基于投票方差的非侵入式负荷波动检测

针对现有事件检测方法在大功率用电设备开启后漏检小功率用电设备切换事件以及对事件发生时间定位不准确的问题,提出一种基于投票方差的波动检测方法,该方法通过投票机制定位事件,可提高检测精度。实验结果表明,该方法在聚合功率水平发生变化时仍然具有稳健性,可检测出的负荷波动范围为40~2000 W,通过对参数的选择,该方法的检测精度达到95 %左右,能够精准检测到开始时间的事件数占95.30%。     

基于seq2seq模型的非侵入式负荷分解算法

非侵入式负荷分解对于节能减排、负荷调峰、智能用能等方面均具有重要的现实意义。针对目前非侵入式负荷分解方法在低频采样条件下（1Hz及以下）分解准确率较低的问题,提出了一种基于卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合的seq2seq的非侵入式负荷分解算法(seq2seq Based on CNN and LSTM,seq2seqBCL)。该模型将功率时间序列作为网络的输入,通过CNN做特征提取。考虑到电力数据的时序性,增加了LSTM层进行电器识别,相比于NILMTK中seq2seq模型降低了网络层数,简化了网络结构。在REDD数据集上对算法性能进行了评估,所提出的算法提升了整个网络系统的性能,与FHMM、CO和传统seq2seq算法相比,负荷分解准确率有明显提升。