,运算效率高,并能有效应对用电网络中有新负荷加入的情况。     

RPROP神经网络在非侵入式负荷分解中的应用

为了解决常用家电设备投切状态辨识问题,提出一种以神经网络为辨识模型的方法,增强其快速辨识能力。首先,从负荷印记出发,针对各用电设备的稳态电流谐波特性,建立用电设备特征标签。然后,采用弹性BP(Resilient back propagation,RPROP)神经网络,将输入数据特征向输出层非线性映射,实现快速收敛至全局最优点。训练中采用多种设备组合方式,进行用电设备特征辨识。最终,以五类常用用电设备进行实验,实验结果表明该算法能够有效地识别家用设备的工作状态组合,且对功率相近、谐波具有较小差异的用电设备工作状态也具有很好的辨识能力。     

基于DTW算法与稳态电流波形的非侵入式负荷辨识方法

非侵入家用负荷识别技术可以指导家庭用户合理安排用电,提高用能效率,同时也为电力部门提供家庭用电的数据支持,有利于了解负荷用电规律及趋势,完善电力规划。由于家庭用户用电负荷的稳态特征值存在相似和无规律的问题,现有的方法多采用高级算法对所有的用电负荷组合进行训练。针对现有采用负荷稳态特征值方法进行识别所存在的不足,考虑到家用负荷稳态波形具有独特性和叠加性,提出了一种利用动态时间弯曲(DTW)算法计算与模版库波形的距离来识别家用负荷的辨识方法。首先,建立负荷稳态波形模版库;然后,在电压满足一定条件的情况下,测量家庭用户电流的稳态波形;最后,利用DTW算法计算出最小距离进行识别。     

基于高频数据V-I特性的延时反馈负荷在线快速辨识算法

研究了一种基于V-I特性的延时反馈非侵入负荷在线快速辨识算法,该算法根据用电设备负荷容感性不变原理,在相同电压背景下,提取每次暂态发生前电路中的稳态周期电流,利用信号一维加减得到上一次投切的用电设备稳定运行时的周期电流,结合居民用户的用电设备操作习惯对目标函数施加约束,缩小可能进行投切的用电设备的组合范围,优化求解确定用电网络中的负荷状态。此外,引入延时反馈识别投切负荷,避免负荷暂态过程对稳态特征提取的影响。利用公开数据集对该方法的有效性进行验证,通过延迟负荷识别可在短时间内准确高效地判断各用电设备的启停时刻。     

基于随机森林算法和稳态波形的非介入式工业负荷辨识

非介入式工业负荷的准确辨识可以获取工厂内各负荷的运行情况,有利于需求侧智能用电管理.工业负荷由于采集暂态数据建模困难、需要高精度测量设备等特点,造成辨识方法复杂难以实现.针对这种情况,提出一种利用随机森林算法和稳态波形的非介入式工业负荷辨识方法.首先,通过事件监测工业负荷功率状态变化并提取稳态波形,根据工业负荷性能不同...     

基于卷积神经网络的非侵入负荷辨识算法EI北大核心CSCD

非侵入式负荷监测因其实施成本低且对用户干扰小,具有广泛的应用前景。负荷辨识方法是非侵入式复合监测的主要技术难点之一。研究了非侵入式负荷监测模式下基于卷积神经网络的非侵入负荷辨识算法。首先利用局部平均分解算法对采集到的混合信号进行负荷分离,并通过智能学习的方法提取独立负荷特征,建立了能够处理二维图像数据的卷积神经网络模型,将大量典型家电的运行电流数据转换成图片的形式,对卷积神经网络模型进行训练,并基于该模型进行负荷特征提取,从而达到辨识的目的。经过实际采集的用电数据进行仿真实验,结果表明,基于卷积神经网络的负荷辨识准确率高、识别速度快,模型具有良好的泛化能力,能够有效的实现负荷辨识。     

基于卷积神经网络的非侵入负荷辨识算法

非侵入式负荷监测因其实施成本低且对用户干扰小,具有广泛的应用前景。负荷辨识方法是非侵入式复合监测的主要技术难点之一。研究了非侵入式负荷监测模式下基于卷积神经网络的非侵入负荷辨识算法。首先利用局部平均分解算法对采集到的混合信号进行负荷分离,并通过智能学习的方法提取独立负荷特征,建立了能够处理二维图像数据的卷积神经网络模型,将大量典型家电的运行电流数据转换成图片的形式,对卷积神经网络模型进行训练,并基于该模型进行负荷特征提取,从而达到辨识的目的。经过实际采集的用电数据进行仿真实验,结果表明,基于卷积神经网络的负荷辨识准确率高、识别速度快,模型具有良好的泛化能力,能够有效的实现负荷辨识。     

基于稳态波形分解与神经网络的负荷识别方法

非侵入家用负荷识别技术可以提供用户的用电信息,对于家庭来说,信息可以指导用户合理安排用电,改善用电习惯,减少用电开支;同时,对于电力部门利用家庭用电数据可以了解负荷用电规律及趋势,完善电力规划。作为智能电网的一项关键技术,现有的研究多采用高级智能算法,基于用电负荷的稳态特征进行学习,识别。针对现有算法识别特征存在的不足和各种家用负荷在投入运行后的特点,现提出一种基于稳态波形分解的BP神经网络负荷识别方法。该算法主要利用稳态波形可叠加性对分解后的电流波形进行谐波特征提取,结合经过神经网络训练后得出权值,阈值,通过嵌入式装置实现对负荷的识别。经实测数据检验,该方法已成功在嵌入式装置上实现,具有良好的识别精度和计算速度,达到了预期的效果。     

居民负荷特征研究及特征库的建立

居民用户用电可视化是开展节能工作的基础。在居民用户用电可视化研究中,了解居民用户侧典型家电的负荷特征和耗电特性是关键。通过分析各种类型的负荷特征,从中选取一些具有较高辨识性的特征量作为负荷特征库的主要内容。构建电力数据采集平台,采集典型的家电负荷用电数据,并根据一定的数学方法提取各负荷特征,形成负荷特征库。利用Matlab构建负荷特征库可视化界面,方便调用和分析负荷特征,为后续负荷识别奠定基础。     

基于改进鸡群算法的非侵入式家电负荷分解

基于家电负荷在稳态工作时电流具有线性叠加的特点,提出一种基于家电负荷稳态基波电流和谐波电流为负荷特征量的非侵入式家电负荷分解算法。通过将一家电负荷的任一工作状态用0和1来表示,即只有关和开这两种状态,则家电负荷分解问题可转化为求解优化组合问题,然后运用改进鸡群算法来识别各个家电的工作状态。最后通过实例验证了该算法具有较高的负荷识别准确率和广泛的适用性,有利于非侵入式家电负荷分解技术的推广与应用。     

基于CUSUM和加权欧氏距离的电器分析监测装置设计

针对当前高精度的负荷识别算法复杂度高，难以实现低成本电器监测装置，以及单一依据稳态特征难以实现高精度电器识别问题，本文设计了一款基于CUSUM和加权欧氏距离的低成本电器分析监测装置。该装置通过采样电路采集电器工作状态的电参数特征，以稳态有功功率、无功功率和暂态功率过冲幅度建立三维电器特征库，利用改进的CUSUM控制图实现具有过冲幅度检测功能的电器投切事件检测，通过特征加权的欧氏距离模型完成电器工作状态识别。实验结果表明，本文设计的监测装置平均电器识别准确率高达97.3%,验证了设计方案的可行性。     

非侵入负荷辨识的谐波特征量提取改进方法研究

基于事件分解的负荷匹配方法计算快内存少,工程应用适应性强。首先面向事件分解型负荷辨识方法分析了稳态特征量的提取方法,梳理出典型家用电器辨识特征库,并指出谐波特征量是空调及小功率电器复杂工况下负荷辨识的重要判据。然后分析了工程应用中谐波特征量提取影响因素,基于快速傅里叶变换（FFT）算法频谱泄露原理,研究了电网频率动态变化和电器谐波相角抖动对于谐波特征量提取的影响。提出了针对性解决方法,通过多点均值方法解决电网频率波动导致的非同步采样问题,并提出极值差量方法解决电器谐波相角影响,两种方法结合,可有效将基次谐波误差降到1%以下,偶次谐波误差降到2%～4%。最后通过实验平台和工程实证,验证了谐波改进提取方法的有效性,相对于改进前可有效提升负荷辨识精度5%以上。     

基于RBF循环神经网络的电力系统负荷建模

针对负荷模型难以精确建立的问题以及负荷非线性动态仿真的复杂性，提出了一种基于径向基循环神经网络的负荷建模方法。将循环神经网络和径向基网络相结合，利用循环神经网络对时间序列的学习能力和径向基网络具有结构自适应确定、快速收敛的优点，建立新的电力系统综合负荷模型。典型新英格兰测试系统的仿真证明了该模型对电力系统负荷模型辨识的有效性和准确性。     

谐波源的识别及其与非谐波源的分离方法

通过对线性和非线性负荷的电压-电流特性的比较研究,指出了线性负荷和非线性负荷的本质区别在于:线性负荷的谐波电流仅是本次谐波电压的线性函数,而非线性负荷的谐波电流则是各次谐波电压的复杂函数; 应用谐波源的简化模型,在供电电压基波相角为零时,谐波电流的实部和虚部可分别表示为各次谐波电压实部和虚部的线性多项式,且其中由本次谐波电压引起的谐波电流只占很小 的比例。从该原理出发,提出了一种新的谐波源识别方法,它不仅能识别综合负荷中是否含有谐波源,而且能够精确地分出线性与非线性负荷各自吸收的谐波电流。文中还给出了应用最小二乘方法进行识别的具体步骤,并以一个综合负荷的计算与分析结果验证了所提谐波源识别方法的有效性。     

输电断面潮流的N-1静态安全约束

就电网运行中广泛采用的N-1原则,建立了输电断面潮流静态安全约束的非线性优化数学模型并给出了迭代求解算法。针对复杂大规模互联电网建立了基于直流潮流的简化模型。考虑了运行方式变化对断面潮流传送能力的影响,提出将运行方式划分为发电模式和负荷模式分别进行分析。运用典型模式方法分析负荷变化对潮流约束的影响,解决了负荷变化规律难以模拟的问题．而发电模式的变化应依据实际系统电源的最大、最小方式确定。算例表明,所提出的方法简捷可靠,能够满足实际电网运行需要。     

欠定分离机制下基于特征滤波的居民负荷非侵入辨识算法

通过非侵入采集模式下电流信号的欠定求解实现了负荷分解,获取了各独立负荷的完整电流,在负荷分解基础上实现了状态辨识。利用居民用户的负荷操作习惯将难以求解的欠定问题优化建模,转化为一维欠定问题,将求解模型建立为单位时间间隔仅从采集信号中分离两路信号。依据电流频域信号的稀疏性通过两步迭代收缩阈值算法得到最优解,使每个投入运行的负荷均可独立分解。通过先验方式获取用电网络各负荷的特征电流形成特征滤波器组,对分解电流进行频域滤波,通过对滤波后频率分量的量化判决实现负荷辨识。利用实际采集的用电数据验证了算法的有效性,能够有效实现负荷分解,并准确判断负荷状态。     

用人工神经元网络和最小二乘法估计负荷模型的比较

该文分别采用现代辨识技术之一的递推最小二乘法和人工神经元网络(ANN)误差反向传播算 法(BP算法)估计2000年四川电网某一变电站的负荷模型，结果表明人工神经元网络模型 能更好地反映负荷的非线性特性。