基于VMD-CNN的非侵入式负荷监测方法研究

非侵入式负荷监测通过在总电力接口处安装智能电表,实时采集和分析用户用电信息,从而监测各个用电设备的工作状态。针对电力系统中家庭用户负荷变化呈现的不同特性,提出一种基于VMD-CNN的非侵入式负荷监测方法。首先对采集到的负荷信号进行预处理,用变分模态分解方法将原始负荷功率信号分解成不同频率的有限带宽子序列,然后用Hilbert算法提取低频信号特征并将其输入到卷积神经网络中,再通过网络的自动学习能力学习各模态分量的不同特征,最后用全连接网络对用电设备进行分类,得到各个设备的用电情况。为了验证该方法,采用UK-DALE数据集进行实验验证,并与不同的分类算法进行对比。实验结果证明该方法适用于负荷监测且负荷监测精度达到了0.98。     

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。     

基于时间卷积神经网络的非侵入式居民用电负荷分解方法

非侵入式负荷分解技术通过从主表信息中恢复出用电侧单个用电设备的状态,可以准确地刻画用户用电画像,为用户侧精细化管理发挥重要作用.针对目前人工神经网络模型在负荷分解中存在的分解精度不高、训练效率低下等问题,文章构建了基于时间卷积神经网络(temporal convolutional neural network,TCN)...     

一种基于多标签分类的非侵入式负荷监测系统

为了更好的提高非侵入式负荷监测系统的运行效果,保证监测精准性,提出一种基于多标签分类的非侵入式负荷监测系统,结合CUI-TECHPNXP 270处理器对非侵入式负荷监测系统硬件配置进行完善,为了更好的保障系统运行的稳定性,结合特征采集算法对系统监测数据标签进行特征提取和分类,根据分类结果有针对性的实现精准监测的目标,最...     

基于卷积神经网络的非侵入式负荷监测方法

从深度学习与边缘计算的角度,对适用于电力物联网的非侵入式负荷监测方法展开了研究.针对NILM系统在物联网场景下的部署问题,提出了一种新的边缘计算架构,并讨论了各组成部分的任务分配.针对负荷激活在线提取问题,提出了基于离散度和用电行为规律分析的激活判断策略;针对低频采样下的负荷特征问题,提出了一种可自动提取激活特征并识别...     

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。     

基于事件检测与CNN模型的非侵入式负荷识别方法及实现

非侵入式负荷识别是非侵入式负荷监测的一个重要任务.考虑到实际部署的成本问题,负荷识别的算法常常需要在计算能力与内存受限的设备上运行,因此本文提出了一种基于事件检测和卷积神经网络模型的负荷识别方法并在基于STM32微处理器的嵌入式系统上实现.首先引入带边距的滑动窗口,选取合适的特征值使用霍特林T2检验进行事件检测,对检测...     

基于CNN-BiLSTM与DTW的非侵入式住宅负荷监测方法

为减少居民生活用电浪费现象,非侵入式负荷监测技术显示出其重要性。基于事件检测的情况下,该文提出一种基于卷积神经网络耦合双向长短时记忆神经网络(convolutionalneuralnetworksandBi-directionallong short-term memory,CNN-BiLSTM)与动态时间规划(dynamic time warping,DTW)的非侵入式住宅负荷监测方法。首先通过概率质量函数计量负荷的运行状态信息,提取出稳态运行时的U-I特性曲线图;然后将图片归一化为统一格式的灰度图,利用卷积神经网络提取出特征向量作为负荷印记;将其输入至双向长短时记忆神经网络中进行辨识,并利用动态时间规划算法优化辨识结果,实现高精度的负荷辨识。最后,利用PLAID公开数据集对于所提算法进行仿真验证,实验证明所选负荷印记具有良好的辨识性能,辨识算法相比对比算法具有更高的信度与准确率。     

复杂设备环境下的多状态负荷运行状态辨识方法

非侵入式负荷监测(NILM)是智能用电行为辨识中的关键组成部分。由于中压配电网下的负荷同时接入种类繁多,并且多具备变频功能,不具备恒功率特性,现有的聚焦于家庭中的负荷辨识方法难以直接应用在类似的复杂设备环境中。文中针对复杂设备环境中的负荷特点,选取了电梯作为典型负荷进行了负荷辨识实验,使用符合IEC 61000-4-30的测量数据作为输入,目标为辨识电梯是否处于运行状态。为了消除无关特征造成的运算压力,提出了基于皮尔逊相关系数的差分特征提取方法,结合卷积神经网络实现了实际含多未知负荷环境中的电梯负荷状态辨识。使用实测数据的结果表明,该方法仅需少量样本辨识出运行功耗变化复杂的电梯运行状态,且计算精确度要高于传统机器学习方法。     

基于非侵入式电力负荷监测系统的用电行为研究

非侵入式负荷监测系统由于所需硬件安装少,对负荷的分析较为精确,以及较好的经济性等特点成为未来负荷监测的发展趋势之一。主要介绍了非侵入式负荷监测主流分析方法和系统基本框架,总结其基本原理与主要使用的算法流程,对该非侵入式终端设备系统的各组成模块进行相关描述,设计出一套切实可行的非侵入式居民电力负荷监测终端系统。在非侵入采集的基础上,提出基于非侵入式采集数据的用电行为分析模型,为用户提供细致到单个家用电器的“千人千面”私人定制化用电优化方案,实现非侵入式终端负荷可视化以深入挖掘数据价值。     

非侵入式负荷监测与辨识方法研究综述

非侵入式负荷监测技术是在用户进线端对数据进行采集,通过采集的数据对用电器的特征进行分析,从而达到识别用电器的种类和挡位的目的,对智能家居、智慧电网的发展具有重大意义。本文从数据库提取的方式进行分类,首先介绍了非侵入式负荷检测的优点和基本框架,再通过对暂态特征和稳态特征两类提取方法的优缺点进行举例和分析,了解到二者的不足;其次,通过叙述组合的优点说明了结合的优势,该方法不仅解决了两类数据库的不足也达到了取长补短的目的。最后,结合之前的特征提取方法对未来的研究方向进行了总结与展望。     

基于智能电能表数据的非侵入式负载监测

非侵入式负载监测(Non-Intrusive Load Monitoring,NILM)旨在将家庭总用电分解为含有多个组分的负载信号,以识别出不同用电设备的用电特征并实现异常用电的自动检测.传统方法通常将NILM视为分类问题处理,在忽视了负载中的大量功率波动细节的同时,当用电设备增加时,模型的复杂度大幅上升,从而在实用...     

基于智能用电网络的负荷状态与类型在线辨识

电器级负荷的实时信息辨识是实现负荷控制类需求响应以及用户侧自趋优运行的前提.为满足智能用电网络辨识后自动进行精准控制的应用需要,提出了电器级负荷状态与类型在线辨识技术,以期快速、准确且高可扩展地为智能用电网络的调控提供信息基础.智能用电网络的大量终端可提供电器级低频数据的实时测量结果.基于此,采用改进双边累积和分段算法...     

智能电网用户端环境下短期负荷预测方法的研究

智能电网用户端环境下的用电模式有其自身的特点。结合该特点对成熟的神经元网络负荷预测方法进行改进,着重优化预测的输入部分,形成一套适合智能电网用户端环境下短期负荷预测方法。算例结果表明,该方案有助于预测准确率的提高。     

基于非侵入式技术的空气源热泵负荷识别与分解

非侵入式电力负荷监测技术具有成本低、安装简便等优点,可以有效解决电采暖负荷数据难以获取的问题.文中提出了一种基于负荷事件检测的非侵入式空气源热泵负荷指纹提取方案,获取关键参数△T和△P,定义三种过渡事件类型作为判据,判定空气源热泵启停状态;提出了实用化的负荷指纹模板库自动生成方法,事件样本达到预设数量后聚类为负荷的指纹...     

智能电能表现场校验应注意的问题

智能电能表是坚强智能电网的重要组成部分,智能电能表集测量、通信、微电子、数字信号处理、自动控制和计算机技术于一体。与传统电能表相比,智能电能表的现场校验对电能计量专业人员提出了更新、更高的要求。针对智能电能表现场校验时容易忽略的几个问题,提出了处理方法。     

基于条件生成对抗网络的短期负荷预测

精准的短期负荷预测对电力系统制定合理生产计划、提高经济效益、保证电网安全运行具有重要意义.为学习非线性负荷数据中隐含的深层关系,提高短期负荷预测精度,文中提出一种基于条件生成对抗网络的短期负荷预测模型.所提模型使用卷积神经网络构建生成模型和判别模型,以负荷影响因素作为条件,并引入特征损失函数作为判别模型部分隐藏层的损失...