基于系统模型的家电负荷辨识算法*

家电负荷识别是需求侧管理的关键技术之一,有助于实现用户侧的智能用电。文中结合系统辨识的基本原理和方法,将各家电负荷看作一个独立的系统,以稳态电压、稳态电流为特征,提出一种基于系统模型的家电负荷辨识算法。通过预先获取用电网络中各负荷的稳态数据,构建ARMAX线性模型库和Hammerstein非线性模型库。根据稳态电流波峰系数这一特征值对待识别负荷进行预筛选确定所属模型库类型,通过模型匹配原则进行负荷识别。文章通过实测数据验证了算法的有效性,可以准确地识别线性负荷以及非线性负荷,运算效率高,并且可以有效应对家庭网络中有新负荷加入的情况。     

基于改进鸡群算法的非侵入式家电负荷分解

基于家电负荷在稳态工作时电流具有线性叠加的特点,提出一种基于家电负荷稳态基波电流和谐波电流为负荷特征量的非侵入式家电负荷分解算法。通过将一家电负荷的任一工作状态用0和1来表示,即只有关和开这两种状态,则家电负荷分解问题可转化为求解优化组合问题,然后运用改进鸡群算法来识别各个家电的工作状态。最后通过实例验证了该算法具有较高的负荷识别准确率和广泛的适用性,有利于非侵入式家电负荷分解技术的推广与应用。     

基于卷积神经网络的非侵入负荷辨识算法EI北大核心CSCD

非侵入式负荷监测因其实施成本低且对用户干扰小,具有广泛的应用前景。负荷辨识方法是非侵入式复合监测的主要技术难点之一。研究了非侵入式负荷监测模式下基于卷积神经网络的非侵入负荷辨识算法。首先利用局部平均分解算法对采集到的混合信号进行负荷分离,并通过智能学习的方法提取独立负荷特征,建立了能够处理二维图像数据的卷积神经网络模型,将大量典型家电的运行电流数据转换成图片的形式,对卷积神经网络模型进行训练,并基于该模型进行负荷特征提取,从而达到辨识的目的。经过实际采集的用电数据进行仿真实验,结果表明,基于卷积神经网络的负荷辨识准确率高、识别速度快,模型具有良好的泛化能力,能够有效的实现负荷辨识。     

基于卷积神经网络的非侵入负荷辨识算法

非侵入式负荷监测因其实施成本低且对用户干扰小,具有广泛的应用前景。负荷辨识方法是非侵入式复合监测的主要技术难点之一。研究了非侵入式负荷监测模式下基于卷积神经网络的非侵入负荷辨识算法。首先利用局部平均分解算法对采集到的混合信号进行负荷分离,并通过智能学习的方法提取独立负荷特征,建立了能够处理二维图像数据的卷积神经网络模型,将大量典型家电的运行电流数据转换成图片的形式,对卷积神经网络模型进行训练,并基于该模型进行负荷特征提取,从而达到辨识的目的。经过实际采集的用电数据进行仿真实验,结果表明,基于卷积神经网络的负荷辨识准确率高、识别速度快,模型具有良好的泛化能力,能够有效的实现负荷辨识。     

基于特征相似度的非侵入式用电负荷识别模型研究

通过监测采集非侵入式不同用电设备的电流、电压和有功功率等数据,并按其稳态和暂态过程定义出不同的特征参数建立标准特征库。利用被监测设备的实际用电负荷与标准特征库中各用电设备的稳态与暂态波形的相似度,构建出用电负荷识别模型。将在线实时监测的用电情况计算出来的稳态与暂态特征值作为模型输入,即可自动识别出用电设备的运行状态。     

基于非侵入式负荷分解的有色金属冶炼工序识别

为进一步简化数据处理过程和提高生产工序识别准确率,提出一种基于非侵入式负荷分解的工序识别方法。首先将每种工序定义为一种用电设备,然后根据非侵入式负荷分解相关理论,分别选取双向长短期记忆网络和时间卷积网络构建负荷分解模型,选择各用电设备对应功率、总功率数据构造数据集对模型进行训练和测试,最后对测试集负荷分解结果进行相关处理得到对应的工序数据。结果表明由基于时间卷积网络的负荷分解方法构成的工序识别模型具有较高的识别准确率,针对测试集的工序识别准确率达98.83%。     

基于时间概率分布与电器组合超状态的非侵入式负荷分解

非侵入式负荷监测是智能用电网络中的重要技术,为研究非侵入监测下电器的用电情况,提出了一种基于电器时间概率分布和电器组合超状态匹配的负荷分解方法。首先对电器的功率数据进行状态提取,并利用电器运行的时间信息提取每个状态的时间概率分布。根据电器的工作状态组合,构建超状态,利用家庭历史用电数据缩减超状态空间,并针对超状态功率重叠问题对其进行聚类得到S超状态。在负荷分解阶段利用S超状态匹配方法对非侵入式数据分段,并利用时间概率最大似然估计分解结果。最后,通过数据集分解结果验证了该算法的有效性。     

基于XGBoost的非侵入式负荷分解

为提高非侵入式负荷分解的准确率,更准确地挖掘电力用户的用电信息,提出了基于机器学习XGBoost算法的非侵入式负荷分解方法。以决策树中的回归树模型为基础,通过梯度提升树得到由回归树构成的强评估器。同时,以损失函数和模型复杂度为目标函数,并引入叶子结点,得到更准确的XGBoost非侵入式负荷识别模型。在公开数据集（Referenceenergy disaggregation data set,REDD）上对模型进行了验证。结果表明,所提方法能大幅提高非侵入式负荷识别的准确性。     

改进鸟群算法在家电负荷分解中的应用

负荷监测是智能用电的重要环节,对节能减排起到至关重要的作用。针对家庭用电网络中非侵入式负荷监测问题,提出一种基于改进鸟群算法的负荷分解方法。该方法选用可由智能电表获取的低频稳态电流作为负荷特征,建立监测的总电流与各电器电流相加得到的计算值之间的数学优化模型,并对鸟群算法进行改进用于计算电器的时间系数。算例分析结果表明,提出的方法无需增加测量硬件成本即可有效识别电器运行状态及估计电器电流,且能够处理具有相似功率范围的多电器识别及多电器同时投切的情况。     

基于聚类特征及seq2seq深度CNN的家电负荷识别方法研究

非侵入式负荷分解技术能够挖掘用户内部信息获取各用电设备负荷信息,使智能电网更加贴近日常生活,为泛在电力物联网感知层建立提供有效数据。为解决传统非侵入式负荷分解方法输入数据复杂,考虑因素较多,采样硬件要求高以及辨识准确率较低等问题,文章首先利用改进迭代K均值聚类提取用电设备运行状态建立负荷特征集,之后将特征集输入构造的序列到序列的一维深层卷积神经网络模型以及序列到序列的单、双向长短时记忆网络等模型中进行负荷分解挖掘各设备运行状态。最后通过REFITPowerData数据集进行验证,一维深层卷积神经网络模型虽然耗时较大但负荷识别准确率达到93%以上,表明基于特征数据集及序列到序列的一维深层卷积神经网络非侵入式负荷分解方法与其他深度学习模型方法、人工神经网络方法相比表现出更显著的信息提取能力以及辨识能力。     

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。     

智能电网环境下基于大数据挖掘的居民负荷设备识别与负荷建模

利用数据挖掘技术对用户负荷大数据进行处理,既可以通过识别用电负荷设备来分析用户的用电行为习惯,又可以辅助进行负荷精确建模,实现精确而有目标性的需求侧管理或制定具有针对性的零售商售电策略。在此背景下,基于动态时间弯曲(dynamic time warping,DTW)的时间序列匹配方法,提出了一种低频负荷数据下的居民电器设备识别方法。首先,将负荷数据分割成单负荷设备运行和多负荷设备同时运行2种情况下的负荷子序列;然后,依据待识别子序列的时间长度,参照实测的电器设备耗电功率数据,生成与其时间长度一致的电器设备耗电功率参考序列,其中包含了从电器设备启动前一时刻至设备关闭后一时刻的功率变化情形;最后,以DTW距离作为相似性度量指标确定识别结果。对于由多负荷设备运行产生的负荷序列,提出了一种剔除已识别设备后将序列再次分割,如此交替进行的识别策略。在获得识别结果后,构建了居民负荷统计模型。借助于高效数据分析软件R语言平台,实现了所提出的算法,并使用500组负荷数据进行了数据实验。结果表明,在对负荷数据每min采样1次的情况下,所提出的负荷设备识别方法对单设备负荷序列识别的准确率超过93%,对多设备负荷序列识别的准确率接近83%。     

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Fisher主元分析和核极限学习机的非侵入式电力负荷辨识模型

非侵入式电力负荷监测与辨识是实现泛在电力物联网客户侧智能感知的关键技术.针对现有辨识模型存在的特征冗余度高、辨识准确率差、计算效率低等问题,提出了一种基于Fisher主元分析(Fisher principal component analysis,FPCA)和核极限学习机(kernel extreme learning...     

基于贝叶斯网络的非侵入式家庭负荷动态监测模型

智能量测技术是智能电网的重要组成部分,为了实现非侵入式负荷低频监测并进一步提升负荷辨识准确率,文中结合居民用电行为与外界环境相关的特点,提出一种基于贝叶斯网络的非侵入式家庭负荷动态监测模型,该模型选取电气特征和外部数据为特征量,综合考虑居民符合的时间特性和对外部数据的关联特性,对居民用电行为采用贝叶斯网络模型进行建模分析,并随时间推移对特征库进行动态更新,从而实现对家庭负荷的监测作用。本文采用AMPds2公开数据集数据进行算法验证,证明本文算法的准确性和有效性,同时对外部数据和用电行为进行互信息分析,结果表明时段特征对用电行为相关性最强。     

深度神经网络在非侵入式负荷分解中的应用

负荷监测是智能用电的一个重要环节,为了实现非侵入式负荷监测,提出了一种基于深度神经网络的非侵入式负荷分解方法。首先提出了改进的电器状态聚类算法,通过改进终止条件和增加消除冗余类判据使得聚类结果更符合电器实际运行情况。针对目前研究常用的隐马尔可夫模型的弱时间特性问题,提出了电器时间特性模型,综合考虑了电器运行特性和用户使用习惯,从时间角度对电器进行建模。构建了深度神经网络进行负荷分解,网络的输入综合考虑了电器状态及时间、功率信息,采用历史运行数据及时间特性模型生成数据训练网络参数。最后,在测试数据集上验证了方法的有效性和准确性。     

基于配网量测数据的静态负荷模型参数辨识

电力负荷作为电力系统的终端用户,其模型的准确程度直接影响着电力系统运行分析的准确性.近年来,配电网中的量测装置记录了大量稳态数据,能否利用稳态量测数据实现静态负荷模型参数的辨识已成为新的研究问题.提出了基于配网量测数据的静态负荷参数辨识方法.首先,对专变和公变的有功量测数据进行聚类,得到日负荷特性类似的同类负荷曲线;然...