基于Faster R-CNN的非侵入式负荷识别方法

针对非侵入式负荷辨识终端对特征相似电器、小样本数据辨识困难等问题,提出一种利用改进的Faster R-卷积神经网络(convolutional neural networks, CNN)对小样本负荷数据进行高精度辨识的方法。在传统的Faster R-CNN目标检测算法的基础上,增大了模型输入图像尺寸,保留更多负荷图像曲线的细节,提高了对小目标图像细节的识别效果;替换模型特征提取网络VGG16为Inception V2网络,拓宽了网络宽度,减小了差异较大的图像曲线变化尺寸对模型识别造成的干扰,以满足对不同尺度的负荷特征图像曲线的特征提取。在数据集上测试Faster R-CNN对非入侵式负荷设备识别的可行性与准确性,结果表明该方法显著减小了数据处理与识别网络的计算量,使识别的准确率与召回率均有了较大提升。     

基于递进式模型结构和时间信息嵌入的非侵入式负荷分解

现有的非侵入式负荷监测算法对多时间尺度的用电规律缺乏关注,且存在电器状态误判率高和功率预测误差大的问题。对已有模型在学习框架、信息嵌入和损失函数3个方面进行优化,提出一种基于递进式模型结构和时间信息嵌入的负荷分解方法。模型由预分解模块和功率预测模块构成,递进地完成判断电器开关状态与估计功率值2个任务。2个模块的网络结构均基于Transformer设计,使用不同的复合损失函数优化。另外,提出了多尺度时间信息编码及嵌入方法,增强模型对用电行为特征的提取能力。基于居民用电数据集REDD和UKDALE的测试结果验证了该方法的有效性。     

基于GRNN与注意力机制模型的非侵入式家用负荷分解

为了提高识别精度,提出一种基于GRNN与注意力机制模型的非侵入式家用负荷分解方法.采用批标准化来减少神经网络层与层之间的耦合,利用GRNN强大的时间序列特征表示能力,来提取电力负荷入口处测得的总用电信息与各电器能耗之间的关系,同时利用注意力机制来减少模型的权重参数.最后通过算例验证了算法的可行性与优越性.     

基于暂态过程的非侵入式负荷监测研究

非侵入式负荷分解方法是对系统中的负荷用电行为进行辨识的一种方法,是智能电网体系建设的重要环节。为了达到监测系统中负荷的目的,基于系统的暂态过程,对系统中的负荷进行辨识,即基于负荷的投切和换挡操作,提出用于负荷暂态过程检测和提取的算法;再选取合适的特征量表征每一类暂态过程,将得到的特征量经过归一化处理形成样本集,应用决策树中CART算法通过训练集生成负荷暂态类型判定的决策树,利用测试集来判定系统的暂态过程,以实现监测系统中负荷的目的,并通过改进决策树,提出了多层决策树算法,解决了算法误判的问题;最后通过实测数据验证了所提算法对系统中负荷的有效监测。     

非侵入式负荷动态识别方法的研究及工程应用

随着非侵入式负荷监测技术应用场景不断扩展,负荷类型日趋多样化,基于单层特征的静态识别方法需要构造更加全面、复杂的特征,难以兼顾负荷识别的准确度及速度。提出一种基于多层特征组的动态识别方法,综合考虑不同负荷特征提取的采样频率、监测窗口宽度、计算复杂度和负荷特征存储量等构建分层特征组,针对负荷群中不同的负荷类型提取不同的特征组作为分类特征以降低特征的综合提取代价,最后基于支持向量机多分类算法实现按需识别负荷类型。BLUED数据库的仿真对比分析和实际某工厂的工程测试结果表明,基于多层特征组的动态识别方法不仅能够提高负荷的综合识别速度,也能提升相似负荷的识别准确度,在负荷相似及投切频繁的场景下能够兼顾负荷识别准确度和速度,具有较好的工程适用性。     

基于Attention机制的TCN-LSTM非侵入式负荷分解

非侵入式负荷分解可以从家庭电能表的总功率读数分解出各用电器的功率,对于节能减排、智能用电等均具有重要意义。针对当前深度学习在非侵入式负荷分解中存在的分解准确率低、对使用频率低的电器分解误差大等问题,提出了一种基于Attention机制的时间卷积神经网络(temporal convolutional neural network,TCN)与长短期记忆网络(long short-term memory,LSTM)相结合的序列到点非侵入式负荷分解模型。该模型首先以重叠滑动窗口方式读取功率时间序列作为网络输入,利用TCN膨胀因果卷积扩大卷积核感受野,加入残差连接和批处理规范化,加快提取深层负荷特征的效率;然后利用LSTM捕捉功率序列演化模式完成负荷分解,在TCN特征提取侧和LSTM负荷分解侧引入双重Attention机制来提取重要负荷特征和历史关键时间点信息;最后在UK-dale和REDD数据集上进行训练与测试,实验结果表明本文模型性能良好,负荷分解准确率有明显提升。     

基于复现性和熵权区分度的非侵入式负荷识别方法

非侵入式负荷识别采用单一负荷特征量识别时,准确率达不到要求;采用多负荷特征量识别则需大量数据,增大模型的复杂程度和识别计算量。对此,提出利用复现性指标和熵权区分度指标对负荷特征进行处理,进而优化数学模型,采用改进布谷鸟(CS)算法实现求解测量量与估计量之差最小化的识别问题。算例分析结果表明,采用优化模型进行负荷识别时,放大了各负荷特征间的差异,提高了负荷辨识率,同时改进后的CS算法提高了收敛速度和准确率。     

基于通道注意力机制和BIGRU的非侵入式负荷分解方法

针对目前负荷监测领域存在模型分解准确率低、训练周期长、泛化性能差的问题,文章构建了基于通道注意力机制和双向门控循环单元的非侵入式负荷监测模型,利用搭建的序列到点编码–解码结构,将智能电表入口处总功率序列与待测目标设备序列中点在模型上进行映射训练。使用功率嵌入层对负荷序列的输入过程进行优化,将离散的负荷总功率序列通过功率嵌入矩阵映射到高维紧密向量空间;采用一维卷积神经网络提取负荷序列的局部特征,双向门控循环单元提取负荷的长序列依赖关系,同时融合通道注意力机制强化对目标设备重要信号特征的学习,挖掘目标设备状态与负荷功率之间的关联。在基于能量分解模型基准框架下,利用公开数据集REDD和UK-DALE进行实验,与现有两种典型负荷分解模型进行比较分析,实验结果表明,文章构建的模型在减少网络训练时间和参数的前提下,有效检测了目标设备的开关状态,显著提升了负荷分解准确性。     

基于FBE算法的非侵入式事件检测方法

鉴于基于非侵入式负荷监测(NILM)的智能电表将成为住宅和建筑物的重要组成部分,提出一种应用非侵入式负荷监测环境的滤波器式经验模态分解算法,即将采集到的总电压电流信号自适应地分解成各种窄带信号,从分解的这些窄带信号中提取有关设备开关事件的有用信息,以有效提取模态特征、检测开关事件,克服传统经验模态分解方法对负类事件分类准确度的缺陷,增加了整体负载分类的准确性;最后,在BLUED数据集上进行测试,相比传统算法精度80.56%,所提方法的识别精度为97.39%,验证了算法的实用性和优越性。     

基于新型卷积神经网络的非侵入式负载监测方法

现有非侵入式负载监测技术处理负载规模变化的能力弱,且随着负载的种类复杂化与数量的增多,其具有估计精度不高的问题.建立了一种考虑用户用能多时间尺度耦合特性,并具有规模化处理能力的新型卷积神经网络,以提高复杂规模化负载估计的精确性.该神经网络包括多时间尺度感知与特征提取模块、自我关注模块和对抗损失模块等,多时间尺度感知与特...     

基于小电流电器的滑动窗双边CUSUM事件检测改进算法

事件检测是非侵入式负荷监测中的关键部分,然而事件检测方法对于一些小电流电器存在漏检问题。为此,提出一种基于小电流电器的滑动窗双边CUSUM事件检测改进算法,即在均值计算窗和暂态检测窗的基础上,引入方差计算窗区分运行时电流波动小的电器,通过权重参数δ提高检测过程中投入、切出事件的累计和,解决了滑动窗双边CUSUM事件检测算法的小电流电器漏检问题。采用方差阈值判断电器是否进入稳态,提高了电器进入稳态时检测的准确性,有效记录事件投入点和事件切出点。实测验证表明,所提算法不仅能够准确检测到传统算法易忽略的小电流电器的暂态事件,还能准确记录电器完整的事件投切过程,有利于其暂态过程的分析与处理,保证了特征提取的有效性,为事件检测方法的优化方向提供了借鉴。     

基于小电流电器的滑动窗双边CUSUM事件检测改进算法

事件检测是非侵入式负荷监测中的关键部分,然而事件检测方法对于一些小电流电器存在漏检问题。为此,提出一种基于小电流电器的滑动窗双边CUSUM事件检测改进算法,即在均值计算窗和暂态检测窗的基础上,引入方差计算窗区分运行时电流波动小的电器,通过权重参数δ提高检测过程中投入、切出事件的累计和,解决了滑动窗双边CUSUM事件检测算法的小电流电器漏检问题。采用方差阈值判断电器是否进入稳态,提高了电器进入稳态时检测的准确性,有效记录事件投入点和事件切出点。实测验证表明,所提算法不仅能够准确检测到传统算法易忽略的小电流电器的暂态事件,还能准确记录电器完整的事件投切过程,有利于其暂态过程的分析与处理,保证了特征提取的有效性,为事件检测方法的优化方向提供了借鉴。     

基于轴系对中数据的轴承载荷识别方法

基于汽轮发电机组轴系对中检测数据,应用传递矩阵方法建立了轴承载荷识别模型,首先由对中数据识别轴承标高,然后由轴承标高计算轴承载荷．以某350MW汽轮发电机组为例进行了计算,分析了张口和高低差对轴承载荷的影响以及3种不同对中状态下的载荷分配．结果表明：该方法可有效地由轴系中心检测数据识别轴承标高和轴承栽荷;理想对中状态下,各对轮处的张口和高低差为0;检修后低速盘车状态下,1号、2号轴承顶轴油压相近,2个轴承的载荷分配基本均匀;满负荷运转状态下,轴系振动稳定,消除了突发性不稳定振动现象．     

柴油发电机组回能型电子负载系统技术研究与应用

针对公司现有柴油机及柴油发电机组试验负载为测功器和水负载,试验产生的机械能及电能消耗在水阻中导致能源浪费问题,进行柴油发电机组回能型电子负载系统技术研究。根据船用柴油发电机组以及往复式内燃机驱动交流发电机组试验特性要求,完成相应技术方案制定,系统参数计算及设备选型。通过某型发电机组回能型电子负载测试试验,验证了所开发的回能型电子负载系统的各性能指标满足发电机组调速特性和负载特性的测试要求;达到了节约能源,降低成本,提高柴油发电机组测试效率的目的。     

基于负荷实际暂态特性的配电网负荷模型的研究

针对现场实际负荷成分的时变性、随机性、复杂性、多样性和非线性的特点,在考虑实际负荷暂态特性的基础上,提出一种基于神经网络的配电网受控电流源负荷模型的方法。该方法根据负荷群在稳态运行条件下的电压和电流暂态特性,通过神经网络学习负荷群的电压电流特性,用受控电流源代替实际的负荷群,受控电流源的电流大小受神经网络控制,并利用Matlab/Simlink对所提出的负荷模型建立方法进行仿真验证。仿真结果表明所建立的负荷模型在单相短路、两相短路和三相短路条件下均具有良好的稳定性和准确性。     

基于多层聚类的需求侧用户负荷形态分析方法

针对传统用户负荷形态分析方法在用户数量急剧增加时效率降低的问题,提出一种基于多层聚类的需求侧用户负荷形态分析方法。该方法以余弦相似度度量用户负荷曲线的差异,并将用户负荷形态聚类过程分为三层,分别为凝聚-聚类-还原过程,从而有效降低用户数量增加对聚类效果的影响。与传统方法相比,该方法能够有效提高负荷形态分析方法的计算效率和准确性,并能有效度量负荷曲线之间的相似性,在需求侧管理中具有使用价值。     

基于AP-TS-SVR模型的热电厂工业热负荷预测

工业热负荷预测对保障工业生产过程安全和提高热电厂经济性具有重要意义,然而工业热负荷影响因素众多且有较强的随机性,因而采用常规单一负荷预测方法预测难度较大.建立了一种通过平均比例法将时间序列与支持向量机相结合的AP-TS-SVR混合模型,并对某热电厂工业热负荷进行了预测.结果表明,在预测的72h(3个预测日)中,只有6h...     

基于电弧功率的断路器触头电气磨损状态监测算法

为准确估算弧触头电气磨损程度,提出了一种基于断路器电弧功率的断路器状态监测算法,首先通过在电弧放电时测量断路器的端子上的瞬时电压和通过断路器的瞬时电流,对电弧放电功率和能量进行相应计算;然后采用断路器的累积电弧能量作为弧触头退化水平的评价指标,对断路器触头的电气磨损情况进行评估;最后通过仿真和试验验证了所提算法可准确评估弧触头的电气磨损情况,为断路器的弧触头的检修和维护时间提供了判断依据。