基于卷积块注意力模型的非侵入式负荷分解算法

非侵入式负荷分解技术可以深度挖掘用户内部用电数据、获取用电信息,具有广阔的应用前景.该文研究了非侵入式负荷监测模式下基于卷积块注意力模型的非侵入负荷辨识算法.该模型首先采用一种序列到点方法,以电源窗口为输入,目标设备中点为输出,然后使用卷积块注意力模型来训练学习目标设备特征,卷积块注意力模块通过引入空间和通道Atten...     

基于Attention和残差网络的非侵入式负荷监测

非侵入式负荷监测（Non-Intrusive Load Monitoring, NILM）可以从家庭电表的总功率读数,估算出各用电器的功率。由于对于同一类用电器,其状态种类、各状态持续时长、各状态的功率波形都不同,这使得基于特征工程和聚类的模型的泛化能力不强;回归模型的分解功率难以迅速跟踪真实功率。针对这些问题,文中将回归问题转化为在序列每个时刻的多分类问题,并提出基于Attention和残差网络的非侵入式负荷监测模型。该模型基于具有编码器和解码器的seq2seq框架,首先通过嵌入矩阵将高维稀疏one-hot向量映射为低维稠密向量;在编码部分,通过双向GRU从前后两个方向提取序列信息,引入Attention机制计算序列中当前时刻最重要的信息,引入残差连接学习残差部分输入输出之间的差异;在解码部分,用回归层组合BiGRU解码结果,取经过softmax函数处理的最大概率功率类别作为结果。该模型在选取REFIT数据集中表现良好,其中测试集与训练集完全独立,表明训练好的模型可以直接应用在新的住宅用户中。     

基于CNN-BiGRU-Attention的非侵入式负荷分解

随着智能电网的迅速发展,为了有效提高电能的使用率,合理规划电能资源,建立全国范围内的智能用电和负荷监测系统,非侵入式负荷监测(NILM)和分解问题一直受到广泛关注。为提高非侵入性负载分解性能,提出一种基于耦合神经网络的非侵入式负荷分解方法。首先,对数据集进行归一化和预处理。其次,构建一种将卷积神经网络(CNN)与双向门控循环单元(BiGRU)相结合的混合深度学习模型,对数据的空间特性和时序特性进行充分挖掘,并加入注意力机制,关注重要信息,剔除冗余特征。最后,采用国内自测数据集进行试验,使用不同的评价指标对该耦合神经网络进行评估,并与其他的常用分解模型进行对比。试验结果表明,所提方法的均值绝对误差与绝对误差和相较于其他分解方法都有所降低,均值绝对误差平均下降了35.9%,绝对误差和平均下降了39.9%。     

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。     

基于知识蒸馏和半监督学习的非侵入式负荷分解

非侵入式负荷监测(non-intrusive load monitoring,NILM)中的负荷分解是一种将负荷总功率分解为各类负荷功率的技术;随着深度学习理论的发展,基于神经网络的负荷分解模型的误差逐渐降低,同时也带来了模型参数量大幅增加的问题.为了降低模型分解功率的误差,提出一种基于序列到序列(sequence t...     

基于概率稀疏自注意力模型的非侵入式负荷分解

非侵入式负荷分解能将聚合能量分解为设备级的能源消耗,在能源管理、设备故障检测等领域具有重要意义。面向低频数据,提出了一种基于深度学习的非侵入式负荷分解方法。该方法利用自然语言处理领域的多头概率稀疏自注意力模型搭建核心分解网络,以一维的总功率序列作为输入,使用卷积和池化进行特征的提取,结合位置编码增强序列中数据之间的内在联系,再用核心分解网络进行特征处理;然后经过转置卷积和全连接进行特征映射,产生一维的单个电器功率,从而实现负荷的分解。最后使用英国家用电器级电力数据集(UK domestic appliance-level electricity,UK-Dale)对模型进行训练和验证,并与现有的3种基准负荷分解方法进行对比。结果表明,所提分解方法的分解性能有明显进步。     

基于滑窗算法和序列翻译模型的非侵入式负荷跨域分解

非侵入式负荷分解作为实现电网与家庭用户能量监测的关键技术,能够量化能耗,为合理分配能源提供数据支撑。虽然目前已有算法在同数据集中功率分解准确率上有了很大的提高,但模型泛化性差且跨数据集间分解准确率低。为此,文中提出了一种基于滑窗方法的序列翻译优化模型,并运用迁移学习实现算法的跨数据集分解。该模型以滑动窗口的方式读取主电源有功功率的时间序列,采用基于LSTM编解码的序列到点模型预训练,经迁移学习获得训练模型,实现在不同数据集中的负荷分解。算例结果表明提出的深度学习模型在不同的数据集间训练测试均有较高的分解性能和准确率,提高了算法的泛化能力。     

基于条件生成对抗网络的非侵入式负荷分解

以建筑楼宇电力负荷为核心的电能管理技术是智能电网的研究热点.非侵入式负荷分解技术通过对每户电表总表数据分解,在不侵犯用户隐私的前提下,得到家庭每个用电器的耗电情况.对图像翻译模型Pix2pix进行针对性改进,提出一种基于条件生成对抗网络的非侵入式负荷分解方法.将随机噪声和总负荷作为生成器的输入,生成类似真实电器负荷的序...     

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。     

基于seq2seq模型的非侵入式负荷分解算法

非侵入式负荷分解对于节能减排、负荷调峰、智能用能等方面均具有重要的现实意义。针对目前非侵入式负荷分解方法在低频采样条件下（1Hz及以下）分解准确率较低的问题,提出了一种基于卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合的seq2seq的非侵入式负荷分解算法(seq2seq Based on CNN and LSTM,seq2seqBCL)。该模型将功率时间序列作为网络的输入,通过CNN做特征提取。考虑到电力数据的时序性,增加了LSTM层进行电器识别,相比于NILMTK中seq2seq模型降低了网络层数,简化了网络结构。在REDD数据集上对算法性能进行了评估,所提出的算法提升了整个网络系统的性能,与FHMM、CO和传统seq2seq算法相比,负荷分解准确率有明显提升。     

基于改进鸡群算法的非侵入式负荷监测

监测负荷运行状态有利于加强电网负荷侧管理,引导用户合理消费,实现节能降耗。针对小功率负荷与大功率负荷同时投入时,单一谐波电流特征易受线路电压、电流波动影响导致负荷辨识精度低的问题,提出一种基于改进鸡群算法的负荷监测方法,设计综合考虑稳态谐波电流和功率特征的正态分布度量函数,作为改进鸡群算法的适应度函数。实验结果表明,采用所提方法可有效提高负荷辨识准确率。     

基于模体挖掘与调和函数半监督学习的非侵入式负荷监测

针对现有非侵入式负荷监测(NILM)方法成本高昂等问题,提出一种基于模体挖掘与调和函数半监督学习的NILM方法。基于低频采样数据,根据从监测数据得到的功率阶跃量,利用时间序列分析法和模体挖掘法划分设备的运行窗;在设备运行窗中,根据设备特性与统计方法定义设备开启最大值到稳定运行点的斜率、设备稳定运行时的波动幅度2个新的特征量;构建设备运行窗的特征向量,并利用基于调和函数的半监督学习算法对运行窗中的设备类型进行识别。基于参考能量分解数据集,分别从事件匹配和设备识别的角度将模体挖掘和基于调和函数的半监督学习算法与其他NILM方法进行对比,验证了所提方法的准确性和可推广性。     

基于边缘检测与注意力机制的立体匹配算法

随着深度学习理论的不断进步,端到端的立体匹配网络在自动驾驶和深度传感等领域取得了显著的成果。然而,最先进的立体匹配算法仍然无法精确恢复物体的边缘轮廓信息。为了提高视差预测的精度,在本研究中,提出了一种基于边缘检测与注意力机制的立体匹配算法。该算法从立体图像对中学习视差信息,并支持视差图和边缘图的端到端多任务预测。为了充分利用二维特征提取网络学习到的边缘信息,本算法提出了一种全新的边缘检测分支和多特征融合匹配代价卷。结果表明,基于本文模型的边缘检测方案有助于提高视差估计的精度,所获取的视差图在KITTI 2015测试平台上的误匹配率为1.75%,与金字塔立体匹配网络相比,视差图的精度提高了12%,且运行时间减少约20%。     

基于贝叶斯信息准则的非侵入式负荷事件检测算法

用户负荷数据监测是实现需求侧管理的基础,非侵入式负荷监测技术是负荷监测的重要发展方向,而事件检测是非侵入式负荷监测中的一个关键环节。对适用于模型选取问题的贝叶斯信息准则进行建模,将贝叶斯信息准则首次运用到事件检测当中,利用快速事件检测算法降低贝叶斯信息准则检测算法的误检率,并能解决CUSUM算法中产生的漏检问题。最后采用真实数据集进行测试。实验结果表明,相比于CUSUM算法,基于贝叶斯信息准则的事件检测算法能达到更好的检测准确性,并且能明显提高计算运行的速度。     

利用有限低频信息的居民用户非侵入负荷监测算法

通过更多信息特征或高频采样技术提高识别准确率的负荷监测算法,会增加信息采样阶段的成本和边缘数据处理的难度,提出一种基于有限低频信息的非侵入式负荷监测算法。设计最佳事件检测器,该检测器根据滑动窗口采集聚合负荷数据,并根据统计特征指标判断电器投切位置;将事件发生前后的功率序列作为识别特征,利用互补集合经验模态分解算法分解出功率序列中的多阶本征模态函数和最终趋势,绘制分解结果的二维图像并将其输入卷积神经网络进行训练和识别,从而实现仅基于有限低频采样信息就可高精确率地识别负荷。基于公开数据集的仿真结果验证了所提算法的有效性。     

基于三维特征向量的非侵入式电热负荷细分算法

非侵入式负荷监测分解（NILMD）技术是当前居民用能服务深化提升和电力供需互动的重要数据获取手段,然而当前工程上应用广泛的事件驱动型NILMD技术一直无法准确细化分解电热负荷。针对这一问题,文中提出了一种基于三维特征向量的典型电热负荷细化分解算法。首先,基于有功、无功功率和电流谐波等电气负荷特征采用事件检测方法提取电热事件,在有功功率的基础上,引入运行时长、频繁启停次数等非电气负荷特征共同构建三维特征向量电器模型。然后,采用序贯覆盖法设计典型电热负荷细化分解命题学习规则和细化分解算法。最后,基于实证实验数据进行分解验证,发现4种典型电热负荷的细化分解准确率超过85%。实验结果表明,文中所提典型电热负荷细化分解算法有效地提高了4种典型电热负荷分解的准确率。