基于特征选择与增量学习的非侵入式电动自行车充电辨识方法

为实现从电网侧监测电动自行车违规停放充电行为,减少电动自行车充电火灾事故,在非侵入式负荷识别的基础上,提出一种基于特征选择与增量学习的电动自行车充电辨识方法.首先,根据电动自行车充电实测电流波形,分析负荷特性并列举15种负荷特征.通过半监督Fisher计分与最大信息系数量度特征辨别度与冗余度,采用贪心搜索算法对特征重要...     

小波检测和特征图谱决策的非侵入电动自行车充电实时监测系统

电动自行车违规入户充电行为具有时间随机性以及空间隐蔽性,存在较大安全隐患且难以有效管理。利用非侵入式监测系统具有实时自主执行和便捷易推广的特性,文中提出了基于小波检测和特征图谱决策的非侵入式电动自行车充电实时监测系统。考虑电动自行车负荷的物理结构和充电特性,从暂态和稳态两方面分析电动自行车负荷的典型共性特征;预先构建具有强可分性和通用性的电动自行车专有特征图谱实现电动自行车稳态共性特征的一致性结构化表征;实际监测过程中,为了降低系统的算力需求和数据传输压力,基于小波变换精确定位具有高频分量的电动自行车专有暂态现象完成类电动自行车充电事件检测。最后,提取事件波形并通过图谱训练高效分类器进行负荷认定并实时上传。通过对实际用户进行监测,验证了监测系统的有效性,可以有效解决电动自行车进楼入户充电的问题。     

大规模电动自行车充电对电网负荷影响分析

为评估广西大规模电动自行车充电对电网负荷的影响,提出了一种从时间及空间上反映充电负荷分布的方法,并结合南宁、柳州及桂林等3个城市的真实调查数据进行算例分析。研究结果表明,空间上,电动自行车充电的负荷多集中于城中村、购物中心等人口密集的区域;时间上,充电负荷高峰集中于晚上。以算例中南宁市为例,充电平均负荷占居民负荷的7%~10%,规模已经不能忽视;充电负荷与电网负荷形成了很好的互补,具有需求侧调控的潜力。     

基于非侵入式技术的空气源热泵负荷识别与分解

非侵入式电力负荷监测技术具有成本低、安装简便等优点,可以有效解决电采暖负荷数据难以获取的问题.文中提出了一种基于负荷事件检测的非侵入式空气源热泵负荷指纹提取方案,获取关键参数△T和△P,定义三种过渡事件类型作为判据,判定空气源热泵启停状态;提出了实用化的负荷指纹模板库自动生成方法,事件样本达到预设数量后聚类为负荷的指纹...     

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     

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。     

基于非侵入式负荷监测的日常活动监测∗

文章介绍了基于非侵入式负荷监测的活动监测系统,分析基于孤立森林算法的日常活动监测,利用采集的数据进行实验,并与基于混合高斯模型进行对比。实验表明,孤立森林算法能准确地检测出异常。     

基于遗传优化的非侵入式居民负荷辨识算法

负荷在线监测能够为电网及用户提供即时的用电信息,是支撑能效管理和负荷预测工作的有效手段。传统监测方法采用侵入式设计,难以大范围推广应用,因此非侵入式负荷监测方法(NILM)具有重要研究意义。负荷辨识是非侵入式负荷监测的关键,以典型居民负荷的特性分析为基础,提出了一种基于遗传优化的非侵入式居民负荷辨识算法。该算法基于负荷设备的负荷特性,包括有功功率和电流有效值,利用三种不同的编码方法构造判断负荷运行状态的适应度函数,通过遗传算法寻优,最终确定居民负荷的工作状态,并通过实测数据进行验证。实验结果表明,该算法能够实现居民用户负荷状态的有效辨识,且算法收敛速度较快,准确度高。     

基于DTW算法的非侵入式家居负荷行为识别方法

随着电力负荷监测在生产和生活中的广泛应用,非侵入式负荷识别技术得到发展,具有很好的发展前景。针对非侵入式家用电器负荷的行为识别存在识别特征量难以优化,识别算法收敛性差等问题,提出了一种基于特征匹配度的家居负荷的行为识别方法。将家用负荷开、关时的暂态波形和功率变化值作为特征量,运用DTW算法计算测试模板与参考模板之间的相似度,有效的识别出家庭用电的各项负荷数据,并且通过三种案例来模拟负荷的识别过程,验证了算法的可行性。     

骑电动自行车要注意充电

现在很多朋友在日常生活当中部使用一种新型自行车——电动自行车。这种自行车在使用上与普通自行车有相同之处，但也有很大的不同，下面我就和朋友们聊一下电动自行车使用中的注意事项：     

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。     

基于模板滤波的居民负荷非侵入式快速辨识算法

以电流信号的频域分析为基础,结合非侵入监测负荷运行的电流模型,利用单独作用时电流信号的频谱分量会完整包含于混合电流频谱中,提出一种基于模板滤波的居民负荷非侵入式快速辨识算法。通过先验方式获取用电网络各负荷的特征电流形成特征滤波器,对其频谱分量进行0-1赋值得到对应的模板滤波器。利用模板滤波器对非侵入采集模式下的混合电流信号滤波,通过对滤波后频率分量的量化判决确定负荷的运行状态。利用实际采集的用电数据验证了该算法的有效性,能够准确判断负荷运行状态。此外,算法利用快速傅里叶变换(FFT)即可实现,便于实际中硬件封装。     

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。     

一种基于多标签分类的非侵入式负荷监测系统

为了更好的提高非侵入式负荷监测系统的运行效果,保证监测精准性,提出一种基于多标签分类的非侵入式负荷监测系统,结合CUI-TECHPNXP 270处理器对非侵入式负荷监测系统硬件配置进行完善,为了更好的保障系统运行的稳定性,结合特征采集算法对系统监测数据标签进行特征提取和分类,根据分类结果有针对性的实现精准监测的目标,最...     

基于PCA-LSTM算法的非侵入式负荷辨识方法

了解用户负荷分布特征是智能电网建设的重要部分,非侵入式负荷监测(Non-Intrusive Load Monitoring, NILM)以其便捷、高效、成本低的优点被电力系统工作人员广泛认可。文中提出了一种基于长短期记忆网络的NILM方法,通过采集用户电力入口处的电流波形并进行数据处理,得到用户的负荷特征数据。使用主成分分析手段,减少负荷特征数量,提高运算效率。使用擅长处理连续数据的长短期记忆网络模型,在划分好的验证集与测试集上对模型优劣进行评价,以获得最优参数模型。预测实验结果显示,文中所设计的非侵入式负荷监测方法可以对包括小功率用电器在内的家用电器进行准确辨别。     

非侵入式负荷监测与辨识方法研究综述

非侵入式负荷监测技术是在用户进线端对数据进行采集,通过采集的数据对用电器的特征进行分析,从而达到识别用电器的种类和挡位的目的,对智能家居、智慧电网的发展具有重大意义。本文从数据库提取的方式进行分类,首先介绍了非侵入式负荷检测的优点和基本框架,再通过对暂态特征和稳态特征两类提取方法的优缺点进行举例和分析,了解到二者的不足;其次,通过叙述组合的优点说明了结合的优势,该方法不仅解决了两类数据库的不足也达到了取长补短的目的。最后,结合之前的特征提取方法对未来的研究方向进行了总结与展望。     

基于VMD-CNN的非侵入式负荷监测方法研究

非侵入式负荷监测通过在总电力接口处安装智能电表,实时采集和分析用户用电信息,从而监测各个用电设备的工作状态。针对电力系统中家庭用户负荷变化呈现的不同特性,提出一种基于VMD-CNN的非侵入式负荷监测方法。首先对采集到的负荷信号进行预处理,用变分模态分解方法将原始负荷功率信号分解成不同频率的有限带宽子序列,然后用Hilbert算法提取低频信号特征并将其输入到卷积神经网络中,再通过网络的自动学习能力学习各模态分量的不同特征,最后用全连接网络对用电设备进行分类,得到各个设备的用电情况。为了验证该方法,采用UK-DALE数据集进行实验验证,并与不同的分类算法进行对比。实验结果证明该方法适用于负荷监测且负荷监测精度达到了0.98。     

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。