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．     

非侵入式电力负荷监测技术研究

非侵入式负荷监测(NILM)技术通过分解总电力负荷数据,使电力用户了解不同时段各类设备的电能消耗,帮助决策者制定合理的节能计划,减少能源开支,并对节能减排具有重要作用.分析了NILM相对于传统侵入式负荷监测的优势,具有成本低、部署简单、扩展容易等特点.概述了NILM的基本框架,从监督和非监督算法两个方面进行了详细介绍.讨论了现有的数据集和算法评价指标,并指出了目前NILM面临的挑战.     

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。     

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。     

智能用电非侵入式负荷监测系统研究

能源互联网对智能电网的数据交互与信息挖掘提出了更高的要求。非侵入式负荷监测技术能够挖掘用户用电负荷状态信息,在智能用电领域受到日益广泛的重视。针对现有非侵入式负荷监测系统只能解决用户端负荷数据挖掘,难以实现电网与用户的双向交互及用户信息深度挖掘等问题,提出智能用电非侵入式负荷监测系统及其技术架构设计,并从信息通信、负荷识别和数据挖掘等方面分析论述该系统的实现与应用技术方案。     

一种非侵入式家用负荷特征提取与辨识方法

针对传统非侵入式负荷辨识方法在负荷辨识过程中性能较差的问题,提出一种基于负荷运行功率和电流谐波的特征提取方法。该方法采用锁相环技术,以保证所提取的负荷特征数据与原始采样数据的一致性。考虑到负荷所处的工作模式不同,其工作特征也不相同。因此使用希尔伯特变换对负荷信号进行处理得到包络图,通过包络图判断负荷工作模式,再使用标幺化的方法对负荷种类进行辨识。     

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。     

基于注意力时序网络的非侵入式负荷分解

非侵入式负荷分解的本质是根据已知的总功率信号分解出单一的负荷设备的功率信号.目前基于深度学习模型大多存在网络模型负荷特征提取不充分、分解精度低、对使用频率较低的负荷设备分解误差大等问题.本文提出一种注意力时序网络模型(Attention Recurrent Neural Network, ARNN)实现非侵入式负荷分解,它将回归网络与分类网络相结合来解决非侵入式负荷分解问题.该模型通过RNN网络实现对序列信号特征的提取,同时利用注意力机制定位输入序列中重要信息的位置,提高神经网络的表征能力.在公开数据集Wiki-Energy以及UK-DALE上进行的对比实验结果表明,本文提出的深度神经网络在所有考虑的实验条件下都是最优的.另外,通过注意力机制和辅助分类网络能够正确检测设备的开启或关闭,并定位高功耗的信号部分,提高了负荷分解的准确性.     

基于遗传算法的电力系统负荷模型准确度研究

在获得电网系统稳态和动态数据的基础上,对负荷模型参数不确定情况下的仿真准确度进行了分析,并利用故障后系统的动态数据对不确定参数进行校正。选择遗传算法作为校正求解的算法,并对之进行了一定的改进。仿真研究在IEEE-39系统上完成,不准确参数选择为负荷比例,实际应用中可推广为电力系统所有的模型参数。最后给出了这套方案的评价和有待改进的地方。     

基于改进遗传算法的有功经济负荷分配

提出将爬山算法与遗传算法相结合,从而构成了求解有功负荷分配问题的混合遗传算法,并进行实验计算。计算结果表明,用混合遗传算法求解有功负荷分配问题,可以在一定程度上克服遗传算法在局部搜索能力方面的不足和爬山算法在全局搜索能力方面的不足,从而得到质量较高的解。     

基于改进遗传算法的结构可靠度计算

针对传统的遗传算法容易产生早熟收敛现象以及局部搜索能力较差等缺陷,结合鱼群算法中具有加快寻优速度的追尾行为和克服局部极值能力较好的聚群行为对其进行改进。将改进后的遗传算法应用到框架结构的可靠度分析中,并以门式框架结构为例,建立了以单元截面积、外荷载为设计变量,可靠度指标为目标函数的优化模型。分别采用JC法与改进遗传算法对门式框架结构的可靠度指标进行对比计算,两种算法在同一验算点不同荷载值下的可靠度指标的计算结果相近,但改进后的遗传算法在分析过程中受到的约束条件较少,简单高效。     

基于遗传算法的火电机组负荷优化分配方法研究

依据火电机组的实时煤耗特性曲线,针对目前较实用的负荷优化分配方法——动态规划法的弊端,即在机组数目较多时运算量过大、难以满足实时要求,提出了改进的遗传算法,在加快搜索速度、提高寻优精度、保证群体多样性等方面采取了新的措施。改进后的遗传算法在搜索结果接近全局最优解的前提下,大大提高了寻优速率,具有较高的实用价值。     

一种基于改进遗传算法的组卷算法

为了能更好地解决组卷质量和组卷速度之间的矛盾,提出了一种基于整数分段编码的遗传算法．该算法在保证组卷预期效果的前提下,不仅搜索速度快,而且能够避免遗传算法中经常出现的“早熟现象”,具有很好的收敛性和实用性．实践结果表明,该方法可以有效地解决智能组卷中的约束优化问题．     

基于遗传算法的小波神经网络交通流预测

城市交通流的运行存在着高度的复杂性、时变性和随机性,实时准确的交通流预测是智能交通系统,特别是先进的交通管理系统与先进的出行者信息系统研究的关键. 基于交通流预测的特点,给出了基于遗传算法的小波神经网络的交通预测模型GA WNN,用具有自然进化规律的遗传算法来对小波神经网络的连接权值和伸缩平移尺度进行前期优化训练,部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法,克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷. 仿真实验验证了GA WNN预测模型对短时交通流的预测的有效性.     

基于遗传神经网络的大坝变形预测模型研究

神经网络具有自学习、修正误差的能力，遗传算法具有较强的全局随机搜索能力，两者结合可以优势互补．在编码、选择、交叉、变异等方面对基本遗传算法进行改进，提高其效率和性能，并利用改进的遗传算法对神经网络权阚值进行学习，同时确定最佳的网络结构，利用原型观测资料建立了大坝变形预测的遗传神经网络模型。模型具有良好的预测性能及泛化功能，为大坝安全监控提供了有力的技术支持。     

基于改进遗传算法辨识空间机器人动力学参数

为了减小空间机器人动力学参数的误差,提高轨迹规划精度,根据空间机器人的角动量守恒方程,利用名义动力学参数估计角动量与真实角动量的差异,建立动力学参数辨识的误差模型,给出遗传算法的适应度函数.针对常规遗传算法容易出现早熟现象,采用小区间生成法、大变异策略和精英保留策略对其进行了改进.以六关节空间机器人为例进行的仿真结果表明,在参数复杂的情况下,采用改进后的遗传算法,计算效率和辨识精度均得到了提高。     

基于克隆遗传量子算法的多用户检测

基于免疫克隆选择理论和遗传量子算法,提出了一种解决CDMA系统多用户检测问题的克隆遗传量子算法.通过使用克隆选择算子和遗传量子算法的理论,新算法能执行随机搜索和经验学习.所提的算法把随机神经网络嵌入到克隆遗传量子算法的每一代中.通过结合随机神经网络到CGQA中,可以加快CGQA的收敛速度、减少计算复杂度.另外,CGQA所提供的好的初值可以改善SHNN的性能,嵌入的SHNN还提高了CGQA的性能.在讨论了使用新算法设计多用户检测器的性能特点后,在CDMA系统进行了计算机仿真并和一些多用户检测器进行了比较.仿真结果证明了文中所提多用户检测器的抗多址干扰能力和抗远近效应能力都优于一些应用以前算法的多用户检测器.     

基于遗传算法的小波神经网络交通流预测

城市交通流的运行存在着高度的复杂性、时变性和随机性，实时准确的交通流预测是智能交通系统，特别是先进的交通管理系统与先进的出行者信息系统研究的关键．基于交通流预测的特点，给出了基于遗传算法的小波神经网络的交通预测模型GA-WNN，用具有自然进化规律的遗传算法来对小波神经网络的连接权值和伸缩平移尺度进行前期优化训练，部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法，克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷．仿真实验验证了GA-WNN预测模型对短时交通流的预测的有效性．