基于谐波特征和BSA优化的非侵入式负荷识别算法研究

用户负荷特性及用电行为的监测与识别是电网智能化发展的重要课题．立足于家居场景复杂负荷的有效识别,提出了一种基于负荷谐波特征建立相似度优化模型的非侵入式负荷识别算法．首先,对用电器谐波功率特征进行分析并建立相应的相似度指标;然后,构建相应的负荷识别目标函数及负荷识别优化模型,从而将负荷识别问题转化为优化问题;最后,利用二进制模拟退火算法迭代寻优实现对用电器运行状态的可靠识别．通过大量仿真数据印证,该算法能够在多种用电器组成的复杂运行场景下准确识别负荷的运行情况,并且计算强度较低．     

基于聚类特征及优化网络的非侵入式负荷分解

非侵入式负荷分解可以通过总表负荷数据,识别不同电器的运行情况,对需求侧用电实现有效管理.针对多电器同时运行时负荷数据相似导致的识别正确率低的问题,提出基于特征聚类及优化时序卷积网络的非侵入式负荷分解模型.首先对用电器的负荷数据进行非负矩阵分解提取特征数据,之后使用高斯混合模型识别用电器的运行状态并进行编码,最后将多个用...     

基于改进遗传算法的非侵入式电器负荷识别

针对传统非侵入式负荷识别算法在电器负荷接近或较小时并不能得到较理想识别效果的问题,提出了一种基于谐波特征和遗传算法的非侵入式电器负荷识别算法.通过提取电流数据的非活性电流及其谐波特征,来增大不同用电器间的差异性,从而提高识别精度;并使用遗传算法优化的神经网络的权重、阈值和隐含层神经元个数来提高分类识别精度,达到细粒度用电分析的目的;使用包含5种家用电器的用电场景测试所提出算法的识别精度,并将其与反向传播神经网络算法相比较.仿真测试结果表明,提出的特征和算法具有更高的负荷识别准确率及更快的识别速度.     

基于SVM的变电站母线日净负荷曲线大数据识别方法

针对传统基于统计的负荷曲线分类方法存在的准确性和低时效问题,将非侵入式负荷监测与分解技术拓展应用于变电站母线负荷曲线分解。考虑新能源出力,提出一种基于SVM和SCADA大数据的母线日净负荷曲线识别方法。首先,分析典型行业负荷有功功率曲线变化过程,提取有功突变时间进行负荷预筛选;然后,对有功功率波形进行傅里叶级数拟合,从而获取行业负荷特征标签,实现波形特征提取;其次,采用支持向量机将变电站母线日净负荷曲线波形特征分类识别,实现行业负荷特征辨识。最后对甘肃省电网某330 kV变电站实际数据进行SCADA仿真,结果表明,该方法可有效获取母线负荷类别,从而提升负荷建模效率。     

一种非侵入式低功耗高精度的用电器识别算法

非侵入式用电器识别是实现泛在电力物联网客户侧智能感知的关键技术。针对现有非侵入式用电器识别系统计算复杂度过高,不利于产业化的问题,提出了一种基于长短期记忆网络的低成本、低功耗、高精度且可应用于嵌入式微控制器的非侵入式用电器识别算法和系统。首先,对总线上的电流进行同步采集;其次,利用所提出的多参数的检测方法判断出用电器的投切事件;再次,利用长短期记忆网络,对投切时间点前后变化的数据进行识别,得到投切事件的用电器种类;最后,结合累积和判断出当前的用电器的种类和数量。仿真和实测结果表明,只需要针对单个用电器进行少量数据的训练,即可在嵌入式微控制器系统中对组合用电器实现高达99.6%的平均识别准确度,且系统功耗小于1.5 W。这种算法可进一步应用于统计各个用电器的投切时间点、使用时长和功耗总和等工作情况,为智能电网提供精细化的用户用电信息,并为电网能源管理和优化提供重要参考。     

混沌遗传算法研究及其在经济负荷分配问题中的应用

提出了一种实数编码混沌遗传算法,并将其用于经济负荷分配问题。该算法将混沌引入遗传算法,利用混沌对标准遗传算法中的选择和变异进行了改进,之后对每一代最优个体进行变尺度混沌优化。将该方法应用于某厂3机组经济负荷分配问题,通过与混沌优化方法以及传统遗传算法的比较,该方法可以求得高质量的可行解,表明了该方法在求解经济负荷分配问题的有效性。     

基于自适应遗传的E-CID定位算法研究

针对LTE系统NLOS（非视距）环境下基于传统遗传的E-CID（增强小区识别）定位算法过早收敛于某局部最优解而非全局最优,文章提出了一种改进的自适应遗传E-CID定位算法,该算法通过对LTE终端位置数据进行加权最小二乘估算,利用遗传算法进行非线性最优解全局搜索,自适应的改变交叉及变异概率,避免了传统遗传算法过早收敛于局部最优解缺点。仿真结果表明：自适应遗传法比传统遗传算法优势更明显,定位精度更准确。     

智能大厦中央空调系统的最优能量管理

从系统工程的角度分析了智能大厦中央空调系统在运行过程中的能耗问题,建立了中央空调系统能耗模型,提出了中央空调系统的优化运行与节能管理方法.通过离线预测和在线优化计算,得到机组次日优化运行策略,包括机组负荷在一天内各个时段的最优分配、最优蓄冷量、最佳释冷时间等.在最优策略指导下进行在线控制,通过在线实时采集数据,利用基于遗传算法的周期自回归模型(PARM)进行动态短期空调冷负荷预测;利用改进随机编码遗传算法实现中央空调日运行模型的求解,得出中央空调设备优化运行策略.实例计算结果表明:用此方法可使中央空调系统节能达24.5%左右.     

电力负荷预测的自适应对称调和遗传算法ANN耦合模型

针对遗传算法存在求解精度与收敛速度间的矛盾,提出一种新的自适应对称调和遗传新算法.该算法中交叉率(crossover rate)和变异率(mutation rate)随着染色体(chromosome)的适应度函数值(fitness value)动态改变,同时在产生子代(child)新种群(group)的过程中来源不是单一的父代(parent)种群,而是由三部分组成,即父代种群中的最优个体直接进入子代种群、通过选择交叉操作产生部分新的个体、投放部分特殊个体.建立了新算法与人工神经网络结合的电力负荷预测耦合模型,并以四川电网负荷实例进行验证.结果表明,自适应对称调和遗传算法的耦合模型避免了网络寻优的盲目性,达到了最优的拟合效果,有效地提高了预测精度和速度,为区域电力负荷预测问题提供了新的分析方法,开辟了建立电力负荷中长期预测模型的新途径.     

遗传算法在路面材料参数识别中的应用研究

针对标准的遗传算法收敛速度慢的特点做了几点改进 :在群体初始化中 ,以均匀产生初始群体代替随机产生 ;实行截断选择 ,隐含了最优保存策略 ;动态变异 ,将改进后的遗传算法和系统识别原理相结合 ,应用于路面反分析中 .分别对理论数据和实测数据进行了计算分析 ,并和目前国内国际较通用的软件计算结果进行了比较分析 .结果表明 ,改进后的遗传算法收敛速度快 ,具有较强的全局优化能力 ,利用该算法进行路面反演可以避免解病态方程 ,反演结果稳定可靠     

基于CFSFDP图拉普拉斯算法的非侵入式负荷监测方法

非侵入式负荷监测(NILM)是我国未来电网建设的重要发展方向之一。为克服传统非侵入式负荷监测方法的计算数据量大、辨识准确率较低等问题,提出了一种基于CFSFDP(快速密度峰值搜索算法)图拉普拉斯算法的非侵入式负荷监测方法。首先,该方法利用输入的设备有功功率数据采取快速密度峰值搜索聚类算法构建家用电器的功率阈值向量和先验图结构;然后结合图信号的平滑度特征和总功率信号构建图拉普拉斯二次型最优函数,利用Tikhonov正则化方法以迭代的方式求得最优解,从而实现用电负荷图信号的重构;最后根据功率阈值向量将图信号转换为功率信号,即可实现用户的非侵入式负荷监测。对某一家庭两天的实测用电数据进行仿真分析,得到如下结果：1)该方法对第一天的负荷辨识精度达到了100%,各用电设备消耗用电量比例与实际耗电量比例误差均低于3%。2) 该方法对第二天的负荷识别准确率达到了90.1%,相比于对比算法至少高了0.8%。对单个用电设备分解精度达到91%以上,设备的用电量误差不超过5%且低于对比算法。3) 当数据采样间隔增大为2min,所提算法的准确率、辨识精度和单设备分解精度都有所降低,但数值上优于对比算法,并且有更优的时间复杂度。研究结果验证了所提非侵入式负荷监测方法的有效性及其优越性,对于解决实际低频NILM问题有很大的优势。     

基于智能家电的短期电力负荷预测与削峰填谷优化

通过可远程控制的联网智能家电,提出对城市群电力负荷的短期预测与削峰填谷优化. 分析某家电企业的智能家电集群运行产生的海量数据,建立城市群智能家电电力负荷预测模型,主要采用3种模型加权组合预测的方式,利用负荷数据中的趋势性、周期性、相关性、节假日特征及外部变量进行智能家电集群电力负荷的短期预测,单月内每日平均相对误差为4%~6%. 通过合理选择特征,该模型可以在不同家电间通用,依据家电类型分类预测后的结果可加和成为用电总负荷. 针对使用方式与用户习惯,提出智能家电电力负荷削峰填谷的控制策略,根据发电成本数据给出预期效益,说明基于智能家电负荷预测的用电调控能够有效降低电力部门发电成本、用户用电成本与电网负荷波动性.     

基于改进AP聚类与优化GRNN的非侵入式负荷分解研究

泛在电力物联网的提出推动了智慧用电、负荷监测等技术的大力发展,为解决传统非侵入式负荷监测与分解方法耗时长,辨识精度低等问题,文章提出了一种半监督学习聚类数据建立特征集并结合果蝇优化广义回归神经网络模型的负荷分解方法。首先,该方法利用输入的设备有功功率和电流数据采取半监督学习优化相似矩阵,以近邻传播聚类算法为基础挖掘出用电设备的运行状态特性以及功率信息,再使用数字编码方式将设备运行状态表示为分类标签,然后输入总有功功率、无功功率以及电流的时间序列数据和对应序列的分类标签矩阵,利用果蝇优化算法的寻优能力求得广义回归神经网络模型的最优Spread值完成模型优化和训练,随后输入测试时间序列数据,得到分类矩阵即各设备运行状态,并利用设备运行状态对应的功率信息进行总有功功率重构拟合,完成负荷分解。经仿真对比,此方法对所有用电设备运行状态辨识准确率达到86%左右,对单个用电设备运行状态辨识准确率达到96%左右,且耗时较短,显著提高了对负荷特性信息的挖掘能力和分解辨识能力。     

非侵入式电力负荷分解算法综述

非侵入式电力负荷监测是将总的电力消耗分解为每个用电设备的电力消耗并对其进行监测。非侵入式负荷监测系统无需安装大量监测设备,就可进行能源监测、故障监测、故障分析等多种类型的电能质量控制分析,文中介绍了国内外主流电力负荷分解算法以及算法评估方法,并就存在的问题及未来的发展方向进行了阐述。     

用基于遗传优化的扩展卡尔曼滤波算法辨识电池模型参数

提出了一种基于遗传优化算法(Genetic algorithm,GA)和扩展卡尔曼滤波(ExtendedKalman filter,EKF)算法的电池模型参数辨识方法。建立了锂离子动力电池等效电路模型,模型中两个RC网络分别描述电池的电化学极化特性和浓差极化特性,迟滞电压描述电池充放电过程的平衡电势的差异。对于具有耦合关系的模型参数,采用具有最小均方误差估计效果的EKF辨识算法,针对EKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于遗传算法优化EKF噪声矩阵的方法。试验和仿真结果表明:基于遗传优化的EKF算法(GA-EKF)辨识的电池模型满足电动车辆仿真精度要求。     

基于虚拟电价的电动汽车充放电优化策略

为了实现负荷侧的"削峰填谷"，在用户侧降低充电费用和电池损耗成本，提出了一种基于虚拟电价理论的电动汽车充放电优化策略。利用虚拟电价建立负荷侧的电价模型；利用动态分时电价建立用户侧的充电电价模型，将两个电价模型进行匹配整合，形成完整的电动汽车充放电的优化调度模型。为优化上述模型，确保整个调度的可实施性，在模型中使用BP神经网络和遗传算法进行预测与优化，同时使用小波分析和模糊聚类方法对充放电负荷进行去噪，并划分不同的电价时段，最后使用MATLAB软件对该模型进行了仿真验证。     

我国家电产品逆向物流的发展浅析

剖析了逆向物流的内涵,从可持续发展理论和循环经济方面分析了家电产品逆向物流的重要性,分析了我国家电业逆向物流的发展状况。     

常用家用电器的波形测量与分析

高次谐波是影响电能质量的一项重要指标,家用电器绝大部分属于非线性负荷,使用过程中会产生高次谐波~([1]),虽然功率不大,但是数量巨大,汇集在一起,仍然会对电能质量造成很大的影响。因此,测量常见家用电器的电气波形,会对谐波分析、谐波治理或其他谐波研究具有指导意义。