非侵入式电力负荷监测技术研究

非侵入式负荷监测(NILM)技术通过分解总电力负荷数据,使电力用户了解不同时段各类设备的电能消耗,帮助决策者制定合理的节能计划,减少能源开支,并对节能减排具有重要作用.分析了NILM相对于传统侵入式负荷监测的优势,具有成本低、部署简单、扩展容易等特点.概述了NILM的基本框架,从监督和非监督算法两个方面进行了详细介绍.讨论了现有的数据集和算法评价指标,并指出了目前NILM面临的挑战.     

基于CFSFDP图拉普拉斯算法的非侵入式负荷监测方法

非侵入式负荷监测(NILM)是我国未来电网建设的重要发展方向之一。为克服传统非侵入式负荷监测方法的计算数据量大、辨识准确率较低等问题,提出了一种基于CFSFDP(快速密度峰值搜索算法)图拉普拉斯算法的非侵入式负荷监测方法。首先,该方法利用输入的设备有功功率数据采取快速密度峰值搜索聚类算法构建家用电器的功率阈值向量和先验图结构;然后结合图信号的平滑度特征和总功率信号构建图拉普拉斯二次型最优函数,利用Tikhonov正则化方法以迭代的方式求得最优解,从而实现用电负荷图信号的重构;最后根据功率阈值向量将图信号转换为功率信号,即可实现用户的非侵入式负荷监测。对某一家庭两天的实测用电数据进行仿真分析,得到如下结果：1)该方法对第一天的负荷辨识精度达到了100%,各用电设备消耗用电量比例与实际耗电量比例误差均低于3%。2) 该方法对第二天的负荷识别准确率达到了90.1%,相比于对比算法至少高了0.8%。对单个用电设备分解精度达到91%以上,设备的用电量误差不超过5%且低于对比算法。3) 当数据采样间隔增大为2min,所提算法的准确率、辨识精度和单设备分解精度都有所降低,但数值上优于对比算法,并且有更优的时间复杂度。研究结果验证了所提非侵入式负荷监测方法的有效性及其优越性,对于解决实际低频NILM问题有很大的优势。     

基于改进AP聚类与优化GRNN的非侵入式负荷分解研究

泛在电力物联网的提出推动了智慧用电、负荷监测等技术的大力发展,为解决传统非侵入式负荷监测与分解方法耗时长,辨识精度低等问题,文章提出了一种半监督学习聚类数据建立特征集并结合果蝇优化广义回归神经网络模型的负荷分解方法。首先,该方法利用输入的设备有功功率和电流数据采取半监督学习优化相似矩阵,以近邻传播聚类算法为基础挖掘出用电设备的运行状态特性以及功率信息,再使用数字编码方式将设备运行状态表示为分类标签,然后输入总有功功率、无功功率以及电流的时间序列数据和对应序列的分类标签矩阵,利用果蝇优化算法的寻优能力求得广义回归神经网络模型的最优Spread值完成模型优化和训练,随后输入测试时间序列数据,得到分类矩阵即各设备运行状态,并利用设备运行状态对应的功率信息进行总有功功率重构拟合,完成负荷分解。经仿真对比,此方法对所有用电设备运行状态辨识准确率达到86%左右,对单个用电设备运行状态辨识准确率达到96%左右,且耗时较短,显著提高了对负荷特性信息的挖掘能力和分解辨识能力。     

基于注意力时序网络的非侵入式负荷分解

非侵入式负荷分解的本质是根据已知的总功率信号分解出单一的负荷设备的功率信号.目前基于深度学习模型大多存在网络模型负荷特征提取不充分、分解精度低、对使用频率较低的负荷设备分解误差大等问题.本文提出一种注意力时序网络模型(Attention Recurrent Neural Network, ARNN)实现非侵入式负荷分解,它将回归网络与分类网络相结合来解决非侵入式负荷分解问题.该模型通过RNN网络实现对序列信号特征的提取,同时利用注意力机制定位输入序列中重要信息的位置,提高神经网络的表征能力.在公开数据集Wiki-Energy以及UK-DALE上进行的对比实验结果表明,本文提出的深度神经网络在所有考虑的实验条件下都是最优的.另外,通过注意力机制和辅助分类网络能够正确检测设备的开启或关闭,并定位高功耗的信号部分,提高了负荷分解的准确性.     

基于Fisher-SVM特征选择的负荷辨识研究

针对当前非侵入式负荷辨识中不同设备特征选择上主观性、盲目性的问题,提出基于Fisher-SVM特征选择的非侵入式负荷辨识算法。首先,基于高频采样终端提取入户侧电流、电压原始数据,使用傅里叶变换对原始信号分解得有功、无功及谐波时间序列;其次,将负荷波形分为4个阶段并计算得到负荷波形暂稳态特征;然后,通过Fisher-SVM算法在不同分类器中对特征进行选择,得到最优分类特征子集,并利用Sigmoid函数对结果进行概率校准;最后,根据贝叶斯理论对各分类器进行融合从而实现对不同负荷的辨识。以3类台区831户实际用户进行算法测试。结果表明,该算法能够有效利用不同电器负荷印记的独特性,克服特征选择上的盲目性,提高负荷辨识能力。     

基于聚类特征及优化网络的非侵入式负荷分解

非侵入式负荷分解可以通过总表负荷数据,识别不同电器的运行情况,对需求侧用电实现有效管理.针对多电器同时运行时负荷数据相似导致的识别正确率低的问题,提出基于特征聚类及优化时序卷积网络的非侵入式负荷分解模型.首先对用电器的负荷数据进行非负矩阵分解提取特征数据,之后使用高斯混合模型识别用电器的运行状态并进行编码,最后将多个用...     

基于人工神经网络的非侵入式居民用电负荷识别方法

非侵入式居民负荷识别技术的应用推动了家庭智能用电技术的发展,它能对居民用户的负荷组成成分进行深入分析,从而获取不同精细程度的用户用电信息,对于电力用户和电网公司都具有重要意义。负荷识别问题的数学模型较为复杂,导致数学优化算法在进行负荷识别时的求解效率较低。首先提出一种基于人工神经网络的非侵入式负荷识别模型,利用该模型训练好用于识别各类家用电器的神经网络并由此构成负荷特征识别库,用于判断家用电器的工作状态;然后通过仿真证明了所提方法的有效性;最后为了解决非侵入式居民负荷识别的应用问题,进一步探讨了非侵入式负荷识别的高级应用。     

智能用电非侵入式负荷监测系统研究

能源互联网对智能电网的数据交互与信息挖掘提出了更高的要求。非侵入式负荷监测技术能够挖掘用户用电负荷状态信息,在智能用电领域受到日益广泛的重视。针对现有非侵入式负荷监测系统只能解决用户端负荷数据挖掘,难以实现电网与用户的双向交互及用户信息深度挖掘等问题,提出智能用电非侵入式负荷监测系统及其技术架构设计,并从信息通信、负荷识别和数据挖掘等方面分析论述该系统的实现与应用技术方案。     

基于改进遗传算法的非侵入式电器负荷识别

针对传统非侵入式负荷识别算法在电器负荷接近或较小时并不能得到较理想识别效果的问题,提出了一种基于谐波特征和遗传算法的非侵入式电器负荷识别算法.通过提取电流数据的非活性电流及其谐波特征,来增大不同用电器间的差异性,从而提高识别精度;并使用遗传算法优化的神经网络的权重、阈值和隐含层神经元个数来提高分类识别精度,达到细粒度用电分析的目的;使用包含5种家用电器的用电场景测试所提出算法的识别精度,并将其与反向传播神经网络算法相比较.仿真测试结果表明,提出的特征和算法具有更高的负荷识别准确率及更快的识别速度.     

基于多注意力机制集成的非侵入式负荷分解算法

针对输入负荷特征对分解结果的重要程度不同,以及长短时记忆网络（LSTM）在捕捉长时间用电信息的时间依赖性方面受限导致分解误差高等问题,提出一种基于多注意力机制集成的非侵入式负荷分解算法.首先,利用概率自注意力机制对一维空洞卷积提取到的负荷特征进行优化处理,实现重要负荷特征的遴选;其次,采用时间模式注意力机制对LSTM的隐状态赋予权重,从而增强网络对长时间用电信息之间的时间依赖性的学习能力;最后,利用公开数据集UKDALE和REDD对所提分解模型的有效性和创新性进行验证.实验结果表明,与其他多种现有分解算法相比,基于多注意力机制集成的分解算法不仅具备更好的负荷特征遴选能力,而且能更加精确地建立特征之间的时间依赖关系,有效降低了分解误差.     

渐进演化类拓扑优化算法的优化准则对比研究

渐进演化类拓扑优化算法的优化准则是影响结构优化结果的关键因素之一。以不同荷载和边界条件下的深梁模型为数值算例，比较了基于不同优化准则的3种算法在优化解和优化效率上的差别。结果表明：对于荷载和边界等条件较简单的构件，采用单向和确定性优化准则的渐进演化类拓扑优化算法能高效地得到最优拓扑，采用概率性优化准则和采用双向优化准则的渐进演化类拓扑优化算法有着更广的适用范围，在荷载和边界等条件较复杂的构件上，同样表现出较强的避免优化畸变的能力和全局寻优能力。对结合概率性优化准则和双向优化准则的遗传双向渐进演化结构优化算法建立了流程图，并进行初步讨论，以期进一步提高渐进演化类拓扑优化算法的实用性和寻优能力。     

基于遗传算法系统可靠性分配优化模型

系统可靠性分配是一个复合最优化问题。传统的用于解决此类问题的方法,如拉格朗日乘子法、动态规划法、直接寻查法等,在系统级数较大的情况下存在着计算量大、难以获取全局最优解等问题。针对此问题,在给出有约束条件下系统可靠性分配模型的基础上,构造了遗传算法(geneticalgorithms,GA),并利用该算法进行计算机仿真。从仿真结果中可看出:所构造的GA算法应用于系统可靠性分配的组合优化问题中收到了较好的效果,能够得到全局最优解。     

自适应负载均衡路由算法研究

提出了一种基于流言机制的自适应负载均衡路由算法.该算法结合流言路由机制与网络负载均衡的思想,在路由发现阶段,根据节点分布情况和节点当前负载在局部范围内的相对轻重,自适应地调整流言转发概率,让负载较轻的节点优先参与路由建立.仿真实验表明,该算法减少了路由开销,提高了分组平均投递率,降低了数据分组端到端平均时延,具有较强的...     

基于遗传算法的车间作业调度

研究了遗传算法在车间作业调度问题中的应用,以遗传算法作为优化工具,给出了车间作业调度算法。最后给出了计算机仿真结果,并与启发式算法求得的结果作了比较,证明了该算法解的有效性和优越性。     

基于群体列突变遗传算法的遍历性

通过分析遗传算法过早收敛的原因,提出了一种基于群体列突变的遗传算法,分析了这种遗传算法交换和突变操作的特性,证明该遗传算法能够进行遍历搜索.该算法克服了遗传算法的局限性,通过群体列突变能够避免过早收敛,并找到最优解.     

一种新型网络视频监控系统的设计与实现

针对传统视频监控系统运算量大、实时性差的缺点,提出采用嵌入式H.264视频压缩技术设计的网络视频监控系统.以TI的高性能双核数字多媒体处理器TMS320DM6467和嵌入式Linux操作系统为平台,利用DaVinci技术研究了H.264压缩算法,基于硬件平台,对改进的H.264视频压缩算法进行验证,设计了网络视频监控系统的硬件平台,分析了改进前后的H.264对图像压缩情况.结果表明,经过改进的H.264压缩算法可以在编码质量和编码效率基本不受影响的前提下减少系统的运算量,使编码速度提高大约30%,改善了视频监控系统传输的实时性.     

基于智能家电的短期电力负荷预测与削峰填谷优化

通过可远程控制的联网智能家电,提出对城市群电力负荷的短期预测与削峰填谷优化. 分析某家电企业的智能家电集群运行产生的海量数据,建立城市群智能家电电力负荷预测模型,主要采用3种模型加权组合预测的方式,利用负荷数据中的趋势性、周期性、相关性、节假日特征及外部变量进行智能家电集群电力负荷的短期预测,单月内每日平均相对误差为4%~6%. 通过合理选择特征,该模型可以在不同家电间通用,依据家电类型分类预测后的结果可加和成为用电总负荷. 针对使用方式与用户习惯,提出智能家电电力负荷削峰填谷的控制策略,根据发电成本数据给出预期效益,说明基于智能家电负荷预测的用电调控能够有效降低电力部门发电成本、用户用电成本与电网负荷波动性.     

智能大厦中央空调系统的最优能量管理

从系统工程的角度分析了智能大厦中央空调系统在运行过程中的能耗问题,建立了中央空调系统能耗模型,提出了中央空调系统的优化运行与节能管理方法.通过离线预测和在线优化计算,得到机组次日优化运行策略,包括机组负荷在一天内各个时段的最优分配、最优蓄冷量、最佳释冷时间等.在最优策略指导下进行在线控制,通过在线实时采集数据,利用基于遗传算法的周期自回归模型(PARM)进行动态短期空调冷负荷预测;利用改进随机编码遗传算法实现中央空调日运行模型的求解,得出中央空调设备优化运行策略.实例计算结果表明:用此方法可使中央空调系统节能达24.5%左右.     

同步电动机励磁装置故障分析及改进

对攀钢氧气厂六号氧压机同步机励磁装置的故障原因进行分析,并提出了改进办法;线路改进后运行效果良好。