基于三元组孪生网络的窃电检测算法

窃电数据量的缺乏对窃电检测算法的辨识准确度造成了极大影响,因此该文提出在小样本条件下基于三元组孪生网络的窃电检测方法。利用格拉姆角场(gramianangular field,GAF)实现用电序列图像化,再使用三元组孪生网络提取用户用电数据中的特征向量,基于欧氏距离进行特征向量的相似度比对,实现窃电检测。由于三元组孪生网络不仅对训练样本本身的特征进行提取,还对同类样本间的相似性与非同类样本间的差异性进行了学习,提高了特征向量的聚类效果,拥有较高的轮廓系数(silhouette score)。算例结果验证了所提算法在小样本情况下的准确性和优越性。     

基于V-I轨迹与高次谐波特征的非侵入式负荷识别方法

针对传统方法无法准确识别含高次谐波家用负荷的问题,文中提出了基于V-I轨迹矩阵、功率及高次谐波多特征融合的负荷辨识方法.首先,分析了11种典型家用负荷的V-I轨迹、功率特征以及谐波特征,提出了基于像素图像转换的混合特征矩阵构建方法,将负荷的功率、高次谐波特征通过二进制编码转换与基本V-I像素轨迹相融合,丰富了样本的特征信息;然后以混合特征矩阵作为卷积神经网络的输入,实现了对家用负荷类型的准确识别.算例中,文中所提算法可准确区分功率特征相似但高次谐波含量不同的加热器与吹风机2种负荷,且其对全类型家用负荷的准确辨识率超过93％.该算法的应用可为实际中准确排查含高次谐波家用负荷的用电安全隐患提供有力的技术支撑.     

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。     

工业煤粉锅炉中间仓落料冲击现象分析及解决方案

工业煤粉锅炉在煤粉储仓向中间仓卸料过程中,经常出现炉膛负压波动增大的现象,带来安全隐患;煤粉燃料供给不稳定是引起炉膛负压波动增大的原因之一。为解决此问题,结合工业煤粉锅炉系统中对供料稳定性与均匀性的要求,以能量守恒定律与动量定理进行分析;认为引起波动的主要因素为煤粉的自由落体运动对物料面产生不均匀冲击,并传导至中间仓底部,导致中间仓底部的煤粉堆密度不断变化,使得下游螺旋供料器的实际受料量随之改变,引起供料不稳定。以增加煤粉在中间仓的流动路程为设计原则,重新设计中间仓的内部结构,增加了伞帽的设计。经过实际测试,证明中间仓内部结构的改造有效,但实际应用中,伞帽的设计仍有改进空间。最后结合实际运行维护的便利性及可操作性,提出了在中间仓内部设计固定伞帽配合导流板方案,使中间仓的内部结构满足理论需要,具备可操作性,有效缓解了落料冲击的问题。     

基于V-I轨迹与高次谐波特征的非侵入式负荷识别方法

针对传统方法无法准确识别含高次谐波家用负荷的问题,文中提出了基于V-I轨迹矩阵、功率及高次谐波多特征融合的负荷辨识方法。首先,分析了11种典型家用负荷的V-I轨迹、功率特征以及谐波特征,提出了基于像素图像转换的混合特征矩阵构建方法,将负荷的功率、高次谐波特征通过二进制编码转换与基本V-I像素轨迹相融合,丰富了样本的特征信息;然后以混合特征矩阵作为卷积神经网络的输入,实现了对家用负荷类型的准确识别。算例中,文中所提算法可准确区分功率特征相似但高次谐波含量不同的加热器与吹风机2种负荷,且其对全类型家用负荷的准确辨识率超过93%。该算法的应用可为实际中准确排查含高次谐波家用负荷的用电安全隐患提供有力的技术支撑。