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。     

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。     

基于时序生成对抗网络的居民用户非侵入式负荷分解

现有的非侵入式负荷分解算法往往需要大量电器设备级的负荷数据才能保证分解精度,但由于用户对隐私性的考虑以及安装成本过高等问题,很难获取这些数据。因此,构建一种能深度挖掘电力负荷数据时序特性和电器相关性的时序生成对抗网络。利用降维网络对所有电器有功功率序列组成的高维向量进行降维以降低计算的复杂度,通过复原网络将结果还原为高维向量。基于电器运行状态和深度学习的非侵入式分解方法,运用卷积神经网络-双向门控循环单元构建状态复杂电器的负荷分解回归模型,对状态简单电器利用深度神经网络构建负荷识别分类模型。通过对比其他数据生成方法,以及改变典型公开数据集中生成数据比例所得的负荷分解结果验证了所提方法的有效性。     

基于天气融合和LSTM网络的分布式光伏短期功率预测方法

分布式光伏发电功率高精度预测对配电网安全稳定运行有重要意义。针对分布式光伏发电设备的功率预测问题,基于天气信息和深度学习方法提出了一种分布式光伏短期功率预测方法。首先将天气进行分类融合,实现训练集的全面覆盖;然后基于长短期记忆网络（long short-term memory,LSTM）深度学习方法构建分布式光伏短期功率预测模型;最后实现分布式光伏功率预测。     

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。     

基于多任务学习卷积网络的非侵入式负荷监测方法

随着居民用户对设备耗能管理需求的增长，低硬件成本的非侵入式负荷监测技术具有巨大的工程应用价值。目前，负荷监测深度网络存在输出假阳性功率片段问题，造成对电器开关运行状态的误判，影响负荷分解精度。为此，提出一种基于多任务学习的非侵入式负荷监测方法。首先，建立基于多分支卷积网络及改进后处理的负荷监测推理框架，在负荷功率分解网络主分支的基础上，设立开关状态判定分支网络，引入电器开关序列监督信息，通过多任务聚合损失函数调整网络训练时梯度反向传播过程，降低了运行状态误判率。然后，采用加权均值滤波对网络输出的开关状态评估值和功率输出值进行后处理，进一步降低负荷分解误差。最后，在UK-DALE数据集上开展对比实验，实验结果表明所提方法能够较好地分离出包含复杂功率特性的电器负荷，验证了方法的有效性。     

考虑辨识结果连续性的Type-Ⅲ型工商业负荷辨识方法

非侵入式负荷监测技术可以引导用户合理安排用电时间,从而减少电量消耗.其中,由于状态的连续可变性,连续变化(Type-Ⅲ)型负荷的辨识一直是非侵入式负荷监测中难以解决的问题之一.针对Type-Ⅲ型负荷的辨识难题,提出了基于深度卷积神经网络(CNN)和隐马尔可夫模型(HMM)的非侵入式负荷辨识算法.首先,根据互信息理论进行负荷特征选择;然后,利用残差神经网络作为深度CNN的基本架构,提取负荷多维特征并实现Type-Ⅲ型负荷的初辨识;最后,为了解决CNN辨识结果中存在的状态断点问题,采用HMM完成负荷辨识结果的连续性优化.在复杂的工商业运行环境中,对具有代表性的Type-Ⅲ型负荷数据进行了算法训练和验证,结果表明所提算法能有效辨识Type-Ⅲ型工商业负荷的运行状态.     

计及电器状态关联规则的非侵入式负荷分解

非侵入式负荷监测与分解(NILMD)是获取电器用电信息的关键技术,针对当前NILMD缺乏考虑不同电器关联运行的用电模式和电器状态的强波动性以致分解精度低的问题,提出一种计及电器状态关联规则的新型负荷分解方法。通过仿射传播聚类提取电器的运行状态,基于互信息熵,运用关联规则算法挖掘电器状态的关联性;调整含关联规则的样本权值并结合k近邻算法实现状态辨识;利用极大似然估计完成负荷功率分解。测试算例验证了所提方法的有效性和准确性。     

基于融合注意力机制改进双向长短时记忆网络在电动汽车充电负荷中的预测研究

电动汽车的规模化发展以及充电设施的持续建设将给电网带来重要影响,严重威胁到了电力系统频率稳定性。结合电动汽车充电负荷数据特点,在深度学习方法的基础上提出基于融合注意力机制（attention mechanism,AM）改进的双向长短时记忆网络模型（long short-term memory network, LSTM）,实现对电动汽车的优化调度。通过使用实测电动汽车充电负荷数据,比较了所提方法与已有方法的性能。结果表明,在LSTM和（bidirectional long short-term memory network, BiLSTM）分别添加了注意力机制的（long short-term memory attention network,LSTMA）和（bidirectional long short-term memory attention network,BiLSTMA）模型相对于已有方法,在预测结果评价指标上都有明显的提升,证明了注意力机制在电动汽车充电负荷序列预测上的有效性。     

基于深度学习和迁移学习的公共楼宇非侵入式负荷分解

建筑与工业、交通并列成为我国三大“耗能大户”,公共楼宇能耗巨大但节能潜力不可估量,监测其负荷特征挖掘节能潜力应用前景广阔。非侵入式负荷监测与分解作为大数据环境下面向智能电网配电侧的一种高级应用,可通过电力端口信息挖掘用户用电行为,但传统算法主要针对家庭用户,且存在功率跟踪性差,训练时间长等问题。为此,文章面向楼宇用户提出一种基于深度学习和迁移学习的负荷分解模型。该模型将3种神经网络:多层感知器神经网络(multi-layer perceptron neural networks,MLP)、卷积神经网络(convolutional neural network,CNN)、长短时记忆网络(long short-term memory,LSTM)模块化并联连接,并融合网络特征,通过再学习模块重新学习融合特征与结果的映射关系;针对新楼宇数据量不足的问题,将特征学习网络模块特征冻结,运用迁移学习重新训练网络,在确保模型精度的同时降低深度学习所需数据量和训练时间。最后利用真实楼宇负荷数据划分出3种应用场景,利用所提模型开展分解应用并与3种传统深度学习算法分解结果作对比,结果表明:基于深度学习和迁移...     

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。     

基于遗传优化的非侵入式居民负荷辨识算法

负荷在线监测能够为电网及用户提供即时的用电信息,是支撑能效管理和负荷预测工作的有效手段。传统监测方法采用侵入式设计,难以大范围推广应用,因此非侵入式负荷监测方法(NILM)具有重要研究意义。负荷辨识是非侵入式负荷监测的关键,以典型居民负荷的特性分析为基础,提出了一种基于遗传优化的非侵入式居民负荷辨识算法。该算法基于负荷设备的负荷特性,包括有功功率和电流有效值,利用三种不同的编码方法构造判断负荷运行状态的适应度函数,通过遗传算法寻优,最终确定居民负荷的工作状态,并通过实测数据进行验证。实验结果表明,该算法能够实现居民用户负荷状态的有效辨识,且算法收敛速度较快,准确度高。     

基于多元特征分析的居民非侵入式相似电器辨识算法

在面向居民的非侵入式负荷辨识场景中,存在部分电路结构、功率相近的相似电器。对于这些电器,现有算法辨识成功率较低。为提高对居民相似电器辨识的准确率,提出了一种基于多元特征分析的非侵入式相似电器辨识算法。该算法使用一对多维的低频电器特征数据进行分析,先将特征规范化,计算两种电器特征间马哈拉诺比斯距离,用以判断两种电器是否相似,再对原始特征使用主成分分析,以提取相似电器的主特征,最后将主特征输入多元高斯模型,得到辨识结果,判断电器运行状态,并分项计量电器能耗。使用实测电器数据与居民实际用电数据进行验证,并与其他模型进行对比。结果显示,该算法可有效提高相似电器辨识的准确性。     

多时序协同中期负荷预测模型

针对负荷预测中前馈神经网络无法记忆序列间关联信息,且长短期记忆网络容易出现过拟合、泛化能力差等问题,提出了加法自回归积分滑动平均ARIMA(auto-regressive integrated moving average)模型结合长短期记忆LSTM(long short-term memory)网络的多时序协同中期负荷预测ARIMA-LSTM模型。该模型考虑了季节、温度和节假日的影响,采用ARIMA提取负荷序列内部因素,用Adam算法优化ARIMA-LSTM模型的网络参数。最后将某地区实际负荷数据用于该模型,并与神经网络NN(neural network)模型和LSTM进行对比,其均方根误差分别降低了7.698%和2.154%,验证了该模型具有更高的预测精度。     

考虑数据分布偏移的短期居民净负荷预测方法

新能源发电的高不确定性导致净负荷的数据分布偏移更加严重。数据分布偏移导致模型在历史数据中学习到的特征信息不再完全适用于未来数据,从而给净负荷预测(net load forecasting, NLF)带来了挑战。因此,考虑到净负荷中更严重的数据分布偏移问题,提出了一种基于不变风险最小化-不确定性加权-长短期记忆神经网络(long short-term memory neural network, LSTM)的短期居民净负荷预测方法,以提升净负荷预测精度。首先,通过不变风险最小化(invariant risk minimization, IRM)建立了一个双目标问题,包括准确预测和学习跨不同数据分布的不变特征。其次,通过长短期记忆神经网络(long short-term memory neural network, LSTM)处理时间序列数据的非线性特征。然后,通过基于不确定性加权(uncertainty weighting, UW)的目标平衡机制避免过度实现任一目标。此外,通过引入分位数回归将所提方法扩展到概率预测。最后,通过基于澳大利亚Ausgrid公司提供的真实居民电表数据从确定性预...     

基于特征融合与深度学习的非侵入式负荷辨识算法

针对使用单一设备特征进行负荷辨识存在的局限性,提出了一种基于特征融合与深度学习的非侵入式负荷辨识算法。通过分析设备的高频采样数据提取了V-I轨迹图像特征与功率数值特征。利用人工神经网络的高级特征提取能力,实现了V-I轨迹图像特征与功率数值特征的融合。最后以复合特征作为设备新的特征训练反向传播(BP)神经网络进行非侵入式负荷辨识。使用PLAID数据集对算法辨识效果进行了验证,并对比了不同分类算法对特征融合的有效性与负荷辨识能力。结果表明,该算法利用不同特征之间的互补性,克服了使用V-I轨迹特征无法反映设备功率大小的缺点,从而提高了V-I轨迹特征的负荷辨识能力,并且在嵌入式设备中的运算速度为毫秒级。     

基于电器运行状态和深度学习的非侵入式负荷分解

根据不同电器运行状态数的差异,将电器分为状态复杂和状态简单2类.状态复杂电器存在多种工作状态,且前后状态有逻辑关联.因此,利用非基于事件的方法,选择能考虑过去和未来运行状态变化的双向长短期记忆网络对其进行分解,并采用树结构Parzen估计算法选择该网络的超参数以提高训练的精度.状态简单电器仅有开关状态,故利用基于事件的方法获得其投切状态,并选择多层感知器网络识别对应电器种类.最后,利用极大似然优化模型求解电器的功率序列.利用参考能量分解数据集对所提方法进行验证,结果表明该方法增强了负荷分解模型的可拓展性和抗噪声能力,在一定程度上提高了负荷分解的精度.     

基于设备运行状态检测与能量回归同步评估的居民非介入式负荷辨识算法研究

非侵入负荷辨识技术能够高效低成本地获得用户分项电能并支撑多种业务,基于分项电器能量回归的神经网络为负荷辨识技术提供了重要支撑。文中针对神经网络进行能量分解时在设备关停处的噪声识别污染及基于能量阈值法评估设备运行状态的局限性,提出了基于设备能量分解与运行状态分类的硬参数共享多任务学习模型,并根据能量回归与状态识别对输入序列全局与区域信息的敏感度差异,提出基于多感受野融合的时间卷积网络,实验结果表明文中所提算法模型在辨识效果上取得了提升,并在洗衣机、洗碗机等小功率波动设备上相较传统网络减少了50%的平均能量绝对误差。     

一种基于LSTM模型的电力负荷辨识方法

文中针对非侵入式负荷检测技术,提出了一种基于LSTM网络深度学习模型的负荷辨识方法。在该方法中,为避免电压、电流等信号的干扰,提出一种基于高斯窗移动变点寻优算法监测负荷事件,提取谐波分量作为负荷特征标签作为LSTM模型的输入,进而建立起内在信息间的映射关系,并依次进行模型的离线训练与负荷数据的在线辨识,实现对用电设备类型及其运行状态的精准辨识。经实验数据证明所提出的方法能准确完成对用电设备状态的辨识。