基于小波去噪与随机森林的配电网高阻接地故障半监督识别方法

针对配电网高阻接地故障识别易受噪声干扰、无标签数据难以利用的难题,提出一种基于小波去噪与随机森林的高阻接地故障半监督识别方法。区别于监督式学习方法仅利用标签数据,基于协同训练方法能够充分利用有标签数据与无标签数据。首先,使用小波阈值去噪算法消除零序电流中的噪声。其次,采用波峰波谷故障启动算法判断线路是否发生故障或扰动事件。运用小波变换提取零序电流的小波系数作为故障特征。最后,基于小波系数故障特征构建两个随机森林作为半监督分类器进行协同训练,从而实现高阻接地故障的检测识别。仿真结果表明,所提配电网高阻接地故障半监督识别方法可以充分挖掘配电网既有的故障案例中无标注数据蕴含的关键特征,从而提高故障分类准确率,具有较强的准确性和灵敏性。     

基于图像处理和半监督学习的变电设备故障诊断

变电设备是电力系统中的关键部分,维护其安全稳定运行具有重要意义。当变电设备发生故障时,需要及时、准确对其故障类型进行诊断。提出一种基于图像处理和半监督学习的变电设备故障类型诊断方法。对收集到的红外图像数据进行特征提取,将其中的温度特征、纹理特征和形状特征作为模型的参考向量;利用SMOTE算法,对有标签样本的少数类样本进行样本扩充;汇总样本数据,构建图半监督学习网络,并对其进行训练。相比于传统的有监督学习方法,该文提出的方法能够学习无标签样本数据中的信息。使用真实的样本数据进行测试,验证所提方法的有效性,实验结果表明利用特征提取、样本扩充以及半监督学习模型能够提高变电设备故障的分类准确度。     

计及非侵入式负荷监测及负荷预测的设备运行模式研究

本文提出了一种新型非侵入式负载监控(non-intrusive load monitoring ,NILM)方法,该方法结合了设备使用模式(appliance usage patterns,AUP),以提高主动负载识别和预测的性能。在第一阶段,使用基于频谱分解的标准NILM算法来学习给定AUP。然后,利用所得AUP通过专门构建的模糊系统来获得设备的先验概率。 AUP基于最近的设备活动/不活动和一天中的时间,给出了每个设备在当前时刻处于活动状态的可能性度量。因此,通过AUP确定的先验概率增加了NILM算法的有效负载识别精度。将所提方法应用于美国和德国的实际家庭数据库,证明了其对主动负载估计的改进。此外,文章利用提出的基于AUP的技术,成功地制定并实施了住宅用电量预测机制,该机制可以提前5分钟预测一组房屋的总有功功率需求。     

结合图半监督与广义回归神经网络的非侵入式海洋平台负荷监测

海洋平台微电网所处环境复杂,对其自动化和智能化要求较高,目前缺少对其负荷实时智能监测和管理的方法。从非侵入式负荷监测的角度,考虑海洋平台的经济性要求和特殊的工业环境,提出结合图半监督与广义回归神经网络的非侵入式海洋平台负荷监测方法。采用图半监督学习算法自动标记训练数据集,减少了人工标记数据的工作量,使系统能自动完成数据标记。并与半监督聚类算法对比分析,表明图半监督学习算法对数据标记具有更高的正确率。再利用广义回归神经网络较强的非线性分类能力,提升负荷识别的识别精度和减少计算复杂度。Matlab/Simulink仿真结果表明,所提出的负荷识别算法不仅减少了人工干预而且具有高精度的识别率。     

基于DTW的多状态负荷的非侵入式负荷分解

非侵入式负荷监测（NILM）是大数据和人工智能的重要应用领域,能够显著提升电网的智能化水平和节能效果。长期以来在NILM中采用稳态特征进行负荷分解时,优点是可识别功率近似的负荷,但是不能处理多状态负荷。为此,采用滑动时间窗作为事件探测算法,提出一种基于动态时间规整（DTW）的多状态特征的NILM模型。该模型首先对多状态负荷进行特征提取,并建立多状态特征的稳态波形模板库;然后利用滑动时间窗算法提取待分解负荷的稳态波形特征,将提取的稳态波形运用DTW算法与稳态波形模板库中的负荷特征计算最小距离进行辨识。该方法能够显著提升稳态条件下多状态负荷的辨识效果。最后采用公共数据集REDD进行测试验证,证明了所提方法的有效性。     

基于电器粗糙归类的无监督NILM结果自主标注

无监督非侵入式负荷监测(non-intrusiveload monitoring,NILM)方法通常无法自动确定分解结果所对应的电器名称,这影响NILM结果的用户可读性,阻碍了其规模应用。为此,该文提出一种基于电器粗糙归类的无监督NILM结果自主标注方法。从电器运行控制方式和使用时间分布2个方面,总结分析同类电器共同具有的通用运行特性。定义周期运行、密集波动、固定时长运行3种控制规律特性,给出基于聚类分析的电器相应特性自适应判别方法;对于受人类活动影响程度不同的不同电器,提出基于电器使用与人类活动强弱的时间分布之间相关性的电器使用规律特性判别方法,同时给出一种基于负荷成分变化的用户个性化人类活动强弱时段划分方法。在此基础上,基于粗糙集理论,依据上述2类通用运行特性进行电器粗糙归类,进而提出融合通用运行特性的电器名称两层决策方法,实现NILM结果标注。在私有和公开数据集中的实验表明,该方法能在不同场景下实现常见家用电器NILM结果准确标注。所提方法可作为任意无监督NILM方法的后续步骤与之集成,形成完全无监督NILM方案。     

事件检测类非侵入式负荷监测算法综述

非侵入式负荷监测(NILM)可实现设备级用电数据的自动监测，是数字电网建设中传感量测环节的重要技术之一。文中对事件检测类NILM算法的研究成果进行了综述。首先，对事件检测类NILM算法进行界定，对其与组合优化类NILM算法的技术差异进行对比分析；接着，对事件检测类NILM算法的流程及一般方法进行了整理和分类评述；然后，按照事件检测类NILM算法流程的顺序，分别从事件检测、特征提取、设备辨识3个角度对提升事件检测类NILM算法性能的关键技术进行梳理；最后，对事件检测类NILM算法常用性能评估指标进行总结，并对事件检测类NILM算法的未来研究方向进行展望。     

基于深度学习的配电网线路设备缺陷智能检测

无人机配电线路巡检已经广泛开展应用,线路设备缺陷人工识别过程复杂、工作量较大等问题仍然存在。为了提高作业效率,根据无人机发展现状,对现有数据进行深入挖掘,利用标记系统对数据进行处理,再利用深度学习算法实现配电网无人机自动巡检、缺陷自动研判。该算法是基于残差双尺度检测器的巡检目标智能检测,优势在于可识别两种规格尺寸的目标对象,相比于传统的双阶段目标检测方案,其运行速度更快,更适合在终端资源受限设备中运行。目前该算法已达到95%的准确率。     

基于全局与滑动窗口结合的Attention机制的非侵入式负荷分解算法

非侵入式负荷监测(non-intrusive load monitoring, NILM)是指在电力入口处安装监测设备,利用总用电负荷得到用电侧单个用电设备状态的方法。由此可以准确地刻画用户用电画像,故NILM是电网智能配电和给予用户侧精细化管理的关键技术之一。随着深度学习在NILM的应用,对于负荷的识别与功率分解能力有所提升,但在训练模型的速率与模型的预测准确率上依旧不高,为此,文章提出基于全局与滑动窗口相结合的注意力机制的负荷分解模型。该模型首先将输入总负荷功率序列通过功率嵌入矩阵映射到高维向量,并利用基于双向LSTM的编码器进行信息提取;通过引入全局与滑动窗口相结合的Attention机制,从提取的信息中选取与当前时刻相关度高的信息,用于解码并最终得到负荷分解结果。在数据集REFIT上验证了所提算法在速率和准确率上有更好的效果。     

基于Tri-training-SSAE半监督学习算法的电力系统暂态稳定评估

基于机器学习的暂态稳定评估方法主要采用监督学习方法,为了解决监督学习方法所需的有标签样本难以获取的问题,提出基于三体训练-稀疏堆叠自动编码器(Tri-training-SSAE)半监督学习算法的电力系统暂态稳定评估方法。构建基于堆叠稀疏自动编码器的暂态稳定评估模型;在传统的三体训练过程中加入伪标签样本置信度判断,以减小噪声数据对模型训练的影响;以堆叠稀疏自动编码器为基分类器构建三体训练-稀疏堆叠自动编码器模型,利用大量的无标签样本提高模型的泛化能力。通过IEEE 39节点系统与华东某省级电网进行分析验证,结果表明,所提方法在有标签样本数较少时具有更高的评估准确度。     

基于滑动迭代离散傅里叶的并网设备多目标协同控制方法研究

由于传统方法对并网设备中的信号谐波检测及抑制效果较差,导致计算效率下降,控制结果不理想,提出基于滑动迭代离散傅里叶的并网设备多目标协同控制方法。在对滑动迭代离散傅里叶分析的基础上,采用滑窗迭代将并网设备中电流信号的基波分量和谐波分量进行分离,根据分离结果得到并网设备的瞬时功率和参考电流表达式,引入优化因子获取参考电流统一表达式,构建含有优化因子的多目标函数,采用果蝇算法对目标函数进行求解,最终实现并网设备多目标协同控制。经实验测试证明,所提方法能够快速且准确完成并网设备多目标协同控制。     

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。     

基于稳态特征和IGWO-FCM模糊聚类的非侵入式负荷监测方法

对当前非侵入式负荷监测(NILM)方法对低功率用电设备的辨识准确率不足的问题,提出了一种改进的方法.该方法以改进FCM初始聚类中心为基础,除了采用有功功率特征外,并选取基波功率因数和电压—电流三次谐波含量差作为新特征,引入灰狼算法(GWO)和单纯形法(SF)对聚类过程进行优化,通过模糊聚类来确定负荷的种类数,实现对负荷...     

基于Blackman自乘-卷积窗的FFT谐波检测算法

电网中存在的大量谐波严重影响着电力系统的安全稳定运行,快速傅里叶变换(Fast Fourier Transform,FFT)算法被广泛应用于电网谐波的检测,由于存在频谱泄漏和栅栏效应导致谐波参数检测的误差较大,通过加窗函数和插值算法可以提高FFT算法的精度。对窗函数进行自乘和卷积运算可以改善旁瓣性能,以Blackman窗作为母窗,进行自乘和卷积运算,提出了Blackman自乘-卷积窗,该窗函数具有较优的主瓣和旁瓣性能。结合三谱线插值算法,推导出频率、幅值、相位的插值修正公式。采用Blackman自乘-卷积窗和其他余弦窗对含弱幅值信号的复杂信号进行对比仿真,验证了Blackman自乘-卷积窗三谱线插值算法在检测弱幅值信号时依然具有很高的精度,对含白噪声的信号进行仿真,验证了该算法对谐波信号参数检测的相对误差较小,抗干扰能力强。     

基于互乘法窗函数的谐波分析方法

为了提高谐波分析的精度,加窗插值算法经常用用在非整周期和非同步采样的傅里叶变换中,以改善频谱泄露和栅栏效应。本文提出了一种互乘法窗函数的构造方法,并验证了基于互乘法窗函数的三谱线插值FFT的谐波高精度分析方法。以三种窗函数为例,根据每种窗函数在乘法窗的权值构造新的窗函数,分析新的窗函数的性能,将其应用到三插值FFT算法中。通过有/无噪声仿真实验说明:在三插值情况下,构造出的互乘法窗函数比常规窗函数在谐波参数测量中具有更高的精度。在实际工程中可根据需要选择所构造的窗函数。     

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。     

基于余弦自卷积窗的高精度介质损耗角测量算法

介质损耗角(dielectric loss angle,DLA)是高压电容器件预防性试验的重要组成部分,实现DLA的精准测量对电力系统稳定运行具有重要意义。在非同步采样和非整数周期截断情况下,利用加截断窗插值算法来提高快速傅里叶变换(fast Fourier transform,FFT)检测DLA的精度;在分析余弦窗函数频谱特性的基础上,提出通过卷积运算并以8项余弦窗为母窗构造余弦自卷积窗(cosine self-convolution window,CSCW)函数;再基于双谱线插值算法原理,推导出2阶CSCW函数的双线插值校正公式,并由此提出了高精度DLA测量方法,精度对比实验表明,该算法能高精准地提取信号相位参数。最后,将加CSCW双谱线插值FFT算法应用于电容型器件的DLA测量,验证了算法的有效性和高精度。     

基于KPCA和XGBoost算法的非侵入式负荷辨识方法

非侵入式负荷监测(Non-Intrusive Load Monitoring,NILM)通过采集用户侧智能电表的电气特征数据,进行数据挖掘与分析,能够有效的实现负荷辨识。在家用电器功率、电流、电压波形及各次谐波特征的数据中,采用核主成分分析方法（Kernel Principal Components Analysis,KPCA）,解决非线性特征提取与降维,最大限度抽取特征信息。再利用一维卷积核提取时序特征并压缩后输入到XGBoost模型,得到负荷辨识结果。在实验数据集上进行了验证,证明文中提出算法的泛化性和执行效率方面有较大优势。