基于信号稀疏化欠定求解的居民用户非侵入式负荷分解算法

非侵入式负荷监测是实现智能用电的关键技术,负荷分解是实现该技术的重要环节。立足于非侵入采集模式下电流信号的欠定求解,研究了一种负荷分解算法。利用居民用户电器启动时间存在时间差的特点,将求解模型建立为单位时间间隔内仅从采集信号中分离两路信号,一路为新投入运行负荷的独立电流,一路为上一时刻的混合电流。该模型使每个投入运行的负荷均可独立分解,同时保证了欠定维度小,从而可有效求解。求解过程结合负荷电流信号的频域稀疏性,将欠定方程转化为最优化约束问题,通过两步迭代收缩阈值算法从混合信号中恢复出两路电流信号,并通过相似系数判断分离是否有效。利用实测用电数据验证了算法的有效性,通过正迭代方法得到当前参与运行的用电负荷,并根据相似系数确定负荷类型,实现了负荷辨识。     

基于模板滤波的居民负荷非侵入式快速辨识算法

以电流信号的频域分析为基础,结合非侵入监测负荷运行的电流模型,利用单独作用时电流信号的频谱分量会完整包含于混合电流频谱中,提出一种基于模板滤波的居民负荷非侵入式快速辨识算法。通过先验方式获取用电网络各负荷的特征电流形成特征滤波器,对其频谱分量进行0-1赋值得到对应的模板滤波器。利用模板滤波器对非侵入采集模式下的混合电流信号滤波,通过对滤波后频率分量的量化判决确定负荷的运行状态。利用实际采集的用电数据验证了该算法的有效性,能够准确判断负荷运行状态。此外,算法利用快速傅里叶变换(FFT)即可实现,便于实际中硬件封装。     

基于非侵入式用电数据分解的自适应特征库构建与负荷辨识

非侵入负荷监测是实现需求侧测量与能效优化的有效途径。文中提出了一种高频采集模式下的非侵入式负荷在线监测方法,使整个监测过程自动化、实时化。首先,根据负荷电流的可加性原理建立了负荷分离模型,得到独立负荷波形;并结合负荷的操作特性,无需预实验获取先验数据。然后,通过贝叶斯分类模型实现负荷种类判断,从而在运行过程中为每个独立用户构建动态的负荷特征库。最后,基于库中数据,通过构建寻优模型实现负荷辨识,从而持续、实时获取负荷用电状态,并通过实际采集的用电数据验证了方法的有效性。该研究可自适应地为独立用户构建负荷特征库,改善了提前建库不具有普适性的问题,同时,基于特征库的快速寻优保证了辨识的有效性与准确性。     

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。     

基于卷积神经网络的非侵入负荷辨识算法EI北大核心CSCD

非侵入式负荷监测因其实施成本低且对用户干扰小,具有广泛的应用前景。负荷辨识方法是非侵入式复合监测的主要技术难点之一。研究了非侵入式负荷监测模式下基于卷积神经网络的非侵入负荷辨识算法。首先利用局部平均分解算法对采集到的混合信号进行负荷分离,并通过智能学习的方法提取独立负荷特征,建立了能够处理二维图像数据的卷积神经网络模型,将大量典型家电的运行电流数据转换成图片的形式,对卷积神经网络模型进行训练,并基于该模型进行负荷特征提取,从而达到辨识的目的。经过实际采集的用电数据进行仿真实验,结果表明,基于卷积神经网络的负荷辨识准确率高、识别速度快,模型具有良好的泛化能力,能够有效的实现负荷辨识。     

基于负熵估计的居民用电负荷非侵入式分解算法

非侵入式负荷监测是实现能效跟踪与智能用电的重要技术,其中,负荷辨识方法是非常重要的内容。为此研究了一种非侵入监测机制下的居民负荷快速分解算法。利用非侵入负荷监测模式下负荷总电流信号是负荷单独运行时电流信号混合叠加的特点,将负荷分解问题有效建模为盲源分离问题。对混合电流信号进行白化处理,并构建解混矩阵,基于负熵最大化判别准则形成了有效的居民用电负荷分解算法,并构建评价函数对分解结果进行量化分析。为了验证算法的有效性,利用实际采集的用电数据进行负荷分解,均能够准确地从混合电流信号中分解出各个单独的叠加信号,即得到当前参与运行的用电负荷,并能够根据相似系数确定负荷类型,实现负荷辨识。     

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。     

基于高频数据V-I特性的延时反馈负荷在线快速辨识算法

研究了一种基于V-I特性的延时反馈非侵入负荷在线快速辨识算法,该算法根据用电设备负荷容感性不变原理,在相同电压背景下,提取每次暂态发生前电路中的稳态周期电流,利用信号一维加减得到上一次投切的用电设备稳定运行时的周期电流,结合居民用户的用电设备操作习惯对目标函数施加约束,缩小可能进行投切的用电设备的组合范围,优化求解确定用电网络中的负荷状态。此外,引入延时反馈识别投切负荷,避免负荷暂态过程对稳态特征提取的影响。利用公开数据集对该方法的有效性进行验证,通过延迟负荷识别可在短时间内准确高效地判断各用电设备的启停时刻。     

基于系统模型的家电负荷辨识算法*

家电负荷识别是需求侧管理的关键技术之一,有助于实现用户侧的智能用电。文中结合系统辨识的基本原理和方法,将各家电负荷看作一个独立的系统,以稳态电压、稳态电流为特征,提出一种基于系统模型的家电负荷辨识算法。通过预先获取用电网络中各负荷的稳态数据,构建ARMAX线性模型库和Hammerstein非线性模型库。根据稳态电流波峰系数这一特征值对待识别负荷进行预筛选确定所属模型库类型,通过模型匹配原则进行负荷识别。文章通过实测数据验证了算法的有效性,可以准确地识别线性负荷以及非线性负荷,运算效率高,并且可以有效应对家庭网络中有新负荷加入的情况。     

Nonintrusive load decomposition technology based on current sparsity underdetermined solution

Nonintrusive load decomposition is the key technology to realize power load monitoring. The load decomposition is realized by the underdetermined solution of the current signal, and the complete current of each independent load is obtained. The model is optimized using the user's load operating habits and converted into a one‐dimensional underdetermined problem to establish the solution model based on unit time interval to separate only two channels of signals from the acquisition signal. The optimal solution is obtained through the two‐step iterative shrinkage threshold algorithm according to the frequency‐domain sparsity of the current, so that each load is decomposed independently. The validity of the method is verified by the measured electrical data.     

A nonintrusive fast residential load identification algorithm based on frequency‐domain template filtering

User‐side load monitoring is a key technology to realize smart utilization of electric power. Since the traditional intrusive load monitoring involves a comparatively large economic cost and execution complexity, this paper studies a way to rapidly identify residential power load in a nonintrusive monitoring mode. A template‐filtering‐based nonintrusive, rapid residential load identification algorithm is proposed, which is based on frequency‐domain analysis of current signals, in combination with the current model when the nonintrusive monitoring load is in operation, and by making use of the fact that the spectrum components of the current signals working independently are completely contained in the hybrid current spectrum. Characteristic currents of the various loads in the power grid are acquired a priori to establish the characteristic filter, and 0–1 valuation is performed on their spectrum components to get the template filter. The template filter is then used to filter the hybrid current signals captured in the nonintrusive mode, and the operation status of the loads is judged and determined after quantification of the filtered frequency components. For the same type of load under different operating conditions, the template filter can be commonly used. Efficiency of the algorithm is verified by making use of the actually collected power consumption data, which is able to accurately identify the load operation status. Furthermore, the algorithm is shown to be highly efficient and can be realized via fast Fourier transform (FFT), and its hardware packaging can be easily realized. © 2017 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

利用有限低频信息的居民用户非侵入负荷监测算法

通过更多信息特征或高频采样技术提高识别准确率的负荷监测算法,会增加信息采样阶段的成本和边缘数据处理的难度,提出一种基于有限低频信息的非侵入式负荷监测算法。设计最佳事件检测器,该检测器根据滑动窗口采集聚合负荷数据,并根据统计特征指标判断电器投切位置;将事件发生前后的功率序列作为识别特征,利用互补集合经验模态分解算法分解出功率序列中的多阶本征模态函数和最终趋势,绘制分解结果的二维图像并将其输入卷积神经网络进行训练和识别,从而实现仅基于有限低频采样信息就可高精确率地识别负荷。基于公开数据集的仿真结果验证了所提算法的有效性。     

发电机负序电流高精度频域算法的实现

发电机负序电流作为不平衡负荷的判据是关系到发电机安全稳定运行的一个重要参数,对负序电流进行监测、报警以及故障处理都是非常重要的工作。本文剖析了目前负序电流监测仪表主要采用的算法存在的不足,给出了一种高精度的负序电流频域算法,通过相关运算和数字滤波技术实现了对信号的均值去噪,对处理后的信号进行频域运算可精确求出负序电流值。详细介绍了算法的原理,并给出了具体的实现方法。应用此算法的负序电流监测仪实时性好,精度高,在现场运行稳定可靠。     

CPT及IRPT多场景电流分解对比及分析

以新能源为主体的新型电力系统发展对系统计量装置、功率变换设备等提出了新要求,迫切需要革新的功率理论指导上述设备的设计与控制,以适应不同电气系统结构。通过构建多种含不同源荷类型的三相电气系统场景,针对守恒功率理论（CPT）及瞬时无功功率理论（IRPT）,重点讨论二者在不同应用场景中电流分解的相似点及不同点。分析结果显示：IRPT仅在电压正弦条件下可以获得较好的电流分解结果,而基于CPT的电流分解,在正弦或非正弦等不同电压、负荷情况下均可较好地解释功率传输现象、分析负荷特性,其可作为有效的理论工具用于负荷特征识别、电费计量、滤波与补偿、功率变换器等领域中。     

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。     

动态负荷准稳态与动态信号的模型与分解方法

针对牵引变电站等大功率动态负荷,建立了动态负荷信号随机过程的准稳态项与动态项数学模型;然后,采用二次经验模态分解方法,在小时间尺度上,对采集的牵引变电站动态负荷电流与功率随机信号进行了分解,得到了其慢速波动的准稳态项与随机快速波动的动态项。分解结果证明了文中所提出的模型结构的正确性,同时证明了分解方法的有效性。文中所提出的方法可为建立电能表动态误差特性测试信号提供依据。     

基于双模调频分解的低压配电网同期线损率预测模型

为了高精度评价电力系统运行方式合理性以及电力企业运营状况,研究基于双模调频分解的低压配电网同期线损率预测模型,利用高精度的线损率预测结果提升电网运营管理性能。采集低压配电网电能传输信号,通过双模调频分解方法利用双模调频基函数分解信号,去除无用信号;利用分层式节点识别策略在分解后的配电信号中划分低压配电网的负荷节点,获取各负荷节点的注入电流;利用支持向量机方法建立同期线损率预测模型,将所获取的注入电流输入到模型中,输出线损率预测优化结果。试验结果表明,该预测模型的预测结果与实际结果极为吻合,平均绝对误差和均方根误差均不超过0.09%,证明该模型可有效预测低压配电网同期线损率,预测精度高,可为智能配电网运营管理提供有效依据。