基于贝叶斯信息准则的非侵入式负荷事件检测算法

用户负荷数据监测是实现需求侧管理的基础,非侵入式负荷监测技术是负荷监测的重要发展方向,而事件检测是非侵入式负荷监测中的一个关键环节。对适用于模型选取问题的贝叶斯信息准则进行建模,将贝叶斯信息准则首次运用到事件检测当中,利用快速事件检测算法降低贝叶斯信息准则检测算法的误检率,并能解决CUSUM算法中产生的漏检问题。最后采用真实数据集进行测试。实验结果表明,相比于CUSUM算法,基于贝叶斯信息准则的事件检测算法能达到更好的检测准确性,并且能明显提高计算运行的速度。     

基于贝叶斯迭代的非侵入式负荷事件检测方法

无监督型的非侵入式负荷监测技术是负荷监测领域的发展趋势,而负荷事件检测是其中的重要环节.目前的负荷事件检测方法存在超参数复杂不易调整的问题,且对不同类型的负荷事件自适应能力差.为此,提出一种基于贝叶斯迭代的负荷事件检测方法.该方法构建了事件检测模型,基于贝叶斯迭代对模型进行求解,最后结合负荷监测的应用实际优化求解速度....     

基于贝叶斯网络的非侵入式家庭负荷动态监测模型

智能量测技术是智能电网的重要组成部分,为了实现非侵入式负荷低频监测并进一步提升负荷辨识准确率,文中结合居民用电行为与外界环境相关的特点,提出一种基于贝叶斯网络的非侵入式家庭负荷动态监测模型,该模型选取电气特征和外部数据为特征量,综合考虑居民符合的时间特性和对外部数据的关联特性,对居民用电行为采用贝叶斯网络模型进行建模分析,并随时间推移对特征库进行动态更新,从而实现对家庭负荷的监测作用。本文采用AMPds2公开数据集数据进行算法验证,证明本文算法的准确性和有效性,同时对外部数据和用电行为进行互信息分析,结果表明时段特征对用电行为相关性最强。     

基于卷积神经网络的非侵入式负荷监测方法

从深度学习与边缘计算的角度,对适用于电力物联网的非侵入式负荷监测方法展开了研究.针对NILM系统在物联网场景下的部署问题,提出了一种新的边缘计算架构,并讨论了各组成部分的任务分配.针对负荷激活在线提取问题,提出了基于离散度和用电行为规律分析的激活判断策略;针对低频采样下的负荷特征问题,提出了一种可自动提取激活特征并识别...     

基于VMD-CNN的非侵入式负荷监测方法研究

非侵入式负荷监测通过在总电力接口处安装智能电表,实时采集和分析用户用电信息,从而监测各个用电设备的工作状态。针对电力系统中家庭用户负荷变化呈现的不同特性,提出一种基于VMD-CNN的非侵入式负荷监测方法。首先对采集到的负荷信号进行预处理,用变分模态分解方法将原始负荷功率信号分解成不同频率的有限带宽子序列,然后用Hilbert算法提取低频信号特征并将其输入到卷积神经网络中,再通过网络的自动学习能力学习各模态分量的不同特征,最后用全连接网络对用电设备进行分类,得到各个设备的用电情况。为了验证该方法,采用UK-DALE数据集进行实验验证,并与不同的分类算法进行对比。实验结果证明该方法适用于负荷监测且负荷监测精度达到了0.98。     

电力系统负荷非侵入式监测方法研究

为了实现对电力系统负荷的高效监测,提出了针对其暂态与稳态工作状况的非侵入式监测方法.对于准确获得任意稳态时刻的负荷工作状态的问题,提出了基于自筛选的优化遗传算法(AOGA)的稳态监测模型,将电力参数模型转换为有功分量模型及无功分量模型,以此建立双目标函数,解决了由于高谐波电流影响小、求解参数少引起监测误差的问题.优化遗...     

基于选择性贝叶斯分类的非侵入式负荷识别方法

非侵入式负荷识别可以提供用电信息,帮助用户改善用电习惯,是智能用电的关键技术。现有非侵入式负荷识别方法主要基于负荷的稳态特征进行识别,对稳态特征近似的负荷识别率不高。针对此问题,该文结合各类家用负荷在投切过程中的不同特点,提出了一种基于选择性贝叶斯分类的识别方法。首先,利用模拟退火算法从特征库中依据负荷特点选择出对于各类负荷最具辨识度的特征;然后,根据选择的特征和高斯核密度估计方法建立灵活贝叶斯分类器;最后,通过计算各负荷的后验概率对负荷进行识别。经实测数据检验,该方法具有良好的识别精度和计算速度。     

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.     

基于非侵入式负荷监测的反窃电预警方法

为了有效检测用户是否存在窃电行为,文中对用户用电行为展开分析,提出一种基于非侵入式负荷监测的反窃电预警方法。在该方法中,首先利用负荷事件检测、特征提取以及meanshift聚类方法,获得用户各个负荷特征、类别等情况,建立负荷类别对比库以及窃电概率预测模型;其次,根据所建立的窃电行为模型,通过对窃电后的负荷投切事件、使用时长、能耗等进行概率估计,并采用贝叶斯理论对用户用电行为进行推断,实现窃电监测。最后,在实际的电能表数据上采用文中方法进行测试,文中方法能够为反窃电提供数据支持,进而为新一代智能电表反窃电应用奠定基础。     

基于非侵入式负荷监测的日常活动监测∗

文章介绍了基于非侵入式负荷监测的活动监测系统,分析基于孤立森林算法的日常活动监测,利用采集的数据进行实验,并与基于混合高斯模型进行对比。实验表明,孤立森林算法能准确地检测出异常。     

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。     

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。     

基于ICPSO-XGBoost的非侵入式负荷辨识方法

针对家庭用电负荷的电气特征相近导致基于电气量特征的非侵入式负荷辨识方法易产生误辨识的问题,文中提出以电器投切时间、运行时长和投切次数为代表的电器使用规律特征,并结合传统电气负荷特征组合成为新的负荷特征标签。在此基础上,提出一种基于改进混沌粒子群优化的极端梯度提升树算法。在该算法中,首先利用回归树作为负荷特征的基分类器构建极端梯度提升树模型。进一步地,通过在目标函数中加入正则项,添加缩减系数等措施避免算法陷入过拟合。同时,将混沌思想应用于粒子群算法中提升其全局寻优能力,并得到基于改进混沌粒子群优化后的极端梯度提升树算法模型。最后,在AMPds公用数据集上进行测试,通过对比分析测试结果,验证了文中所提出的负荷特征标签和负荷辨识算法对提升非侵入式负荷辨识的有效性。     

非侵入式负荷监测与辨识方法研究综述

非侵入式负荷监测技术是在用户进线端对数据进行采集,通过采集的数据对用电器的特征进行分析,从而达到识别用电器的种类和挡位的目的,对智能家居、智慧电网的发展具有重大意义。本文从数据库提取的方式进行分类,首先介绍了非侵入式负荷检测的优点和基本框架,再通过对暂态特征和稳态特征两类提取方法的优缺点进行举例和分析,了解到二者的不足;其次,通过叙述组合的优点说明了结合的优势,该方法不仅解决了两类数据库的不足也达到了取长补短的目的。最后,结合之前的特征提取方法对未来的研究方向进行了总结与展望。     

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。     

基于非侵入式负荷监测的居民侧灵活性资源评估方法

居民用户具备巨大的灵活性潜力,充分挖掘并合理利用居民侧灵活性资源有助于提升电网的灵活性。本文利用低频功率数据和深度学习模型,提出了一种基于非侵入式负荷监测的居民侧灵活性资源评估方法。首先,采用功率波动-跳变事件检测算法,实现对电器用电事件的定位和功率数据获取。其次,将时域卷积网络(Time Convolutional Networks,TCN)和门控循环单元(Gated Recurrent Unit,GRU)相结合,借助TCN的数据特征提取能力和GRU的非线性拟合能力,构建TCN-BiGRU负荷识别算法,以有效区分不同电器的用电负荷。然后,利用负荷识别结果对用户总功率信号进行分解,建立设备状态矩阵、设备概率矩阵和设备习惯使用区间矩阵,获取各个电器的用电信息,分析用户用能行为,得到居民侧灵活性资源评估详细结果。最后,通过实际居民用户数据验证了所提出方法的实际有效性。基于本方法所得的灵活性资源评估结果可为居民需求侧响应提供辅助决策。     

非侵入式负荷监测算法的测试与评价方法

非侵入式电力负荷监测(nonintrusive load monitoring,NILM)是一种低成本、高效益的用电细节信息获取技术,在智能配用电领域具有广阔的应用空间。然而,缺少客观、全面、可靠的测试与评价方法体系将极大阻碍NILM技术的科研进展及其市场化步伐。为此,该文聚焦于NILM算法与产品的测试与评价,从测试数据获取、评价指标选择、测试平台搭建三方面对研究现状及现存问题进行全面总结和分析。首先,对现有NILM评测流程和方法进行了总结分析。进而,明确了测试数据需求指导原则,并对不同的测试数据获取方法以及主流测试数据集进行了总结和对比分析。在此基础上,为了使不同场景下的测试结果具有横向可比性,引入了数据场景复杂性的概念并总结了可量化的复杂性描述方法。在算法准确性和产品实用性两方面,对NILM性能评价指标进行了系统的梳理和分析讨论。最后,总结了NILM领域标准化工作,特别是近期出版的我国电力行业标准《非介入式用电负荷监测装置技术规范》的编写考量与过程。在总结现有测试与评价平台的基础上,介绍了行业标准中推荐的NILM测试与评价平台的通用框架,为相关用户及研究实施者提供全面的参考。