基于特征优选及改进自组织神经网络的非侵入式负荷辨识

负荷辨识是非侵入式负荷监测的关键,随着需求侧负荷数据的持续增长,利用智能算法对海量用电数据进行准确辨识成为目前的研究热点。该文在已有研究的基础上,建立非侵入式负荷辨识的有效处理方法,包括事件检测、负荷特征提取、特征筛选和负荷辨识算法。利用Fisher算法对提取的典型居民负荷特征进行筛选,降低了负荷特征的冗余度,将波形数据转化为可辨识的结构化数据。提出非侵入式负荷监测下基于粒子群优化的改进自组织神经网络负荷辨识算法。考虑不同负荷设备的物理特性差异,提取用电设备通用负荷特征,构建低时间复杂度和高辨识准确率的改进自组织神经网络系统,完成对负荷种类的判定。实验验证了该算法能够在非侵入式负荷监测条件下,实现对居民用户负荷种类的有效辨识,且算法收敛速度较快,准确度高。     

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。     

基于多特征联合稀疏表达的SOM-K-means非侵入负荷辨识

非侵入负荷监测是全面感知负荷数据及能效优化的有效途径。当前非侵入式负荷监测算法的主要观测对象是具有调控潜力的负荷，但对于其中功率较小、负荷曲线相似的电器辨识准确率还不够理想，算法对先验数据的依赖程度较高。基于此，提出一种基于多特征联合稀疏表达的SOM-K-means非侵入式负荷辨识算法，该算法利用负荷特征训练得出最优字典，结合最优字典与多特征联合稀疏表示构建目标函数，求解多特征联合稀疏矩阵，克服了单类负荷特征限制识别负荷种类的问题；将多特征联合稀疏矩阵作为输入，结合自组织(self-organizing map, SOM)神经网络优化的K-means算法与平均绝对误差值进行快速辨识。最后，利用PLAID数据集进行了实验验证，结果表明，所提算法仅需迭代120次辨识准确率即可达到90%,提高了算法收敛速度，证明了该方法能够准确高效地实现负荷辨识。     

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。     

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.     

基于负荷空间划分的非侵入式辨识算法*

针对传统的侵入式监测系统在设备投入、复杂性以及扩展性上存在的缺陷,以非侵入采集机制获取的负荷数据为基础,研究了一种基于负荷空间划分的负荷辨识方法。首先对5种典型负荷的10种特征进行降维处理,得到最佳辨识特征;利用最小平方误差算法构建判别函数,划分5种负荷的特征空间;利用负荷特征空间交叉的方法,实现负荷的辨识。利用实际采集的用电数据验证了该算法的有效性,且通过特征降维处理提高了算法的运算效率,通过负荷分离提高了辨识准确性。     

非侵入式电力负荷多目标分解框架

现有基于最优化的非侵入式负荷分解方法存在两个问题:使用一到两个特征对家庭负荷的分解效果差;而使用三个及以上特征作为用电设备辨识的目标函数难度高。提出非侵入式电力负荷多目标分解框架,解决传统方法利用特征数少、加权系数难确定等问题。以有功功率、无功功率、视在功率、谐波和电流波形作为电器运行状态的目标函数,建立多目标优化负荷分解模型。利用多目标进化算法(Multi-Objective Evolutionary Algorithm,MOEA)对实测用电数据进行负荷分解求得Pareto最优解集。最后通过多准则决策方法选出识别结果。实验结果表明,增加特征可提高MOEA算法对多个用电设备同时运行时识别准确率,且与当前主流算法相比,所提框架对家庭负荷分解的准确率更高。     

基于模板滤波的居民负荷非侵入式快速辨识算法

以电流信号的频域分析为基础,结合非侵入监测负荷运行的电流模型,利用单独作用时电流信号的频谱分量会完整包含于混合电流频谱中,提出一种基于模板滤波的居民负荷非侵入式快速辨识算法。通过先验方式获取用电网络各负荷的特征电流形成特征滤波器,对其频谱分量进行0-1赋值得到对应的模板滤波器。利用模板滤波器对非侵入采集模式下的混合电流信号滤波,通过对滤波后频率分量的量化判决确定负荷的运行状态。利用实际采集的用电数据验证了该算法的有效性,能够准确判断负荷运行状态。此外,算法利用快速傅里叶变换(FFT)即可实现,便于实际中硬件封装。     

基于随机森林的非侵入式家庭负荷辨识方法

智能量测技术是智能电网的重要组成部分,文章为增强非侵入式家庭负荷辨识算法的适用性,提出了一种负荷低频监测技术,结合居民用电行为与外部非电力负荷特征相关特性,建立一种基于随机森林的家庭负荷监测模型,在该模型中,选取常用的电气特征以及引入诸如居民负荷使用的时间特征等外部数据特征,通过互信息分析方法筛选与用电行为关联度高的多维特征量,进而采用随机森林算法对居民用电行为进行建模,从而实现对不同家庭各个类型的负荷进行有效监测。算法运行在AMPds公开数据集上,与贝叶斯分类算法进行比较,验证了所提算法的有效性。     

基于聚类加权随机森林的非侵入式负荷识别

非侵入式负荷识别是实现用能管理的重要监测手段,而随机森林因其良好的泛化能力和鲁棒性应用于负荷识别领域。针对传统随机森林算法忽略决策树分类能力的差异、投票不公平的问题,提出了一种基于层次聚类的加权随机森林算法。首先,提取各类负荷开关状态下负荷特征量,建立特征数据库用于训练原始随机森林模型。然后,利用有功功率差检测总线信号中的开关事件,并提取负荷特征量作为验证集和测试集;验证集采用层次聚类选择法获得每个聚类中分类精度最高的决策树,测试集采用加权投票策略实现负荷识别。通过实验验证,说明相比于传统的机器学习算法,该算法可以实现更高的识别精度,准确率可达96.2%。     

负荷功率模型的最优特征选择研究

负荷功率呈现时空多样的变化特性,其影响因素众多,构建负荷功率模型的关键之一是确定模型的输入特征量。文中着重研究短期负荷功率模型的特征选择,旨在从历史负荷、气象、日期等众多特征中选出最优特征集。首先,采用最大信息系数、基于支持向量机的递归特征消除法和随机森林3种不同特征选择方法分别对输入特征集进行选择;然后,根据对比分析结果提出基于遗传算法的最优特征集搜索策略,选定XGBoost预测模型的误差指标作为适应性函数进行迭代优化搜索;最终,确定负荷功率模型的最优特征输入集。采用某地区220 kV变电站母线负荷数据进行算例分析,对比各方法所选特征集作为功率模型输入得到的负荷预测效果,验证了文中方法的有效性和准确性。     

随机森林算法在温度分布重建中的应用

为提高温度分布重建精度,提出了使用随机森林算法对温度测点进行优化布置的新方法。将测点位置作为样本特征,以不同的测点布置方式及其对应的重建误差作为样本数据集。使用样本数据集构建随机森林模型,评估样本特征重要性,根据特征重要性排序实现温度测点的优化布置。设定仿真实验与燃烧实验验证优化布置算法的可行性与有效性。分析实验数据,所提出的优化布置算法相对于原有算法,重建精度提升了20%以上。研究结果表明,随机森林算法在温度分布重建中具有良好的应用价值,并为解决工业实际问题提供了新思路。     

基于改进CEEMD和RF的低压串联故障电弧识别方法

了解决完整集合经验模态分解(complete ensemble empirical mode decomposition, CEEMD)得到的固有模态函数分量数目及其频段不固定,以及故障电弧特征难以准确提取导致故障识别准确率低的不足,引入T检验和方差贡献率形成了一种改进CEEMD方法,进一步提出一种基于改进CEEMD和随机森林(random forest, RF)的串联故障电弧识别方法。首先,依托串联电弧故障试验平台,采集不同负载的电流信号。然后,采用改进CEEMD对信号进行分析并提取故障特征量,以TreeBagger函数进行特征降维,形成特征向量样本集。最后,结合RF构建故障电弧诊断模型,对样本集进行分类识别。结果表明：改进CEEMD能有效地提取不同负载电流的故障特征,所提故障电弧识别方法的识别准确率达到97.50%。通过进行不同特征提取方法和不同分类模型对诊断结果影响的消融实验,进一步证明了所提方法的可行性。     

基于特征选择与增量学习的非侵入式电动自行车充电辨识方法

为实现从电网侧监测电动自行车违规停放充电行为,减少电动自行车充电火灾事故,在非侵入式负荷识别的基础上,提出一种基于特征选择与增量学习的电动自行车充电辨识方法。首先,根据电动自行车充电实测电流波形,分析负荷特性并列举15种负荷特征。通过半监督Fisher计分与最大信息系数量度特征辨别度与冗余度,采用贪心搜索算法对特征重要性排序并结合排序与辨识结果选择辨识准确性最高的特征子集。然后,基于一类支持向量机增量学习方法,实现电动自行车负荷辨识与分类器在线学习。最后,通过实测数据进行试验,结果表明文中方法可以对电动自行车充电行为准确辨识,验证了算法的有效性。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

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...     

基于ISSA-XGBoost的电能质量扰动识别方法研究

针对传统电能质量扰动(power quality disturbances, PQDs)识别中特征提取有冗余,识别精度不高等问题,提出了一种基于改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化特征选择和极致梯度提升(eXtreme gradient boosting, XGBoost)的电能质量扰动识别方法。首先对电能质量扰动信号进行S变换,提取61种电能质量特征。再通过ISSA同时选择最优特征子集和XGBoost中最优参数,剔除冗余特征,提高识别精度。最后根据优化后的最优特征子集和XGBoost实现电能质量扰动的识别。仿真结果表明,所提出的方法能有效选择最优特征子集,对噪声环境下的19种电能质量扰动信号进行高效识别,并且具有较高的识别精度。     

基于特征重要性加权的随机森林点云分类研究

针对传统的随机森林模型构建时样本选取的随机性导致随机森林中包含了大量分类精度较低、分类性能相似的决策树分类器,进而影响整体随机森林模型分类精度与效率的问题,该文提出了一种基于特征重要性加权投票的随机森林算法。从决策树分类精度、不一致度量两方面剔除分类精度较低、分类性能相似的决策树,依据整体随机森林与单棵决策树特征重要性之间的相似性,计算每棵决策树的投票权重,提高了三维点云分类精度与分类效率。实验表明,改进后的随机森林分类算法照比传统的随机森林、支持向量机、决策树、神经网络、基于点特征分类方法分别提高了0.20%、15.159%、5.893%、6.316%、28.935%。在分类效率上,改进的随机森林照比传统的随机森林减少了约75%的时间。     

mRMR特征筛选和随机森林的故障诊断方法研究

针对滚动轴承原始振动信号重要特征信息被较强背景噪声淹没以及提取的时域特征冗余度较高、相关性较强的缺点,提出一种基于最大相关-最小冗余(max-relevance and min-redundancy, mRMR)特征筛选和随机森林的滚动轴承故障诊断研究方法。首先将原始信号进行自适应噪声完整集成经验模态分解(CEEMDAN)得到一系列固有模态分量(IMFs),分析IMF并去掉高频噪声和一部分虚假分量,再将信号进行重构并提取其时域特征,通过mRMR去除冗余性和相关性较高的特征向量,使筛选出的特征子集与标签有最大的依赖性,最后将该特征子集输入到随机森林分类器进行分类。实验表明,mRMR具有优良的特征搜索策略,重要特征均靠前得到选取,仅需3个特征便能达到较高的分类准确率,效率高于其余特征选择算法。