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。     

基于卷积神经网络的非侵入负荷辨识算法

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PSO-动态修正算法的静态负荷模型辨识

采用具有全局寻优能力的微粒群优化(PSO)算法辨识负荷模型的参数;同时考虑负荷电压的变化,用动态修正法实时修正负荷模型的参数,建模仿真分析结果验证了PSO-动态修正算法的有效性和准确性.相对于线性回归分析的动态修正法,该算法能够提高负荷模型的辨识精度,所建模型更适合描述全电压范围下负荷的静态特性.     

基于混沌与量子粒子群算法相结合的负荷模型参数辨识研究

负荷建模是电力系统建模中亟待解决的难题。负荷特性数据、负荷模型结构以及参数辨识是影响实测负荷建模结果的重要因素。本文提出了混沌与量子粒子群算法相结合的负荷模型参数辨识方法。实测数据验证结果表明,该方法相对于常用的粒子群算法及量子粒子群算法在计算精度、收敛速度等方面都具有明显优势,应用于负荷模型参数辨识提高了负荷模型的准确性。     

基于四川电能质量监测系统与改进粒子群算法的负荷模型参数辨识方法研究

负荷模型的参数识别决定着总体测辨法的精度。在四川地区电网广域测量系统工程基础上,提出了基于改 进粒子群算法的负荷模型参数辨识方法。改进粒子群算法结合了传统粒子群算法和多曲线差分拟合方法,新方法既 有粒子群算法的全局搜索能力又有多曲线拟合差分方法的局部搜索能力,能够有效地提高收敛速度。通过对模拟电 能质量监测系统所获取的数据仿真,结果表明采用改进粒子群算法可以提高负荷模型辨识精度,并降低模型参数的 辨识时间。     

基于进化计算的类噪声负荷辨识改进方法

文章提出一种有别于传统负荷模型的非仿真模型辨识模型,并成功将其应用于电力系统日常负荷数据辨识,在此基础上从系统辨识角度定义为Hammerstein-Wiener模型,并从模型结构、算法初值策略、差分进化算法算子和基本性质等方面进行综合改进和证明。该方法显著提高了Hammerstein-Wiener模型的精度和算法的收敛速度,并证明其在优化过程中不会出现如以往模型优化中常出现的数值问题,经多角度分析验证,该完整有效的分析流程适用于类噪声负荷辨识,对负荷建模具有重要意义。     

基于改进微分进化算法的负荷模型参数辨识

为了提高电力系统中负荷模型的精确度,提出了一种改进的微分进化算法(IDE)以辨识负荷模型参数。采用不依赖于优化问题的控制参数自适应调整机制,同时考虑搜索速度和搜索精度,使算法摆脱后期易于陷入局部极值点的束缚,克服了微分进化算法参数调整困难的不足,提高了算法的寻优能力。将改进算法应用于静态负荷模型参数辨识的工程实例并与其他算法对比的结果表明,改进DE算法的全局搜索能力强,搜索精度高。     

基于微粒群辨识算法的电力负荷综合模型的建模与仿真

微粒群优化(PSO)算法具有全局性能好、搜索效率高等优点.应用该算法进行电力系统负荷模型的参数辨识,辩识结果表明PSO算法在计算时间、全局性方面均有比较明显的优势.辨识的模型具有较高精确性,最后通过工程实例进行仿真实验,实验结果验证了模型和算法的有效性.     

基于混沌蚁群算法的负荷模型参数辨识

为了解决负荷模型参数辨识结果平稳性这一困扰模型应用的难题,提出了一种适用于负荷模型参数辨识的混沌蚁群混合算法.该算法针对蚁群算法容易陷入局部最优的缺点和混沌算法遍历性和随机性的优点,把混沌算法引入到了蚁群算法中,在蚁群算法求解的基础上,利用混沌算法对解的邻域进行了混沌优化,有效避免了蚁群算法的局部收敛问题.基于实测数据的算例结果表明:与单一蚁群算法相比,混沌蚁群混合算法提高了辨识结果的精度,减少了辨识误差,有效控制了参数分散性,具有较好的工程实用价值.     

一种谐波负荷建模的新方法

精确的负荷谐波建模对于网络谐波分析具有重要意义.文中叙述了负荷谐波建模的研究现状,针对理论上通用的负荷谐波模型,根据函数最佳平方逼近的思想,提出了一种新的参数辨识方法,即利用模型中电压、电流之间的物理关系,通过对电流的最佳平方逼近辨识出相应参数.该算法简单易行,可对各种类型的负荷进行谐波建模.为检验算法的精确度,定义了误差分析函数.该算法与以往算法相比,具有更高的精度,验证了算法的有效性和可行性.最后,讨论了电压、电流的幅值和相角对辨识所得参数的影响.     

基于特征融合与深度学习的非侵入式负荷辨识算法

针对使用单一设备特征进行负荷辨识存在的局限性,提出了一种基于特征融合与深度学习的非侵入式负荷辨识算法。通过分析设备的高频采样数据提取了V-I轨迹图像特征与功率数值特征。利用人工神经网络的高级特征提取能力,实现了V-I轨迹图像特征与功率数值特征的融合。最后以复合特征作为设备新的特征训练反向传播(BP)神经网络进行非侵入式负荷辨识。使用PLAID数据集对算法辨识效果进行了验证,并对比了不同分类算法对特征融合的有效性与负荷辨识能力。结果表明,该算法利用不同特征之间的互补性,克服了使用V-I轨迹特征无法反映设备功率大小的缺点,从而提高了V-I轨迹特征的负荷辨识能力,并且在嵌入式设备中的运算速度为毫秒级。     

基于电能质量装置数据和改进克隆选择算法的电力动态负荷建模

电力负荷具有随机性、非线性、时变性和分散性等特点,且电网自然扰动提供有效数据不足,使得负荷建模难度很大。为了解决这一难题,利用广东电网电能质量监测管理系统后台数据库的大量非对称扰动数据进行负荷建模。采用BPA中三阶感应电动机并联ZIP负荷模型和改进的克隆选择算法,通过自适应调整高斯变异和定向进化机制来提高多维函数的全局寻优能力和辨识效率。基于实测数据的负荷建模结果表明,所提出的算法对提高辨识精度和克服模型参数的分散性具有显著作用,能够满足实际工程的应用需要。     

Prony算法在电力系统负荷动态模型辨识中的应用研究

提出了电力系统负荷动态模型辨识的Prony算法，给出了该算法所需要的Prony模型，并对传 统Prony算法进行了发展。实际算例的数值试验结果显示了该算法对于负荷动态模型辨识的 有效性和准确性。     

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.     

综合负荷模型参数的简化辨识策略

研究了ZIP负荷模型与感应电动机相并联的综合负荷模型参数的简化辨识策略。基于对负荷模型参数的灵敏度分析并结合我国配电网的实际特点,提出了固定负荷模型的大部分参数、仅辨识灵敏度最大参数的简化辨识策略。对负荷实测曲线的分析表明,基于该策略建立的负荷模型对负荷动态特性具有较强的解释能力。文末指出,进一步进行简化综合负荷模型参数研究的重点在于负荷模型的不唯一性对模型外推特性的影响以及从系统仿真的角度研究多值负荷模型之间的等价性。     

基于人工神经网络的综合负荷模型

指出了BP神经网络应用于动态综合负荷建模时存在的缺陷。提出了一种适合描述综合负荷动态特性的具有内反馈功能的动态Elman神经网络负荷模型,并采用改进遗传算法作为优化算法对某220 kV变电站综合负荷采集样本进行建模。大量建模实践表明,文章所提出的动态Elman神经网络综合负荷模型具有结构简单、参数少、应用简便、对综合负荷动态特性描述能力强等优点;Elman神经网络不仅对动态负荷建模具有良好的实用价值,也是一种很适合于电力系统其他动态非线性辨识的神经网络模型结构。     

基于聚类算法和类噪声数据辨识的负荷模型特征参数提取

基于类噪声数据的负荷模型参数辨识方法可以实现负荷模型参数的实时辨识,为跟踪电力负荷的时变性和分散性提供了新的思路和可能。考虑到基于类噪声数据辨识所得大量负荷模型参数和电力系统仿真对模型参数简便性的要求,本文实现基于聚类算法的负荷模型特征参数提取,为系统仿真提供参数指导和建议,基于北京电网实测数据的负荷模型辨识参数聚类结果验证了本文聚类算法的有效性。     

基于多特征序列融合的负荷辨识方法

针对当前利用低频采样实现非侵入式负荷辨识存在的准确率低的问题,提出了基于多特征序列融合的负荷辨识方法。该方法首先建立负荷存在可能性的整数规划模型,进行初辨识以降低负荷辨识的维度。然后,根据滑动窗口算法获得组合功率序列和原始功率序列,提取其统计特征和奇异值特征,进而利用概率神经网络获得隐马尔可夫模型的观测值序列。同时,利用隐马尔可夫模型对负荷序列信息进行融合,计算观测序列和组合功率序列之间的相似度,从而完成在低频采样下的负荷辨识,并获得各个家用负荷的耗电量。最后,通过单负荷辨识、多负荷辨识、不同采样率辨识和各居民用户负荷辨识的仿真实验,得到负荷准确率和辨识精度的平均值均在85%以上,证明了所提算法的合理性和即时性能够达到在低频采样下负荷的辨识要求。     

单元机组负荷对象逆动力学模糊规则在线辨识

单元机组的协调控制本质上可以归结为双输入双输出系统的逆动力学问题.该文基于双输入双输出系统各控制通道时间响应分析,提出了该类系统逆动力学模型的四种基本结构,采用模糊规则模型和递推最小二乘算法实现了单元机组负荷对象逆动力学过程模型的在线辨识.研究表明,利用模糊规则模型可以对机组负荷对象的逆动力学过程进行有效的在线辨识,所建立的单元机组负荷对象逆动力学模型具有良好的自适应能力和在线跟踪能力,为进一步开展基于逆动力学模型的机组协调控制方法的研究奠定了基础.     

基于粒子群算法的负荷模型参数辨识研究刘影;谢驰;张有润;1-5+11

针对负荷模型的稳定性直接影响电力系统分析计算的可靠程度问题,提出了将粒子群算法与分散协调控制相结合的负荷模型参数辨识方法。该负荷模型参数辨识方法根据负荷节点的电压变化情况,通过粒子群优化对含负荷控制的目标函数进行校正,使得模型参数在辨识迭代过程中获得全局最优值,达到负荷模型的最佳稳定性,并通过计算机仿真证实所提出方法能够提高负荷模型的稳健性。