基于EEMD和特征降维的非侵入式负荷分解方法研究

针对现有非侵入式居民用电负荷监测缺乏对独立负荷完整、全面的分解方法,导致用电信息的完整性得不到保证的不足,提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)和Pearson-PCA改进的盲源分离算法。首先,利用EEMD对总功率信号分解,以消除经验模态在分解过程中易出现模态混叠的现象,并得到一系列本征模函数(IMF)。然后,结合Pearson相关系数和PCA,提出Pearson-PCA改进算法对IMF进行降维,剔除相关性较弱的IMF分量,以及估计源信号数目。其次,运用快速独立分量分析(Fast Independent Component Analysis, FastICA)对降维后的IMF进行分解,计算得出源功率信号。最后,将提出的改进算法应用于非侵入式居民用电负荷分解问题,采用能量分解数据集(Reference Energy Disaggregation Data, REDD)进行实验仿真。实验结果表明：在不同用电场景下,提出的改进算法均具有较好的分解效果。     

基于选择性贝叶斯分类的非侵入式负荷识别方法

非侵入式负荷识别可以提供用电信息,帮助用户改善用电习惯,是智能用电的关键技术。现有非侵入式负荷识别方法主要基于负荷的稳态特征进行识别,对稳态特征近似的负荷识别率不高。针对此问题,该文结合各类家用负荷在投切过程中的不同特点,提出了一种基于选择性贝叶斯分类的识别方法。首先,利用模拟退火算法从特征库中依据负荷特点选择出对于各类负荷最具辨识度的特征;然后,根据选择的特征和高斯核密度估计方法建立灵活贝叶斯分类器;最后,通过计算各负荷的后验概率对负荷进行识别。经实测数据检验,该方法具有良好的识别精度和计算速度。     

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...     

一种基于非侵入式电器设备监测及识别方法

随着电网的发展,电力监测系统需要监测到每个电器设备的工作状态,传统对电器负荷监测是采用侵入式方法,该方法需要安装大量的监测设备,成本很高.本论文提出了一种基于非侵入式的电力监测实现方法.设计了一套基于STM32F103单片机的电量监测方法,并根据智能识别算法,从监测数据中识别出各设备的运行状态,从而达到各个电器设备转态...     

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。     

基于特征加权KNN的非侵入式负荷识别方法

针对不同稳态特征对识别结果的影响程度不同,并考虑到不平衡数据集造成的少数类误判的问题,提出一种基于特征加权KNN的非侵入式负荷识别方法。首先,采用熵权法计算特征权重,利用特征权重改进特征距离的计算。其次,根据样本数量和对应算法k值计算得到表决权重,带入投票表决过程中,以此来增加少数类的分类准确性。实验结果表明,针对实测负荷数据集时,本文算法的平均识别准确率为93.4%,与KNN算法相比提高了2.8%;针对公开数据集时,本文算法的平均准确率和F1得分分别为86.8%和81.6%,要优于其他4种分类算法。     

基于奇异值分解的非线性负荷谐波源定位方法

从电力部门运行和管理的角度出发,提出利用负荷的非线性特性定位谐波源及划分谐波责任的方法。该方法通过建立负荷时域等值模型,在不知道系统侧和用户侧负荷参数的情况下,利用公共连接点(PCC)上电压、电流的物理关系建立微分方程,求解负荷等值阻抗参数。根据辨识的负荷等值阻抗参数定位谐波源。采用奇异值分解(SVD)方法对采样的电压、电流数据进行分析,克服测量噪声及量测矩阵奇异的影响,提高参数辨识的精度。应用量化的负荷非线性度,进一步区分各谐波源的谐波责任。仿真表明,该方法简单可行,可准确定位谐波源,且不受背景谐波的影响。     

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%。     

谐波阻抗测量及谐波源识别方法的探讨

针对电网中谐波源识别与谐波责任量化区分这一电能质量研究的基础问题,叙述了谐波阻抗测量的方法以及谐波源识别的研究现状,讨论了各种识别谐波源以及定量确定谐波责任的理论和技术方法,最后对电网中谐波源识别与谐波责任量化区分的发展趋势提出了看法。     

基于稳态电流波形匹配的非侵入式家用负荷快速识别方法研究

针对现有非侵入式负荷识别方法存在识别特征量表征性差(选取不典型),识别算法收敛速度慢,识别结果精度低等问题,提出一种利用波形相似度匹配来辨识家用负荷的方法.将互近似熵原理与二值距离矩阵相结合,提取家用负荷稳态运行时的电流波形作为特征量,通过直接计算待识别的测试电流波形与模板库中的样本波形之间的互近似熵值,来进行波形相似...     

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%。     

基于复合判据的谐波／间谐波源识别方法

提出一种基于多种判据进行组合判别的谐波/间谐波源识别方法。在对有功功率符号进行分析的同时将无功功率与有功功率之比作为参考,判断功率角测量的可信性。在此基础上,根据负荷阻抗通常远大于系统阻抗的事实,追加绝对阻抗对不可信的数据进行补充判断,并利用有功功率大小关系判断是否有背景谐波/间谐波源共同存在的复杂情况。提出一种时域测量法提取谐波和间谐波参数,保证可获取更多的数据样本。对于间谐波源,利用间谐波成对存在的特点增加了补充判据。仿真实例证明,将各种方法结合在一起进行复合判断,能增强谐波/间谐波源识别的稳健性。     

基于决策融合的非侵入式电力负荷辨识方法及应用

在非侵入式负荷分解与辨识中,单独一种算法的辨识决策方法容易受算法自身的局限性以及电网对用电设备而降低辨识精度,使得不能准确获得用电设备投切情况。为此,基于多种不同算法得到的分解与辨识结果,提出了一种非侵入式电力负荷分解与辨识决策融合方法。首先,提取每个用电设备平稳状态下的负荷特征,并采用3种常用的模式识别方法进行分解与辨识。然后将得到的辨识结果,进一步采用一种加权方法对投切结果进行决策。最后采用案例分析,对决策融合方法进行了合理验证。结果证明,辨识决策方法可以有效地提高设备辨识的准确性。     

基于KD树和BP神经网络的非侵入式负荷识别算法∗

针对现有的非侵入式负荷监测方法难以准确识别具有相似电特性负荷的问题,提出了一种基于切换概率分布曲线对识别结果进行修正的非侵入式负荷监测方法.首先,将电流分解为各负荷的独立工作电流;其次,利用谐波特征对负荷进行初始识别;然后,利用已有数据训练BP神经网络,拟合出被识别负荷的切换概率分布曲线;最后,根据切换概率分布曲线对识别结果进行修正.利用实测数据进行分析,验证了该方法的有效性.