基于NILM技术的家庭用户精确负荷建模方法

结合非侵入负荷监测NILM系统的负荷辨识流程,本文提出了一种基于NILM技术的家庭用户精确负荷建模方法。该方法应用NILM技术提取家庭主要设备负荷特性。然后通过模糊C聚类法实现家庭负荷模型归类,获得设备针对不同电价的转移灵敏度和自灵敏度用电特性,并在此基础上形成家庭负荷特性。通过电网公司分时电价环境下实测的家庭典型用电负荷数据验证可知,空调、洗衣机、热水器、电动汽车具有较大的弹性,其中洗衣机的自弹性和交叉弹性最大,在高电价时段可削减100%。该方法所获得的家庭负荷辨识的结果,可支持居民电价/激励等需求侧管理政策的制定,也可支持用户家庭用电设备状态监测服务等。     

基于KM算法投切事件匹配的负荷辨识方法

负荷投切事件是关联负荷分类、辨识的一个重要依据,为了能够准确的实现非侵入式负荷投切过程的辨识,提出一种基于KM算法投切事件匹配的非侵入式负荷辨识方法。在该方法中,首先采用一种功率曲线拟合逼近的方式进行负荷事件检测,并利用投切稳态特征建立用电设备投入和切除特征的概率分布模型。同时,考虑到负荷投入事件和切除事件数量不对等情况,将负荷事件与数据库负荷进行匹配,并采用加权优化的KM算法寻找最佳解,从而实现负荷投入和切除的正确匹配辨识。最后,在真实的测试场景并结合REDD数据集进行实验,结果表明文中方法能对负荷投切事件进行有效匹配辨识,为实现能耗细分奠定了基础。     

基于融合决策的负荷事件识别方法

负荷事件识别是基于事件的非侵入式负荷监测方法中的关键步骤之一。本文提出了一种融合决策的负荷事件识别方法,通过将三种不同原理的负荷事件识别算法的识别结果进行投票,得出最终的识别结果。相较于单独的识别算法,该方法可以有效地提高负荷事件识别的准确率。此外,该方法可以根据三种算法的不同结果判断出异常的负荷事件。     

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.     

基于电器粗糙归类的无监督NILM结果自主标注

无监督非侵入式负荷监测(non-intrusiveload monitoring,NILM)方法通常无法自动确定分解结果所对应的电器名称,这影响NILM结果的用户可读性,阻碍了其规模应用。为此,该文提出一种基于电器粗糙归类的无监督NILM结果自主标注方法。从电器运行控制方式和使用时间分布2个方面,总结分析同类电器共同具有的通用运行特性。定义周期运行、密集波动、固定时长运行3种控制规律特性,给出基于聚类分析的电器相应特性自适应判别方法;对于受人类活动影响程度不同的不同电器,提出基于电器使用与人类活动强弱的时间分布之间相关性的电器使用规律特性判别方法,同时给出一种基于负荷成分变化的用户个性化人类活动强弱时段划分方法。在此基础上,基于粗糙集理论,依据上述2类通用运行特性进行电器粗糙归类,进而提出融合通用运行特性的电器名称两层决策方法,实现NILM结果标注。在私有和公开数据集中的实验表明,该方法能在不同场景下实现常见家用电器NILM结果准确标注。所提方法可作为任意无监督NILM方法的后续步骤与之集成,形成完全无监督NILM方案。     

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....     

一种基于多标签分类的非侵入式负荷监测系统

为了更好的提高非侵入式负荷监测系统的运行效果,保证监测精准性,提出一种基于多标签分类的非侵入式负荷监测系统,结合CUI-TECHPNXP 270处理器对非侵入式负荷监测系统硬件配置进行完善,为了更好的保障系统运行的稳定性,结合特征采集算法对系统监测数据标签进行特征提取和分类,根据分类结果有针对性的实现精准监测的目标,最...     

基于改进匈牙利算法的非侵入式负荷匹配方法

针对非侵入式负荷监测中常用电力负荷开启与关闭的配对特性,本文提出了一种基于匈牙利算法的匹配方法。在该方法中,首先采用Prony滑动窗进行负荷事件检测,并以此提取投切前后的负荷变化特征信息;然后将负荷开启和关闭事件转换为二分图寻优匹配问题,结合增广路径寻找最大匹配的原理,建立功率代价矩阵模型,进而寻找负荷投入和切除的最佳匹配。进一步地,为了避免负荷事件开启和关闭的功率不对等,提出采用添加虚拟节点的策略对算法进行改进,引入灰色关联度评价与多重匹配策略。实验结果表明,所提出的方法能有效地识别出负荷的开启和关闭,为后续准确的负荷辨识奠定基础。     

基于图信号交替优化的居民用户非侵入式负荷监测方法

非侵入式负荷监测(non-intrusive load monitoring,NILM)是研究居民用户负荷信息的常用方法,但存在分解准确度低、算法泛化性能低等系列问题。为此,该文应用图信号处理(graph signal processing,GSP)理论,提出一种基于图信号交替优化的居民用户NILM方法。该方法根据总负荷数据构建图信号模型,并基于图信号模型得到关于功率损耗的约束条件,较好地解决了传统方法缺乏负荷数据相关性研究的问题。相比于传统方法需要对模型参数多次调整,交替优化法可以自动调整参数,提高了实时监测能力,降低了电网运营成本。仿真结果表明,在1min采样率下,基于图信号交替优化法的总负荷分解准确度比NILM-GSP提高了15%,计算时间降低了10%,充分体现了该文算法性能的优越性。     

一种适用于非侵入式负荷监测的暂态事件检测算法

非侵入式负荷监测(NILM)是未来电力负荷监测的重要发展方向之一.不同类型电力负荷在投切过程中,通常会表现出独特的暂态特征.据此,NILM能够克服利用负荷稳态特征信息进行负荷辨识的局限性,实现对整个变电站、建筑物内部负荷集群的分解与分析.提出了一种信号预处理算法--基于滑动窗的双边累积和(CUSUM)暂态事件自动检测算...     

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...     

基于暂态特征贴近度匹配的家用负荷识别

家用负荷识别可以指导用户合理安排用电时间,响应峰谷电价,同时可为电力系统需求侧管理方案的制定提供依据。针对现有方法多采用负荷稳态数据作为特征值的不足,考虑家用负荷开、关时暂态特征的独特性,提出了一种利用家用负荷开、关时的暂态功率特征贴近度来匹配家用负荷的方法。首先,建立家用负荷暂态特征标准化模板;然后,计算出采集信号与标准化模板间的贴近度作为隶属度;最后,按照综合隶属度最大原则进行识别。该方法原理简单、易于实施,实测结果验证了该方法的准确性和可行性。     

基于随机矩阵和历史场景匹配的配电网无功优化

配电网的无功优化是保证配电网供电可靠、经济运行的一项重要工作。将大数据理论引入配电网无功优化,提出一种基于随机矩阵的无功优化方法,它不依赖于配电网的模型和参数,直接利用配电网在运行过程中产生的运行大数据以及当地的环境数据构造7种高维随机矩阵,提取57种特征指标,再应用主成分分析法对这些特征指标进行降维处理,然后匹配历史数据库中已有的场景,快速找到特征指标与当前系统最相近的场景,直接采用匹配场景的控制策略作为当前系统的无功优化控制策略,以减小有功网损和节点电压偏移。最后,在改造的IEEE-37节点配电网仿真模型上进行算例验证,其中增加了光伏/风电等分布式发电和电动汽车充电站等随机负荷模型。结果表明,方法可有效地对配电网进行无功优化,摆脱了配电网模型的限制,可快速做出控制决策。     

基于设备运行状态挖掘的非侵入式负荷分解方法

随着非侵入式负荷监测与用户侧智能电表的结合,基于低频电力数据实现负荷分解成为了最新的研究趋势。考虑到低频电力数据的特征,文章提出一种基于设备运行状态挖掘的非侵入式负荷分解方法。该方法首先进行负荷事件检测,并在负荷事件处提取功率特征;接着在特征平面内通过聚类算法获取表征不同类型负荷事件的聚类簇;最终采用图信号处理算法在聚类簇间挖掘设备运行状态并与数据库中的模板进行匹配实现负荷分解。算例验证了该方法事件检测和负荷分解的准确率,同时验证了在状态挖掘过程中引入设备运行周期能耗对额定功率相似设备的负荷分解具有优化效果。因此,为基于低频电力数据的非侵入式负荷分解技术研究提供了新思路。     

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。     

基于电器运行状态和深度学习的非侵入式负荷分解

根据不同电器运行状态数的差异,将电器分为状态复杂和状态简单2类.状态复杂电器存在多种工作状态,且前后状态有逻辑关联.因此,利用非基于事件的方法,选择能考虑过去和未来运行状态变化的双向长短期记忆网络对其进行分解,并采用树结构Parzen估计算法选择该网络的超参数以提高训练的精度.状态简单电器仅有开关状态,故利用基于事件的...