基于LSQR与系统距离聚类算法的专变用户非介入式负荷辨识

专变用户非介入式负荷辨识是实现以专变用户为主体的需求侧响应的重要环节。通过对专变用户负荷稳态过程与暂态过程的特征分析,选取有功功率、无功功率、电流有效值等作为稳态过程特征量,并选取暂态发生前、中、后三个阶段的特征量,如电流有效值、有功功率均值、无功功率均值、持续时间、电流有效值最大值等,构建全面的非介入式负荷辨识稳态过程与暂态过程负荷特征空间。以此为基础,利用最小二乘QR分解算法(Least Square QR,LSQR)进行稳态过程负荷分解获得各种负荷的运行情况。并基于系统距离聚类算法将常见专变用户负荷暂态事件进行分类,进一步辨识出哪一种或者哪一类负荷发生投切动作。最后,采集包括排水泵、搅拌机、水泥螺旋、污水泵、除尘器等工业负荷现场数据,对所提到的方法进行了仿真分析,结果表明所提的非介入式负荷辨识方法可获得较高的准确率。     

基于DTW的多状态负荷的非侵入式负荷分解

非侵入式负荷监测（NILM）是大数据和人工智能的重要应用领域,能够显著提升电网的智能化水平和节能效果。长期以来在NILM中采用稳态特征进行负荷分解时,优点是可识别功率近似的负荷,但是不能处理多状态负荷。为此,采用滑动时间窗作为事件探测算法,提出一种基于动态时间规整（DTW）的多状态特征的NILM模型。该模型首先对多状态负荷进行特征提取,并建立多状态特征的稳态波形模板库;然后利用滑动时间窗算法提取待分解负荷的稳态波形特征,将提取的稳态波形运用DTW算法与稳态波形模板库中的负荷特征计算最小距离进行辨识。该方法能够显著提升稳态条件下多状态负荷的辨识效果。最后采用公共数据集REDD进行测试验证,证明了所提方法的有效性。     

基于稳态电流波形匹配的非侵入式家用负荷快速识别方法研究

针对现有非侵入式负荷识别方法存在识别特征量表征性差(选取不典型),识别算法收敛速度慢,识别结果精度低等问题,提出一种利用波形相似度匹配来辨识家用负荷的方法.将互近似熵原理与二值距离矩阵相结合,提取家用负荷稳态运行时的电流波形作为特征量,通过直接计算待识别的测试电流波形与模板库中的样本波形之间的互近似熵值,来进行波形相似...     

基于用户边缘侧事件解析的工业电力负荷非侵入式感知辨识

考虑工业生产的持续、安全等因素,避免在高压生产区对负荷进行直接测量,采用非侵入式感知模式在低压总用电计量端进行监测,通过分离解析总信号获取各负荷详细的运行情况.文中研究了一种基于事件波形解析的辨识方法,为了适应不同用户生产门类及流水工艺的差异,将事件解析下沉至用户边缘.首先,利用工业负荷单体功率大的特点,结合不同投切形...     

非介入式负荷辨识感知技术及其典型应用场景

当前电网用户侧感知能力建设相对滞后,用户负荷类型不可知、电网负荷组成不明确等问题严重制约了客户服务的优化提升。非介入式负荷辨识技术仅采集用户入口总电流、电压数据,利用高级算法实现户内负荷的精确辨识,是突破电力用户负荷信息获取瓶颈的有效技术手段。本文简述了非介入式负荷辨识技术的主流技术路线,分析并展望了该技术面向电网企业和客户的典型应用场景,并对湖南电网的应用情况进行了介绍。     

基于DTW算法与稳态电流波形的非侵入式负荷辨识方法

非侵入家用负荷识别技术可以指导家庭用户合理安排用电,提高用能效率,同时也为电力部门提供家庭用电的数据支持,有利于了解负荷用电规律及趋势,完善电力规划。由于家庭用户用电负荷的稳态特征值存在相似和无规律的问题,现有的方法多采用高级算法对所有的用电负荷组合进行训练。针对现有采用负荷稳态特征值方法进行识别所存在的不足,考虑到家用负荷稳态波形具有独特性和叠加性,提出了一种利用动态时间弯曲(DTW)算法计算与模版库波形的距离来识别家用负荷的辨识方法。首先,建立负荷稳态波形模版库;然后,在电压满足一定条件的情况下,测量家庭用户电流的稳态波形;最后,利用DTW算法计算出最小距离进行识别。     

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。     

基于数字波形同步回放技术的负荷识别模组测试平台设计∗

近年居民、工商业用户的非介入负荷识别技术和工程应用场景呈井喷式发展态势,而针对负荷辨识设备的 检测技术研究却鲜有关注.针对智能物联电表的非介入负荷识别模组批量化测试场景进行测试平台的研究设计.首先 介绍了基于COMTRADE文件的典型用电工况的数字描述方法,并针对多通道输出波形同步性难题,提出了基于同 步激励控制方法的数字波形同步回放技术;然后重点进行了测试平台的设计,在整体框架设计基础之上,详细设计了 下位机硬件测试单元和上位机测试软件的功能,并进行了完整的测试平台软件的控制流程设计;最后通过实验测试验 证了该测试平台的性能,数字波形输出具有较高的稳定度,通道偏差小于(100±10)μs/p (包),数字波形的输出错 包率小于0.01‰,保证了数据输出的稳定性,可加载多种模式的负荷数字波形满足多场景检测需求,极大地提高了 负荷识别模组的检测效率.     

基于改进卷积神经网络的非侵入负荷辨识方法研究

非侵入式负荷监测作为客户侧泛在电力物联网重要技术之一,不仅有助于电力公司加强负荷管理,还可以引导用户合理安排负荷的使用,为实现以家庭电力用户为主体的需求侧响应和满足居民用户对精准精益用电服务需求提供了重要的技术支持。对非侵入式负荷监测中低频采样信号分辨率低,负荷特征易重叠,以及卷积神经网络不能有效辨识具有相似波形特征负荷的问题,提出了融合暂态电流波形和时域特征的改进方法,将暂态电流值均方根融合到电流波形图像以提升相似波形特征负荷的辨识正确率。通过实测数据和负荷识别参考数据集(REDD)测试,验证了所提方法的可行性和有效性。     

基于聚类和关联分析的居民用户非侵入式负荷分解

现有的非侵入式负荷监测方法主要采用监督学习模型,该类模型需要具有针对性的大量训练数据,而且无法有效识别在训练数据中未出现的负荷。在分析多种家用电器负荷特征的基础上,选取负荷投切过程中暂态功率波形和功率变量作为负荷特征,并提出一种基于聚类和关联分析的无监督学习居民用户非侵入式负荷分解方法。首先根据功率变化情况提取电流和电压数据,并计算得到暂态功率波形;然后通过动态时间规整算法计算当前暂态功率波形与历史暂态功率波形的匹配度,并利用动态聚类算法和其他暂态负荷特征判别该功率波形对应的负荷操作;最后以周为单位对负荷操作进行关联分析,确定每种电器对应的多个暂态特征。仿真结果表明,所提方法易于实现,在准确率和可靠性方面有明显提高。     

深度学习与幅值特征相融合的低频采样非侵入式负荷辨识算法

非侵入式负荷监测中虽然高频采样能提高负荷辨识准确率,但对数据采集设备要求高,难以推广,因此,低频采样下负荷辨识方法成为研究热点。以低频采样下负荷投入时的暂态电流波形为特征,采用卷积神经网络算法实现负荷辨识,辨识结果发现CNN对暂态电流波形差异大的负荷辨识准确度高,但是对暂态电流波形相似的负荷识别准确率低,为解决这一问题,在卷积神经网络辨识的基础上,对暂态电流波形相似的负荷,以暂态电流幅值为特征作进一步辨识,以提高辨识准确率。通过使用实测数据进行验证,结果表明所提算法可以很好地克服低频采样下波形特征相似负荷识别准确率低的问题。     

虚拟家庭负荷生成方法的研究

针对非侵入式家庭负荷监测所需家庭用电设备实时运行数据难以获取的问题,分析不同家庭家电配置差异及使用习惯特性,提出虚拟家庭负荷生成方法。首先,采用多项式负荷模型生成家电负荷波形。其次,融合不同代际结构家庭家电配置和家电运行习惯特点,基于蒙特卡洛仿真生成计及家庭成员年龄、数量、身份用电关联的家庭用电时间分布。最后,虚拟生成4类典型的家庭日用电负荷曲线。研究结果表明,该方法虚拟生成的家庭用电负荷波形与实测波形的功率平均相对误差小,可生成最接近实际情况的虚拟家庭负荷波形,另外家庭用户关联性用电生成了大范围覆盖的低     

基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法

为提升负荷监测中事件检测与负荷识别的准确性与适应性,提出一种基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法。基于低频数据,根据电器正常运行造成的功率波动与事件启停造成的功率跳变之间的特性差异,提出一种事件检测算法,该算法通过滑动窗内功率波动的差量特征排除波动干扰,实现事件准确定位并获取相关功率数据;建立一种双长短期记忆网络,对不同电器构建专一电器判别单元并进行训练;建立由各判别单元组成的事件识别网络,根据各判别单元输出的概率对事件进行综合判别,实现非侵入式负荷监测。基于测试数据集的仿真结果验证了所提方法的有效性与准确性。     

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k-NN结合核Fisher判别的非侵入式负荷监测方法

非侵入式负荷监测是目前智能用电领域一个重要的研究方向,而负荷识别是非侵入式负荷监测的核心内容。以负荷的奇次谐波电流幅值作为特征建立负荷特征库,通过分析负荷样本在特征空间的分布,设计了一种AdaBoost样本筛选算法以精简负荷特征库。利用k近邻(k-NN)算法的简捷性和核Fisher判别算法的非线性分类能力,通过误判风险控制将k-NN与核Fisher判别相结合用于家庭负荷识别,兼顾识别精度和计算复杂度,以提高对负荷特征相近电器的识别能力及整体识别速度。经实测数据检测,结果表明所提方法能够快速准确地实现居民负荷识别。     

基于聚类加权随机森林的非侵入式负荷识别

非侵入式负荷识别是实现用能管理的重要监测手段,而随机森林因其良好的泛化能力和鲁棒性应用于负荷识别领域。针对传统随机森林算法忽略决策树分类能力的差异、投票不公平的问题,提出了一种基于层次聚类的加权随机森林算法。首先,提取各类负荷开关状态下负荷特征量,建立特征数据库用于训练原始随机森林模型。然后,利用有功功率差检测总线信号中的开关事件,并提取负荷特征量作为验证集和测试集;验证集采用层次聚类选择法获得每个聚类中分类精度最高的决策树,测试集采用加权投票策略实现负荷识别。通过实验验证,说明相比于传统的机器学习算法,该算法可以实现更高的识别精度,准确率可达96.2%。     

基于设备运行状态挖掘的非侵入式负荷分解方法

随着非侵入式负荷监测与用户侧智能电表的结合,基于低频电力数据实现负荷分解成为了最新的研究趋势。考虑到低频电力数据的特征,文章提出一种基于设备运行状态挖掘的非侵入式负荷分解方法。该方法首先进行负荷事件检测,并在负荷事件处提取功率特征;接着在特征平面内通过聚类算法获取表征不同类型负荷事件的聚类簇;最终采用图信号处理算法在聚类簇间挖掘设备运行状态并与数据库中的模板进行匹配实现负荷分解。算例验证了该方法事件检测和负荷分解的准确率,同时验证了在状态挖掘过程中引入设备运行周期能耗对额定功率相似设备的负荷分解具有优化效果。因此,为基于低频电力数据的非侵入式负荷分解技术研究提供了新思路。