基于非侵入式负荷辨识的聚合负荷需求响应能力在线评估

用户侧负荷资源数量众多、容量不均,分布零散,响应潜力强,具备参与电网调节的能力。基于负荷工作时功率、电流等特征差异,建立负荷特征指纹库,提出面向居民电器的非侵入式负荷辨识方法,实现居民用能的在线分解。基于同类电器特征相似的特点,在同一台区下,提出由下至上的台区负荷需求响应能力在线聚合监测方法,实现台区负荷资源参与需求响应能力的评估。在通过REDD数据集和某台区拓扑的测试,表明该方法对居民负荷具有较好的辨识度,对台区负荷资源需求响应能力很好地监测,为未来负荷侧泛在资源的整合及协调利用提供了方式和途径。#$NL关键词：非侵入式; 负荷辨识; 需求响应; 聚合监测#$NL中图分类号：TM73     

基于LSQR与系统距离聚类算法的专变用户非介入式负荷辨识

专变用户非介入式负荷辨识是实现以专变用户为主体的需求侧响应的重要环节。通过对专变用户负荷稳态过程与暂态过程的特征分析,选取有功功率、无功功率、电流有效值等作为稳态过程特征量,并选取暂态发生前、中、后三个阶段的特征量,如电流有效值、有功功率均值、无功功率均值、持续时间、电流有效值最大值等,构建全面的非介入式负荷辨识稳态过程与暂态过程负荷特征空间。以此为基础,利用最小二乘QR分解算法(Least Square QR,LSQR)进行稳态过程负荷分解获得各种负荷的运行情况。并基于系统距离聚类算法将常见专变用户负荷暂态事件进行分类,进一步辨识出哪一种或者哪一类负荷发生投切动作。最后,采集包括排水泵、搅拌机、水泥螺旋、污水泵、除尘器等工业负荷现场数据,对所提到的方法进行了仿真分析,结果表明所提的非介入式负荷辨识方法可获得较高的准确率。     

EMS2000能耗管理系统在绿色建筑中的应用

基于项目实例,介绍了EMS2000能耗管理系统的设计。从建筑整体能耗分析、建筑配电系统信息监控、建筑用电负荷分析等方面分析了软件的分项计量节能管理系统功能。指出EMS2000能耗管理系统能准确找到大型公共建筑中的能耗浪费和节能潜力,并评判管理或技术措施的实际节能效果,对于节能监管具有重要意义。     

考虑分时段状态行为的非侵入式负荷分解方法

负荷监测是智能用电的一个重要环节,针对现有低频非侵入式负荷分解方法需要较多先验信息,且对功率相近或小功率负荷的辨识精度较低的问题,提出了一种考虑分时段状态行为的非侵入式负荷分解方法。首先,对负荷设备的功率数据进行聚类分析,构建负荷状态模板。提出一种不需要指定时间段个数的负荷典型行为时间段智能寻优方法,分时段提取负荷状态行为规律,构建负荷行为模板。然后,在传统功率特征的基础上,综合考虑概率和时间2个维度,将分时段状态概率因子(TSPF)作为负荷新特征引入目标函数,通过多特征遗传优化迭代实现负荷分解。最后,在公开数据集上验证了所提方法的有效性和准确性。     

基于负荷能效评估的集群建筑协调控制方案研究

正在集群建筑参与需求响应定额容量削减的模式下,基于建筑楼宇级、设备级能效评估指标,构建集群建筑综合能效评估体系,通过模糊综合评估方法进行建筑能效评估,提出基于建筑能效评估的削减容量分配方案,最后算例分析验证了该方法的可行性。经济建设的发展带来了公共建筑能耗迅速增长,全球范围内的建筑能耗已占到能源总消耗量的1/3,我国大型公共建筑能耗达到国民能耗总值的30%以上,且新建建筑中大型建筑比例逐年升高,     

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。     

大数据公共建筑能耗监测系统的设计思考

公共建筑应当安装用电分项计量装置,建立能耗监测系统,并确保能源消费统计数据真实、完整。分析了公共建筑能耗大数据特征,阐述了大数据公共建筑能耗监测系统的设计思考与实施策略。建筑能源管理系统能监测用能的设备状态,分类更细更广,实现能耗决策反馈和优化控制。     

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KM算法投切事件匹配的负荷辨识方法

负荷投切事件是关联负荷分类、辨识的一个重要依据,为了能够准确的实现非侵入式负荷投切过程的辨识,提出一种基于KM算法投切事件匹配的非侵入式负荷辨识方法。在该方法中,首先采用一种功率曲线拟合逼近的方式进行负荷事件检测,并利用投切稳态特征建立用电设备投入和切除特征的概率分布模型。同时,考虑到负荷投入事件和切除事件数量不对等情况,将负荷事件与数据库负荷进行匹配,并采用加权优化的KM算法寻找最佳解,从而实现负荷投入和切除的正确匹配辨识。最后,在真实的测试场景并结合REDD数据集进行实验,结果表明文中方法能对负荷投切事件进行有效匹配辨识,为实现能耗细分奠定了基础。     

基于多元特征分析的居民非侵入式相似电器辨识算法

在面向居民的非侵入式负荷辨识场景中,存在部分电路结构、功率相近的相似电器。对于这些电器,现有算法辨识成功率较低。为提高对居民相似电器辨识的准确率,提出了一种基于多元特征分析的非侵入式相似电器辨识算法。该算法使用一对多维的低频电器特征数据进行分析,先将特征规范化,计算两种电器特征间马哈拉诺比斯距离,用以判断两种电器是否相似,再对原始特征使用主成分分析,以提取相似电器的主特征,最后将主特征输入多元高斯模型,得到辨识结果,判断电器运行状态,并分项计量电器能耗。使用实测电器数据与居民实际用电数据进行验证,并与其他模型进行对比。结果显示,该算法可有效提高相似电器辨识的准确性。     

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。     

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。     

基于离线优化和在线决策的光伏智能楼宇能量管理算法

作为综合能源的重要发展形态，光伏智能楼宇的用电需求及光功率具有极大的不确定性，现有的能量管理方法很难完全适用，因此提出了基于离线优化和在线决策的光伏智能楼宇能量管理算法。首先，结合光伏智能楼宇的历史运行数据，建立了以运营收益最大化为目标的离线优化模型，通过离线优化为在线学习提供知识库；其次，为了实现分时电价条件下光伏智能楼宇的实时调度，建立了在线学习与认知规则相结合的在线决策算法，实时决策电动汽车充电功率以及可平移负荷的工作状况；最后，以某商业楼宇为例进行了仿真测试，结果表明所提算法在未来光功率、充电需求及可平移负荷未知的情况下具有良好的运行效果。     

An Improved Method for Load Taxonomy Using Sample Shifting Technique and Signature Analysis

This paper illustrates an improved method of classification of electrical appliances, particularly for domestic loads, to construct load taxonomy on the basis of their signature analysis. Each electrical load is characterized by its own distinct signature and hence load signature analysis is useful in monitoring the health of the equipment, power quality, in determining individual energy usage etc. type of services. On the other hand, load taxonomy classifies these loads in several clusters on the basis of some features extracted from their signatures. In traditional methods of construction of load taxonomy, different signature patterns based on power metrics, V-I trajectories, Eigen vectors, etc. In this proposed method, with the adoption of sample shifting technique the required number of feature extraction is reduced to a lower value to find out various signature patterns than those are required in traditional load taxonomies. Moreover, a better taxonomy, having well separated groups of loads is achieved with lower number of extracted features.     

基于数据挖掘的楼宇电力能耗分析模型研究*

电力能耗分析对于建筑楼宇制定有效节能方案具有重要指导意义。提出一种基于K-均值聚类和FP-Growth关联规则的楼宇电力能耗分析模型,对商业楼宇总能耗、分项计量数据、气象温度等数据进行数据挖掘,得到具有一定启发性的强关联规则,为进一步完善楼宇设备的优化运行策略提供理论支撑。将所提方法应用于上海某栋建筑楼宇的能耗分析中,验证了所提方法的有效性和实用性。     

后置低通滤波器对冲击负荷电能计量的影响

从电子式电能表有功计量的原理出发定量分析了后置低通滤波器对电能计量的影响。从理论分析结果可以得出电子式电能表后置低通滤波器对计量周期性的电压电流波形理论上没有影响,对计量冲击负荷产生的非周期性的电压电流波形将会导致计量不准确。最后以电弧炉负荷为例,建立了研究冲击负荷电能计量的仿真模型,仿真结果表明电子式电能表后置低通滤波器会加大冲击负荷电能计量误差。     

基于三维特征向量的非侵入式电热负荷细分算法

非侵入式负荷监测分解（NILMD）技术是当前居民用能服务深化提升和电力供需互动的重要数据获取手段,然而当前工程上应用广泛的事件驱动型NILMD技术一直无法准确细化分解电热负荷。针对这一问题,文中提出了一种基于三维特征向量的典型电热负荷细化分解算法。首先,基于有功、无功功率和电流谐波等电气负荷特征采用事件检测方法提取电热事件,在有功功率的基础上,引入运行时长、频繁启停次数等非电气负荷特征共同构建三维特征向量电器模型。然后,采用序贯覆盖法设计典型电热负荷细化分解命题学习规则和细化分解算法。最后,基于实证实验数据进行分解验证,发现4种典型电热负荷的细化分解准确率超过85%。实验结果表明,文中所提典型电热负荷细化分解算法有效地提高了4种典型电热负荷分解的准确率。     

面向非干预式负荷监测的居民负荷微观特性研究

非干预式负荷监测技术是未来负荷监测的重要发展方向,基于此技术开发创新性服务产品需要对非干预式负荷监测技术应用基础展开详细研究。建立了非干预式负荷监测应用体系;提出体系中负荷识别算法的实现原理;由于负荷特性研究是非干预式负荷监测的基础,各类创新性服务产品的开发必须以负荷特性研究为基础。对居民负荷的微观特性进行深入研究,基于实测波形提取了典型电器的多个微观特征参数,如波峰系数、瞬时功率峰值和有效值、V-I特性曲线面积及中心线斜率等,并提出了各负荷特性特征值的计算方法。该成果为后续的基于非干预式负荷监测的用电可视化服务研究工作打下基础。