基于遗传优化的非侵入式居民负荷辨识算法

负荷在线监测能够为电网及用户提供即时的用电信息,是支撑能效管理和负荷预测工作的有效手段。传统监测方法采用侵入式设计,难以大范围推广应用,因此非侵入式负荷监测方法(NILM)具有重要研究意义。负荷辨识是非侵入式负荷监测的关键,以典型居民负荷的特性分析为基础,提出了一种基于遗传优化的非侵入式居民负荷辨识算法。该算法基于负荷设备的负荷特性,包括有功功率和电流有效值,利用三种不同的编码方法构造判断负荷运行状态的适应度函数,通过遗传算法寻优,最终确定居民负荷的工作状态,并通过实测数据进行验证。实验结果表明,该算法能够实现居民用户负荷状态的有效辨识,且算法收敛速度较快,准确度高。     

基于时间分区和粒子群优化的非侵入式负荷分解

非侵入式负荷检测与分解技术是智能电网技术体系的重要组成部分,针对现有分解技术对功率相近或小功率负荷辨识精度较低的问题,提出基于时间分区和V型粒子群优化的非侵入式负荷分解算法。首先,通过具有噪声的基于密度的聚类算法对负荷的功率特征聚类分析,得到负荷的功率特征模板,并求解负荷典型工作时间区间,得到负荷的时间特征模板。然后,综合考虑功率及时间2种特征,构建V型粒子群算法的目标函数,实现负荷分解。最后在AMPds2公开数据集上实现仿真,并与隐马尔可夫模型对比,验证了文章方法的有效性。     

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。     

基于卷积神经网络的非侵入式负荷识别方法

针对非侵入式负荷识别中识别准确率不高的问题,提出基于卷积神经网络的非侵入式负荷识别方法。首先对电阻类负荷、电容类负荷、电感类负荷进行数学建模,并结合tracebase master数据集构建样本库;然后建立卷积神经网络模型,损失函数为交叉熵函数,优化算法采用自适应矩估计优化算法;最后对网络进行训练和测试。仿真结果表明,与循环神经网络等方法相比,本文的方法能够有效识别非侵入式负荷,并具有很好的抗噪性能,具有良好的应用前景。     

非侵入式电力负荷多目标分解框架

现有基于最优化的非侵入式负荷分解方法存在两个问题:使用一到两个特征对家庭负荷的分解效果差;而使用三个及以上特征作为用电设备辨识的目标函数难度高。提出非侵入式电力负荷多目标分解框架,解决传统方法利用特征数少、加权系数难确定等问题。以有功功率、无功功率、视在功率、谐波和电流波形作为电器运行状态的目标函数,建立多目标优化负荷分解模型。利用多目标进化算法(Multi-Objective Evolutionary Algorithm,MOEA)对实测用电数据进行负荷分解求得Pareto最优解集。最后通过多准则决策方法选出识别结果。实验结果表明,增加特征可提高MOEA算法对多个用电设备同时运行时识别准确率,且与当前主流算法相比,所提框架对家庭负荷分解的准确率更高。     

基于多任务学习卷积网络的非侵入式负荷监测方法

随着居民用户对设备耗能管理需求的增长，低硬件成本的非侵入式负荷监测技术具有巨大的工程应用价值。目前，负荷监测深度网络存在输出假阳性功率片段问题，造成对电器开关运行状态的误判，影响负荷分解精度。为此，提出一种基于多任务学习的非侵入式负荷监测方法。首先，建立基于多分支卷积网络及改进后处理的负荷监测推理框架，在负荷功率分解网络主分支的基础上，设立开关状态判定分支网络，引入电器开关序列监督信息，通过多任务聚合损失函数调整网络训练时梯度反向传播过程，降低了运行状态误判率。然后，采用加权均值滤波对网络输出的开关状态评估值和功率输出值进行后处理，进一步降低负荷分解误差。最后，在UK-DALE数据集上开展对比实验，实验结果表明所提方法能够较好地分离出包含复杂功率特性的电器负荷，验证了方法的有效性。     

基于粒子群算法搜索的非侵入式电力负荷分解方法

非侵入式电力负荷分解是根据入口处电流、电压信号进行用电负荷辨识的一种方法。然而,由于电流、电压波动等因素干扰,单一特征所得到的分解结果通常会与实际用电设备投切结果不一致。为了可靠地提升在线非侵入式电力负荷分解能力,构建了基于谐波的电流特征表达并结合功率两个特征作为设备投切状态辨识的目标函数。同时,引入了正态分布的度量函数,将其融合并作为粒子群(Particle Swarm Optimization, PSO)算法的适应度函数,以此寻找最佳的电力负荷分解结果。最终,通过实验室开发的非侵入式负荷分解装置进行实验。实验结果表明所述方法能获得更好的在线电力负荷分解能力。     

基于聚类特征及seq2seq深度CNN的家电负荷识别方法研究

非侵入式负荷分解技术能够挖掘用户内部信息获取各用电设备负荷信息,使智能电网更加贴近日常生活,为泛在电力物联网感知层建立提供有效数据。为解决传统非侵入式负荷分解方法输入数据复杂,考虑因素较多,采样硬件要求高以及辨识准确率较低等问题,文章首先利用改进迭代K均值聚类提取用电设备运行状态建立负荷特征集,之后将特征集输入构造的序列到序列的一维深层卷积神经网络模型以及序列到序列的单、双向长短时记忆网络等模型中进行负荷分解挖掘各设备运行状态。最后通过REFITPowerData数据集进行验证,一维深层卷积神经网络模型虽然耗时较大但负荷识别准确率达到93%以上,表明基于特征数据集及序列到序列的一维深层卷积神经网络非侵入式负荷分解方法与其他深度学习模型方法、人工神经网络方法相比表现出更显著的信息提取能力以及辨识能力。     

基于动态自适应粒子群算法的非侵入式家居负荷分解方法

非侵入式负荷监测可以在保证用户隐私的前提下深入分析用户独立负荷的用电信息,是智能用电技术体系的关键内容。为提高负荷辨识的准确性,提出一种基于动态自适应粒子群算法(dynamic adaptive particle swarm optimization,DAPSO)的非侵入式负荷分解方法。在传统功率特征的基础上,将总谐波失真系数(total harmonic distortion,kTHD)作为负荷新特征引入目标函数,采用DAPSO算法对实测用电数据进行负荷分解。仿真结果表明,在不同噪声背景下,DAPSO算法的负荷辨识率和收敛速度均得到一定提高,从而验证了DAPSO算法对家居负荷分解具有更优的可靠性和鲁棒性。     

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。     

基于广义回归神经网络的非侵入式负荷识别方法

非侵入式负荷识别可以实现电网和用户的灵活双向互动,对智能电网的发展具有重大意义,而神经网络因其自学习能力及计算复杂度低等优点越来越多地应用在非侵入式负荷识别中。针对现有BP神经网络方法容易陷入局部最优、收敛速度慢的问题,文章提出了一种基于广义回归神经网络(GRNN)的非侵入式负荷识别方法。该方法使用负荷投切过程的功率、谐波、投切时间等暂态特征作为输入,应用Parzen非参数估计方法搭建网络结构,利用模拟退火算法的全局搜索能力对光滑因子进行寻优,从而建立GRNN网络模型进行负荷识别。实验结果表明,相对于BP神经网络,文中方法具有更好的识别精度和训练速度。     

基于改进PageRank算法的输电网关键节点辨识方法研究

为了准确全面辨识输电网的关键输电节点,针对现有辨识方法未考虑节点间功率传输路径的分配关系以及不同类型节点传输特性的问题,基于复杂网络理论和PageRank算法,从静态分析角度建立输电网的有向加权网络模型.根据节点在功率传输路径中的不同特点将节点划分为电源节点、中间节点和终端节点,并考虑不同类型节点与相邻节点间传输转移的...     

信息网受损对电网过载主导型连锁故障的影响

信息网是实现信息系统功能的基础,信息网不同程度受损导致信息系统功能呈现多态性,影响电力系统的灾变应急能力。研究信息网受损对电网连锁故障的影响,是保证现代电网安全运行的重要课题。以信息系统的监视和控制功能为切入点,建立考虑信息网受损影响的电网连锁故障模型;结合信息网结构和信息系统功能受损程度量化指标,分析不同信息网受损程度对电网连锁故障的影响;从失效边群体区域分布和个体重要性角度,对比研究了几种信息边失效方式下,信息网受损对电网连锁故障的影响。对IEEE 30节点系统的仿真表明,信息网受损削弱了系统抑制电网连锁故障传播的能力,导致连锁故障蔓延;当电网处于重负载水平时,信息网受损对电网连锁故障的影响更为显著;不同信息边失效方式下电网连锁故障规模差异明显,信息网结构脆弱性是影响电网连锁故障传播的重要因素。     

基于潮流冲击熵的加权拓扑模型在电网脆弱性辨识中的应用

电网脆弱性不仅与电网的拓扑结构有关,还与电网的电气特征紧密相连。为了辨识出电网的脆弱环节,基于支路开断的潮流冲击熵,提出了一种电网脆弱性辨识的新方法。定义了支路和节点脆弱强度指标,建立了基于潮流冲击熵的加权拓扑模型,由此得出了线路和节点的加权介数指标,结合脆弱强度和介数指标,提出了综合脆弱度指标,该指标综合考虑了电网拓扑结构与电气特征的影响,且加权介数的引入能够对电网脆弱性进行辨识起到放大的作用。由算例结果可以发现,文中定义的综合脆弱度指标能够有效克服从单一角度对电网进行脆弱度评估,提高了辨识的准确度与精度,说明了该脆弱性辨识方法的有效性与合理性。     

电力生命线网络多节点关键群组评估

电网关键节点的辨识是电力系统安全稳定运行的重要内容之一,目前对于电网关键节点的分析基本是针对单一节点,未考虑多节点的共同影响,为此提出了多节点关键群组的辨识方法。为准确辨识电网多节点关键群组,采用基于复杂网络理论和系统物理特性相结合的方式,同时考虑电网的可调性和抗毁伤性进行综合评估。通过构建网络节点效率矩阵,以系统动力学毁伤调整后的稳态为基础并使其满足最小切负荷原则,模拟不同节点组合的多节点群组影响力。结果表明关键节点并非一直存在于关键群组内,多节点群组的影响力并非是单一节点影响力的简单叠加,多节点关键群组相较于群组数量占比很小。该方法对电网多节点关键群组辨识、利用和防护具有重要意义,可以有效指导灾前防护和灾后恢复。     

CT机冲击负荷对智能电能表运行状态的影响

电网中越来越多的大功率设备投入使用,冲击负荷越来越多,冲击负荷不仅对电网的运行状态产生影响,而且,还会导致智能电能表的电能计量超差。本文首先分析医院CT机冲击负荷电流波动的游程特性,然后,建立智能电能表的全系统模型和电能测量仿真算法,最后,仿真分析给出医院CT机冲击负荷对智能电能表运行状态下动态误差的影响,并通过实验验证了仿真分析影响结果。     

考虑多层耦合特性的电力信息物理系统建模方法

从信息物理融合的角度出发,综合考虑电力网、通信网和信息网的关联关系和耦合特性,提出了一种电力信息物理系统分层建模方法。首先,提出了考虑多层耦合特性的电力信息物理系统三层模型框架。然后,基于电网稳态潮流方程,考虑通信传输过程和信息决策过程,对电力网、通信网和信息网进行了分层次建模。针对信息网的监控功能和信息流的传递方向不同,建立了负责信息传递的上行/下行通信通道模型,再以网间接口模型关联电力网、通信网和信息网,推导出考虑多层耦合的电力信息物理系统一体化模型,显现了电力网、通信网和信息网的功能关系。最后,用IEEE 9节点和39节点系统构建的电力信息物理系统模型,基于潮流计算和拓扑分析方法,以最小切负荷为优化目标,定量推演信息网的感知决策过程和模型参数的变化对电网运行状态的影响,验证了所提出建模方法的有效性,适用于分析网络攻击、连锁故障演化机理等场景。     

VSC-HVDC适应感应电动机负荷稳定性研究

日益增长电网负荷中心含有的感应电动机负荷,因其高度非线性和动态特性,给电力系统带来严重的电压失稳甚至崩溃的风险。文章通过研究感应电动机负荷特性,分析其与电力系统稳定的关联性。同时基于柔性直流系统功率传输可控特性,研究了一种柔直紧急支援控制策略,通过适当改变控制指令值调节交直流线路间的交换功率,从而实现负荷以及系统的稳定。最后通过PSCAD/EMTDC平台搭建某城市局部交直流系统模型,针对不同感应电动机负荷比例进行仿真分析。经验证,柔性直流系统采用该控制策略能有效提升电网感应电动机负荷稳定水平。