非侵入式负荷监测与辨识方法研究综述

非侵入式负荷监测技术是在用户进线端对数据进行采集,通过采集的数据对用电器的特征进行分析,从而达到识别用电器的种类和挡位的目的,对智能家居、智慧电网的发展具有重大意义。本文从数据库提取的方式进行分类,首先介绍了非侵入式负荷检测的优点和基本框架,再通过对暂态特征和稳态特征两类提取方法的优缺点进行举例和分析,了解到二者的不足;其次,通过叙述组合的优点说明了结合的优势,该方法不仅解决了两类数据库的不足也达到了取长补短的目的。最后,结合之前的特征提取方法对未来的研究方向进行了总结与展望。     

非侵入式负荷监测关键技术问题研究综述

非侵入式负荷监测(NILM)技术能够利用在总线处单点测量的数据识别用户内部的负荷,是建设泛在电力物联网与透明电网的基础技术之一。在分析NILM基本实现框架和技术体系的基础上,对NILM应用亟需解决的三大关键技术问题进行综述,包括数据源选择、算法精度和可扩展性问题。在数据源选择问题上,分析并总结了低频与高频数据源在NILM中的应用,尤其是智能电表在NILM中的应用;在算法精度问题上,对现有NILM算法模型与算法评估方案进行了回顾与分析;而针对目前少有研究涉及可扩展性问题,通过联动NILM与语音识别和机器学习领域,对去噪识别与新负荷的标记和训练问题进行分析与探讨。最后对NILM的未来发展趋势与应用进行了展望。     

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。     

事件检测类非侵入式负荷监测算法综述

非侵入式负荷监测(NILM)可实现设备级用电数据的自动监测，是数字电网建设中传感量测环节的重要技术之一。文中对事件检测类NILM算法的研究成果进行了综述。首先，对事件检测类NILM算法进行界定，对其与组合优化类NILM算法的技术差异进行对比分析；接着，对事件检测类NILM算法的流程及一般方法进行了整理和分类评述；然后，按照事件检测类NILM算法流程的顺序，分别从事件检测、特征提取、设备辨识3个角度对提升事件检测类NILM算法性能的关键技术进行梳理；最后，对事件检测类NILM算法常用性能评估指标进行总结，并对事件检测类NILM算法的未来研究方向进行展望。     

电力系统负荷非侵入式监测方法研究

为了实现对电力系统负荷的高效监测,提出了针对其暂态与稳态工作状况的非侵入式监测方法.对于准确获得任意稳态时刻的负荷工作状态的问题,提出了基于自筛选的优化遗传算法(AOGA)的稳态监测模型,将电力参数模型转换为有功分量模型及无功分量模型,以此建立双目标函数,解决了由于高谐波电流影响小、求解参数少引起监测误差的问题.优化遗...     

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。     

基于CNN-BiGRU-Attention的非侵入式负荷分解

随着智能电网的迅速发展,为了有效提高电能的使用率,合理规划电能资源,建立全国范围内的智能用电和负荷监测系统,非侵入式负荷监测(NILM)和分解问题一直受到广泛关注。为提高非侵入性负载分解性能,提出一种基于耦合神经网络的非侵入式负荷分解方法。首先,对数据集进行归一化和预处理。其次,构建一种将卷积神经网络(CNN)与双向门控循环单元(BiGRU)相结合的混合深度学习模型,对数据的空间特性和时序特性进行充分挖掘,并加入注意力机制,关注重要信息,剔除冗余特征。最后,采用国内自测数据集进行试验,使用不同的评价指标对该耦合神经网络进行评估,并与其他的常用分解模型进行对比。试验结果表明,所提方法的均值绝对误差与绝对误差和相较于其他分解方法都有所降低,均值绝对误差平均下降了35.9%,绝对误差和平均下降了39.9%。     

非侵入式电力负荷多目标分解框架

现有基于最优化的非侵入式负荷分解方法存在两个问题:使用一到两个特征对家庭负荷的分解效果差;而使用三个及以上特征作为用电设备辨识的目标函数难度高。提出非侵入式电力负荷多目标分解框架,解决传统方法利用特征数少、加权系数难确定等问题。以有功功率、无功功率、视在功率、谐波和电流波形作为电器运行状态的目标函数,建立多目标优化负荷分解模型。利用多目标进化算法(Multi-Objective Evolutionary Algorithm,MOEA)对实测用电数据进行负荷分解求得Pareto最优解集。最后通过多准则决策方法选出识别结果。实验结果表明,增加特征可提高MOEA算法对多个用电设备同时运行时识别准确率,且与当前主流算法相比,所提框架对家庭负荷分解的准确率更高。     

基于VMD-CNN的非侵入式负荷监测方法研究

非侵入式负荷监测通过在总电力接口处安装智能电表,实时采集和分析用户用电信息,从而监测各个用电设备的工作状态。针对电力系统中家庭用户负荷变化呈现的不同特性,提出一种基于VMD-CNN的非侵入式负荷监测方法。首先对采集到的负荷信号进行预处理,用变分模态分解方法将原始负荷功率信号分解成不同频率的有限带宽子序列,然后用Hilbert算法提取低频信号特征并将其输入到卷积神经网络中,再通过网络的自动学习能力学习各模态分量的不同特征,最后用全连接网络对用电设备进行分类,得到各个设备的用电情况。为了验证该方法,采用UK-DALE数据集进行实验验证,并与不同的分类算法进行对比。实验结果证明该方法适用于负荷监测且负荷监测精度达到了0.98。     

基于DTW的多状态负荷的非侵入式负荷分解

非侵入式负荷监测（NILM）是大数据和人工智能的重要应用领域,能够显著提升电网的智能化水平和节能效果。长期以来在NILM中采用稳态特征进行负荷分解时,优点是可识别功率近似的负荷,但是不能处理多状态负荷。为此,采用滑动时间窗作为事件探测算法,提出一种基于动态时间规整（DTW）的多状态特征的NILM模型。该模型首先对多状态负荷进行特征提取,并建立多状态特征的稳态波形模板库;然后利用滑动时间窗算法提取待分解负荷的稳态波形特征,将提取的稳态波形运用DTW算法与稳态波形模板库中的负荷特征计算最小距离进行辨识。该方法能够显著提升稳态条件下多状态负荷的辨识效果。最后采用公共数据集REDD进行测试验证,证明了所提方法的有效性。     

深度神经网络在非侵入式负荷分解中的应用

负荷监测是智能用电的一个重要环节,为了实现非侵入式负荷监测,提出了一种基于深度神经网络的非侵入式负荷分解方法。首先提出了改进的电器状态聚类算法,通过改进终止条件和增加消除冗余类判据使得聚类结果更符合电器实际运行情况。针对目前研究常用的隐马尔可夫模型的弱时间特性问题,提出了电器时间特性模型,综合考虑了电器运行特性和用户使用习惯,从时间角度对电器进行建模。构建了深度神经网络进行负荷分解,网络的输入综合考虑了电器状态及时间、功率信息,采用历史运行数据及时间特性模型生成数据训练网络参数。最后,在测试数据集上验证了方法的有效性和准确性。     

RPROP神经网络在非侵入式负荷分解中的应用

为了解决常用家电设备投切状态辨识问题,提出一种以神经网络为辨识模型的方法,增强其快速辨识能力。首先,从负荷印记出发,针对各用电设备的稳态电流谐波特性,建立用电设备特征标签。然后,采用弹性BP(Resilient back propagation,RPROP)神经网络,将输入数据特征向输出层非线性映射,实现快速收敛至全局最优点。训练中采用多种设备组合方式,进行用电设备特征辨识。最终,以五类常用用电设备进行实验,实验结果表明该算法能够有效地识别家用设备的工作状态组合,且对功率相近、谐波具有较小差异的用电设备工作状态也具有很好的辨识能力。     

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.     

非侵入式电力负荷的辨识和监测

本文提出了一种基于Mallat小波变换的电力负荷瞬态和动态轨迹综合辨识方法。其核心原理在于不同种电力负荷的动态和静态频域特征不尽相同;通过对负荷的电流和电压进行实时采样,并对其有功和无功功率进行实时计算,然后通过Mallat小波变换,将电压与电流、有功与无功功率的分层频谱轨迹特征图实时计算出。通过预先对每种负载的预学习和辨识,在实际使用中便可准确地对各类负载的使用及运行状态做出识别。当系统辨识的负载与预存的数据出现严重差异,可以推测出所接入的设备出现异常,或者有新的负载被接入;系统便可以启动相应的报警和应急处理机制,从而达到对电力负载的实时监控和管理的目的。     

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...     

基于非侵入式负荷监测的日常活动监测∗

文章介绍了基于非侵入式负荷监测的活动监测系统,分析基于孤立森林算法的日常活动监测,利用采集的数据进行实验,并与基于混合高斯模型进行对比。实验表明,孤立森林算法能准确地检测出异常。     

非侵入式负荷监测算法的测试与评价方法

非侵入式电力负荷监测(nonintrusive load monitoring,NILM)是一种低成本、高效益的用电细节信息获取技术,在智能配用电领域具有广阔的应用空间。然而,缺少客观、全面、可靠的测试与评价方法体系将极大阻碍NILM技术的科研进展及其市场化步伐。为此,该文聚焦于NILM算法与产品的测试与评价,从测试数据获取、评价指标选择、测试平台搭建三方面对研究现状及现存问题进行全面总结和分析。首先,对现有NILM评测流程和方法进行了总结分析。进而,明确了测试数据需求指导原则,并对不同的测试数据获取方法以及主流测试数据集进行了总结和对比分析。在此基础上,为了使不同场景下的测试结果具有横向可比性,引入了数据场景复杂性的概念并总结了可量化的复杂性描述方法。在算法准确性和产品实用性两方面,对NILM性能评价指标进行了系统的梳理和分析讨论。最后,总结了NILM领域标准化工作,特别是近期出版的我国电力行业标准《非介入式用电负荷监测装置技术规范》的编写考量与过程。在总结现有测试与评价平台的基础上,介绍了行业标准中推荐的NILM测试与评价平台的通用框架,为相关用户及研究实施者提供全面的参考。     

基于改进鸡群算法的非侵入式家电负荷分解

基于家电负荷在稳态工作时电流具有线性叠加的特点,提出一种基于家电负荷稳态基波电流和谐波电流为负荷特征量的非侵入式家电负荷分解算法。通过将一家电负荷的任一工作状态用0和1来表示,即只有关和开这两种状态,则家电负荷分解问题可转化为求解优化组合问题,然后运用改进鸡群算法来识别各个家电的工作状态。最后通过实例验证了该算法具有较高的负荷识别准确率和广泛的适用性,有利于非侵入式家电负荷分解技术的推广与应用。     

基于非侵入式负荷分解的有色金属冶炼工序识别

为进一步简化数据处理过程和提高生产工序识别准确率,提出一种基于非侵入式负荷分解的工序识别方法。首先将每种工序定义为一种用电设备,然后根据非侵入式负荷分解相关理论,分别选取双向长短期记忆网络和时间卷积网络构建负荷分解模型,选择各用电设备对应功率、总功率数据构造数据集对模型进行训练和测试,最后对测试集负荷分解结果进行相关处理得到对应的工序数据。结果表明由基于时间卷积网络的负荷分解方法构成的工序识别模型具有较高的识别准确率,针对测试集的工序识别准确率达98.83%。     

基于条件生成对抗网络的非侵入式负荷分解

以建筑楼宇电力负荷为核心的电能管理技术是智能电网的研究热点.非侵入式负荷分解技术通过对每户电表总表数据分解,在不侵犯用户隐私的前提下,得到家庭每个用电器的耗电情况.对图像翻译模型Pix2pix进行针对性改进,提出一种基于条件生成对抗网络的非侵入式负荷分解方法.将随机噪声和总负荷作为生成器的输入,生成类似真实电器负荷的序...