非侵入式负荷识别的电流序列可视化方法

以单一特征为标签的用电设备识别,因特征携带的信息量不足,在区分性质相似的负荷时易产生误判,为此,提出一种将电流序列编码为图像的二维可视化方法,通过计算机视觉技术对负荷进行分类识别。利用Fryze功率理论提取电流的非有功分量,通过格拉姆角场(GAF)将一维电流序列转换成二维图像,借助数据扩充的方式进行升维,并赋予矩阵颜色特征来提升负荷标签的辨识度;基于迁移学习的思想,利用预训练模型Inception_v3提取并学习GAF图像特征,并以该特征为标签对负荷类型进行分类识别。在2个公开数据集上的实验验证了所提方法在高频采集场景下的准确性和有效性。     

基于GRNN与注意力机制模型的非侵入式家用负荷分解

为了提高识别精度,提出一种基于GRNN与注意力机制模型的非侵入式家用负荷分解方法.采用批标准化来减少神经网络层与层之间的耦合,利用GRNN强大的时间序列特征表示能力,来提取电力负荷入口处测得的总用电信息与各电器能耗之间的关系,同时利用注意力机制来减少模型的权重参数.最后通过算例验证了算法的可行性与优越性.     

欠定分离机制下基于特征滤波的居民负荷非侵入辨识算法

通过非侵入采集模式下电流信号的欠定求解实现了负荷分解,获取了各独立负荷的完整电流,在负荷分解基础上实现了状态辨识。利用居民用户的负荷操作习惯将难以求解的欠定问题优化建模,转化为一维欠定问题,将求解模型建立为单位时间间隔仅从采集信号中分离两路信号。依据电流频域信号的稀疏性通过两步迭代收缩阈值算法得到最优解,使每个投入运行的负荷均可独立分解。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组,对分解电流进行频域滤波,通过对滤波后频率分量的量化判决实现负荷辨识。利用实际采集的用电数据验证了算法的有效性,能够有效实现负荷分解,并准确判断负荷状态。     

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.     

基于Attention和残差网络的非侵入式负荷监测

非侵入式负荷监测（Non-Intrusive Load Monitoring, NILM）可以从家庭电表的总功率读数,估算出各用电器的功率。由于对于同一类用电器,其状态种类、各状态持续时长、各状态的功率波形都不同,这使得基于特征工程和聚类的模型的泛化能力不强;回归模型的分解功率难以迅速跟踪真实功率。针对这些问题,文中将回归问题转化为在序列每个时刻的多分类问题,并提出基于Attention和残差网络的非侵入式负荷监测模型。该模型基于具有编码器和解码器的seq2seq框架,首先通过嵌入矩阵将高维稀疏one-hot向量映射为低维稠密向量;在编码部分,通过双向GRU从前后两个方向提取序列信息,引入Attention机制计算序列中当前时刻最重要的信息,引入残差连接学习残差部分输入输出之间的差异;在解码部分,用回归层组合BiGRU解码结果,取经过softmax函数处理的最大概率功率类别作为结果。该模型在选取REFIT数据集中表现良好,其中测试集与训练集完全独立,表明训练好的模型可以直接应用在新的住宅用户中。     

基于网络点评的城市公园使用后评价 研究——以合肥大蜀山森林公园为例

使用后评价研究对城市公园的运营意义重大。当前,中国城市公园使用后评价所使用数据多属介入式数据,在公认有效的同时亦有不足。在自媒体时代,引入网络点评这一非介入式大数据,尝试丰富数据来源。以合肥大蜀山森林公园为例,采用内容分析法对其网络点评进行编码处理、语义分析,得出大蜀山森林公园使用状况及存在问题。据此提出景区(公园)入口相对、景点设在路口、活动依托旧有、收费对比认知与实付4点改进建议。同时,总结网络点评数据在城市公园使用后评价中的优缺点,探讨使用方式。     

塑料套管混凝土桩挤土效应的非侵入可视化研究

 结合透明土、粒子图像测速(PIV)和近景摄影测量3种技术,研究塑料套管混凝土桩(TC桩)的挤土效应,并对周围土体的变形规律进行探讨,且与传统静压桩打设引起的土体变形进行对比。试验结果表明：圆锥桩尖引起的最大变形量相比平底桩尖的降低了40%;而在平底桩尖TC桩的成桩过程中,影响区域扩展到了远离桩体中心线11倍桩径处,而对于圆锥桩尖,则为6倍桩径;沉管上拔引起的土体移动主要发生在上拔前期,对于圆锥桩尖TC桩,其沉管上拔过程引起的最大位移量和影响区域分别约为平底桩尖的57%和33%,然而,在TC桩成桩过程中,沉管打设是引起土体变形的主导因素,沉管上拔引起的土体恢复变形较小;在与TC桩沉管直径相同条件下,传统静压桩打设引起的土体变形量与TC桩的相一致,然而其影响区域略小。     

基于人工免疫的PCB电路信息融合故障诊断

印制电路板(PCB)非介入式故障诊断方法,因获取信息有限,存在故障覆盖率低、定位不准等问题。多源信息融合能综合各类信息以提高电路诊断效果。文章提出采用人工免疫网络(AIS)作为信息融合技术的融合算法,实现PCB电路非介入式故障诊断。该方法以电路支路电流信息和节点电压信息为信息源,运用人工免疫系统实现基于特征层信息融合的印制电路板非介入式故障诊断。某实装电流转电压电路故障诊断仿真实验表明:基于多源信息融合的非介入式故障诊断可提高电路故障的覆盖率和定位的准确性。     

基于图信号处理的智能电表功率信号分解

智能电表的大规模部署,使得对电表采集的低频信号进行数据分析成为一个研究热点。以非侵入式负荷监测为背景,研究基于图信号处理(GSP)的低频功率信号分解算法。首先,将功率信号分解定义为最小化求解问题,并引入基于图转移矩阵的全局变化量作为正则项。然后,分两步对该优化问题求解:第1步最小化正则项得到满足图信号全局变化量最小的近似解;第2步以该解为基础,利用模拟退火算法对目标函数和约束条件迭代寻优。最后利用开源数据库REDD进行仿真,验证了该算法在分类准确率上的优势,且与其他算法相比对训练数据的依赖性较小。     

基于三维特征向量的非侵入式电热负荷细分算法

非侵入式负荷监测分解（NILMD）技术是当前居民用能服务深化提升和电力供需互动的重要数据获取手段,然而当前工程上应用广泛的事件驱动型NILMD技术一直无法准确细化分解电热负荷。针对这一问题,文中提出了一种基于三维特征向量的典型电热负荷细化分解算法。首先,基于有功、无功功率和电流谐波等电气负荷特征采用事件检测方法提取电热事件,在有功功率的基础上,引入运行时长、频繁启停次数等非电气负荷特征共同构建三维特征向量电器模型。然后,采用序贯覆盖法设计典型电热负荷细化分解命题学习规则和细化分解算法。最后,基于实证实验数据进行分解验证,发现4种典型电热负荷的细化分解准确率超过85%。实验结果表明,文中所提典型电热负荷细化分解算法有效地提高了4种典型电热负荷分解的准确率。