基于改进隐马尔科夫模型的非侵入式家居负荷识别

针对低频采样识别精确度较低,系统稳定性较差的问题,文章提出了一种基于改进隐马尔科夫模型(hidden M arkov model,HM M)的非侵入式负荷监测方法(non-intrusive load monitoring,NILM)。该模型运用人工免疫算法和增量学习对传统HMM模型进行双重优化,通过人工免疫算法解决HMM模型容易陷入局部最优的问题,提升了模型的识别精确度。再通过增量学习实现了模型参数的自主更新,使得模型能够适应新的环境,提高了模型的鲁棒性。最后通过低频数据集建立了两个实验场景,对改进的HMM模型进行了实验验证,结果证明了该模型在识别精确度和鲁棒性等方面具有一定优越性。     

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。     

基于遗传优化的非侵入式家居负荷分解方法

负荷监测是家庭智能用电的一个重要环节。为在保证用户隐私的前提下提高家居负荷识别的准确性,提出一种基于遗传优化的非侵入式家居负荷分解方法。首先,在研究多种家用电器的电流波形、功率和电流频域谐波特征的基础上,采用差异分析的方法选择新的谐波特征值作为优化目标。然后,通过改进寻优函数的多特征遗传优化迭代实现不同电器状态变化的精确分解与识别。仿真实验表明,所提方法能够实现不同场景下多种家用电器的有效识别。     

基于DTW算法的非侵入式家居负荷行为识别方法

随着电力负荷监测在生产和生活中的广泛应用,非侵入式负荷识别技术得到发展,具有很好的发展前景。针对非侵入式家用电器负荷的行为识别存在识别特征量难以优化,识别算法收敛性差等问题,提出了一种基于特征匹配度的家居负荷的行为识别方法。将家用负荷开、关时的暂态波形和功率变化值作为特征量,运用DTW算法计算测试模板与参考模板之间的相似度,有效的识别出家庭用电的各项负荷数据,并且通过三种案例来模拟负荷的识别过程,验证了算法的可行性。     

基于数据流的非侵入式负荷识别与分类

为了配合非侵入式系统对于负荷的监测、识别和分类,提高识别功能的可靠性和准确度,提出了新的典型负荷投切检测方法。该方法基于改进滑动双边窗法对于暂态过程的起始和终点确定,运用相关函数法和暂态能量算法。对比运用暂态能量法确定最具区分度的计算结束点,引入基于信息融合理论的判定结果作为判据,确定数据融合误差率阈值进行判定。应用相关函数法进行校验。算例中通过MATLAB仿真验证了该系统对于区分不同负荷投切事件的有效性。     

基于特征相似度的非侵入式用电负荷识别模型研究

通过监测采集非侵入式不同用电设备的电流、电压和有功功率等数据,并按其稳态和暂态过程定义出不同的特征参数建立标准特征库。利用被监测设备的实际用电负荷与标准特征库中各用电设备的稳态与暂态波形的相似度,构建出用电负荷识别模型。将在线实时监测的用电情况计算出来的稳态与暂态特征值作为模型输入,即可自动识别出用电设备的运行状态。     

基于改进鸡群算法的非侵入式负荷监测

监测负荷运行状态有利于加强电网负荷侧管理,引导用户合理消费,实现节能降耗。针对小功率负荷与大功率负荷同时投入时,单一谐波电流特征易受线路电压、电流波动影响导致负荷辨识精度低的问题,提出一种基于改进鸡群算法的负荷监测方法,设计综合考虑稳态谐波电流和功率特征的正态分布度量函数,作为改进鸡群算法的适应度函数。实验结果表明,采用所提方法可有效提高负荷辨识准确率。     

基于电器行为特征的非侵入式家用负荷识别

针对家用电器负荷识别中电气特性相似的电器难以识别的问题,提出基于电器行为特征的非侵入式负荷识别方法。该方法是在利用稳态电气特征的负荷印记进行家用电器负荷识别的基础之上,增加行为特征负荷印记;建立了负荷印记统计模型,对未知事件负荷印记的置信度进行模糊识别;提供识别结果以及识别结果的综合隶属度,提高了家用电器识别的精确度和准确度。经实验数据检验以及实际用户数据印证,该方法简单、准确、可靠,为非侵入式负荷提供新的思路和参考。     

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%。     

基于Bi-LSTM算法的非侵入式负荷监测模型

随着深度学习技术的发展,基于深度学习的非侵入式负荷辨识算法成为了研究热点。本文首次将双向长短期记忆网络(bilateral long-term and short-term memory network,Bi-LSTM)用于负荷辨识,提出了基于Bi-LSTM的非侵入式负荷辨识算法,通过定位负荷事件发生时刻,将负荷运行状态始末的稳态信息(有功功率、无功功率和15次奇偶电流谐波)进行组合作为训练后Bi-LSTM的输入,并使用精确度、召回率、准确率和F1值作为评价指标,实验结果显示该方法能够对小功率和多状态电器进行辨识,相较于长短期记忆网络(long-term and short-term memory network,LSTM)和循环神经网络(recurrent neural netw ork,RNN),Bi-LSTM体现出更强的辨识能力。此外,针对一个时间段存在多个电器运行的情况,提出基于负荷运行状态起止特征匹配的方法,并通过实验证明了该算法的可行性。     

非侵入式电动自行车充电负荷在线识别

近年来,由电动自行车违规充电导致的火灾事故频发,为识别用户是否存在违规充电行为,本文提出一种非侵入式电动自行车充电负荷在线识别方法。利用电动自行车恒压充电阶段在功率数据中所表现的局部特征,通过事件检测、状态转换移除、Savitzky-Golay滤波与序列匹配相结合的手段实现充电负荷的在线识别。在真实用户场景中进行的实验取得了0.86的F1分数,结果表明本文方法具有较高的识别准确性和一定的快速性。     

基于改进鸡群算法的非侵入式家电负荷分解

基于家电负荷在稳态工作时电流具有线性叠加的特点,提出一种基于家电负荷稳态基波电流和谐波电流为负荷特征量的非侵入式家电负荷分解算法。通过将一家电负荷的任一工作状态用0和1来表示,即只有关和开这两种状态,则家电负荷分解问题可转化为求解优化组合问题,然后运用改进鸡群算法来识别各个家电的工作状态。最后通过实例验证了该算法具有较高的负荷识别准确率和广泛的适用性,有利于非侵入式家电负荷分解技术的推广与应用。     

基于非侵入式负荷识别的交流电压幅值测量

为增强电网稳定性运行的控制效果,以及获得准确的交流电压谐波分量,提出一种基于非侵入式负荷识别的交流电压幅值测量方法。采集工作中电器内单个物理量展现出的叠加负荷特性,利用傅里叶变换将连续的交流电压负荷信号转换成离散形式,并识别非侵入式负荷,得到各次谐波分量;通过差分采样不断调节正弦电压和交流电压,确保二者之间差值持续最小;引入加权傅里叶变换算法处理电压数据,降低误差的影响,完成了电压幅值的准确测量。仿真实验中所测量出的相位和谐波幅值均符合FLUKE 6105A技术指标,表明该方法测量精度高、抗干扰性强。     

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%。     

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...     

基于动态自适应粒子群算法的非侵入式家居负荷分解方法

非侵入式负荷监测可以在保证用户隐私的前提下深入分析用户独立负荷的用电信息,是智能用电技术体系的关键内容。为提高负荷辨识的准确性,提出一种基于动态自适应粒子群算法(dynamic adaptive particle swarm optimization,DAPSO)的非侵入式负荷分解方法。在传统功率特征的基础上,将总谐波失真系数(total harmonic distortion,kTHD)作为负荷新特征引入目标函数,采用DAPSO算法对实测用电数据进行负荷分解。仿真结果表明,在不同噪声背景下,DAPSO算法的负荷辨识率和收敛速度均得到一定提高,从而验证了DAPSO算法对家居负荷分解具有更优的可靠性和鲁棒性。     

基于XGBoost的非侵入式负荷分解

为提高非侵入式负荷分解的准确率,更准确地挖掘电力用户的用电信息,提出了基于机器学习XGBoost算法的非侵入式负荷分解方法。以决策树中的回归树模型为基础,通过梯度提升树得到由回归树构成的强评估器。同时,以损失函数和模型复杂度为目标函数,并引入叶子结点,得到更准确的XGBoost非侵入式负荷识别模型。在公开数据集（Referenceenergy disaggregation data set,REDD）上对模型进行了验证。结果表明,所提方法能大幅提高非侵入式负荷识别的准确性。     

非侵入式负荷识别的电流序列可视化方法

以单一特征为标签的用电设备识别,因特征携带的信息量不足,在区分性质相似的负荷时易产生误判,为此,提出一种将电流序列编码为图像的二维可视化方法,通过计算机视觉技术对负荷进行分类识别。利用Fryze功率理论提取电流的非有功分量,通过格拉姆角场(GAF)将一维电流序列转换成二维图像,借助数据扩充的方式进行升维,并赋予矩阵颜色特征来提升负荷标签的辨识度;基于迁移学习的思想,利用预训练模型Inception_v3提取并学习GAF图像特征,并以该特征为标签对负荷类型进行分类识别。在2个公开数据集上的实验验证了所提方法在高频采集场景下的准确性和有效性。     

基于CNN-BiGRU-Attention的非侵入式负荷分解

随着智能电网的迅速发展,为了有效提高电能的使用率,合理规划电能资源,建立全国范围内的智能用电和负荷监测系统,非侵入式负荷监测(NILM)和分解问题一直受到广泛关注。为提高非侵入性负载分解性能,提出一种基于耦合神经网络的非侵入式负荷分解方法。首先,对数据集进行归一化和预处理。其次,构建一种将卷积神经网络(CNN)与双向门控循环单元(BiGRU)相结合的混合深度学习模型,对数据的空间特性和时序特性进行充分挖掘,并加入注意力机制,关注重要信息,剔除冗余特征。最后,采用国内自测数据集进行试验,使用不同的评价指标对该耦合神经网络进行评估,并与其他的常用分解模型进行对比。试验结果表明,所提方法的均值绝对误差与绝对误差和相较于其他分解方法都有所降低,均值绝对误差平均下降了35.9%,绝对误差和平均下降了39.9%。     

非侵入式负荷识别中的小波去噪分析

非侵入式负荷识别可以实现深入分析用户内部负荷成分,获取用户的负荷信息,完善用电信息采集系统与智能用电系统,支撑起双向互动服务和智能用电服务。从抑制噪声信号,精确提取电器的电气特性信号的方面,提出了采用小波变换对电流数据进行去噪的方法,通过理论分析和实验验证,均证明"coif1"具有良好效果,既能有效地抑制噪声信号又能完整地保存有效信号成份,在事件检测中,准确地提取出电器的电流波形信号,为非侵入式负荷识别研究提供了参考。