一种基于图信号处理的非侵入式负荷分解方法

非侵入式负荷监测分解,指将用户总电能消耗分解为单独电气设备的消耗,从而有助于建立能源互联网,实现节能减排。提出一种基于图信号处理方法,采用目前大部分电表量测的有功功率为负荷特征。使用由图索引的离散信号表示负荷特征,并进行阈值筛选,数据聚类和特征匹配。通过对实测低采样频率的负荷数据集进行仿真分析,验证算法具有较好的识别率和鲁棒性,且可作为嵌入式系统的软件嵌入到智能电表上,而无需附加硬件成本。     

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。     

适于低功率状态的多特征融合负荷分解方法

非侵入式负荷分解是一种分析电力系统中各个负荷的能耗特征和负荷曲线的方法,因其低成本、易实施等优点而被广泛应用。现有的负荷分解方法通常试图通过叠加越来越多的池化和降采样操作来获得可靠的语义信息,然而,这种做法却可能在前向传播过程中逐渐丢失那些功率波动不明显的微小目标特征,进而降低了方法对多状态电器低功率状态的分解性能。因此提出多特征融合负荷分解方法,设计编码器和解码器之间以及解码器内部之间的跳跃连接特征融合,以便全面捕获不同尺度的功率波动信息,通过结合上下文信息和不同尺度空间模式信息提高方法对目标电器运行模式的识别性能。经过实验验证,所提方法在未知房屋数据上对所有目标电器的负荷分解平均绝对误差降低约36%,对多状态电器的负荷分解平均绝对误差降低约47%,且成功分解出低功率状态。实验结果证明了所提方法的有效性。     

基于设备行为关联图的非侵入式多标签负荷分解改进方法

非侵入式负荷分解技术作为目前用户用电信息监测的主要手段,对推动能源效率提升和需求侧优化管理具有重要意义。针对目前负荷分解模型过分依赖电器本身的用电特征,而忽视用户用电习惯所提供的信息,导致分解效果始终难以改善的问题,该文提出一种考虑用户用电行为的多标签负荷分解改进方法。改进后的模型是两个网络串行的架构。第一个网络结合用户用电行为实现多标签类型识别;第二个网络在识别结果基础上完成各个在线电器的能量分解。文中通过设备行为关联图来表示用户的用电习惯。模型随用户用电不断完成行为更新,并逐渐为用户生成独特的网络图,为负荷分解提供行为依据。最后使用公开数据集REDD和REFIT对提出方法进行仿真和评估。实验结果表明,提出的方法能够准确获取各电器的用电信息,且与现有先进方法相比有明显的改进,证明了考虑用户用电行为的多标签方法是一种有效可行的负荷分解思路。     

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XGBoost的非侵入式负荷分解

为提高非侵入式负荷分解的准确率,更准确地挖掘电力用户的用电信息,提出了基于机器学习XGBoost算法的非侵入式负荷分解方法。以决策树中的回归树模型为基础,通过梯度提升树得到由回归树构成的强评估器。同时,以损失函数和模型复杂度为目标函数,并引入叶子结点,得到更准确的XGBoost非侵入式负荷识别模型。在公开数据集（Referenceenergy disaggregation data set,REDD）上对模型进行了验证。结果表明,所提方法能大幅提高非侵入式负荷识别的准确性。     

中外智能电网发展战略

非侵入式负荷分解技术作为目前用户用电信息监测的主要手段,对推动能源效率提升和需求侧优化管理具有重要意义。针对目前负荷分解模型过分依赖电器本身的用电特征,而忽视用户用电习惯所提供的信息,导致分解效果始终难以改善的问题,该文提出一种考虑用户用电行为的多标签负荷分解改进方法。改进后的模型是两个网络串行的架构。第一个网络结合用户用电行为实现多标签类型识别;第二个网络在识别结果基础上完成各个在线电器的能量分解。文中通过设备行为关联图来表示用户的用电习惯。模型随用户用电不断完成行为更新,并逐渐为用户生成独特的网络图,为负荷分解提供行为依据。最后使用公开数据集REDD和REFIT对提出方法进行仿真和评估。实验结果表明,提出的方法能够准确获取各电器的用电信息,且与现有先进方法相比有明显的改进,证明了考虑用户用电行为的多标签方法是一种有效可行的负荷分解思路。

     

基于长短时神经网络的居民负荷曲线分解方法

面向居民家庭的非侵入式负荷监测,提出一种基于开关事件和长短时神经网络的居民负荷曲线精确分解方法。采用差分和算法对居民家庭的总有功功率数据进行计算,采用硬阈值函数滤除差分和数据的噪声,通过差分和数据突变点实现电器开关事件的准确检测。进一步采用长短时神经网络进行电器负荷曲线数据的预测,可从总负荷曲线中逐一提取出单一电器的负荷曲线,实现居民家庭总负荷功率曲线电器级别的精确分解。通过实验测试数据和参考能量分解公开数据集（REDD）验证了所提方法的有效性。     

基于非侵入技术的单体式智能用电监测设备的研制与应用

目前用户负荷分项用电监测与分析主要依赖于侵入式技术,而该技术存在设备投资成本高、安装维护复杂等问题.为此,研制了一种基于非侵入式技术的单体式智能用电监测设备,介绍了该设备的系统架构、硬件和软件的实现以及现场安装情况.最后,介绍了应用效果和创新点,并展望了将来的研究方向.     

非侵入式居民电力负荷监测与分解技术

非侵入式居民电力负荷监测与分解技术是一种全新的监测负荷耗电细节的技术。居民用电细节监测在电力公司优化电网的规划、运行与管理,电力用户节省耗电量和电费,以及全社会把提高生态文明意识付诸实践等方面具有重要意义。在这种用电细节监测中,非侵入式方法同侵入式方法相比具有简单、经济、可靠和易于迅速推广应用等优势。从实现非侵入式居民电力负荷监测与分解的基本依据——负荷印记入手,简述了基本原理、负荷分解模型和求解方法。该项技术有望发展成为新一代智能电表的核心技术。鉴于居民电力负荷组成最为复杂,该技术亦可用于工业和商业负荷用电细节的监测。     

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...     

基于三维特征向量的非侵入式电热负荷细分算法

非侵入式负荷监测分解（NILMD）技术是当前居民用能服务深化提升和电力供需互动的重要数据获取手段,然而当前工程上应用广泛的事件驱动型NILMD技术一直无法准确细化分解电热负荷。针对这一问题,文中提出了一种基于三维特征向量的典型电热负荷细化分解算法。首先,基于有功、无功功率和电流谐波等电气负荷特征采用事件检测方法提取电热事件,在有功功率的基础上,引入运行时长、频繁启停次数等非电气负荷特征共同构建三维特征向量电器模型。然后,采用序贯覆盖法设计典型电热负荷细化分解命题学习规则和细化分解算法。最后,基于实证实验数据进行分解验证,发现4种典型电热负荷的细化分解准确率超过85%。实验结果表明,文中所提典型电热负荷细化分解算法有效地提高了4种典型电热负荷分解的准确率。     

非侵入式负荷监测与分解研究综述

非侵入式负荷监测分解（NILMD）技术是当前居民用能服务深化提升和电力供需互动的重要数据获取手段,然而当前工程上应用广泛的事件驱动型NILMD技术一直无法准确细化分解电热负荷。针对这一问题,文中提出了一种基于三维特征向量的典型电热负荷细化分解算法。首先,基于有功、无功功率和电流谐波等电气负荷特征采用事件检测方法提取电热事件,在有功功率的基础上,引入运行时长、频繁启停次数等非电气负荷特征共同构建三维特征向量电器模型。然后,采用序贯覆盖法设计典型电热负荷细化分解命题学习规则和细化分解算法。最后,基于实证实验数据进行分解验证,发现4种典型电热负荷的细化分解准确率超过85%。实验结果表明,文中所提典型电热负荷细化分解算法有效地提高了4种典型电热负荷分解的准确率。

     

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。     

基于用户边缘侧事件解析的工业电力负荷非侵入式感知辨识

考虑工业生产的持续、安全等因素,避免在高压生产区对负荷进行直接测量,采用非侵入式感知模式在低压总用电计量端进行监测,通过分离解析总信号获取各负荷详细的运行情况.文中研究了一种基于事件波形解析的辨识方法,为了适应不同用户生产门类及流水工艺的差异,将事件解析下沉至用户边缘.首先,利用工业负荷单体功率大的特点,结合不同投切形...     

基于监督学习的非侵入式负荷监测算法比较

非侵入式负荷分解能将聚合能量分解为设备级的能源消耗,在能源管理、设备故障检测等领域具有重要意义。面向低频数据,提出了一种基于深度学习的非侵入式负荷分解方法。该方法利用自然语言处理领域的多头概率稀疏自注意力模型搭建核心分解网络,以一维的总功率序列作为输入,使用卷积和池化进行特征的提取,结合位置编码增强序列中数据之间的内在联系,再用核心分解网络进行特征处理;然后经过转置卷积和全连接进行特征映射,产生一维的单个电器功率,从而实现负荷的分解。最后使用英国家用电器级电力数据集(UK domestic appliance-level electricity,UK-Dale)对模型进行训练和验证,并与现有的3种基准负荷分解方法进行对比。结果表明,所提分解方法的分解性能有明显进步。

     

基于时间概率分布与电器组合超状态的非侵入式负荷分解

非侵入式负荷监测是智能用电网络中的重要技术,为研究非侵入监测下电器的用电情况,提出了一种基于电器时间概率分布和电器组合超状态匹配的负荷分解方法。首先对电器的功率数据进行状态提取,并利用电器运行的时间信息提取每个状态的时间概率分布。根据电器的工作状态组合,构建超状态,利用家庭历史用电数据缩减超状态空间,并针对超状态功率重叠问题对其进行聚类得到S超状态。在负荷分解阶段利用S超状态匹配方法对非侵入式数据分段,并利用时间概率最大似然估计分解结果。最后,通过数据集分解结果验证了该算法的有效性。     

基于深度学习和迁移学习的公共楼宇非侵入式负荷分解

建筑分项负荷的准确监测可以为需求响应提供信息支撑,有助于提高建筑的能效。非侵入式负荷分解(no-intrusive load monitoring,NILM)可以通过总负荷数据来获取分项负荷数据,但针对公共楼宇的NILM研究相对较少,且仅关注于单一类型能源的分解。鉴于此,文章提出一种基于深度学习的公共楼宇电–气负荷分解方法。首先,采用Spearman相关系数定量评估楼宇电、气分项负荷及影响因素间的相关性,据此进行特征筛选;然后,构建基于卷积神经网络和双向门控单元的负荷分解模型,并采用注意力机制对模型输入特征进行权重优化,从而提升负荷分解精度;运用迁移学习技术来解决部分楼宇训练数据不足的问题。最后应用真实楼宇负荷数据对算法的有效性进行验证,并与相关研究进行对比,结果表明所提方法具有更优表现。