基于设备运行状态挖掘的非侵入式负荷分解方法

随着非侵入式负荷监测与用户侧智能电表的结合,基于低频电力数据实现负荷分解成为了最新的研究趋势。考虑到低频电力数据的特征,文章提出一种基于设备运行状态挖掘的非侵入式负荷分解方法。该方法首先进行负荷事件检测,并在负荷事件处提取功率特征;接着在特征平面内通过聚类算法获取表征不同类型负荷事件的聚类簇;最终采用图信号处理算法在聚类簇间挖掘设备运行状态并与数据库中的模板进行匹配实现负荷分解。算例验证了该方法事件检测和负荷分解的准确率,同时验证了在状态挖掘过程中引入设备运行周期能耗对额定功率相似设备的负荷分解具有优化效果。因此,为基于低频电力数据的非侵入式负荷分解技术研究提供了新思路。     

一种面向低压配电网的非侵入故障定位识别方法

非侵入式负荷监测由于安装成本低、对用户影响小,成为未来低压用户电力负荷监测的重要发展方向。论文基于非侵入负荷分解的原理,提出了一种基于非侵入式的低压配电网短路故障定位方法,构建了低压配电网非侵入式短路故障识别系统,并给出了故障识别的详细步骤,能够实现低压配电网故障类型和故障区域的初定位,如果能够结合低压支线回路的智能电能表,将能够实现故障类型和故障区域的精确定位,此方法可以用于电力用户内部故障快速诊断和排查。     

非侵入式负荷事件监测的曲线拟合方法

负荷事件监测是实现非侵入式电力负荷监测的关键环节.为提高最终负荷识别与分解的准确性,提出一种基于曲线拟合的非侵入式负荷事件监测方法.首先跟踪计算总功率信号滑动窗内拟合直线斜率值,进一步与根据功率变化设立的判定阈值进行比较,最终判断负荷运行状态是否发生变化.该方法可准确地标记出总负荷过渡区段和稳态区段的起止时刻,使监测系统能够准确地获取所需的负荷印记特征.理论证明了该方法的有效性和优越性,并且通过实例进行了验证.     

基于时序生成对抗网络的居民用户非侵入式负荷分解

现有的非侵入式负荷分解算法往往需要大量电器设备级的负荷数据才能保证分解精度,但由于用户对隐私性的考虑以及安装成本过高等问题,很难获取这些数据。因此,构建一种能深度挖掘电力负荷数据时序特性和电器相关性的时序生成对抗网络。利用降维网络对所有电器有功功率序列组成的高维向量进行降维以降低计算的复杂度,通过复原网络将结果还原为高维向量。基于电器运行状态和深度学习的非侵入式分解方法,运用卷积神经网络-双向门控循环单元构建状态复杂电器的负荷分解回归模型,对状态简单电器利用深度神经网络构建负荷识别分类模型。通过对比其他数据生成方法,以及改变典型公开数据集中生成数据比例所得的负荷分解结果验证了所提方法的有效性。     

基于改进排列熵算法和Yamamoto算法的非侵入式用电设备状态变化检测

非侵入式负荷监测已经成为智能电网负荷监测管理的关键技术之一。用电设备状态变化过程所表现出的暂态特征是进行非侵入式用电设备状态辨识的重要依据,但其精准提取取决于用电设备状态变化的准确检测。为此,提出了一种基于改进排列熵算法和Yamamoto算法的非侵入式用电设备状态变化检测算法。首先对排列熵算法进行多尺度改进,利用多尺度排列熵的差值分析确定状态变化发生的区间,然后利用Yamamoto算法进行区间检测,定位状态变化的时刻。仿真分析结果表明,所提算法可准确检测用电设备的状态变化,有效地提高后续利用暂态特征的设备状态辨识准确率。     

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。     

基于启停状态识别改进因子隐马尔可夫模型的非侵入式负荷分解

非侵入式负荷分解(non-intrusiveloaddisaggregation,NILD)是通过对总电气量分析得到用户家中各电器设备的能耗数据,该数据为节能、需求响应及公共安全等方面提供重要依据。目前,NILD算法存在因设备启停状态识别准确率低导致负荷分解精度低的问题。为此,该文提出一种基于设备启停状态识别改进因子隐马尔可夫模型(factorialhidden Markov model,FHMM)的NILD方法。首先,通过人工少数类过采样法(syntheticminorityover-samplingtechnique,SMOTE)对训练数据做重采样处理、深度神经网络(deep neuralnetwork,DNN)模型提取启停状态特征以及双向长短时记忆网络及条件随机场(bidirectionallongshortterm memory-conditionalrandomfield,Bi LSTM-CRF)模型提升其对不平衡启停状态的识别能力;然后,将设备启停状态组合模块按照数理组合方法划分数据集,形成若干启停状态组合子数据集,并分别对各子数据集中处于启状态的设备建立FHMM进行负荷分解;最后,在公开数据集每分钟电力年鉴数据集(the almanac of minutely power dataset,AMPds)进行实验,该文算法得到的设备负荷分解平均精度比传统FHMM方法提升了3.8倍,验证了所提方法的有效性和准确性。     

基于VMD-CNN的非侵入式负荷监测方法研究

非侵入式负荷监测通过在总电力接口处安装智能电表,实时采集和分析用户用电信息,从而监测各个用电设备的工作状态。针对电力系统中家庭用户负荷变化呈现的不同特性,提出一种基于VMD-CNN的非侵入式负荷监测方法。首先对采集到的负荷信号进行预处理,用变分模态分解方法将原始负荷功率信号分解成不同频率的有限带宽子序列,然后用Hilbert算法提取低频信号特征并将其输入到卷积神经网络中,再通过网络的自动学习能力学习各模态分量的不同特征,最后用全连接网络对用电设备进行分类,得到各个设备的用电情况。为了验证该方法,采用UK-DALE数据集进行实验验证,并与不同的分类算法进行对比。实验结果证明该方法适用于负荷监测且负荷监测精度达到了0.98。     

基于智能视觉的电力网络敏感区设备过热识别

电力网络的敏感区设备过热会导致电网故障和电力中断,对电力网络的敏感区设备的过热识别可以提高电网故障设备的检测和诊断能力。传统方法采用的是热信号分析方法实现对电力网络的设备过热识别,由于敏感区设备的过热状态下的热源信号自身具有不确定性,导致识别性能不好。提出一种基于图像处理和智能视觉分析的电力网络的敏感区设备过热识别算法。构建电力网络的敏感区设备的热点图像采集和噪点滤波模型,然后对电力网络敏感区设备图像进行视觉特征三维重建,采用图像分割算法实现对敏感区设备过热点的有效分割和检测,提高识别能力。仿真结果表明,采用该算法能有效提高设备过热点的识别率,提高对电力网络设备的状态监测能力。     

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Spark的电力设备在线监测数据可视化方法

大数据可视化可以实现海量电力设备在线监测数据中各种属性、运行状态等电力特征信息的图形、图像化直观呈现,为设备运行状态的及时有效监控分析提供有力保障。因此,本文提出一种基于Spark的电力设备在线监测数据可视化方法,为实现大数据环境下的电力设备在线监测数据的状态信息快速提取,在Spark大数据计算平台上,建立了基于设备状态评估指标体系与模糊C均值聚类(FCM)的电力设备状态信息提取算法。针对数据的多维、时序特性,构建三维平行散点图的数据可视化展现形式,实现电力设备在线监测数据信息全貌的可视化展现。将该方法运用于吉林省某风电场的风电机组在线监测数据集,实验结果证明了该方法的有效性。     

在线监测技术在电力设备中的应用

介绍电力设备在线监测技术的发展和分类,分析几类电力设备在线监测技术的特点,通过互感器类容性设备在线监测装置的实际应用情况,说明在线监测是实现电力设备状态检修的有效技术手段。     

基于SCADA/AM/FM/GIS的电气设备绝缘在线监测系统的设计

从配网中SCADA与AM／FM／GIS系统的集成入手，得出当前集成的SCADA／AM／FM／GIS在线系统只监控了电力系统没备的宏观运行特性，而未考虑电气没备的绝缘运行状态及故障诊断情况，具有一定的局限性 通过分析电气设备绝缘在线监测系统的原理，提出一种将SCADA／AM／FM／GIS与电气设备绝缘在线临测系统相结合的思想、依此思路集成的新系统，既能全面地反映电力系统及设备的运行状态，又能监测电气设备的在线绝缘状态，具有较好的经济、实用价值。通过实例分析得出基于SCADA／AM／FM／GIS的设备绝缘仵线监测系统的设计方法，经在实际中应用，具有很好的效果。     

紫外放电检测量化表征及预测方法研究

随着智能电网的建设和电压等级的提高,局部放电已经成为输变电设备,特别是高压电气设备上绝缘介质老化的重要原因,因而局部放电的检测和量化评估也就成为绝缘介质状况监测研究的关键。文中构筑一套新型的紫外放电监测系统,提出用设备放电的物理量来表征放电的状态,以光子数来量化放电强度,进而定量评估设备绝缘性能和预测设备寿命。有效解决了对早期放电难以定量计测,无判断设备更新标准的难题。通过计算仿真以及集成系统的测试,该系统能实时地监控高压电器放电并且判断放电强度,验证了该方法的可行性和有效性。对局部放电紫外检测领域的研究具有一定的理论意义,对电力系统安全运行及实现输变电设备在线监测提供了有效的解决方案,为紫外检测标准的建立打下了基础。     

基于全过程移动监督技术的感应电机定子绕组温度实时监测系统

随着物联网技术的发展,如何将物联网技术与非侵入式电力设备运行状态监测技术相结合成为当前研究热点之一。为了探索基于物联网技术的电气设备运行状态监测新模式,以感应电机定子绕组温度的非侵入式在线监测为出发点,首先提出了一种基于自适应法和最小二乘法的电机定子绕组温度辨识方法,并结合当前物联网技术的发展,设计了一种基于全过程监督技术的感应电机全寿命周期监督定子温度监测系统。以1台5.5 kW感应电机为例进行试验验证,结果表明该系统具有较强的鲁棒性。所提出的理念和技术可以为其他大型电力设备的状态监测提供重要参考和技术支撑。     

关于蓄电池在线监测系统的研究

蓄电池作为电力系统和通信系统中的直流系统向外供电的唯一设备,其性能的好坏直接关系到电力系统和通信系统的安全可靠性。本文首先介绍了蓄电池充、放电的化学机理,接着分析了影响蓄电池充、放电的因素,然后讨论了对蓄电池实施在线监测的新方法。本课题在研究了蓄电池组运行状态监测的有关技术的基础上,利用最新的微处理器技术,结合现代电路设计方法,开发了一种性价比高、功能更加完善的新型蓄电池在线监测系统。根据蓄电池的实际现场应用方案,自行设计了一个模拟蓄电池实际运行状态的验证实验,对实验数据作了综合性分析,结果表明各项性能指标达到了最初的设计要求。     

几组电气设备绝缘在线监测数据的分析

简要阐述了变电站电气设备在线监测的一些基本问题,指出在线监测是实现高压设备状态检修的必要手段。介绍了泉州电业局已经装设的变电站电气设备在线监测的基本情况,并在大量在线监测数据积累的基础上,分析了几组异常的电气设备绝缘在线监测数据,分析了一些影响在线监测结果的可能因素:介损测量结果稳定性和重复性较差,受PT角差影响较大;通讯信号采集部分的故障率较高;数据分析不能根据现场的运行方式自动改变;监测系统缺少必要的分析判断功能。     

电力系统应用ZigBee技术初步研究

通过对ZigBee技术的分析与电力系统的情况相结合,得出利用ZigBee技术组成无线传感器网络对设备的各种信息进行监测是一个比较好的解决方案,将成为电厂监控发展的趋势。ZigBee技术射频信号会侵入电厂设备产生高频谐波,谐波超标会影响电厂的安全和经济运行。它正是针对这个问题进行解答,给出了测试方法和测试结果,根据测试结果与ZigBee技术设备的特性相结合进行分析,可以从一个侧面验证ZigBee技术应用于电厂的设备监测是可行的,是有安全保证的。并进一步给出了ZigBee技术应用在电厂设备监测系统中的基础和符合的技术条件、以及ZigBee技术适用对象。最后,给出了未来电力系统应用ZigBee技术的监控系统模型。     

SF6电气设备的SO2在线监测装置研究

在线监测SO₂的含量及其趋势变化,对SF₆电气设备的故障预警和故障分析具有极其重要的意义。基于紫外荧光法的SO₂在线监测装置,设计了SO₂紫外荧光检测光路系统、检测电路及软件、在线无损气体采样系统。其中,在线无损气体采样系统不仅能自动采样,还能回收气体,避免待测气体的损耗、泄漏和污染,并支持多种分解气体的同时在线检测。实验测试及现场运行结果表明,该装置完全满足电力设备中SO₂的在线监测需求。     

多重配置保护系统检修决策方法研究

提出了一种多重配置保护系统的检修决策方法,从系统层面判定保护装置是否需要维修。该方法利用保护系统的状态空间转移图,建立各系统运行状态间的关联,并通过分析各系统运行状态的后果,定义出检修级别及其对应的检修状态,然后利用保护装置的运行统计数据和长期监测数据评估各运行状态向检修状态转移的转移率,以判断继电保护装置是否需要进行检修,以此作为基于自诊断的状态维修决策的补充。另外,通过算例分析给出了方法的实施过程。