基于启停状态识别改进因子隐马尔可夫模型的非侵入式负荷分解

在非侵入式负荷识别任务中,仅使用单一负荷特征对设备进行辨识时, 存在特征重叠现象,无法满足对设备进行细粒度分类的需求。为此,该文提出一种基于颜色编码的非侵入式负荷细粒度识别方法。首先,采用Fryze功率理论将高频采样电流分解为有功、无功电流,并对高频采样电压与无功电流进行标准化处理以构建二维U-I轨迹图像。然后,利用颜色编码技术对轨迹图像进行处理,在R、G、B三通道中分别融合有功电流、轨迹变化信息及瞬时功率,得到彩色U-I轨迹图像。最后,构建卷积神经网络,对彩色U-I轨迹图像进行特征提取,实现对设备的分类。在此基础上,文中提出了一种自主学习方法,实现对负荷识别模型自主更新。使用PLAID和WHITED数据集对本算法的识别效果及自主学习方法进行测试。结果表明,文中方法使得U-I轨迹所携带的信息量增加,增强了负荷特征的独特性,从而实现对设备的细粒度识别;自主学习方法能够学习新型电器并更新模型,提升了负荷识别模型场景适应能力。

     

基于V-I轨迹颜色编码的非侵入式负荷识别方法

在非侵入式负荷识别中基于原始电压-电流(V-I)轨迹特征的识别方法,难以对相似轨迹特征的负荷做出有效辨识。因此,提出了一种基于V-I轨迹特征的颜色编码方法,并利用K-means聚类算法和AlexNet神经网络进行负荷特征的辨识。首先,运用K-means聚类算法对负荷的有功和无功功率特征进行初步分类。然后,对未分类成功的负荷进行V-I轨迹构建和颜色编码处理,生成带有颜色特征的V-I轨迹。最后,运用AlexNet神经网络对负荷进行训练和分类,达到快速精细化的分类效果。针对公共数据集PLAID和WHITED,运用原始V-I轨迹特征和进行颜色编码后V-I轨迹的识别效果做对比分析,可知所提方法在节省计算时间的同时也提高了识别的准确度,提升效果明显。     

融合SENet注意力机制和GA-CNN的非侵入式负荷识别方法

随着智能电表的普及,电网信息化、数字化水平逐渐提高,需求侧的非侵入式负荷监测（nonintrusive load monitoring,NILM）逐渐成为供电企业实现能效提升的关键技术。针对目前非侵入式负荷识别算法存在特征冗余度、计算开销大、识别性能差等问题,提出一种融合压缩-激励网络（squeeze and excitation networks,SENet）注意力机制和基于遗传算法优化卷积神经网络（genetic algorithms-convolutional neural network,GA-CNN）的非侵入式负荷识别方法。首先,将SENet注意力机制嵌入CNN,提高关键特征的表征能力,降低特征冗余度;其次,提取居民负荷U-I轨迹图,对其进行加权像素化处理,通过计算得到WVI(weighted pixelated VI)特征矩阵,并以此为特征参量训练SENet-CNN模型;最后,利用遗传算法优化SENet-CNN模型的超参数,提高模型负荷识别性能和计算效率。实验结果表明,所提方法能够降低非侵入式负荷识别计算开销,准确识别出居民负荷类别,显著提升非侵入式负荷识别效率。     

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.     

基于事件检测与CNN模型的非侵入式负荷识别方法及实现

非侵入式负荷识别是非侵入式负荷监测的一个重要任务.考虑到实际部署的成本问题,负荷识别的算法常常需要在计算能力与内存受限的设备上运行,因此本文提出了一种基于事件检测和卷积神经网络模型的负荷识别方法并在基于STM32微处理器的嵌入式系统上实现.首先引入带边距的滑动窗口,选取合适的特征值使用霍特林T2检验进行事件检测,对检测...     

基于多V-I轨迹融合的非侵入式负荷识别方法

在负荷识别领域中,仅使用单一负荷特征难以有效区分相似轨迹的负荷。为解决这一问题,提出了一种基于多V-I(电压-电流)轨迹融合的非侵入式负荷识别方法。该方法首先对高频采样数据进行预处理,从中提取基波电压(V₁)、基波电流(I₁)以及最大谐波电流(I_{h max})。随后使用基波电压分别与基波电流和最大谐波电流相结合,构建了V₁-I₁轨迹和V₁-I_{h max}轨迹。最后将这两种轨迹特征输入到二维卷积神经网络(2D convolutional neural network, 2D-CNN)中进行负荷分类,通过PLAID和WHITED两个公共数据集进行验证,所提出的负荷识别方法的准确率高达99.66%和99.81%。该实验结果表明,所提方法不仅增加了信息量,还提高了负荷识别的准确率,在实际电力监控和负荷管理中具有应用价值。     

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。     

基于广义回归神经网络的非侵入式负荷识别方法

非侵入式负荷识别可以实现电网和用户的灵活双向互动,对智能电网的发展具有重大意义,而神经网络因其自学习能力及计算复杂度低等优点越来越多地应用在非侵入式负荷识别中。针对现有BP神经网络方法容易陷入局部最优、收敛速度慢的问题,文章提出了一种基于广义回归神经网络(GRNN)的非侵入式负荷识别方法。该方法使用负荷投切过程的功率、谐波、投切时间等暂态特征作为输入,应用Parzen非参数估计方法搭建网络结构,利用模拟退火算法的全局搜索能力对光滑因子进行寻优,从而建立GRNN网络模型进行负荷识别。实验结果表明,相对于BP神经网络,文中方法具有更好的识别精度和训练速度。     

一种基于度量学习的自适应非侵入式负荷识别方法

现有非侵入式负荷识别技术大多基于最优化和模式识别算法,两种算法在模型泛化能力和未知负荷识别上均存在一定缺陷。针对这一问题,文中提出一种基于度量学习的非侵入式负荷识别模型,通过卷积神经网络将负荷电流特性映射到度量空间,在网络训练时使用三元组损失实现特征的集聚,对度量空间特征进行相似度判别实现负荷辨识。该方法可实现对未知负荷的有效识别,并具有较强的泛化能力;另一方面,度量学习作为小样本学习的方法之一,能够减轻对训练样本的依赖,具有较高的实用性。     

基于改进型颜色编码与密集连接网络的非侵入式负荷监测

现有基于V-I轨迹的非侵入式负荷监测研究,存在对于轨迹相似的电器设备识别准确率较低、网络较复杂的问题。针对该问题提出了一种基于改进型颜色编码与密集连接网络的非侵入式负荷监测方法。首先,分析了基于滑动窗的事件检测算法的原理;其次,提出了一种改进型颜色编码V-I轨迹的绘制方法,以解决小功率区间电器种类繁多的问题,提高V-I轨迹的区分度;然后,将所绘制的V-I轨迹用于自建密集连接网络的训练,得到了一个适用于低分辨率V-I轨迹的识别模型;最后,在PLAID与WHITED数据集上进行验证,结果表明：所提方法具有更高的准确率和识别效率。