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。     

基于卷积神经网络的非侵入负荷辨识算法

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U-I轨迹曲线精细化识别的非侵入式居民负荷监测方法

识别用户的负荷用电特性与用电行为是智能电网的重要研究内容之一。该文提出一种基于U-I轨迹曲线精细化识别的非侵入式负荷监测方法,实现对用户负荷有效的非侵入式监测。首先,利用拟合优度检验捕捉用电器投切事件,提取负荷的有功、无功功率变化量以及U-I轨迹3类特征。然后,进行两阶段负荷识别:第一阶段利用考虑初始优化的k-means算法对有功、无功变化量进行聚类,并压缩聚类个数,将功率特征相近的用电器聚为同组,得到一阶段识别判据,实现负荷粗辨识;第二阶段针对一阶段存在的识别盲区,构建卷积神经网络模型,以二维U-I轨迹图作为输入,通过卷积神经网络自动提取轨线的有效特征,实现一阶段盲区负荷的精细化识别。最后,利用BLUED数据集进行方法有效性的验证。     

基于卷积神经网络的非侵入式负荷识别方法

针对非侵入式负荷识别中识别准确率不高的问题,提出基于卷积神经网络的非侵入式负荷识别方法。首先对电阻类负荷、电容类负荷、电感类负荷进行数学建模,并结合tracebase master数据集构建样本库;然后建立卷积神经网络模型,损失函数为交叉熵函数,优化算法采用自适应矩估计优化算法;最后对网络进行训练和测试。仿真结果表明,与循环神经网络等方法相比,本文的方法能够有效识别非侵入式负荷,并具有很好的抗噪性能,具有良好的应用前景。     

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.     

基于CNN-BiLSTM与DTW的非侵入式住宅负荷监测方法

为减少居民生活用电浪费现象,非侵入式负荷监测技术显示出其重要性。基于事件检测的情况下,该文提出一种基于卷积神经网络耦合双向长短时记忆神经网络(convolutionalneuralnetworksandBi-directionallong short-term memory,CNN-BiLSTM)与动态时间规划(dynamic time warping,DTW)的非侵入式住宅负荷监测方法。首先通过概率质量函数计量负荷的运行状态信息,提取出稳态运行时的U-I特性曲线图;然后将图片归一化为统一格式的灰度图,利用卷积神经网络提取出特征向量作为负荷印记;将其输入至双向长短时记忆神经网络中进行辨识,并利用动态时间规划算法优化辨识结果,实现高精度的负荷辨识。最后,利用PLAID公开数据集对于所提算法进行仿真验证,实验证明所选负荷印记具有良好的辨识性能,辨识算法相比对比算法具有更高的信度与准确率。     

基于事件检测与CNN模型的非侵入式负荷识别方法及实现

非侵入式负荷识别是非侵入式负荷监测的一个重要任务.考虑到实际部署的成本问题,负荷识别的算法常常需要在计算能力与内存受限的设备上运行,因此本文提出了一种基于事件检测和卷积神经网络模型的负荷识别方法并在基于STM32微处理器的嵌入式系统上实现.首先引入带边距的滑动窗口,选取合适的特征值使用霍特林T2检验进行事件检测,对检测到的事件使用卷积神经网络模型进行分类从而实现负荷识别,对训练好的神经网络模型进行压缩后部署到嵌入式设备上,在Blued数据集上对压缩后的算法进行整体性能测试,取得了较好的结果.     

基于改进GMM-CNN-GRU混合的非侵入式 负荷监测方法研究

为挖掘用户侧节能减排潜力，对用户用电行为进行精细化分析和管理，提升电能利用效率，提出了一种基于高斯混合模型聚类和深度神经网络相结合的非侵入式负荷监测方法。首先，针对同一电器常出现功率相近但运行状态不一致问题，利用高斯混合模型聚类算法中“软分类”和类簇灵活的优势，对负荷工作状态进行精细分类，形成负荷用电设备实际运行情况的负荷状态特征库。其次，针对常见的应用于非侵入式负荷监测模型的深度神经网络在多标签分类时存在识别精度低等问题，提出卷积神经网络与门控循环单元混合的深度神经网络模型。最后，综合考虑外部环境数据对家庭用户用能习惯的影响，在AMPds2数据集上开展验证分析，并与其他模型进行对比。结果表明，所提的非侵入式负荷监测模型具有较高的准确性。     

考虑辨识结果连续性的Type-Ⅲ型工商业负荷辨识方法

非侵入式负荷监测技术可以引导用户合理安排用电时间,从而减少电量消耗.其中,由于状态的连续可变性,连续变化(Type-Ⅲ)型负荷的辨识一直是非侵入式负荷监测中难以解决的问题之一.针对Type-Ⅲ型负荷的辨识难题,提出了基于深度卷积神经网络(CNN)和隐马尔可夫模型(HMM)的非侵入式负荷辨识算法.首先,根据互信息理论进行负荷特征选择;然后,利用残差神经网络作为深度CNN的基本架构,提取负荷多维特征并实现Type-Ⅲ型负荷的初辨识;最后,为了解决CNN辨识结果中存在的状态断点问题,采用HMM完成负荷辨识结果的连续性优化.在复杂的工商业运行环境中,对具有代表性的Type-Ⅲ型负荷数据进行了算法训练和验证,结果表明所提算法能有效辨识Type-Ⅲ型工商业负荷的运行状态.     

一种基于多参量隐马尔可夫模型的负荷辨识方法

由于电力需求侧负荷形态各异、特性多变,种类繁多,采用传统方法进行负荷辨识时存在识别率不高、模型建立困难、难以推广应用等问题。为此,基于智能负荷控制器(SRLC)的用电参数检测功能和非侵入式负荷监测(NILM)原理,提出一种基于多参量隐马尔可夫模型(MPHMM)的负荷辨识方法。该方法采用4个负载特性参数(电流、有功功率、无功功率、功率因素)作为模型的观测向量,通过模型学习和多次迭代计算,求得与MPHMM模型隐藏状态相匹配的观测序列的最大输出概率和最优状态序列,再采用辅助判别算法对结果进行修正,完成对负荷的最终辨识。通过搭建实验平台对所提方法进行验证。结果表明,该方法辨识准确率可达95%以上,特别是对小功率负荷具有较好的识别效果。     

基于近似熵的电力系统负荷预测误差分析

为深入探究负荷时间序列预测误差的影响因素,提高负荷预测精度,提出近似熵算法,用于定量刻画负荷时间序列的规律性,全面认识负荷预测误差的成因。采用近似熵算法对负荷时间序列进行分析,确定其规律性的强弱。在此基础上,针对负荷时间序列的规律性与预测误差之间的关系进行研究。算例分析结果表明,近似熵算法可以有效刻画负荷时间序列的规律性,且负荷时间序列的规律性与其预测误差之间有着较强的相关性,证明了方法的正确性和有效性。     

基于动态权值相似日选取算法的短期负荷预测

提出了一种基于动态权值优化的相似日选取算法和灰色GRNN串联组合模型的短期负荷预测方法。采用动态权值相似日选取算法,在考虑不同地区和季节对短期负荷的影响时,引入改进的果蝇优化算法(MFOA),动态调整各因子的权值,增强了相似日选取算法的适应性和有效性。选取出相似日后,采用灰色模型和广义回归神经网络(GRNN)串联组合的短期负荷预测方法,并通过改进的布谷鸟(MCS)算法对GRNN平滑因子进行优化,组合模型改善了单一模型预测精度的稳定性。实例预测结果验证了该方法的有效性。     

一种基于Hadoop的电力大数据属性实体识别算法

随着大数据时代的来临,传统的实体识别技术由于电网数据体积大以及类型复杂等特性已经无法有效地进行数据预处理。近年来兴起的Hadoop技术能够对大数据进行较好的处理。因此提出一种基于Hadoop的电力大数据属性实体识别算法。该算法利用改进离散化算法选取出信息准确率较高的离散点,并提出了一种离散化评价指标。最后,在Hadoop平台上对某风电机组的监测数据进行了属性实体识别。实验证明,该算法在实验正确性和断点数目方面表现良好,并且具有较好的加速比,适用于电力大数据的属性实体识别处理。     

基于贝叶斯信息准则的非侵入式负荷事件检测算法

用户负荷数据监测是实现需求侧管理的基础,非侵入式负荷监测技术是负荷监测的重要发展方向,而事件检测是非侵入式负荷监测中的一个关键环节。对适用于模型选取问题的贝叶斯信息准则进行建模,将贝叶斯信息准则首次运用到事件检测当中,利用快速事件检测算法降低贝叶斯信息准则检测算法的误检率,并能解决CUSUM算法中产生的漏检问题。最后采用真实数据集进行测试。实验结果表明,相比于CUSUM算法,基于贝叶斯信息准则的事件检测算法能达到更好的检测准确性,并且能明显提高计算运行的速度。     

面向智能调控领域的知识图谱构建与应用

知识图谱技术作为一种能够描述客观世界中概念、实体间复杂关系的新方法,以强大的知识推理能力被广泛关注。调度控制中心是电网运行控制的中心枢纽,为了推动智能调控建设,结合知识图谱技术以及调控领域的具体情况,提出了面向智能调控领域的知识图谱构建方法。进而针对实际调度的需求,提出了用于支撑运行规则电子化、故障处置、倒闸操作、对话问答等应用场景的知识图谱应用方案。最后,构建了线路故障处置知识图谱,通过应用表明,所建立的知识图谱能够自动驱动线路故障处置流程,流程判定识别准确率较高,有效地降低了人工处置风险。     

基于柔性负荷响应特性的超短期预测方法

在自动需求响应系统(ADRS)中,当大量的用电负荷数据被自动实时采集时,受节假日、天气、温度等因素的影响,用户侧负荷用电特性会随着响应策略的变化而发生变化。传统负荷预测方法的预测精度也将会被降低,不再满足ADRS要求。针对这一问题,基于柔性负荷的响应特性,将"预测-调度-响应"各环节视为一个闭环控制系统,把自动响应(AD)信号作为一个输入变量引入系统。基于丰富的负荷用电数据,采用"黑匣子"思想建立了闭环超短期负荷预测模型,并用仿真结果验证了模型的有效性。结果表明,该模型与传统预测模型相比,预测精度明显提高。     

负荷预测对新能源电网多目标优化调度的影响规律研究

当前负荷预测的主要目标是提高算法精度,无法实现不同预测精度对新能源电网调度影响的量化分析,因此研究了不同负荷预测精度对新能源电网成本和二氧化碳排放量的影响。首先,确立了包含火-水-光-风电机组新能源电网的多目标函数和约束条件。其次,探讨了粒子群算法在新能源电网调度中的优化思路。再次,利用灰色算法对负荷进行预测并给出了预测结果。最后,求解了粒子束优化调度时不同负荷预测精度下新能源电网运行成本和二氧化碳排放量的数值结果,并进行了拟合规律分析。结果表明负荷预测精度和新能源电网的成本和二氧化碳排放满足二次函数关系,可为新能源电网的规划和调度提供借鉴。     

基于多智能体一致性的微电网无功功率分配方法研究

在孤岛运行的微电网中,由于各分布式电源到公共母线的距离和网络结构差异,导致采用传统下垂控制的分布式电源难以按其额定容量分担负荷。为此,提出一种基于多智能体一致性的分布式无功功率控制策略,各分布式电源通过通信网络,接收邻近微电源无功功率。应用动态一致性算法对无功功率差值进行迭代求和,再利用比例-积分器对下垂特性曲线的参考额定电压幅值进行自适应补偿。该策略在实现无功功率合理分配的同时,降低了系统对通信线路的要求,提高了系统的可靠性。     

一种基于多维特征点的监控信号规范性分析方法

从各类设备有效监控所需的标准信号出发,研究一种对监控信息点表规范化分析的方法。通过对监控信息点表进行解析,并对相关信息进行交叉辨识,提取出变电站的电压等级、接线方式以及各个电压等级包含的一、二次设备。结合标准信号智能生成推理机,生成变电站的标准信息点表。通过监控信号智能匹配分析,提取信息点表中信号缺少或信号不规范的问题集。实验证明,这种监控信号规范性分析方法解决了以往监控信息点表审核工作量大、审核结果不规范的问题,为变电站设备监控提供了一个统一规范的平台。