基于KD树和BP神经网络的非侵入式负荷识别算法∗

针对现有的非侵入式负荷监测方法难以准确识别具有相似电特性负荷的问题,提出了一种基于切换概率分布曲线对识别结果进行修正的非侵入式负荷监测方法.首先,将电流分解为各负荷的独立工作电流;其次,利用谐波特征对负荷进行初始识别;然后,利用已有数据训练BP神经网络,拟合出被识别负荷的切换概率分布曲线;最后,根据切换概率分布曲线对识别结果进行修正.利用实测数据进行分析,验证了该方法的有效性.     

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%。     

计及低频采样用电量信号的电器运行情况识别方法

电器运行情况识别是负荷分解的一个重要研究方面。为克服低频采样下功率信号信息量低的问题,将用电量信号引入用于电器运行情况识别。首先基于用电量信号,估计采样点间有功功率曲线走势,重构负荷总有功功率信号。再结合人们用电习惯确立电器设备运行应满足的约束条件,利用整数规划法对重构的总有功功率信号进行电器运行情况识别。数值模拟结果表明,与不考虑用电量信号的算法相比,所提算法能在一定程度上复原电器设备在采样间隔内的投切动作,对于电器运行情况识别准确率更高。     

基于LMD和模型匹配的家电负荷识别算法

家电负荷识别是智能用电的重要环节,传统侵入式负荷监测具有成本高、安装维护复杂的缺点,因此以非侵入式负荷监测为基础研究家电负荷识别算法。结合系统辨识的基本原理和方法,以稳态电流、稳态电压为特征,提出一种基于局部平均分解(LMD)和模型匹配的家电负荷识别算法。通过预先获取用电网络中各负荷的稳态数据,构建线性和非线性模型库。利用LMD算法将混合信号分解为单个负荷的用电数据,通过预筛选确定分离数据所属模型库,根据模型匹配原则进行负荷识别。仿真结果表明,所提算法可以准确识别出各负荷的运行状态,运算效率高,并能有效应对用电网络中有新负荷加入的情况。     

基于启停状态识别改进因子隐马尔可夫模型的非侵入式负荷分解

非侵入式负荷分解(non-intrusiveloaddisaggregation,NILD)是通过对总电气量分析得到用户家中各电器设备的能耗数据,该数据为节能、需求响应及公共安全等方面提供重要依据。目前,NILD算法存在因设备启停状态识别准确率低导致负荷分解精度低的问题。为此,该文提出一种基于设备启停状态识别改进因子隐马尔可夫模型(factorialhidden Markov model,FHMM)的NILD方法。首先,通过人工少数类过采样法(syntheticminorityover-samplingtechnique,SMOTE)对训练数据做重采样处理、深度神经网络(deep neuralnetwork,DNN)模型提取启停状态特征以及双向长短时记忆网络及条件随机场(bidirectionallongshortterm memory-conditionalrandomfield,Bi LSTM-CRF)模型提升其对不平衡启停状态的识别能力;然后,将设备启停状态组合模块按照数理组合方法划分数据集,形成若干启停状态组合子数据集,并分别对各子数据集中处于启状态的设备建立FHMM进行负荷分解;最后,在公开数据集每分钟电力年鉴数据集(the almanac of minutely power dataset,AMPds)进行实验,该文算法得到的设备负荷分解平均精度比传统FHMM方法提升了3.8倍,验证了所提方法的有效性和准确性。     

考虑分时段状态行为的非侵入式负荷分解方法

负荷监测是智能用电的一个重要环节,针对现有低频非侵入式负荷分解方法需要较多先验信息,且对功率相近或小功率负荷的辨识精度较低的问题,提出了一种考虑分时段状态行为的非侵入式负荷分解方法。首先,对负荷设备的功率数据进行聚类分析,构建负荷状态模板。提出一种不需要指定时间段个数的负荷典型行为时间段智能寻优方法,分时段提取负荷状态行为规律,构建负荷行为模板。然后,在传统功率特征的基础上,综合考虑概率和时间2个维度,将分时段状态概率因子(TSPF)作为负荷新特征引入目标函数,通过多特征遗传优化迭代实现负荷分解。最后,在公开数据集上验证了所提方法的有效性和准确性。     

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。     

基于高频数据V-I特性的延时反馈负荷在线快速辨识算法

研究了一种基于V-I特性的延时反馈非侵入负荷在线快速辨识算法,该算法根据用电设备负荷容感性不变原理,在相同电压背景下,提取每次暂态发生前电路中的稳态周期电流,利用信号一维加减得到上一次投切的用电设备稳定运行时的周期电流,结合居民用户的用电设备操作习惯对目标函数施加约束,缩小可能进行投切的用电设备的组合范围,优化求解确定用电网络中的负荷状态。此外,引入延时反馈识别投切负荷,避免负荷暂态过程对稳态特征提取的影响。利用公开数据集对该方法的有效性进行验证,通过延迟负荷识别可在短时间内准确高效地判断各用电设备的启停时刻。     

考虑小区发展不均衡性和不确定性的多阶段空间负荷预测

为减少小区发展不均衡性和不确定性对空间负荷预测精度的影响,结合聚类分析与马尔科夫理论提出了一种多阶段空间负荷预测模型.首先,提取单位面积最大负荷、用电量、平均负荷百分比作为表征小区发展不均衡性的指标,利用k-means算法对小区聚类,确定各个发展阶段的负荷密度.其次,统计不同发展阶段间的转移概率,形成马尔科夫链的状态转...     

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。     

广东电网基于PMU的负荷模型参数辨识研究

建立基于PMU（phasor measurement unit,相量测量装置）数据的广东电网的实测负荷模型和辨识算法,指出PMU数据处理后用于负荷建模,要满足两个基本条件：一是PMU数据采集地点要装在220kV及以下电压等级的功率受端的纯负荷站点,负荷站出线没有小电源接入;二是PMU数据采集密度达到100Hz／s以上。以广东电网220kV清远变电站为例,通过与系统实际响应的对比分析,验证了负荷模型参数辨识方法的有效性。     

基于出线的变电站综合负荷建模方法

针对目前统计综合法和总体测辨法等负荷建模方法存在数据需求量大,难以反映负荷时变性或辨识速度慢、精度低等缺点,提出了基于出线的变电站综合负荷建模方法。该方法从变电站出线入手,首先建立出线负荷模型,进而对变电站整体建模,得到含静态负荷、动态负荷、配电网及电容补偿的出线-综合负荷模型。仿真算例结果表明,该方法较总体测辨法,辨识速度和精度都有较大的提高,具有一定的可行性及工程实用性。     

水轮机转轮水力径向力的测试与识别

在分析水轮机径向力形成原因的基础上,根据载荷识别原理,提出了以导轴承压力的测试数据识别转轮径向力的方法,并在高水头转轮试验台上进行了径向力识别,最后对结果进行了讨论。     

基于非侵入式用电数据分解的自适应特征库构建与负荷辨识

非侵入负荷监测是实现需求侧测量与能效优化的有效途径。文中提出了一种高频采集模式下的非侵入式负荷在线监测方法,使整个监测过程自动化、实时化。首先,根据负荷电流的可加性原理建立了负荷分离模型,得到独立负荷波形;并结合负荷的操作特性,无需预实验获取先验数据。然后,通过贝叶斯分类模型实现负荷种类判断,从而在运行过程中为每个独立用户构建动态的负荷特征库。最后,基于库中数据,通过构建寻优模型实现负荷辨识,从而持续、实时获取负荷用电状态,并通过实际采集的用电数据验证了方法的有效性。该研究可自适应地为独立用户构建负荷特征库,改善了提前建库不具有普适性的问题,同时,基于特征库的快速寻优保证了辨识的有效性与准确性。     

江苏电网夏季空调负荷特性挖掘与温度敏感性辨识

江苏最高调度负荷已超过100 000 MW,夏季空调负荷对于最高负荷具有较高贡献。夏季空调负荷特性对于负荷高峰、电网规划、需求响应等有显著影响。文中首先从江苏实际数据出发,使用基准负荷比较法,选取春秋夏季典型周作为研究对象,对夏季空调负荷进行了深入挖掘,并进一步量化出夏季空调负荷及电量。其次对工作日及休息日的空调负荷分别进行最高温度、最低温度及平均温度的敏感性辨识,得出不同温度类型、不同温度区间内空调负荷与温度之间的关系。最后给出了江苏夏季空调负荷的研究结论,对于后续夏季负荷预测的进一步研究具有重要意义。     

强风作用输电塔结构动态载荷识别技术

输电塔作为重要的输电线路构架,近年来频繁受到强风载荷作用。鉴于强风载荷测量的难度,因而根据模态分析理论实测输电塔的振动动力特性,根据测得的结构加速度时程反推出结构的速度时程和位移时程,进而推出作用在结构上的强风载荷时程,最后利用大型有限元软件ANSYS建立输电塔三维模型,将反推出的强风载荷时程进行加载,对结构进行时程分析,得到风载荷强度变化时程和能量耗散时程变化关系,可为输电塔抗强风动力特性分析提供参考,对深入了解输电塔结构强风作用下的动力响应具有指导意义。     

基于谐波分离的学生公寓负载特性识别

给出了一种基于负载电流谐波分量分离的学生公寓负载特性识别方法,并且以一种改进的基于神经元的自适应谐波电流检测模型,解决了负载识别中电流谐波分量检测的关键问题,最后给出了识别算法流程,并通过仿真予以验证.     

面向非干预式负荷监测的居民负荷微观特性研究

非干预式负荷监测技术是未来负荷监测的重要发展方向,基于此技术开发创新性服务产品需要对非干预式负荷监测技术应用基础展开详细研究。建立了非干预式负荷监测应用体系;提出体系中负荷识别算法的实现原理;由于负荷特性研究是非干预式负荷监测的基础,各类创新性服务产品的开发必须以负荷特性研究为基础。对居民负荷的微观特性进行深入研究,基于实测波形提取了典型电器的多个微观特征参数,如波峰系数、瞬时功率峰值和有效值、V-I特性曲线面积及中心线斜率等,并提出了各负荷特性特征值的计算方法。该成果为后续的基于非干预式负荷监测的用电可视化服务研究工作打下基础。     

基于随机森林算法和稳态波形的非介入式工业负荷辨识

非介入式工业负荷的准确辨识可以获取工厂内各负荷的运行情况,有利于需求侧智能用电管理.工业负荷由于采集暂态数据建模困难、需要高精度测量设备等特点,造成辨识方法复杂难以实现.针对这种情况,提出一种利用随机森林算法和稳态波形的非介入式工业负荷辨识方法.首先,通过事件监测工业负荷功率状态变化并提取稳态波形,根据工业负荷性能不同...     

配电网综合负荷机理模型闭环辨识研究

电力系统具有天然闭环特性,在激励信号注入位置与辨识用信号量测位置不同时,负荷模型参数辨识可能具有较为明显的闭环特征。文章以台区模型辨识场景为例,研究了闭环条件下负荷机理模型参数辨识问题。通过对比分析常见的闭环辨识方法,总结了实现机理模型闭环辨识需满足的基本条件,并依据该条件选择了无需反馈通道模型先验知识且可直接辨识原系统模型的两阶段辨识法。对台区负荷动态机理模型进行线性化处理和模型转换,并将其嵌入两阶段辨识的第二阶段,可以实现机理模型参数的在线闭环辨识。通过仿真分析,验证了负荷辨识的闭环特性以及所提两阶段辨识方法的有效性。