配电网边缘计算轻量化负荷分解

针对非侵入负荷分解如何实现未识别设备负荷事件的准确检测的问题，设计云-边协同计算体系，通过挖掘边缘侧采集的负荷数据行为特征，实现有效分解负荷信号。考虑边缘侧嵌入式控制平台计算与存储资源及功耗等指标限制，提出轻量化K均值聚类算法；选取瞬时峰值、瞬时功率变化量及谐波分量为聚类特征在本地实现负荷类型辨识；设计轻量化粒子群优化算法，实现动态聚类算法与暂态功率、谐波分量等特征的结合。本文设计的电能监测算法对REDD共享数据集的识别准确率大于97.79%，实现了对某小区313户居民日用电数据的非侵入负荷监测。     

结合图半监督与广义回归神经网络的非侵入式海洋平台负荷监测

海洋平台微电网所处环境复杂,对其自动化和智能化要求较高,目前缺少对其负荷实时智能监测和管理的方法。从非侵入式负荷监测的角度,考虑海洋平台的经济性要求和特殊的工业环境,提出结合图半监督与广义回归神经网络的非侵入式海洋平台负荷监测方法。采用图半监督学习算法自动标记训练数据集,减少了人工标记数据的工作量,使系统能自动完成数据标记。并与半监督聚类算法对比分析,表明图半监督学习算法对数据标记具有更高的正确率。再利用广义回归神经网络较强的非线性分类能力,提升负荷识别的识别精度和减少计算复杂度。Matlab/Simulink仿真结果表明,所提出的负荷识别算法不仅减少了人工干预而且具有高精度的识别率。     

基于DTW算法的非侵入式家居负荷行为识别方法

随着电力负荷监测在生产和生活中的广泛应用,非侵入式负荷识别技术得到发展,具有很好的发展前景。针对非侵入式家用电器负荷的行为识别存在识别特征量难以优化,识别算法收敛性差等问题,提出了一种基于特征匹配度的家居负荷的行为识别方法。将家用负荷开、关时的暂态波形和功率变化值作为特征量,运用DTW算法计算测试模板与参考模板之间的相似度,有效的识别出家庭用电的各项负荷数据,并且通过三种案例来模拟负荷的识别过程,验证了算法的可行性。     

基于时间分区和粒子群优化的非侵入式负荷分解

非侵入式负荷检测与分解技术是智能电网技术体系的重要组成部分,针对现有分解技术对功率相近或小功率负荷辨识精度较低的问题,提出基于时间分区和V型粒子群优化的非侵入式负荷分解算法。首先,通过具有噪声的基于密度的聚类算法对负荷的功率特征聚类分析,得到负荷的功率特征模板,并求解负荷典型工作时间区间,得到负荷的时间特征模板。然后,综合考虑功率及时间2种特征,构建V型粒子群算法的目标函数,实现负荷分解。最后在AMPds2公开数据集上实现仿真,并与隐马尔可夫模型对比,验证了文章方法的有效性。     

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。     

基于特征相似度的非侵入式用电负荷识别模型研究

通过监测采集非侵入式不同用电设备的电流、电压和有功功率等数据,并按其稳态和暂态过程定义出不同的特征参数建立标准特征库。利用被监测设备的实际用电负荷与标准特征库中各用电设备的稳态与暂态波形的相似度,构建出用电负荷识别模型。将在线实时监测的用电情况计算出来的稳态与暂态特征值作为模型输入,即可自动识别出用电设备的运行状态。     

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。     

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。     

基于改进GMM-CNN-GRU混合的非侵入式负荷监测方法研究

为挖掘用户侧节能减排潜力,对用户用电行为进行精细化分析和管理,提升电能利用效率,提出了一种基于高斯混合模型聚类和深度神经网络相结合的非侵入式负荷监测方法。首先,针对同一电器常出现功率相近但运行状态不一致问题,利用高斯混合模型聚类算法中“软分类”和类簇灵活的优势,对负荷工作状态进行精细分类,形成负荷用电设备实际运行情况的负荷状态特征库。其次,针对常见的应用于非侵入式负荷监测模型的深度神经网络在多标签分类时存在识别精度低等问题,提出卷积神经网络与门控循环单元混合的深度神经网络模型。最后,综合考虑外部环境数据对家庭用户用能习惯的影响,在AMPds2数据集上开展验证分析,并与其他模型进行对比。结果表明,所提的非侵入式负荷监测模型具有较高的准确性。     

基于贝叶斯网络的非侵入式家庭负荷动态监测模型

智能量测技术是智能电网的重要组成部分,为了实现非侵入式负荷低频监测并进一步提升负荷辨识准确率,文中结合居民用电行为与外界环境相关的特点,提出一种基于贝叶斯网络的非侵入式家庭负荷动态监测模型,该模型选取电气特征和外部数据为特征量,综合考虑居民符合的时间特性和对外部数据的关联特性,对居民用电行为采用贝叶斯网络模型进行建模分析,并随时间推移对特征库进行动态更新,从而实现对家庭负荷的监测作用。本文采用AMPds2公开数据集数据进行算法验证,证明本文算法的准确性和有效性,同时对外部数据和用电行为进行互信息分析,结果表明时段特征对用电行为相关性最强。     

基于随机森林算法和稳态波形的非介入式工业负荷辨识

非介入式工业负荷的准确辨识可以获取工厂内各负荷的运行情况,有利于需求侧智能用电管理.工业负荷由于采集暂态数据建模困难、需要高精度测量设备等特点,造成辨识方法复杂难以实现.针对这种情况,提出一种利用随机森林算法和稳态波形的非介入式工业负荷辨识方法.首先,通过事件监测工业负荷功率状态变化并提取稳态波形,根据工业负荷性能不同...     

深度学习与幅值特征相融合的低频采样非侵入式负荷辨识算法

非侵入式负荷监测中虽然高频采样能提高负荷辨识准确率,但对数据采集设备要求高,难以推广,因此,低频采样下负荷辨识方法成为研究热点。以低频采样下负荷投入时的暂态电流波形为特征,采用卷积神经网络算法实现负荷辨识,辨识结果发现CNN对暂态电流波形差异大的负荷辨识准确度高,但是对暂态电流波形相似的负荷识别准确率低,为解决这一问题,在卷积神经网络辨识的基础上,对暂态电流波形相似的负荷,以暂态电流幅值为特征作进一步辨识,以提高辨识准确率。通过使用实测数据进行验证,结果表明所提算法可以很好地克服低频采样下波形特征相似负荷识别准确率低的问题。     

基于改进卷积神经网络的非侵入负荷辨识方法研究

非侵入式负荷监测作为客户侧泛在电力物联网重要技术之一,不仅有助于电力公司加强负荷管理,还可以引导用户合理安排负荷的使用,为实现以家庭电力用户为主体的需求侧响应和满足居民用户对精准精益用电服务需求提供了重要的技术支持。对非侵入式负荷监测中低频采样信号分辨率低,负荷特征易重叠,以及卷积神经网络不能有效辨识具有相似波形特征负荷的问题,提出了融合暂态电流波形和时域特征的改进方法,将暂态电流值均方根融合到电流波形图像以提升相似波形特征负荷的辨识正确率。通过实测数据和负荷识别参考数据集(REDD)测试,验证了所提方法的可行性和有效性。     

基于先验统计模型的非侵入负荷辨识算法研究

本文针对传统非侵入负荷辨识技术中电热细分能力不足的问题，提出了一种基于先验知识与统计学习模型的居民非侵入式负荷辨识算法。本文对洗衣机辅热、电水壶、电饭锅、电热水器等设备进行了电热细分研究，通过设备运行关联算法实现了辅热设备的细分，并在用户有限反馈信息和专家标注的基础上，实现了非辅热设备分类的模型训练。实验结果表明，本文所提技术框架在事件检测负荷辨识算法的基础上实现了电热设备的细分，且在运行状态分解的F1指标中取得了0.9以上优异效果。     

基于特征选择与增量学习的非侵入式电动自行车充电辨识方法

为实现从电网侧监测电动自行车违规停放充电行为,减少电动自行车充电火灾事故,在非侵入式负荷识别的基础上,提出一种基于特征选择与增量学习的电动自行车充电辨识方法。首先,根据电动自行车充电实测电流波形,分析负荷特性并列举15种负荷特征。通过半监督Fisher计分与最大信息系数量度特征辨别度与冗余度,采用贪心搜索算法对特征重要性排序并结合排序与辨识结果选择辨识准确性最高的特征子集。然后,基于一类支持向量机增量学习方法,实现电动自行车负荷辨识与分类器在线学习。最后,通过实测数据进行试验,结果表明文中方法可以对电动自行车充电行为准确辨识,验证了算法的有效性。     

基于简化HMM和时间分段的非侵入式负荷分解算法

针对现有非侵入式负荷分解算法需要以过去时刻的分解结果为依据,从而造成误差累积的问题,提出一种基于简化的隐马尔可夫模型和时间分段的非侵入式负荷分解算法,以实现居民家庭的负荷分解。对负荷的低频功率信号进行分层抽样和聚类分析,构建负荷功率模板并利用独热码对超状态进行编码表示。基于简化的隐马尔可夫模型和普遍生活规律对家庭用电时间段进行划分,在每个时间段内单独训练参数。结合总线数据和各时间段参数实现对各时刻负荷功率的独立求解。基于2种国外公开数据集的测试结果验证了所提算法的准确性和实时性。     

基于差量特征提取与模糊聚类的非侵入式负荷监测方法

现有非侵入式负荷监测(NILM)方法主要将电器功率大小作为特征值,对于低功率电器识别的准确性不够,无法满足精细化智能用电的应用需求。文中分析了多种家用电器的功率和谐波特征,并选取低功率电器差异最大的频域谐波幅值作为新的特征。在此基础上提出一种新的NILM方法,该方法采用差量特征提取方法获取任意时刻的特征值变化量并引入信息熵的方法,通过计算簇间熵来确定最佳聚类数和负荷相似度;再通过模糊聚类实现电器负荷数量及种类的聚类识别。实验结果表明,文中提出的NILM方法在不同场景下均具有良好的可靠性和鲁棒性,采用谐波特征后识别准确性有明显提升。     

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。     

基于孪生分支网络的非侵入式冲击负荷辨识方法

传统边缘侧电力设备无法有效检测出对电网影响较大的冲击性负荷的设备类别与功率启停信息。为此,提出一种基于孪生分支网络的非侵入式冲击负荷辨识方法。通过总线入口处的高频采样数据提取波形的V-I轨迹特征和对角高斯谐波特征;预设多种先验信息对不同设备的冲击负荷特性进行训练,特别地,设计一种基于孪生分支结构的卷积神经网络,利用二分类交叉熵损失函数实现冲击负荷的分类辨识,同时引入最小平方误差损失函数对冲击负荷功率进行分解;使用非侵入式的方式并基于ARM Cortex-M4平台进行算法部署与识别测试。对比不同识别算法对冲击负荷的辨识能力,结果表明,当电网发生大功率冲击性波动时,孪生分支网络可以更准确地识别冲击负荷的设备类别,有效提高了对冲击负荷的辨识效果。     

基于DTW算法与稳态电流波形的非侵入式负荷辨识方法

非侵入家用负荷识别技术可以指导家庭用户合理安排用电,提高用能效率,同时也为电力部门提供家庭用电的数据支持,有利于了解负荷用电规律及趋势,完善电力规划。由于家庭用户用电负荷的稳态特征值存在相似和无规律的问题,现有的方法多采用高级算法对所有的用电负荷组合进行训练。针对现有采用负荷稳态特征值方法进行识别所存在的不足,考虑到家用负荷稳态波形具有独特性和叠加性,提出了一种利用动态时间弯曲(DTW)算法计算与模版库波形的距离来识别家用负荷的辨识方法。首先,建立负荷稳态波形模版库;然后,在电压满足一定条件的情况下,测量家庭用户电流的稳态波形;最后,利用DTW算法计算出最小距离进行识别。