基于卷积神经网络的非侵入式负荷监测方法

从深度学习与边缘计算的角度,对适用于电力物联网的非侵入式负荷监测方法展开了研究.针对NILM系统在物联网场景下的部署问题,提出了一种新的边缘计算架构,并讨论了各组成部分的任务分配.针对负荷激活在线提取问题,提出了基于离散度和用电行为规律分析的激活判断策略;针对低频采样下的负荷特征问题,提出了一种可自动提取激活特征并识别...     

非侵入式负荷事件监测的曲线拟合方法

负荷事件监测是实现非侵入式电力负荷监测的关键环节.为提高最终负荷识别与分解的准确性,提出一种基于曲线拟合的非侵入式负荷事件监测方法.首先跟踪计算总功率信号滑动窗内拟合直线斜率值,进一步与根据功率变化设立的判定阈值进行比较,最终判断负荷运行状态是否发生变化.该方法可准确地标记出总负荷过渡区段和稳态区段的起止时刻,使监测系统能够准确地获取所需的负荷印记特征.理论证明了该方法的有效性和优越性,并且通过实例进行了验证.     

基于随机森林的非侵入式家庭负荷辨识方法

智能量测技术是智能电网的重要组成部分,文章为增强非侵入式家庭负荷辨识算法的适用性,提出了一种负荷低频监测技术,结合居民用电行为与外部非电力负荷特征相关特性,建立一种基于随机森林的家庭负荷监测模型,在该模型中,选取常用的电气特征以及引入诸如居民负荷使用的时间特征等外部数据特征,通过互信息分析方法筛选与用电行为关联度高的多维特征量,进而采用随机森林算法对居民用电行为进行建模,从而实现对不同家庭各个类型的负荷进行有效监测。算法运行在AMPds公开数据集上,与贝叶斯分类算法进行比较,验证了所提算法的有效性。     

基于非侵入式电力负荷监测系统的用电行为研究

非侵入式负荷监测系统由于所需硬件安装少,对负荷的分析较为精确,以及较好的经济性等特点成为未来负荷监测的发展趋势之一。主要介绍了非侵入式负荷监测主流分析方法和系统基本框架,总结其基本原理与主要使用的算法流程,对该非侵入式终端设备系统的各组成模块进行相关描述,设计出一套切实可行的非侵入式居民电力负荷监测终端系统。在非侵入采集的基础上,提出基于非侵入式采集数据的用电行为分析模型,为用户提供细致到单个家用电器的“千人千面”私人定制化用电优化方案,实现非侵入式终端负荷可视化以深入挖掘数据价值。     

非侵入式居民电力负荷监测与分解技术

非侵入式居民电力负荷监测与分解技术是一种全新的监测负荷耗电细节的技术。居民用电细节监测在电力公司优化电网的规划、运行与管理,电力用户节省耗电量和电费,以及全社会把提高生态文明意识付诸实践等方面具有重要意义。在这种用电细节监测中,非侵入式方法同侵入式方法相比具有简单、经济、可靠和易于迅速推广应用等优势。从实现非侵入式居民电力负荷监测与分解的基本依据——负荷印记入手,简述了基本原理、负荷分解模型和求解方法。该项技术有望发展成为新一代智能电表的核心技术。鉴于居民电力负荷组成最为复杂,该技术亦可用于工业和商业负荷用电细节的监测。     

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。     

一种关联RNN模型的非侵入式负荷辨识方法

为了进一步拓展监督学习方法在非侵入式负荷辨识中的应用,提出了一种关联循环神经网络(Recurrent Neural Networks, RNN)模型的负荷辨识方法。在该方法中,首先引入了时间窗负荷事件检测方法,提取谐波分量作为负荷特征,并将负荷特征作为RNN模型的输入。然后根据其对历史输入特征量的记忆建立由输入映射到输出的内在关联,从而建立面向时间序列输入的RNN负荷辨识方法。进一步地,为了避免"梯度消失"问题,选择了最佳的激活函数和损失函数。最后,通过单负荷辨识、多负荷辨识的实测实验,证实了所提关联RNN模型的负荷辨识方法能够有效地实现用户内部负荷设备状态的辨识要求。     

非侵入式负荷监测算法的测试与评价方法

非侵入式电力负荷监测(nonintrusive load monitoring,NILM)是一种低成本、高效益的用电细节信息获取技术,在智能配用电领域具有广阔的应用空间。然而,缺少客观、全面、可靠的测试与评价方法体系将极大阻碍NILM技术的科研进展及其市场化步伐。为此,该文聚焦于NILM算法与产品的测试与评价,从测试数据获取、评价指标选择、测试平台搭建三方面对研究现状及现存问题进行全面总结和分析。首先,对现有NILM评测流程和方法进行了总结分析。进而,明确了测试数据需求指导原则,并对不同的测试数据获取方法以及主流测试数据集进行了总结和对比分析。在此基础上,为了使不同场景下的测试结果具有横向可比性,引入了数据场景复杂性的概念并总结了可量化的复杂性描述方法。在算法准确性和产品实用性两方面,对NILM性能评价指标进行了系统的梳理和分析讨论。最后,总结了NILM领域标准化工作,特别是近期出版的我国电力行业标准《非介入式用电负荷监测装置技术规范》的编写考量与过程。在总结现有测试与评价平台的基础上,介绍了行业标准中推荐的NILM测试与评价平台的通用框架,为相关用户及研究实施者提供全面的参考。     

基于监督学习的非侵入式负荷监测算法比较

非侵入式负荷监测(NILM)能够在不干扰用户正常用电的情况下,低成本地实现用户用电设备类型的识别和用电负荷的分解,因此非常适用于家庭用户用电监测。大量智能电表在家庭用户中的安装为居民NILM提供了数据支撑,也使得居民NILM研究成为热点。基于家庭负荷稳态电流样本,采用负荷电流谐波系数作为负荷分类特征,建立了基于多层感知器(MLP)神经网络、k-近邻算法、逻辑回归、支持向量机的4种NILM分类模型,利用BLUED数据库对4种分类器进行训练和测试,对比分析其在识别精度、训练时间、识别速度和抗噪能力方面的表现,并对其在家庭负荷识别中的应用效果进行对比研究。结果表明,4种分类器中MLP神经网络具有总体最优的分类效果和计算性能,更适用于家庭用户负荷监测。     

非侵入式负荷监测关键技术问题研究综述

非侵入式负荷监测(NILM)技术能够利用在总线处单点测量的数据识别用户内部的负荷,是建设泛在电力物联网与透明电网的基础技术之一。在分析NILM基本实现框架和技术体系的基础上,对NILM应用亟需解决的三大关键技术问题进行综述,包括数据源选择、算法精度和可扩展性问题。在数据源选择问题上,分析并总结了低频与高频数据源在NILM中的应用,尤其是智能电表在NILM中的应用;在算法精度问题上,对现有NILM算法模型与算法评估方案进行了回顾与分析;而针对目前少有研究涉及可扩展性问题,通过联动NILM与语音识别和机器学习领域,对去噪识别与新负荷的标记和训练问题进行分析与探讨。最后对NILM的未来发展趋势与应用进行了展望。     

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。     

非侵入式电力负荷多目标分解框架

现有基于最优化的非侵入式负荷分解方法存在两个问题:使用一到两个特征对家庭负荷的分解效果差;而使用三个及以上特征作为用电设备辨识的目标函数难度高。提出非侵入式电力负荷多目标分解框架,解决传统方法利用特征数少、加权系数难确定等问题。以有功功率、无功功率、视在功率、谐波和电流波形作为电器运行状态的目标函数,建立多目标优化负荷分解模型。利用多目标进化算法(Multi-Objective Evolutionary Algorithm,MOEA)对实测用电数据进行负荷分解求得Pareto最优解集。最后通过多准则决策方法选出识别结果。实验结果表明,增加特征可提高MOEA算法对多个用电设备同时运行时识别准确率,且与当前主流算法相比,所提框架对家庭负荷分解的准确率更高。     

基于非侵入式负荷辨识的聚合负荷需求响应能力在线评估

用户侧负荷资源数量众多、容量不均,分布零散,响应潜力强,具备参与电网调节的能力。基于负荷工作时功率、电流等特征差异,建立负荷特征指纹库,提出面向居民电器的非侵入式负荷辨识方法,实现居民用能的在线分解。基于同类电器特征相似的特点,在同一台区下,提出由下至上的台区负荷需求响应能力在线聚合监测方法,实现台区负荷资源参与需求响应能力的评估。在通过REDD数据集和某台区拓扑的测试,表明该方法对居民负荷具有较好的辨识度,对台区负荷资源需求响应能力很好地监测,为未来负荷侧泛在资源的整合及协调利用提供了方式和途径。#$NL关键词：非侵入式; 负荷辨识; 需求响应; 聚合监测#$NL中图分类号：TM73     

基于KM算法投切事件匹配的负荷辨识方法

负荷投切事件是关联负荷分类、辨识的一个重要依据,为了能够准确的实现非侵入式负荷投切过程的辨识,提出一种基于KM算法投切事件匹配的非侵入式负荷辨识方法。在该方法中,首先采用一种功率曲线拟合逼近的方式进行负荷事件检测,并利用投切稳态特征建立用电设备投入和切除特征的概率分布模型。同时,考虑到负荷投入事件和切除事件数量不对等情况,将负荷事件与数据库负荷进行匹配,并采用加权优化的KM算法寻找最佳解,从而实现负荷投入和切除的正确匹配辨识。最后,在真实的测试场景并结合REDD数据集进行实验,结果表明文中方法能对负荷投切事件进行有效匹配辨识,为实现能耗细分奠定了基础。     

基于贝叶斯迭代的非侵入式负荷事件检测方法

无监督型的非侵入式负荷监测技术是负荷监测领域的发展趋势,而负荷事件检测是其中的重要环节.目前的负荷事件检测方法存在超参数复杂不易调整的问题,且对不同类型的负荷事件自适应能力差.为此,提出一种基于贝叶斯迭代的负荷事件检测方法.该方法构建了事件检测模型,基于贝叶斯迭代对模型进行求解,最后结合负荷监测的应用实际优化求解速度....     

非侵入负荷辨识的谐波特征量提取改进方法研究

基于事件分解的负荷匹配方法计算快内存少,工程应用适应性强。首先面向事件分解型负荷辨识方法分析了稳态特征量的提取方法,梳理出典型家用电器辨识特征库,并指出谐波特征量是空调及小功率电器复杂工况下负荷辨识的重要判据。然后分析了工程应用中谐波特征量提取影响因素,基于快速傅里叶变换（FFT）算法频谱泄露原理,研究了电网频率动态变化和电器谐波相角抖动对于谐波特征量提取的影响。提出了针对性解决方法,通过多点均值方法解决电网频率波动导致的非同步采样问题,并提出极值差量方法解决电器谐波相角影响,两种方法结合,可有效将基次谐波误差降到1%以下,偶次谐波误差降到2%～4%。最后通过实验平台和工程实证,验证了谐波改进提取方法的有效性,相对于改进前可有效提升负荷辨识精度5%以上。