基于IBPSO的非侵入式多负荷投切行为辨识方法

对多负荷投切行为的有效辨识,为了解用户用电行为,制定节能计划,实现智能用电提供了有力支撑。首先,为解决多种负荷投切行为的辨识问题,提出改进的二进制粒子群优化算法（Improved Binary Particle Swarm Optimization, IBPSO）,并在IBPSO的适应度函数中引入距离测度法。其次,针对目前对单一负荷特征进行辨识的精度并不理想的问题,本文融合电流谐波和有功功率作为负荷投切行为的特征。最后,对多负荷投切时的电流和功率信息进行大量的仿真试验。仿真结果表明,所提算法对多负荷投切行为的辨识在收敛速度和精度上都有所提高。     

基于稳态特征和IGWO-FCM模糊聚类的非侵入式负荷监测方法

对当前非侵入式负荷监测(NILM)方法对低功率用电设备的辨识准确率不足的问题,提出了一种改进的方法.该方法以改进FCM初始聚类中心为基础,除了采用有功功率特征外,并选取基波功率因数和电压—电流三次谐波含量差作为新特征,引入灰狼算法(GWO)和单纯形法(SF)对聚类过程进行优化,通过模糊聚类来确定负荷的种类数,实现对负荷...     

一种谐波负荷建模的新方法

精确的负荷谐波建模对于网络谐波分析具有重要意义.文中叙述了负荷谐波建模的研究现状,针对理论上通用的负荷谐波模型,根据函数最佳平方逼近的思想,提出了一种新的参数辨识方法,即利用模型中电压、电流之间的物理关系,通过对电流的最佳平方逼近辨识出相应参数.该算法简单易行,可对各种类型的负荷进行谐波建模.为检验算法的精确度,定义了误差分析函数.该算法与以往算法相比,具有更高的精度,验证了算法的有效性和可行性.最后,讨论了电压、电流的幅值和相角对辨识所得参数的影响.     

基于粒子群算法搜索的非侵入式电力负荷分解方法

非侵入式电力负荷分解是根据入口处电流、电压信号进行用电负荷辨识的一种方法。然而,由于电流、电压波动等因素干扰,单一特征所得到的分解结果通常会与实际用电设备投切结果不一致。为了可靠地提升在线非侵入式电力负荷分解能力,构建了基于谐波的电流特征表达并结合功率两个特征作为设备投切状态辨识的目标函数。同时,引入了正态分布的度量函数,将其融合并作为粒子群(Particle Swarm Optimization, PSO)算法的适应度函数,以此寻找最佳的电力负荷分解结果。最终,通过实验室开发的非侵入式负荷分解装置进行实验。实验结果表明所述方法能获得更好的在线电力负荷分解能力。     

基于V-I轨迹与高次谐波特征的非侵入式负荷识别方法

针对传统方法无法准确识别含高次谐波家用负荷的问题,文中提出了基于V-I轨迹矩阵、功率及高次谐波多特征融合的负荷辨识方法.首先,分析了11种典型家用负荷的V-I轨迹、功率特征以及谐波特征,提出了基于像素图像转换的混合特征矩阵构建方法,将负荷的功率、高次谐波特征通过二进制编码转换与基本V-I像素轨迹相融合,丰富了样本的特征信息;然后以混合特征矩阵作为卷积神经网络的输入,实现了对家用负荷类型的准确识别.算例中,文中所提算法可准确区分功率特征相似但高次谐波含量不同的加热器与吹风机2种负荷,且其对全类型家用负荷的准确辨识率超过93％.该算法的应用可为实际中准确排查含高次谐波家用负荷的用电安全隐患提供有力的技术支撑.     

非侵入负荷辨识的谐波特征量提取改进方法研究

基于事件分解的负荷匹配方法计算快内存少,工程应用适应性强。首先面向事件分解型负荷辨识方法分析了稳态特征量的提取方法,梳理出典型家用电器辨识特征库,并指出谐波特征量是空调及小功率电器复杂工况下负荷辨识的重要判据。然后分析了工程应用中谐波特征量提取影响因素,基于快速傅里叶变换（FFT）算法频谱泄露原理,研究了电网频率动态变化和电器谐波相角抖动对于谐波特征量提取的影响。提出了针对性解决方法,通过多点均值方法解决电网频率波动导致的非同步采样问题,并提出极值差量方法解决电器谐波相角影响,两种方法结合,可有效将基次谐波误差降到1%以下,偶次谐波误差降到2%～4%。最后通过实验平台和工程实证,验证了谐波改进提取方法的有效性,相对于改进前可有效提升负荷辨识精度5%以上。     

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。     

基于多源数据的馈线谐波频谱估计方法

随着分布式电源和非线性负荷的投运规模不断增加,电网谐波污染愈加严重和复杂,有必要对各馈线谐波电流进行监测。但基于经济性考虑,对变电站所有馈线均进行谐波电流监测并不可行。针对上述问题,提出了基于多源数据的馈线谐波频谱估计方法。该方法基于电网现有电能质量监测系统、调度系统、营销业务应用系统等多源数据,只需对母线谐波电压和进线谐波电流开展监测,即可估计出变电站所有馈线的谐波电流情况。首先,根据馈线谐波电流的相量运算关系和功率关系构建馈线谐波频谱估计的目标函数。其次,基于多源数据利用改进粒子群算法求解目标函数,进而得到各馈线的各次谐波电流含有率及馈线谐波电流间的相角差,实现了各馈线谐波电流频谱的估计。最后,通过仿真算例和实测算例验证了方法的可行性。算例表明该方法仅需在变电站母线处安装一台电能质量监测终端,结合现有业务系统的基本电气数据等信息,可实现馈线谐波频谱的估计,有助于节约变电站监测装置的配置成本。     

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。     

基于萤火虫算法的短期电力负荷预测方法

近年来,电力行业快速发展,对电力负荷进行预测也越来越重要,其中短期负荷预测对于电力系统的调度和市场运行起到极其重要的作用,精准的电力负荷预测可以有效提高发电设备利用度。融合卡帕（Kappa）测度和萤火虫算法的进行选择性集成学习方法实现短期负荷预测,该方法首先使用自展法（bootstrap抽样）生成多个学习器,然后使用Kappa测度对学习器进行初步筛选,接着使用萤火虫算法从中选择部分差异度大、准确率高的学习器参与集成,其准确率相较于单个学习器而言,有着明显提升。选取2015−2016年武汉2家激光企业的日均负荷曲线作为研究对象,进行负荷预测,通过与其他预测方法进行对比,该方法的预测精度较高。     

基于k-NN结合核Fisher判别的非侵入式负荷监测方法

非侵入式负荷监测是目前智能用电领域一个重要的研究方向,而负荷识别是非侵入式负荷监测的核心内容。以负荷的奇次谐波电流幅值作为特征建立负荷特征库,通过分析负荷样本在特征空间的分布,设计了一种AdaBoost样本筛选算法以精简负荷特征库。利用k近邻(k-NN)算法的简捷性和核Fisher判别算法的非线性分类能力,通过误判风险控制将k-NN与核Fisher判别相结合用于家庭负荷识别,兼顾识别精度和计算复杂度,以提高对负荷特征相近电器的识别能力及整体识别速度。经实测数据检测,结果表明所提方法能够快速准确地实现居民负荷识别。     

基于ip-iq法的改进谐波电流检测方法

针对现有谐波电流检测算法难以准确检测次同步谐波和超同步谐波电流的问题,提出了一种改进的ip-iq谐波电流检测算法。首先明确了低通滤波器平缓衰减性和动态调节能力不足是谐波电流检测精度不高的根本原因,然后采用在基频附近具有陡峭衰减特性的自调谐滤波器取代低通滤波器,实现了在不降低整数次谐波电流滤除效果的同时加强了次同步谐波和超同步谐波电流的检测效果;通过基于改进双曲正弦函数的自适应滤波算法改善ip-iq算法的动态特性,建立步长参数与谐波补偿电流的函数关系,实现步长参数的动态调整,克服了次同步谐波和超同步谐波电流的时变准稳态特性对谐波检测的不利影响,并通过电流畸变率、谐波含有率指标来评价改进算法的检测效果,仿真实验验证了改进算法的有效性。相较于传统ip-iq谐波电流检测法,本文方法可将谐波电流检测精度提高了23.59%,实现了次同步谐波和超同步谐波环境下对谐波电流的准确检测。     

MPSR-MKSVM电力负荷预测综合优化策略

针对电力负荷在线预测问题,结合多变量相空间重构以及多核函数LS-SVM(Least Squares Support Vector Machine),提出一种基于滑动窗口策略与改进入工鱼群算法(Artificial Fish Swarm Algorithm)的短期电力负荷在线预测综合优化方法.利用多变量相空间重构还原真实...     

基于鸡群算法的变压器油纸绝缘扩展Debye等效电路参数识别

为了研究去极化电流和变压器绝缘状态的关系,提出了基于鸡群算法的变压器油纸绝缘扩展Debye等效电路参数识别方法。首先,建立去极化电流的误差函数,计算辨识得到的曲线与实际曲线之间的误差。利用鸡群寻优算法群优化和分类优化的特点,调整电路参数减小与实际曲线误差,解决了粒子群算法易陷入局部最优的缺点。最后通过试验计算表明,应用鸡群寻优算法获得的去极化电流与现场测试得到的数据吻合度高,求得的油纸绝缘扩展Debye等效电路参数能够准确地反映变压器的绝缘状况。     

基于改进鲸鱼算法的电流互感器J-A模型磁滞参数识别

基于J-A磁滞模型模拟电流互感器铁芯磁滞特性的关键是模型参数的精准快速识别。针对现有J-A模型参数提取时输入输出均不易测量和提取方法收敛速度慢、精度低等问题,提出了一种基于改进鲸鱼算法的ψ-i J-A磁滞模型的参数提取方法。该模型以磁链和电流为基础,而不是以磁通密度和磁场为基础。采用加入自适应权重值调整和搜索策略的改进鲸鱼算法对参数进行提取。用所提方法和粒子群算法、鲸鱼算法分别识别P型电流互感器和PR型电流互感器的磁滞曲线,对比可得改进鲸鱼算法精度更高、迭代次数更少,验证了所提方法的高效性。     

A new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting

In this paper, a new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting is proposed. Auto-regressive (AR) and moving average (MA) with exogenous variables (ARMAX) has been widely applied in the load forecasting area. Because of the nonlinear characteristics of the power system loads, the forecasting function has many local optimal points. The traditional method based on gradient searching may be trapped in local optimal points and lead to high error. While, the hybrid method based on evolutionary algorithm and particle swarm optimization can solve this problem more efficiently than the traditional ways. It takes advantage of evolutionary strategy to speed up the convergence of particle swarm optimization (PSO), and applies the crossover operation of genetic algorithm to enhance the global search ability. The new ARMAX model for short-term load forecasting has been tested based on the load data of Eastern China location market, and the results indicate that the proposed approach has achieved good accuracy.