基于稳态电流波形匹配的非侵入式家用负荷快速识别方法研究

针对现有非侵入式负荷识别方法存在识别特征量表征性差(选取不典型),识别算法收敛速度慢,识别结果精度低等问题,提出一种利用波形相似度匹配来辨识家用负荷的方法。将互近似熵原理与二值距离矩阵相结合,提取家用负荷稳态运行时的电流波形作为特征量,通过直接计算待识别的测试电流波形与模板库中的样本波形之间的互近似熵值,来进行波形相似度匹配,从而实现了对家用负荷类型的快速准确识别,并通过仿真实验模拟了家用负荷识别的过程。实验结果表明,该方法可以有效提高非侵入式家用负荷辨识的精度和效率。     

基于结构熵权法的非侵入式家电识别研究

单一特征所得到的识别结果可能会与实际用电情况不一致,并且居民用电行为是影响负荷识别的重要因素之一,为了更可靠地提升非侵入式电力负荷的分解能力,提出将居民用电行为作为负荷识别的特征之一,并通过结构熵权法将居民用电行为与有功功率、无功功率和电流谐波特征相结合的多特征识别算法,即将定量分析的熵值法和定性分析的主观赋值法相结合,确定最终权值,获得负荷识别结果。最后,采用案例分析,对采用结构熵权法的多特征识别算法与单一特征以及未考虑居民用电行为的负荷识别方式进行对比。结果证明,考虑居民用电行为的多特征识别算法可以有效地提高负荷识别的准确率。     

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。     

基于选择性贝叶斯分类的非侵入式负荷识别方法

非侵入式负荷识别可以提供用电信息,帮助用户改善用电习惯,是智能用电的关键技术。现有非侵入式负荷识别方法主要基于负荷的稳态特征进行识别,对稳态特征近似的负荷识别率不高。针对此问题,该文结合各类家用负荷在投切过程中的不同特点,提出了一种基于选择性贝叶斯分类的识别方法。首先,利用模拟退火算法从特征库中依据负荷特点选择出对于各类负荷最具辨识度的特征;然后,根据选择的特征和高斯核密度估计方法建立灵活贝叶斯分类器;最后,通过计算各负荷的后验概率对负荷进行识别。经实测数据检验,该方法具有良好的识别精度和计算速度。     

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。     

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KD树和BP神经网络的非侵入式负荷识别算法∗

针对现有的非侵入式负荷监测方法难以准确识别具有相似电特性负荷的问题,提出了一种基于切换概率分布曲线对识别结果进行修正的非侵入式负荷监测方法.首先,将电流分解为各负荷的独立工作电流;其次,利用谐波特征对负荷进行初始识别;然后,利用已有数据训练BP神经网络,拟合出被识别负荷的切换概率分布曲线;最后,根据切换概率分布曲线对识别结果进行修正.利用实测数据进行分析,验证了该方法的有效性.     

用于需求响应能力评估的概率负荷识别方法

针对将非侵入式负荷识别技术应用到需求响应领域存在的算法复杂和分解速度慢的问题,提出一种概率负荷识别方法.基于概率负荷分解的原理,建立了概率负荷识别模型.根据电事件引起的有功功率、无功功率和谐波等特征变化,识别可控负荷的类别和状态切换;再利用可控负荷在一个状态的持续时间来求得设备的用电量;然后根据可控设备的用电量,即可评...     

基于融合决策的负荷事件识别方法

负荷事件识别是基于事件的非侵入式负荷监测方法中的关键步骤之一。本文提出了一种融合决策的负荷事件识别方法,通过将三种不同原理的负荷事件识别算法的识别结果进行投票,得出最终的识别结果。相较于单独的识别算法,该方法可以有效地提高负荷事件识别的准确率。此外,该方法可以根据三种算法的不同结果判断出异常的负荷事件。     

基于负荷空间划分的非侵入式辨识算法*

针对传统的侵入式监测系统在设备投入、复杂性以及扩展性上存在的缺陷,以非侵入采集机制获取的负荷数据为基础,研究了一种基于负荷空间划分的负荷辨识方法。首先对5种典型负荷的10种特征进行降维处理,得到最佳辨识特征;利用最小平方误差算法构建判别函数,划分5种负荷的特征空间;利用负荷特征空间交叉的方法,实现负荷的辨识。利用实际采集的用电数据验证了该算法的有效性,且通过特征降维处理提高了算法的运算效率,通过负荷分离提高了辨识准确性。     

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。     

基于云端协同的家用电器负荷辨识能力提升技术研究

居民家用电器类型丰富,具有相似特征量的电器种类往往很多,给非介入辨识带来电器类型不确定、辨识准确度有待提升等问题,所以提出了一种基于多类型特征交互的云端协同的负荷辨识方法.首先端侧基于高频采样进行特征提取及负荷辨识,基于CUSUM事件检测方法提高检测过程中小偏移事件的检测灵敏度,应用轻量级邻近辨识方法进行基本电器辨识并将不确定电器的时空特征上送云端;其次云侧辨识能力提升,构建了包含固有特征、时空特征及统计特征的16维云侧历史特征库,提出了面向多维时空特征的最邻近原则优化辨识技术;最后构建云侧闭环升级机制,云侧将差异性特征回送端侧完善终端电器特征库,综合实现不确定电器细化识别能力提升.以南京某用户为例,云端协同相较于终端的居民一般电器的辨识率从67％提升至91％,并实现了无法辨识电器的辨识,有效验证了算法的有效性.     

基于改进卷积神经网络的非侵入负荷辨识方法研究

非侵入式负荷监测作为客户侧泛在电力物联网重要技术之一,不仅有助于电力公司加强负荷管理,还可以引导用户合理安排负荷的使用,为实现以家庭电力用户为主体的需求侧响应和满足居民用户对精准精益用电服务需求提供了重要的技术支持。对非侵入式负荷监测中低频采样信号分辨率低,负荷特征易重叠,以及卷积神经网络不能有效辨识具有相似波形特征负荷的问题,提出了融合暂态电流波形和时域特征的改进方法,将暂态电流值均方根融合到电流波形图像以提升相似波形特征负荷的辨识正确率。通过实测数据和负荷识别参考数据集(REDD)测试,验证了所提方法的可行性和有效性。     

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。     

基于扩展扫描区域的现场表计指针识别方法

为了满足变电站巡检机器人对现场表计指针的智能识读要求,文中提出一种基于扩展扫描区域的现场表计指针识别方法。通过改进的SIFT算法进行图像匹配并求出单应矩阵,利用单应矩阵将在模板图像上标定的刻度弧线映射到待测图像上,通过扩展扫描区域,依据检测曲线路径上像素点的灰度值和确定指针位置并计算读数。文中对变电站现场的五种仪表,共计500张图片进行了测试。实验结果表明,文中所提算法简单实用、稳定且识别精度高,可以对多种不同的仪表进行识别,适用性强,在变电站多类指针表计识别中具有较好的应用前景。     

基于0-1二次规划的非干预式负荷识别算法研究

居民用电信息细化对于规划居民电器使用和降低电能消耗具有重要的意义。在分析居民负荷特性的基础上,创新性地提出一种基于0-1二次规划的居民负荷识别算法,并通过改造为连续化0-1二次规划以解决离散0-1二次规划求解过程中约束条件不易处理的缺陷。基于所提出的负荷识别算法,可将单个居民家庭用电数据细分至负荷级别。测试结果表明选取合适的负荷识别指标,可以获取较高的识别精度,该算法可以应用于居民家庭中的非干预式负荷监测系统。     

基于ReliefF与互信息结合的特征评价、筛选的家庭负荷类型辨识方法研究

家庭负荷识别是实现需求侧精细化管理的关键。针对现有家庭负荷辨识研究中对所提取特征贡献度及相关性分析不足的问题,提出了基于ReliefF与互信息结合的特征评价、筛选的家庭负荷类型辨识方法。文中在现有研究基础上提取了16个家庭负荷运行暂、稳态特征,对其权重及特征间相关性进行分析,筛选了其中辨识效果最优的特征组合,利用基于粒子群优化的支持向量机(Support Vector Machine based on Particle Swarm Optimization,PSOSVM)分类模型对实测数据样本进行了辨识。算例结果验证了所提算法的准确性和优越性。     

基于CatBoost的常用电器负载电弧故障识别方法

电气火灾造成的危害日益受到人们重视,其成因中占比最大的是电弧故障。电弧通常是由电气组件的损坏或过载而导致,进而可能会导致电气设备的损坏并引发火灾。电弧识别是一种重要的电弧故障预防性技术,可以监测电气设备中的电弧事故,以便及时采取应对措施,是智能用电的重要组成部分。文中就电弧故障识别方法展开研究,首先按照国标搭建了实验平台,然后分析不同家用电器负载组合的电弧特征,并进行特征提取;接着提出了一种基于CatBoost分类模型的电弧识别方法,使用CatBoost模型对提取到的特征进行训练,以实现电弧故障的快速识别;经过测试集验证,与现有的SVM、Random Forest等常用识别分类方法相比,提出的基于CatBoost分类模型的电弧识别方法具有更高的准确率和召回率,能够有效提高电弧事故的识别精度。