基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法

为提升负荷监测中事件检测与负荷识别的准确性与适应性,提出一种基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法。基于低频数据,根据电器正常运行造成的功率波动与事件启停造成的功率跳变之间的特性差异,提出一种事件检测算法,该算法通过滑动窗内功率波动的差量特征排除波动干扰,实现事件准确定位并获取相关功率数据;建立一种双长短期记忆网络,对不同电器构建专一电器判别单元并进行训练;建立由各判别单元组成的事件识别网络,根据各判别单元输出的概率对事件进行综合判别,实现非侵入式负荷监测。基于测试数据集的仿真结果验证了所提方法的有效性与准确性。     

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。     

基于非侵入式电力负荷监测系统的用电行为研究

非侵入式负荷监测系统由于所需硬件安装少,对负荷的分析较为精确,以及较好的经济性等特点成为未来负荷监测的发展趋势之一。主要介绍了非侵入式负荷监测主流分析方法和系统基本框架,总结其基本原理与主要使用的算法流程,对该非侵入式终端设备系统的各组成模块进行相关描述,设计出一套切实可行的非侵入式居民电力负荷监测终端系统。在非侵入采集的基础上,提出基于非侵入式采集数据的用电行为分析模型,为用户提供细致到单个家用电器的“千人千面”私人定制化用电优化方案,实现非侵入式终端负荷可视化以深入挖掘数据价值。     

基于贝叶斯迭代的非侵入式负荷事件检测方法

无监督型的非侵入式负荷监测技术是负荷监测领域的发展趋势,而负荷事件检测是其中的重要环节。目前的负荷事件检测方法存在超参数复杂不易调整的问题,且对不同类型的负荷事件自适应能力差。为此,提出一种基于贝叶斯迭代的负荷事件检测方法。该方法构建了事件检测模型,基于贝叶斯迭代对模型进行求解,最后结合负荷监测的应用实际优化求解速度。采集典型家用负荷的实际运行数据对所提方法进行测试,测试结果表明,文中方法对于不同类型的负荷事件有较强的自适应能力,相比于GLR方法与CUSUM方法,其具有更简单、更易于调整的超参数,且能获得更高的检测准确率,为非侵入式负荷事件检测提供了新思路,同时可以更方便地应用于工程实践。     

基于全局与滑动窗口结合的Attention机制的非侵入式负荷分解算法

非侵入式负荷监测(non-intrusive load monitoring, NILM)是指在电力入口处安装监测设备,利用总用电负荷得到用电侧单个用电设备状态的方法。由此可以准确地刻画用户用电画像,故NILM是电网智能配电和给予用户侧精细化管理的关键技术之一。随着深度学习在NILM的应用,对于负荷的识别与功率分解能力有所提升,但在训练模型的速率与模型的预测准确率上依旧不高,为此,文章提出基于全局与滑动窗口相结合的注意力机制的负荷分解模型。该模型首先将输入总负荷功率序列通过功率嵌入矩阵映射到高维向量,并利用基于双向LSTM的编码器进行信息提取;通过引入全局与滑动窗口相结合的Attention机制,从提取的信息中选取与当前时刻相关度高的信息,用于解码并最终得到负荷分解结果。在数据集REFIT上验证了所提算法在速率和准确率上有更好的效果。     

基于用户边缘侧事件解析的工业电力负荷非侵入式感知辨识

考虑工业生产的持续、安全等因素,避免在高压生产区对负荷进行直接测量,采用非侵入式感知模式在低压总用电计量端进行监测,通过分离解析总信号获取各负荷详细的运行情况。文中研究了一种基于事件波形解析的辨识方法,为了适应不同用户生产门类及流水工艺的差异,将事件解析下沉至用户边缘。首先,利用工业负荷单体功率大的特点,结合不同投切形式分离事件波形。然后,在用户边缘形成该用户的解释空间,构建有效描述事件波形的结构化特征空间,建立映射规则实现特征空间与解释空间的对应,并通过类别判定完成事件解析与负荷辨识。最后,利用聚类对群体事件进行分类辨识以优化验证辨识结果。通过实际采集的钢铁工业用电数据验证方法的有效性,实现其用电感知与事件解析。     

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。