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。     

配电网边缘计算轻量化负荷分解

针对非侵入负荷分解如何实现未识别设备负荷事件的准确检测的问题，设计云-边协同计算体系，通过挖掘边缘侧采集的负荷数据行为特征，实现有效分解负荷信号。考虑边缘侧嵌入式控制平台计算与存储资源及功耗等指标限制，提出轻量化K均值聚类算法；选取瞬时峰值、瞬时功率变化量及谐波分量为聚类特征在本地实现负荷类型辨识；设计轻量化粒子群优化算法，实现动态聚类算法与暂态功率、谐波分量等特征的结合。本文设计的电能监测算法对REDD共享数据集的识别准确率大于97.79%，实现了对某小区313户居民日用电数据的非侵入负荷监测。     

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...     

基于变分模态分解和密度峰值快速搜索的电力负荷曲线可控聚类模型

电力负荷曲线作为一种非平稳信号,可以看作由宽平稳的低频分量和非平稳的高频分量构成。针对负荷数据的时间多粒度构成特点,提出了一种基于变分模态分解和密度峰值快速搜索的负荷可控聚类模型。原始负荷曲线通过变分模态分解算法被分解为低频,中频和高频三个模态分量。首先,利用负荷曲线的低频模态分量实现簇间的时间粗粒度聚类。然后,在子类中添加中频分量实现簇内的时间细粒度聚类。使用OpenEI数据集对所提模型进行了有效性验证,并与不同聚类算法对原始负荷数据直接聚类进行对比。实验结果表明该模型可以实现不同时间颗粒度的合理聚类。     

非侵入式负荷事件监测的曲线拟合方法

负荷事件监测是实现非侵入式电力负荷监测的关键环节.为提高最终负荷识别与分解的准确性,提出一种基于曲线拟合的非侵入式负荷事件监测方法.首先跟踪计算总功率信号滑动窗内拟合直线斜率值,进一步与根据功率变化设立的判定阈值进行比较,最终判断负荷运行状态是否发生变化.该方法可准确地标记出总负荷过渡区段和稳态区段的起止时刻,使监测系统能够准确地获取所需的负荷印记特征.理论证明了该方法的有效性和优越性,并且通过实例进行了验证.     

基于改进GMM-CNN-GRU混合的非侵入式负荷监测方法研究

为挖掘用户侧节能减排潜力,对用户用电行为进行精细化分析和管理,提升电能利用效率,提出了一种基于高斯混合模型聚类和深度神经网络相结合的非侵入式负荷监测方法。首先,针对同一电器常出现功率相近但运行状态不一致问题,利用高斯混合模型聚类算法中“软分类”和类簇灵活的优势,对负荷工作状态进行精细分类,形成负荷用电设备实际运行情况的负荷状态特征库。其次,针对常见的应用于非侵入式负荷监测模型的深度神经网络在多标签分类时存在识别精度低等问题,提出卷积神经网络与门控循环单元混合的深度神经网络模型。最后,综合考虑外部环境数据对家庭用户用能习惯的影响,在AMPds2数据集上开展验证分析,并与其他模型进行对比。结果表明,所提的非侵入式负荷监测模型具有较高的准确性。     

利用有限低频信息的居民用户非侵入负荷监测算法

通过更多信息特征或高频采样技术提高识别准确率的负荷监测算法,会增加信息采样阶段的成本和边缘数据处理的难度,提出一种基于有限低频信息的非侵入式负荷监测算法。设计最佳事件检测器,该检测器根据滑动窗口采集聚合负荷数据,并根据统计特征指标判断电器投切位置;将事件发生前后的功率序列作为识别特征,利用互补集合经验模态分解算法分解出功率序列中的多阶本征模态函数和最终趋势,绘制分解结果的二维图像并将其输入卷积神经网络进行训练和识别,从而实现仅基于有限低频采样信息就可高精确率地识别负荷。基于公开数据集的仿真结果验证了所提算法的有效性。     

基于三维特征向量的非侵入式电热负荷细分算法

非侵入式负荷监测分解（NILMD）技术是当前居民用能服务深化提升和电力供需互动的重要数据获取手段,然而当前工程上应用广泛的事件驱动型NILMD技术一直无法准确细化分解电热负荷。针对这一问题,文中提出了一种基于三维特征向量的典型电热负荷细化分解算法。首先,基于有功、无功功率和电流谐波等电气负荷特征采用事件检测方法提取电热事件,在有功功率的基础上,引入运行时长、频繁启停次数等非电气负荷特征共同构建三维特征向量电器模型。然后,采用序贯覆盖法设计典型电热负荷细化分解命题学习规则和细化分解算法。最后,基于实证实验数据进行分解验证,发现4种典型电热负荷的细化分解准确率超过85%。实验结果表明,文中所提典型电热负荷细化分解算法有效地提高了4种典型电热负荷分解的准确率。     

基于时间分区和粒子群优化的非侵入式负荷分解

非侵入式负荷检测与分解技术是智能电网技术体系的重要组成部分,针对现有分解技术对功率相近或小功率负荷辨识精度较低的问题,提出基于时间分区和V型粒子群优化的非侵入式负荷分解算法。首先,通过具有噪声的基于密度的聚类算法对负荷的功率特征聚类分析,得到负荷的功率特征模板,并求解负荷典型工作时间区间,得到负荷的时间特征模板。然后,综合考虑功率及时间2种特征,构建V型粒子群算法的目标函数,实现负荷分解。最后在AMPds2公开数据集上实现仿真,并与隐马尔可夫模型对比,验证了文章方法的有效性。     

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。     

基于图信号处理的智能电表功率信号分解

智能电表的大规模部署,使得对电表采集的低频信号进行数据分析成为一个研究热点。以非侵入式负荷监测为背景,研究基于图信号处理(GSP)的低频功率信号分解算法。首先,将功率信号分解定义为最小化求解问题,并引入基于图转移矩阵的全局变化量作为正则项。然后,分两步对该优化问题求解:第1步最小化正则项得到满足图信号全局变化量最小的近似解;第2步以该解为基础,利用模拟退火算法对目标函数和约束条件迭代寻优。最后利用开源数据库REDD进行仿真,验证了该算法在分类准确率上的优势,且与其他算法相比对训练数据的依赖性较小。     

考虑分时段状态行为的非侵入式负荷分解方法

负荷监测是智能用电的一个重要环节,针对现有低频非侵入式负荷分解方法需要较多先验信息,且对功率相近或小功率负荷的辨识精度较低的问题,提出了一种考虑分时段状态行为的非侵入式负荷分解方法。首先,对负荷设备的功率数据进行聚类分析,构建负荷状态模板。提出一种不需要指定时间段个数的负荷典型行为时间段智能寻优方法,分时段提取负荷状态行为规律,构建负荷行为模板。然后,在传统功率特征的基础上,综合考虑概率和时间2个维度,将分时段状态概率因子(TSPF)作为负荷新特征引入目标函数,通过多特征遗传优化迭代实现负荷分解。最后,在公开数据集上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。     

多电器混叠场景NILM负荷事件优化匹配方法

负荷事件匹配是从已检测到的所有负荷事件中,找到与电器工作循环对应的负荷事件序列,它是实现无监督非侵入式负荷监测(non-intrusive load monitoring,NILM)的基础.针对多电器混叠场景,该文建立了以估计矩阵为决策变量的负荷事件匹配组合优化模型.为了在估计矩阵维数未知的情况下求解该模型,该文提出了...     

基于因子隐马尔可夫模型的负荷分解方法及灵敏度分析

负荷分解是智能电网的关键技术,对负荷预测、需求侧管理及电网安全有重要意义。传统负荷分解方法的准确率受限于负荷特征的维度、采样频率和负荷的稳定性。文中提出了基于因子隐马尔可夫模型的负荷分解方法,利用该模型对负荷进行建模,对Viterbi算法进行了扩展并求解负荷状态,进而基于整数规划实现对总负荷的最优分配。该方法对负荷数据的稳定性和采样频率不敏感,可适用于家居和工业电力用户。同时,深入研究了Viterbi算法求解最优状态与观测扰动之间的影响关系,并进一步得到最优状态对于当前观测的允许扰动范围,这对负荷分解最优状态的可靠性评估有重要意义。