一种适用于非侵入式负荷监测的暂态事件检测算法

非侵入式负荷监测(NILM)是未来电力负荷监测的重要发展方向之一.不同类型电力负荷在投切过程中,通常会表现出独特的暂态特征.据此,NILM能够克服利用负荷稳态特征信息进行负荷辨识的局限性,实现对整个变电站、建筑物内部负荷集群的分解与分析.提出了一种信号预处理算法--基于滑动窗的双边累积和(CUSUM)暂态事件自动检测算...     

用于NILM的电器设备谐波特征研究

非侵入式负荷监测(non-intrusive load monitoring,NILM)是一种新颖的电力负荷用电细节监测技术。电器设备负荷特征研究是实现NILM的基础。随着电子类和电力电子类家用电器设备的日渐增多,谐波特征已经逐渐成为NILM关注的重点。为了更好地将谐波特征应用于NILM,首先提出了量度负荷特征重复性和区分性的两种指标;之后,在研究电器设备谐波产生机理的基础上归纳总结了6种谐波特征指标,并根据已提出的两种评价指标对这些谐波特征的重复性和区分性进行了深入分析。将在5处家庭场景和2处商业场景中采集得到的不同种类和不同品牌的电器设备个体的特征样本汇总,形成实测数据集。在实测数据集上进行的实验分析表明,依据所提出的负荷特征评价指标,3、5次谐波幅值相对含量值和总谐波失真具有较好的重复性和区分性,与利用不同谐波特征所建立的不同分类器的预测结果的准确性相一致。这既能指导谐波特征在NILM中的有效应用,同时也证明了所提出的两种负荷特征评价指标的有效性。     

基于DTW的多状态负荷的非侵入式负荷分解

非侵入式负荷监测（NILM）是大数据和人工智能的重要应用领域,能够显著提升电网的智能化水平和节能效果。长期以来在NILM中采用稳态特征进行负荷分解时,优点是可识别功率近似的负荷,但是不能处理多状态负荷。为此,采用滑动时间窗作为事件探测算法,提出一种基于动态时间规整（DTW）的多状态特征的NILM模型。该模型首先对多状态负荷进行特征提取,并建立多状态特征的稳态波形模板库;然后利用滑动时间窗算法提取待分解负荷的稳态波形特征,将提取的稳态波形运用DTW算法与稳态波形模板库中的负荷特征计算最小距离进行辨识。该方法能够显著提升稳态条件下多状态负荷的辨识效果。最后采用公共数据集REDD进行测试验证,证明了所提方法的有效性。     

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。     

电力系统微分代数模型的奇异性和暂态电压稳定

将电力系统微分代数模型的奇异性与暂态电压稳定相联系,用动态负荷模型逼近静态负荷模型,以消除原微分代数方程模型中的奇异性。在2机单负荷3节点系统和新英格兰39节点系统中构造算例,证实了系统在原奇异点附近具有暂态电压崩溃的特征,从而微分代数方程的奇异性可以作为暂态电压崩溃的一种机理解释。此外,还研究了动态负荷模型时间常数、负荷功率和负荷成分对暂态电压稳定性的影响。研究结果表明具有恒功率或恒电流负荷特性且负荷响应较快的系统在重载下易发生电压崩溃。上述结论对研究暂态电压稳定的机理、电压稳定和功角稳定的关系、电力系统微分代数方程模型的理论和仿真分析具有一定的参考价值。     

基于差量特征提取与模糊聚类的非侵入式负荷监测方法

现有非侵入式负荷监测(NILM)方法主要将电器功率大小作为特征值,对于低功率电器识别的准确性不够,无法满足精细化智能用电的应用需求。文中分析了多种家用电器的功率和谐波特征,并选取低功率电器差异最大的频域谐波幅值作为新的特征。在此基础上提出一种新的NILM方法,该方法采用差量特征提取方法获取任意时刻的特征值变化量并引入信息熵的方法,通过计算簇间熵来确定最佳聚类数和负荷相似度;再通过模糊聚类实现电器负荷数量及种类的聚类识别。实验结果表明,文中提出的NILM方法在不同场景下均具有良好的可靠性和鲁棒性,采用谐波特征后识别准确性有明显提升。     

基于NILM技术的家庭用户精确负荷建模方法

结合非侵入负荷监测NILM系统的负荷辨识流程,本文提出了一种基于NILM技术的家庭用户精确负荷建模方法。该方法应用NILM技术提取家庭主要设备负荷特性。然后通过模糊C聚类法实现家庭负荷模型归类,获得设备针对不同电价的转移灵敏度和自灵敏度用电特性,并在此基础上形成家庭负荷特性。通过电网公司分时电价环境下实测的家庭典型用电负荷数据验证可知,空调、洗衣机、热水器、电动汽车具有较大的弹性,其中洗衣机的自弹性和交叉弹性最大,在高电价时段可削减100%。该方法所获得的家庭负荷辨识的结果,可支持居民电价/激励等需求侧管理政策的制定,也可支持用户家庭用电设备状态监测服务等。     

非侵入式负荷监测关键技术问题研究综述

非侵入式负荷监测(NILM)技术能够利用在总线处单点测量的数据识别用户内部的负荷,是建设泛在电力物联网与透明电网的基础技术之一。在分析NILM基本实现框架和技术体系的基础上,对NILM应用亟需解决的三大关键技术问题进行综述,包括数据源选择、算法精度和可扩展性问题。在数据源选择问题上,分析并总结了低频与高频数据源在NILM中的应用,尤其是智能电表在NILM中的应用;在算法精度问题上,对现有NILM算法模型与算法评估方案进行了回顾与分析;而针对目前少有研究涉及可扩展性问题,通过联动NILM与语音识别和机器学习领域,对去噪识别与新负荷的标记和训练问题进行分析与探讨。最后对NILM的未来发展趋势与应用进行了展望。     

基于PCA-LSTM算法的非侵入式负荷辨识方法

了解用户负荷分布特征是智能电网建设的重要部分,非侵入式负荷监测(Non-Intrusive Load Monitoring, NILM)以其便捷、高效、成本低的优点被电力系统工作人员广泛认可。文中提出了一种基于长短期记忆网络的NILM方法,通过采集用户电力入口处的电流波形并进行数据处理,得到用户的负荷特征数据。使用主成分分析手段,减少负荷特征数量,提高运算效率。使用擅长处理连续数据的长短期记忆网络模型,在划分好的验证集与测试集上对模型优劣进行评价,以获得最优参数模型。预测实验结果显示,文中所设计的非侵入式负荷监测方法可以对包括小功率用电器在内的家用电器进行准确辨别。     

基于聚类和关联分析的居民用户非侵入式负荷分解

现有的非侵入式负荷监测方法主要采用监督学习模型,该类模型需要具有针对性的大量训练数据,而且无法有效识别在训练数据中未出现的负荷。在分析多种家用电器负荷特征的基础上,选取负荷投切过程中暂态功率波形和功率变量作为负荷特征,并提出一种基于聚类和关联分析的无监督学习居民用户非侵入式负荷分解方法。首先根据功率变化情况提取电流和电压数据,并计算得到暂态功率波形;然后通过动态时间规整算法计算当前暂态功率波形与历史暂态功率波形的匹配度,并利用动态聚类算法和其他暂态负荷特征判别该功率波形对应的负荷操作;最后以周为单位对负荷操作进行关联分析,确定每种电器对应的多个暂态特征。仿真结果表明,所提方法易于实现,在准确率和可靠性方面有明显提高。     

深度学习与幅值特征相融合的低频采样非侵入式负荷辨识算法

非侵入式负荷监测中虽然高频采样能提高负荷辨识准确率,但对数据采集设备要求高,难以推广,因此,低频采样下负荷辨识方法成为研究热点。以低频采样下负荷投入时的暂态电流波形为特征,采用卷积神经网络算法实现负荷辨识,辨识结果发现CNN对暂态电流波形差异大的负荷辨识准确度高,但是对暂态电流波形相似的负荷识别准确率低,为解决这一问题,在卷积神经网络辨识的基础上,对暂态电流波形相似的负荷,以暂态电流幅值为特征作进一步辨识,以提高辨识准确率。通过使用实测数据进行验证,结果表明所提算法可以很好地克服低频采样下波形特征相似负荷识别准确率低的问题。     

基于卷积神经网络的非侵入式负荷监测方法

从深度学习与边缘计算的角度,对适用于电力物联网的非侵入式负荷监测方法展开了研究.针对NILM系统在物联网场景下的部署问题,提出了一种新的边缘计算架构,并讨论了各组成部分的任务分配.针对负荷激活在线提取问题,提出了基于离散度和用电行为规律分析的激活判断策略;针对低频采样下的负荷特征问题,提出了一种可自动提取激活特征并识别...     

基于感应电动机的暂态电压失稳分析

采用典型系统分析了暂态电压失稳现象。当系统负荷中包含感应电动机且达到一定比例时,暂态电压失稳现象就可能出现。电动机负荷所占比例越高、载荷率越大,越易发生暂态的电压失稳,负荷中电动机的比例对暂态稳定的故障临界切除时间有着较为明显的影响。详细分析了负荷中电动机的比例对暂态失稳模式和故障临界切除时间影响的原因,最后用某电力大系统中的暂态电压稳定仿真验证了上述结论。研究表明,电动机负荷特性和比例对系统暂态稳定有着明显影响。     

基于实时分类负荷模型的受端电网电压稳定问题研究

电压稳定问题已成为北京、上海和广州等受端大负荷中心系统共同的潜在威胁。为研究受端电网电压稳定问题,本文以广州电网为例,通过仿真分析,揭示受端电网两种不同程度暂态电压失稳模式,即系统暂态电压失稳和局部暂态电压失稳,其失稳特征与机理与负荷中的电动机特性密切相关。为提高负荷模型的可信度,本文提出一种实时分类负荷模型建模方法,并以广州电网实际发生的单相短路故障为算例进行了仿真验证。结果表明,该建模方法有效可行,建立的模型可信。     

基于多特征目标函数PCA-ILP的非侵入式负荷分解方法

非侵入式负荷监测（non-intrusive load monitoring, NILM）能够在不影响用户正常用电的前提下,低成本地获取用电信息,实现用电设备的类型识别和负荷分解,而大量智能电表的安装也为用户进行NIML提供了数据与技术支撑。首先,在研究常见家用电器的功率特征、电流波形及其频域谐波特征的基础上,采用主成分分析方法（principal components analysis, PCA）对高维谐波特征空间进行降维,提取主要谐波信息,与基本功率特征结合形成多特征目标函数。然后,基于整数线性规划（integer linear programming, ILP）模型,提出了考虑多特征目标函数的PCA-ILP的NILM方法。算例分析表明,所提方法对不同信噪比（signal to noise ratio, SNR）下的不同家用电器应用场景均具有良好的负荷分解效果。     

基于深度学习的公共楼宇电-气负荷非侵入式分解

建筑分项负荷的准确监测可以为需求响应提供信息支撑，有助于提高建筑的能效。非侵入式负荷分解(no-intrusive load monitoring,NILM)可以通过总负荷数据来获取分项负荷数据，但针对公共楼宇的NILM研究相对较少，且仅关注于单一类型能源的分解。鉴于此，文章提出一种基于深度学习的公共楼宇电–气负荷分解方法。首先，采用Spearman相关系数定量评估楼宇电、气分项负荷及影响因素间的相关性，据此进行特征筛选；然后，构建基于卷积神经网络和双向门控单元的负荷分解模型，并采用注意力机制对模型输入特征进行权重优化，从而提升负荷分解精度；运用迁移学习技术来解决部分楼宇训练数据不足的问题。最后应用真实楼宇负荷数据对算法的有效性进行验证，并与相关研究进行对比，结果表明所提方法具有更优表现。     

暂态低压减载对电力系统仿真结果的影响

电力系统暂态稳定性是评估电力系统稳定性的重要方面,它的可信度很大程度上决定了电力系统规划、运行的有效性和合理性。目前,电力系统暂态稳定仿真可信度提高的瓶颈在于负荷模型,虽然近年来出现了许多新型实用的负荷模型,但负荷的一些固有特性,尤其是暂态低压减载特性并没有在暂态稳定仿真当中得以体现。为验证暂态低压载特性对暂态稳定仿真的影响,本文以CEPRI-36节点系统为例,比较了不同负荷模型在发生暂态低压减载和未发生暂态低压减载情形下对暂态稳定仿真结果的影响,结果表明负荷的暂态低压减载特性和负荷模型一样都对仿真结果有着很大的影响,这种特性应该在暂态稳定仿真中加以考虑。     

考虑动态负荷机械转矩参数的节点暂态电压评估

动态负荷的主要成分是电动机,其负荷特性是电力系统节点暂态电压稳定性的重要影响因素,但目前相关研究未考虑电动机负荷机械转矩特性。文中在简化感应电动机模型基础上,结合电动机负荷机械转矩变化,提出了极限切除时间解析方法。得到的极限切除时间指标能反映负荷节点暂态电压稳定状态,可以作为节点暂态电压稳定性指标。IEEE30节点系统的仿真结果表明,所述方法计算出的极限切除时间能真实反映电动机负荷的实际运行特性,是评估系统暂态电压稳定性的良好指标。     

计及感应电动机的负荷节点暂态电压稳定解析评估方法

不利的负荷特性是引起暂态电压稳定问题的主要原因之一,然而目前尚缺乏用来评估负荷节点暂态电压稳定状况的有效方法。针对3阶感应电动机负荷,给出了一种解析方法。通过把负荷节点及其外部系统等效为2节点简化系统,能够计算出各负荷母线在简化系统中的极限切除时间。所获取的极限切除时间指标反映了各负荷节点的暂态电压稳定状况,从而为动态安全评估提供了有效的信息。在多节点系统中的仿真结果验证了所述方法的有效性。     

暂态全过程仿真中面向对象的负荷自适应模型

为实现电力系统负荷的暂态全过程仿真，作者分别对静态负荷和动态负荷的暂态特性进行分析，应用面向对象技术建立了适合暂态全过程数字仿真的负荷自适应模型。仿真实验结果表明，该模型适用于电力系统过电压、故障分析和保护校验，交直流系统相互作用以及暂态稳定等问题的仿真研究。