基于改进匈牙利算法的非侵入式负荷匹配方法

针对非侵入式负荷监测中常用电力负荷开启与关闭的配对特性,本文提出了一种基于匈牙利算法的匹配方法。在该方法中,首先采用Prony滑动窗进行负荷事件检测,并以此提取投切前后的负荷变化特征信息;然后将负荷开启和关闭事件转换为二分图寻优匹配问题,结合增广路径寻找最大匹配的原理,建立功率代价矩阵模型,进而寻找负荷投入和切除的最佳匹配。进一步地,为了避免负荷事件开启和关闭的功率不对等,提出采用添加虚拟节点的策略对算法进行改进,引入灰色关联度评价与多重匹配策略。实验结果表明,所提出的方法能有效地识别出负荷的开启和关闭,为后续准确的负荷辨识奠定基础。     

基于决策融合的非侵入式电力负荷辨识方法及应用

在非侵入式负荷分解与辨识中,单独一种算法的辨识决策方法容易受算法自身的局限性以及电网对用电设备而降低辨识精度,使得不能准确获得用电设备投切情况。为此,基于多种不同算法得到的分解与辨识结果,提出了一种非侵入式电力负荷分解与辨识决策融合方法。首先,提取每个用电设备平稳状态下的负荷特征,并采用3种常用的模式识别方法进行分解与辨识。然后将得到的辨识结果,进一步采用一种加权方法对投切结果进行决策。最后采用案例分析,对决策融合方法进行了合理验证。结果证明,辨识决策方法可以有效地提高设备辨识的准确性。     

一种适用于非侵入式负荷监测的暂态事件检测算法

非侵入式负荷监测(NILM)是未来电力负荷监测的重要发展方向之一.不同类型电力负荷在投切过程中,通常会表现出独特的暂态特征.据此,NILM能够克服利用负荷稳态特征信息进行负荷辨识的局限性,实现对整个变电站、建筑物内部负荷集群的分解与分析.提出了一种信号预处理算法--基于滑动窗的双边累积和(CUSUM)暂态事件自动检测算...     

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。     

一种融合时间特征的非侵入式负荷辨识决策方法

针对家庭负荷用电场景中负荷类别的不确定性,以及非侵入式负荷监测设备数据库中负荷特征库的不完备等极易导致负荷辨识准确率下降的问题,文中在利用电气特征的基础上,提出了一种融合负荷运行时长、运行时段、工作周期及假期特性等时间特征的非侵入式负荷辨识决策方法。在该方法中,通过分段归一化的Mean-shift聚类方法对检测得到的负荷事件特征进行聚类统计,获取潜在的负荷类别数;对用电设备负荷事件的时间特性进行统计,同时计算负荷功率特征度量负荷事件所产生的概率,并采用贝叶斯方法对负荷进行决策辨识。采用AMPds公共数据集进行实际测试,实验结果表明该方法对该场景具有较好的辨识效果。     

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。     

动态载荷盲源识别系统设计及其LabVIEW实现

盲源分离可以从混叠的系统响应中识别出激励源信号的特征。针对结构参数未知的系统,结合盲源分离算法和模态分析法,提出一种基于模态参数盲辨识的载荷识别方法,并对简支梁系统进行实验验证。首先采集简支梁系统的冲击响应信号,利用盲辨识算法得到其有效模态参数,构建系统的模态模型;然后利用模态分析法识别其动态载荷。实验结果说明了该方法的实用性和正确性。     

基于聚类和关联分析的居民用户非侵入式负荷分解

现有的非侵入式负荷监测方法主要采用监督学习模型,该类模型需要具有针对性的大量训练数据,而且无法有效识别在训练数据中未出现的负荷。在分析多种家用电器负荷特征的基础上,选取负荷投切过程中暂态功率波形和功率变量作为负荷特征,并提出一种基于聚类和关联分析的无监督学习居民用户非侵入式负荷分解方法。首先根据功率变化情况提取电流和电压数据,并计算得到暂态功率波形;然后通过动态时间规整算法计算当前暂态功率波形与历史暂态功率波形的匹配度,并利用动态聚类算法和其他暂态负荷特征判别该功率波形对应的负荷操作;最后以周为单位对负荷操作进行关联分析,确定每种电器对应的多个暂态特征。仿真结果表明,所提方法易于实现,在准确率和可靠性方面有明显提高。     

基于DTW算法的非侵入式家居负荷行为识别方法

随着电力负荷监测在生产和生活中的广泛应用,非侵入式负荷识别技术得到发展,具有很好的发展前景。针对非侵入式家用电器负荷的行为识别存在识别特征量难以优化,识别算法收敛性差等问题,提出了一种基于特征匹配度的家居负荷的行为识别方法。将家用负荷开、关时的暂态波形和功率变化值作为特征量,运用DTW算法计算测试模板与参考模板之间的相似度,有效的识别出家庭用电的各项负荷数据,并且通过三种案例来模拟负荷的识别过程,验证了算法的可行性。     

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。     

多芯模组化的负荷分析电能表设计与研制

针对居民用户对精准精益用能服务需求不断增长的现状,为提升智能电能表精细化用电数据分析水平,基于IR 46国际建议的理念,设计研制了一款基于多芯模组化方案支持远程升级的负荷分析智能电能表.该电能表内置计量芯片、功能芯片及负荷分析专用芯片,各芯片模块相互独立,通过负荷数据采集、特征量提取、负荷辨识、记录上传等过程,实现三芯管理模式下的用户家庭电器类型、启停时间、消耗电量智能辨识分析.同时提出了依托用电信息采集系统的远程升级方案,保证电能表负荷分析算法、特征库可在线更新.     

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%。     

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。     

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。