住宅用电非侵入式电力负荷监测与识别

在住宅用电的非侵入式负荷监测与识别过程中,对负荷的投切时间检测与负荷类型的准确识别是重要的研究部分,本文提出了一种住宅用电非侵入式电力负荷监测与识别算法.首先,提出了一种基于短期环比变点检测算法,能够准确的检测出负荷的投切时间,进而对负荷的稳态特征进行高精度的提取;其次,利用融合莱维飞行与黄金正弦的蚁狮优化(LGSA?LO)支持向量机算法,实现家用电力负荷识别.实验结果表明,本文所提出的变点检测算法和负荷识别方法在实际应用过程中具备较高的准确率.     

一种基于EDDL的非侵入式负荷检测模型

针对目前非侵入式负荷检测时存在检测精确度低的问题,提出一种基于事件驱动-深度学习(EDDL)的负荷检测模型。通过零交叉检测电流数据,基于事件驱动机制从大量数据中发现关键事件;将包含关键事件的电流序列转换至图像空间,并代入基于深度学习的负荷检测模型,从而实现端对端的非侵入式负荷检测。实验结果表明,与多分类支持向量机(MSVM)、前馈神经网络(FNN)、卷积神经网络(CNN)和长短时记忆网络(LSTM)模型相比,所提EDDL模型综合性能更优,检测准确率和精确度分别为94.67%和91.76%。仿真结果验证了所提模型可基于事件驱动机制挖掘电流数据,并基于深度学习模型有效提取电流数据特征,从而实现高精确度的非侵入式电力负荷检测。该模型对非侵入式电力负荷检测研究具有一定借鉴作用。     

基于ＬＳＴＭ和序列到点模型的非侵入式负荷分解技术

随着深度学习在 NILM （Non-intrusive Load Monitoring,NILM）的应用,对于负荷的识别与功率分解能力有所提升,但是对于多状态用电负荷依旧存在负荷分解准确度低、算法泛化性能低、分解耗时等问题。为此,文中提出了一种基于长短期记忆网络(Long Short-Term Memory,LSTM)和序列到点（Sequence-to-point ,S2P）的负荷分解模型,滑动总功率数据序列来映射目标设备在功率数据窗口中点的功耗。首先,采用基于滑动窗口的事件探测算法,提取激活负荷样本作为序列到点模型的输入数据;利用卷积神经网络(Convolutional Neural Networks ,CNN)自动提取输入负荷总功率的负荷特征,引入长短期记忆网络挖掘序列中点前后相关度最高的信息完成负荷辨识。为了验证模型的有效性,将所提出的模型应用于实际家庭能源数据集UK-DALE,并与目前领先的模型进行了比较,综合性能提升了28.8%,结果表明所提出的深度学习模型可以有效地提高模型的预测能力。     

基于融合决策的非侵入式负荷识别方法

对用电客户和电网公司来说家庭能源管理具有极其重大的意义.为实现能源管理中用电细节监测的目的 ,本文通过采集用户电力入口端电压、电流信息,并提取相关负荷特征,随后进行非侵入式负荷识别,最终达到监测电器用电细节的目的 .针对非侵入式负荷识别中不同功率等级电器同时工作时,小功率电器容易出现被错误识别的情况,提出基于功率-谐波...     

基于用电大数据分析的台区线损管理分析

阐述基于智能用电大数据分析能够有效识别台区线损的影响因素,提出改进措施。探讨智能用电大数据分析在台区线损管理中的应用,包括数据采集、数据清洗、数据挖掘、数据可视化的应用。     

基于MA-SVM的家用负荷非侵入式识别

针对其在负荷识别的过程中对功率相近以及低功率的家用负荷识别效果较差的问题.为了提高对家用负荷的辨识程度,在原来传统的功率特征作负荷特征外,再引进负荷的总谐波畸变率(THD)作为新的负荷特征.在传统的SVM的基础上通过利用PSO和MA分别进行算法上的优化,进而实现负荷分解.实验结果表明:采用MA-SVM算法优化比起PSO...     

面向智能电网峰值负荷降低的用电数据分析

随着用电负荷需求不断增加所引发的峰值负荷过载问题,文中建立了智能家居(SH)和智能电网(SG)服务器之间数据通信模型,给出了配电网负荷需求管理的总体条件,并提出了一种面向智能电网(SG)的负荷数据分析DR管理方法,通过对用户的SH收集用电数据进行分析,设计了峰值负荷情况下的DR决策,分别从用户、电力公司和瞬时负荷变化三个角度设计了不同的峰值负荷降低算法。仿真结果表明,所提出的方法在很大程度上有效地降低了配电网的峰值负荷。     

大数据分析在用电采集数据分析与智能监测系统的设计与实现

如今,电能源已经成为人们生活中不可或缺的能源之一,对人们生活、工作具有重要作用。因此,其用电用户也逐渐增加、供电规模的扩大,一些区域配电网建设和社会经济进步相脱节。配电网具有点多面广特点,还应利用先进监测技术和控制方法。对此,笔者根据实践研究,对大数据分析在用电采集数据分析与智能监测系统的设计与实现进行分析。     

基于多层多核卷积神经网络的非侵入式负荷监测方法研究

非侵入式负荷监测仅依靠测量得到的总负荷的电压、电流与功率等承载电力信息的信号就实现负荷监测,无需额外的计量装置和线路改造,因此得到广泛研究.针对传统深度神经网络分解模型准确度仍不能满足实际需求的现状,提出了一种基于多层多核卷积深度神经网络分解模型.为体现不同设备的特性,模型在数据分割时采用不同的序列长度.然后,模型将分...     

基于大模型应用的天然气负荷预测

文中深入探讨了基于大模型的天然气负荷预测方法。在天然气行业,准确预测负荷对优化资源分配和降低运营成本至关重要。首先,分析了预测所需的关键数据源和类型,包括历史负荷数据、气候模式和用户行为等。接着,详细讨论了特征提取的方法和技术,以及数据可视化在初步分析中的应用。文中还对传统预测方法与基于大模型的预测方法进行了对比分析,并强调了后者在处理大规模、复杂数据集方面的优势。最后,探讨了基于数据驱动的决策制定过程和风险管理策略,突出了其在天然气负荷预测中的重要性。     

基于SAGA-FCM算法的非侵入式负荷监测方法

针对现有的非侵入式负荷监测(NILM)方法对小功率设备识别准确率不够,以及监测数据量过大时,准确率下降严重等问题,提出一种新颖的非侵入负荷监测方法。该方法以模糊C均值聚类算法(FCM)为基础,采用差量特征提取法提取任意时刻的特征变化值,引入模拟退火算法(SA)和遗传算法(GA)对聚类过程进行优化,实现了多类型电器负荷的聚类识别。实验数据表明,随着监测数据量的增加,该方法最终目标函数始终小且稳定,具有较好的稳定性和可靠性,适用于NILM大数据监测环境,采用谐波特征后识别准确率有一定的提升。     

基于分数阶Hilbert 倒谱特征提取的非侵入式负荷监测研究方法

针对非侵入式负荷监测中特征近似的用电设备识别率不高的问题,以家庭用电负荷为研究对象,提出一种基于分数阶Hilbert变换的倒谱特征,利用分数阶Hilbert变换中阶数P选择的灵活性和提取信号细部特征的能力提取信号倒谱特征? 有效增大特征数据的区分度。首先对采集的信号作分数阶Hilbert变换,将原信号映射到分数空间,然后通过计算类内和类间距离,结合PSO算法对阶数进行寻优,最后计算得到最优阶数下的倒谱特征并将其作为多分类SVM的输入向量,不同用电设备种类作为SVM的输出。实验结果表明,在负荷特征相近的场景下,所提出的方法可实现较好的分类效果,有效提高了负荷识别的准确率。     

AI后台智能检验系统实现非侵入式协同

随着互联网科技的高速发展和社会生活的需要, 2020年5月国家发改委倡议,政府和社会各界推进企业数字化转型, 构建数字化产业链。在数字化的诸多优势中,高效率尤为突出,对企业效益和竞争力提升巨大。然而,人工操作的环节耗时过长,成为链条上最大的短板,这个现实难题亟待解决。根据木桶效应,解决了这个短板问题,就能提升全流程的效率。文中将详细阐述如何利用人工智能领域的机器视觉及机器学习取代人工检验环节,并与其他不可取代的人工环节以及系统环节实现非入侵式协同。     

基于用电信息采集的非侵入式居民电力负荷自动监测系统

传统系统在进行居民电力负荷监测时,存在高峰负荷降低效果不明显,用电异常监测及时性差等问题.为此,文中设计基于用电信息采集的非侵入式居民电力负荷自动监测系统,有效解决了以上问题.该系统采集居民用电信息并分析居民用电异常情况,对采集到的用电信息数据进行去冗余处理,控制信息的采样频率和通信效率;依据压缩感知方法重构用电负荷数...     

基于电网大数据的负荷用电模式研究

电力负荷的组成包括居民用电、工商业用电及其他负荷用电等。由于影响因素众多,对于负荷在运行中的波动,可以观测到特殊的分布规律。社会中的用电群体,跟随经济的快速发展而呈大量增长的趋势,多样化的用电方式展现出较强的灵活性,受电网大数据因素迎新年,还需注重负荷用电模式创新,依据应用阶段的实际情况,结合具体信息数据深度挖掘与探究,有利于国民经济与民生发展。此外,在模型基础前提下,进一步根据聚类分析等数据分析技术,介绍了用电行为模式分析模型,在理论上针对实施需求响应业务提供了支持,帮助制定精细化需求响应策略,充分发挥电网运行效率。     

非侵入式Web请求加速平台研究

通过对非侵入式web请求加速平台的研究建设,要达到在不对原有系统做较大改动的前提下,有效加快web页面的加载速度,节约服务器、带宽等硬件资源的目的.从而提高系统性能,使得web应用能够更好地为企业提供信息化服务.因此,构建非侵入式web请求加速平台意义十分重大.     

用于智能电表数据分析的大数据平台

智能电网所产生的海量计量数据对数据存储和数据处理的系统架构提出了苛刻的性能要求,为此,文中提出了一种以内核、代理和客户端为主的模块化的大数据平台架构。所提议的大数据平台是基于Hadoop平台扩展,针对TB级别的静态智能电表数据集的存储和查询。实验结果表明,提议的大数据平台能够为电力行业提供一个具有竞争力且易于操作的大型能源数据管理和可视化知识平台,具有支持数据密集型决策的潜力。     

基于大数据分析的人力流动区域估计模型仿真

针对大数据下的人力流动区域的估算问题,提出基于大数据分析的人力流动区域估计仿真模型。引进了K近邻非参数估计仿真模型,对大数据背景下的人力流动区域进行标准估算。同时能够对K值进行预留计算,避免大数据干扰的发生,优化了分类近邻子集生成模块,有效地提高了估算能力以及估算的范围,对人力流动区域的估算准确性有极大的帮助。并进行实验分析,由实验分析可知,提出的方法能够准确地对人力流动的区域进行系统的估算。