基于结构熵权法的非侵入式家电识别研究

单一特征所得到的识别结果可能会与实际用电情况不一致,并且居民用电行为是影响负荷识别的重要因素之一,为了更可靠地提升非侵入式电力负荷的分解能力,提出将居民用电行为作为负荷识别的特征之一,并通过结构熵权法将居民用电行为与有功功率、无功功率和电流谐波特征相结合的多特征识别算法,即将定量分析的熵值法和定性分析的主观赋值法相结合,确定最终权值,获得负荷识别结果。最后,采用案例分析,对采用结构熵权法的多特征识别算法与单一特征以及未考虑居民用电行为的负荷识别方式进行对比。结果证明,考虑居民用电行为的多特征识别算法可以有效地提高负荷识别的准确率。     

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。     

一种融合时间特征的非侵入式负荷辨识决策方法

针对家庭负荷用电场景中负荷类别的不确定性,以及非侵入式负荷监测设备数据库中负荷特征库的不完备等极易导致负荷辨识准确率下降的问题,文中在利用电气特征的基础上,提出了一种融合负荷运行时长、运行时段、工作周期及假期特性等时间特征的非侵入式负荷辨识决策方法.在该方法中,通过分段归一化的Mean-shift聚类方法对检测得到的负...     

基于多特征联合稀疏表达的SOM-K-means非侵入负荷辨识

非侵入负荷监测是全面感知负荷数据及能效优化的有效途径。当前非侵入式负荷监测算法的主要观测对象是具有调控潜力的负荷，但对于其中功率较小、负荷曲线相似的电器辨识准确率还不够理想，算法对先验数据的依赖程度较高。基于此，提出一种基于多特征联合稀疏表达的SOM-K-means非侵入式负荷辨识算法，该算法利用负荷特征训练得出最优字典，结合最优字典与多特征联合稀疏表示构建目标函数，求解多特征联合稀疏矩阵，克服了单类负荷特征限制识别负荷种类的问题；将多特征联合稀疏矩阵作为输入，结合自组织(self-organizing map, SOM)神经网络优化的K-means算法与平均绝对误差值进行快速辨识。最后，利用PLAID数据集进行了实验验证，结果表明，所提算法仅需迭代120次辨识准确率即可达到90%,提高了算法收敛速度，证明了该方法能够准确高效地实现负荷辨识。     

基于改进排列熵算法和Yamamoto算法的非侵入式用电设备状态变化检测

非侵入式负荷监测已经成为智能电网负荷监测管理的关键技术之一。用电设备状态变化过程所表现出的暂态特征是进行非侵入式用电设备状态辨识的重要依据,但其精准提取取决于用电设备状态变化的准确检测。为此,提出了一种基于改进排列熵算法和Yamamoto算法的非侵入式用电设备状态变化检测算法。首先对排列熵算法进行多尺度改进,利用多尺度排列熵的差值分析确定状态变化发生的区间,然后利用Yamamoto算法进行区间检测,定位状态变化的时刻。仿真分析结果表明,所提算法可准确检测用电设备的状态变化,有效地提高后续利用暂态特征的设备状态辨识准确率。     

基于卷积神经网络的非侵入负荷辨识算法EI北大核心CSCD

非侵入式负荷监测因其实施成本低且对用户干扰小,具有广泛的应用前景。负荷辨识方法是非侵入式复合监测的主要技术难点之一。研究了非侵入式负荷监测模式下基于卷积神经网络的非侵入负荷辨识算法。首先利用局部平均分解算法对采集到的混合信号进行负荷分离,并通过智能学习的方法提取独立负荷特征,建立了能够处理二维图像数据的卷积神经网络模型,将大量典型家电的运行电流数据转换成图片的形式,对卷积神经网络模型进行训练,并基于该模型进行负荷特征提取,从而达到辨识的目的。经过实际采集的用电数据进行仿真实验,结果表明,基于卷积神经网络的负荷辨识准确率高、识别速度快,模型具有良好的泛化能力,能够有效的实现负荷辨识。     

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。     

基于卷积块注意力模型的非侵入式负荷分解算法

非侵入式负荷分解技术可以深度挖掘用户内部用电数据、获取用电信息,具有广阔的应用前景。该文研究了非侵入式负荷监测模式下基于卷积块注意力模型的非侵入负荷辨识算法。该模型首先采用一种序列到点方法,以电源窗口为输入,目标设备中点为输出,然后使用卷积块注意力模型来训练学习目标设备特征,卷积块注意力模块通过引入空间和通道Attention机制可以有效提取有利特征,丢弃无用特征。基于REDD数据集的实验结果表明,该文模型在有效减少训练时间的前提下,显著提升了分解准确率。     

基于聚类特征及seq2seq深度CNN的家电负荷识别方法研究

非侵入式负荷分解技术能够挖掘用户内部信息获取各用电设备负荷信息,使智能电网更加贴近日常生活,为泛在电力物联网感知层建立提供有效数据。为解决传统非侵入式负荷分解方法输入数据复杂,考虑因素较多,采样硬件要求高以及辨识准确率较低等问题,文章首先利用改进迭代K均值聚类提取用电设备运行状态建立负荷特征集,之后将特征集输入构造的序列到序列的一维深层卷积神经网络模型以及序列到序列的单、双向长短时记忆网络等模型中进行负荷分解挖掘各设备运行状态。最后通过REFITPowerData数据集进行验证,一维深层卷积神经网络模型虽然耗时较大但负荷识别准确率达到93%以上,表明基于特征数据集及序列到序列的一维深层卷积神经网络非侵入式负荷分解方法与其他深度学习模型方法、人工神经网络方法相比表现出更显著的信息提取能力以及辨识能力。     

基于非侵入式负荷监测的居民用电行为分析

对基于非侵入式负荷监测的居民用电行为分析方法进行了研究。首先,设计了一种基于滑动窗的事件探测算法,并以负荷电流奇次谐波幅值为特征建立负荷特征库,提出基于Adaboost的BP神经网络负荷识别算法,集成多个BP神经网络以提高识别准确率。然后,利用负荷识别结果对用户总功率信号进行分解,得到各个电器具体的用电信息,并结合分时电价,得到居民用电行为的详细分析结果。最后通过实际居民用户数据验证所提方法的有效性,并从家庭节能和需求侧管理两个方面给出了优化用电建议。研究成果对实现居民用户与电网友好互动提供了决策支持。     

一种基于多参量隐马尔可夫模型的负荷辨识方法

由于电力需求侧负荷形态各异、特性多变,种类繁多,采用传统方法进行负荷辨识时存在识别率不高、模型建立困难、难以推广应用等问题。为此,基于智能负荷控制器(SRLC)的用电参数检测功能和非侵入式负荷监测(NILM)原理,提出一种基于多参量隐马尔可夫模型(MPHMM)的负荷辨识方法。该方法采用4个负载特性参数(电流、有功功率、无功功率、功率因素)作为模型的观测向量,通过模型学习和多次迭代计算,求得与MPHMM模型隐藏状态相匹配的观测序列的最大输出概率和最优状态序列,再采用辅助判别算法对结果进行修正,完成对负荷的最终辨识。通过搭建实验平台对所提方法进行验证。结果表明,该方法辨识准确率可达95%以上,特别是对小功率负荷具有较好的识别效果。     

考虑换流站损耗特性的交直流系统多目标无功优化控制

交直流互联系统中各个直流输电通道在输送大量电能的同时,也会产生很大的电能损耗。通过协调优化多回超/特高压直流输电系统的电压无功控制措施,能够有效地降低整个交直流系统运行的损耗电量。提出一种考虑换流站详细损耗特性的交直流系统多目标无功优化控制方法,以包括换流站内部各主要设备损耗的整个交直流输电系统总网损和所有关键节点电压偏差平方和的最小化为目标,建立交直流互联系统的多目标无功优化控制模型。提出一种自适应加权和算法,结合GAMS/CONOPT解法器求解得到多目标优化问题的均匀分布的帕累托最优解集。并根据各个最优解的模糊隶属度和熵权信息从帕累托前沿曲线中确定出折中最优解,作为多目标无功优化控制方案。通过对某个6056节点交直流互联系统的计算表明,所提出的算法求得的帕累托最优解集分布均匀,且所获得的多目标无功优化控制方案能够有效降低换流站运行损耗,提高关键节点的电压质量。     

计及分类需求响应的孤岛微网并行多目标优化调度

孤岛微网优化调度中的源荷协调性非常重要,却常被忽视。针对孤岛微网的运行特点,计及分类负荷需求响应,构建了以系统运行成本及污染排放最小化为目标的微网源荷协调多目标优化调度模型。并引入多核并行运算环境和多种群并行交叉变异机制,构建新型的并行多目标微分进化(PMODE)算法对模型进行高效求解,以调和常规智能算法寻优深度和速度间的矛盾。结合应用结果分析了分类负荷发生转移及削减前后对微网内各分布式电源的出力影响和负荷的峰谷调整状况。表明所提出的孤岛微网源荷协调优化调度模型可有效实现节能减排和提升风光消纳率,并验证了PMODE算法的优越性能。     

考虑交互功率与可再生能源功率波动的微电网调度优化模型

电动汽车的发展普及与V2G (Vehicle to Grid)思想的提出,对微电网系统的经济、安全运行带来了新的挑战,如何合理调度电动汽车有序充放电,促进微电网的经济、平稳运行成为当下的研究热点。针对含电动汽车的风光储并网型微电网环境,构建了最小化微电网与外部电网交互功率和平抑可再生能源功率波动的多目标调度优化模型。通过对某商业区域微电网运行算例的仿真求解,从微电网运行经济效益、日交互电量以及出力功率平均变化量等方面验证了所建模型的合理性和正确性。算例结果表明,以微电网为平台集成利用具有一定出行规律的电动汽车与可再生能源是一种理想的协同利用模式,既可以提高微电网运行的经济效益,又能有效改善微电网的交互功率和出力波动。     

基于分时电价的电动汽车调度策略研究

电动汽车作为一种新兴负荷,大量接入配电网会对电能质量、频率稳定、电压稳定等产生一系列影响。通过对现有的分时电价制度进行分析,在配电网方面以系统负荷均方差最小化和系统负荷峰谷差最小化为目标函数。在用户侧方面以电动汽车用户充放电成本和电池损耗成本最低作为目标函数,建立电动汽车多目标优化调度模型。通过云自适应粒子群算法进行寻优。仿真结果表明:该调度策略适合于分时电价,与固定电价相比优化了系统负荷同时降低了用户成本。价差更大、均值更高的分时电价2与分时电价1相比略微增加了用户成本,但它对电网的调峰能力明显增强。     

Deep attention and generative neural networks for nonintrusive load monitoring

In recent years, Nonintrusive Load Monitoring (NILM) has been considered a crucial problem for energy monitoring and management, especially in the residential sector. In this area, deep learning has shown state-of-the-art performance due to its many tunable parameters that help its generalization power extract highly nonlinear patterns from the residential load. This paper reviews the recent discriminative deep neural networks proposed for NILM and develops attention-based deep neural architectures to improve the accuracy of current studies. In this context, we present a novel attention-based variational autoencoder and sparse coding model which uses the long short-term memory (LSTM) network and a dictionary learning module for generative disaggregation of residential loads. We show how the attention mechanisms can help deep learning better understand the correlations between NILM features and how generative pattern recognition can help capture the underlying probability densities of the features thereby improving the NILM accuracy for cutting-edge deep learning solutions. Our numerical results on the real-world Reference Energy Disaggregation Dataset (REDD) show remarkable improvements compared to the state-of-the-art using disaggregation accuracy and F-score metrics.     

基于萤火虫优化算法的分布式发电设备容量分配及配电网孤岛划分

随着分布式发电设备大量接入到配电网中,分布式发电设备在配电网故障情况下为接入位置负荷及周边重要负荷的供电研究日益引起关注。利用投入产出法确定负荷的失负荷价值,基于失负荷价值设定负荷权重。在接入位置和总容量确定的情况下,以总权值最大为目标,利用萤火虫优化算法讨论接入容量的最优分配以及故障条件下的孤岛运行范围。将该方法应用于含分布式电源的智能配电网中,通过对比验证了方法的有效性。     

基于PCA-LSTM算法的非侵入式负荷辨识方法

了解用户负荷分布特征是智能电网建设的重要部分,非侵入式负荷监测(Non-Intrusive Load Monitoring, NILM)以其便捷、高效、成本低的优点被电力系统工作人员广泛认可。文中提出了一种基于长短期记忆网络的NILM方法,通过采集用户电力入口处的电流波形并进行数据处理,得到用户的负荷特征数据。使用主成分分析手段,减少负荷特征数量,提高运算效率。使用擅长处理连续数据的长短期记忆网络模型,在划分好的验证集与测试集上对模型优劣进行评价,以获得最优参数模型。预测实验结果显示,文中所设计的非侵入式负荷监测方法可以对包括小功率用电器在内的家用电器进行准确辨别。     

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。     

基于满意度原理的光柴储微网系统优化运行研究

围绕微网系统环保经济运行优化问题,在并网和孤岛运行状态下,建立了以分布式发电单元的发电费用、折旧费用和环境治理费用为目标,考虑微网运行约束条件的经济优化运行模型,形成多目标有约束优化问题。基于满意度原理的模糊综合判断将多目标转化为单目标问题。再应用全面学习粒子群算法,对微网内分布式电源的输出功率和储能装置充/放电优化求解。以包含光伏、柴油发电机、锂电池、电动汽车充电桩和负载的交直流混合微电网为具体研究对象,优化结果验证了所提模型、算法和方法的有效性。