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。     

基于聚类的用户用电行为及其影响因素分析

随着我国产业结构的不断调整,用户的用电特性也不断变化,且用户的用电行为逐渐向个性化发展。首先利用离散小波变换对用户负荷进行特征提取;然后利用改进快速密度峰值聚类算法进行聚类,根据用户特征聚类结果的不同,将用户分为不同群组,分析负荷群的时间分布特征;采用互信息方法分析用电量数据与经济、气温、行业关键指标等的相关性,提取出关键影响因素;最后,基于某省某行业典型用户的仿真实例验证了本文所提方法的有效性。     

基于不均衡数据集成学习的大型电力变压器状态评价方法

大型电力变压器构造复杂,设备成本高,是电力系统的关键组成部分,其运行状态与电力系统的安全稳定密切相关,因此变压器状态评价已成为常态运维业务工作。然而目前状态评价工作严重依赖导则与专家经验,人力成本高,易受到主观影响;而已有模型往往直接应用标准算法,在实际生产环境中表现不佳。针对目前大型电力变压器状态评价在数据质量、样本分布、应用需求与模型表现等方面存在的问题,提出了一种新的评价模型。首先,剔除了无效样本并设计了一种交叉权重方法来标记有效样本;之后,按照数据完整程度区分状态量并对其进行特征提取和高维映射,再拆分数据集得到多个完备训练数据集;然后,应用SMOTEBORDERLINE算法来合成正样本,得到多个完备均衡训练数据集;最后,并行化训练多个代价敏感修正的支持向量机(support vector machine,SVM)组件学习器,并通过权重投票法形成集成学习器。所提出的模型考虑了不均衡数据集与代价敏感所带来的影响,利用集成学习提高了模型的泛化能力,经过实际生产环境验证表现良好,与传统方法相比,显著降低了非正常状态样本的误判率与漏判率。     

基于HDBSCAN动态跟踪客户用电行为模式

为了自动辨识出优质电力大客户并快速感知其负荷行为变化模式,文章通过HDBSCAN算法(hierarchical density-based spatial clustering of applications with noise),对大工业客户1个月内分钟级的负荷行为数据进行自动分类。依据聚类结果筛选出潜在优质的用电客户,对其负荷行为模式进行动态跟踪分析(这里所说的"动态"是指相邻时间段内不同负荷状态的转换模式,综合考虑状态特征和时域特征的变化),以找出用电行为异常、或存在负荷结构变化的客户,增强对电网系统的动态感知能力,降低潜在风险。该算法最大程度地避免了人为主观性经验的参与调整参数,采用这种无监督机器学习技术能极大程度地提高整体分析效率;属于自下而上的数据驱动感知用户侧精细行为模式,将能大面积快速感知到诸多潜在风险模式和异常行为模式。     

居民用电负荷非侵入式监测分解系统研究

随着智能电网的发展和节能意识的提高,居民家庭的总耗电量已经细化到每个电器上。电力可视化服务对居民的负荷使用安排和电网需求响应计划实施具有重要意义。文章在非侵入式负荷监测方法研究的基础上,根据电流叠加特性,建立估计方程组和约束条件对电力入口处总电流进行分解,然后利用最小二乘法优化求解上述方程组,引导用户合理用电,优化能源结构。     

基于近邻相似度图聚类的用户用电行为分析

以周负荷数据为用户用电行为分析的视角较通常使用日负荷数据更符合用户客观用电周期规律,提出一种面向用户周负荷数据聚类方法,通过改进的近邻相似度图聚类避免计算过程中维度增高导致的相似一致化,优化计算的时间与空间复杂度,实现用户用电特征准确快速提取,相较常见的K-means和DBSCAN等方法聚类效果更佳,使用逐段聚集平均降维表示,便于后续分析.以某省大工业用户用电数据作为仿真算例进行验证.