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。     

基于特征优选及改进自组织神经网络的非侵入式负荷辨识

负荷辨识是非侵入式负荷监测的关键,随着需求侧负荷数据的持续增长,利用智能算法对海量用电数据进行准确辨识成为目前的研究热点。该文在已有研究的基础上,建立非侵入式负荷辨识的有效处理方法,包括事件检测、负荷特征提取、特征筛选和负荷辨识算法。利用Fisher算法对提取的典型居民负荷特征进行筛选,降低了负荷特征的冗余度,将波形数据转化为可辨识的结构化数据。提出非侵入式负荷监测下基于粒子群优化的改进自组织神经网络负荷辨识算法。考虑不同负荷设备的物理特性差异,提取用电设备通用负荷特征,构建低时间复杂度和高辨识准确率的改进自组织神经网络系统,完成对负荷种类的判定。实验验证了该算法能够在非侵入式负荷监测条件下,实现对居民用户负荷种类的有效辨识,且算法收敛速度较快,准确度高。     

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。     

基于聚类特征及seq2seq深度CNN的家电负荷识别方法研究

非侵入式负荷分解技术能够挖掘用户内部信息获取各用电设备负荷信息,使智能电网更加贴近日常生活,为泛在电力物联网感知层建立提供有效数据。为解决传统非侵入式负荷分解方法输入数据复杂,考虑因素较多,采样硬件要求高以及辨识准确率较低等问题,文章首先利用改进迭代K均值聚类提取用电设备运行状态建立负荷特征集,之后将特征集输入构造的序列到序列的一维深层卷积神经网络模型以及序列到序列的单、双向长短时记忆网络等模型中进行负荷分解挖掘各设备运行状态。最后通过REFITPowerData数据集进行验证,一维深层卷积神经网络模型虽然耗时较大但负荷识别准确率达到93%以上,表明基于特征数据集及序列到序列的一维深层卷积神经网络非侵入式负荷分解方法与其他深度学习模型方法、人工神经网络方法相比表现出更显著的信息提取能力以及辨识能力。     

低压配电网非侵入式电力负荷异常数据辨识方法

针对传统低压配电网中传统的电力负荷异常辨识方法中存在的辨识结果正确率低,影响用电设备正常运行的问题,开展了对电力负荷异常数据辨识方法研究。通过负荷事件检测、选择符合异常特征量、基于特征匹配的异常数据辨识,提出了一种低压配电网非侵入式电力负荷异常数据辨识方法。通过实验证明,该方法与传统方法相比有效提高了辨识结果的正确率,更加满足用户对用电设备电力负荷状态的辨识要求。     

基于最优特征和改进随机森林的非侵入式负荷辨识方法

非侵入式负荷监测方法是实现电网智能化的关键技术,有助于优化能量管理,促进能源高效利用。为了应对目前大多数负荷辨识模型存在的特征冗余、识别精度有限和计算效率低下等问题,提出了一种基于最优特征和改进随机森林的新型非侵入式负荷辨识方法。首先,通过递归特征消除方法从众多负荷特征中自主确定最优特征组合,以减少信息冗余。然后,确定不同决策树的权重数值,通过构建加权随机森林模型来实现电器负荷的辨识。为了进一步提高算法的精确度,利用改进鲸鱼算法对随机森林的重要参数进行优化。最终在公开数据集进行实验验证,证明所提负荷辨识方法具有准确性和优越性。     

基于Mean-shift聚类和孪生网络的非侵入式负荷辨识方法

为了面向智能电表负荷辨识技术的推广应用,提出一种基于Mean-shift聚类和孪生网络的非侵入式负荷聚类辨识方法,该方法针对所检测到的负荷事件,提取有功-无功等电量特征,并将其按运行时刻和运行时长进行细分,获得负荷事件在时间特征上的分布,并作为辅助特征。其次,对时间特征采用Mean-shift进行聚类,得到具有相同时间特征的负荷类别,并采用孪生网络与负荷特征数据库匹配识别,最终实现负荷辨识。最后,通过实际家庭用户的负荷数据测试,实验证明了所提方法能够有效辨识用户家庭内部的负荷类别,从而为智能电表负荷辨识推广奠定基础。     

基于ICPSO-XGBoost的非侵入式负荷辨识方法

针对家庭用电负荷的电气特征相近导致基于电气量特征的非侵入式负荷辨识方法易产生误辨识的问题,文中提出以电器投切时间、运行时长和投切次数为代表的电器使用规律特征,并结合传统电气负荷特征组合成为新的负荷特征标签。在此基础上,提出一种基于改进混沌粒子群优化的极端梯度提升树算法。在该算法中,首先利用回归树作为负荷特征的基分类器构建极端梯度提升树模型。进一步地,通过在目标函数中加入正则项,添加缩减系数等措施避免算法陷入过拟合。同时,将混沌思想应用于粒子群算法中提升其全局寻优能力,并得到基于改进混沌粒子群优化后的极端梯度提升树算法模型。最后,在AMPds公用数据集上进行测试,通过对比分析测试结果,验证了文中所提出的负荷特征标签和负荷辨识算法对提升非侵入式负荷辨识的有效性。     

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。     

基于非侵入式用电数据分解的自适应特征库构建与负荷辨识

非侵入负荷监测是实现需求侧测量与能效优化的有效途径。文中提出了一种高频采集模式下的非侵入式负荷在线监测方法,使整个监测过程自动化、实时化。首先,根据负荷电流的可加性原理建立了负荷分离模型,得到独立负荷波形;并结合负荷的操作特性,无需预实验获取先验数据。然后,通过贝叶斯分类模型实现负荷种类判断,从而在运行过程中为每个独立用户构建动态的负荷特征库。最后,基于库中数据,通过构建寻优模型实现负荷辨识,从而持续、实时获取负荷用电状态,并通过实际采集的用电数据验证了方法的有效性。该研究可自适应地为独立用户构建负荷特征库,改善了提前建库不具有普适性的问题,同时,基于特征库的快速寻优保证了辨识的有效性与准确性。     

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     

基于平均负荷法预测电力电量

针对目前国内有关电力市场负荷预测方法存在的问题．积极探索某一特有电网的运行规律．提出了在现有条件下通过平均负荷法预测用电量和最大负荷,并将其与数学模型函数预测法相比较,得出其具有采集数据方便、预测准确程度高、耗费时间少等特点。     

基于0-1二次规划的非干预式负荷识别算法研究

居民用电信息细化对于规划居民电器使用和降低电能消耗具有重要的意义。在分析居民负荷特性的基础上,创新性地提出一种基于0-1二次规划的居民负荷识别算法,并通过改造为连续化0-1二次规划以解决离散0-1二次规划求解过程中约束条件不易处理的缺陷。基于所提出的负荷识别算法,可将单个居民家庭用电数据细分至负荷级别。测试结果表明选取合适的负荷识别指标,可以获取较高的识别精度,该算法可以应用于居民家庭中的非干预式负荷监测系统。     

基于负荷预测的园区供热系统运行优化技术

随着电能替代的不断深化,由"电采暖"引起的用电高峰时段电网负荷过高的问题逐步突显出来,能源系统用电负荷的预测显得尤为重要。同时,为了解决采用多阶段规划方法求解能源系统运行策略时耗时较多的问题,提出了基于负荷预测的园区供热系统运行优化技术。首先采用太阳辐射、室外温度与历史负荷作为输入参数的人工神经网络构建了热负荷预测模型;然后,通过将多阶段动态规划问题转化为线性规划问题,开发了供热系统运行优化方案快速求解方法;最后,使用该方法对北方某园区进行仿真验证,得到最优运行方案。结果显示,预测期内电采暖日运行费用可节约1.15万元,用电峰谷负荷差减小5 489 k W,所提出的优化方法可在短时间、较少的监测参数下得到可行的运行方案,适用于工程实际。     

基于选择性贝叶斯分类的非侵入式负荷识别方法

非侵入式负荷识别可以提供用电信息,帮助用户改善用电习惯,是智能用电的关键技术。现有非侵入式负荷识别方法主要基于负荷的稳态特征进行识别,对稳态特征近似的负荷识别率不高。针对此问题,该文结合各类家用负荷在投切过程中的不同特点,提出了一种基于选择性贝叶斯分类的识别方法。首先,利用模拟退火算法从特征库中依据负荷特点选择出对于各类负荷最具辨识度的特征;然后,根据选择的特征和高斯核密度估计方法建立灵活贝叶斯分类器;最后,通过计算各负荷的后验概率对负荷进行识别。经实测数据检验,该方法具有良好的识别精度和计算速度。     

负荷求导法在超短期负荷预测中的应用

负荷求导法是超短期电力负荷预测的一种新方法。以负荷求导法为基础,对其中的不足进行了改进,并根据分形理论和相似日理论提出了一种历史数据处理的新方法:对历史负荷分类取样同时进行伪数据辨识处理,以提高预测精度。算法具有实现简单、运算迅速、精度高等特点。仿真表明了改进模型的有效性和算法的可行性,对于超短期负荷预测这类需要反应迅速的问题,采用本文提供的方法进行预测是可靠且非常有效的。     

河北南网能量管理系统运行方式的改善

针对河北电力调度通信局能量管理系统单机运行情况下，负荷过重、安全稳定性差等问题，提出将主机部分功能转移到备用机上完成的构想，并利用非透明进程间通信技术，实现备用机核心数据库的实时更新。