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。     

基于卷积神经网络的非侵入负荷辨识算法EI北大核心CSCD

非侵入式负荷监测因其实施成本低且对用户干扰小,具有广泛的应用前景。负荷辨识方法是非侵入式复合监测的主要技术难点之一。研究了非侵入式负荷监测模式下基于卷积神经网络的非侵入负荷辨识算法。首先利用局部平均分解算法对采集到的混合信号进行负荷分离,并通过智能学习的方法提取独立负荷特征,建立了能够处理二维图像数据的卷积神经网络模型,将大量典型家电的运行电流数据转换成图片的形式,对卷积神经网络模型进行训练,并基于该模型进行负荷特征提取,从而达到辨识的目的。经过实际采集的用电数据进行仿真实验,结果表明,基于卷积神经网络的负荷辨识准确率高、识别速度快,模型具有良好的泛化能力,能够有效的实现负荷辨识。     

基于多特征序列融合的负荷辨识方法

针对当前利用低频采样实现非侵入式负荷辨识存在的准确率低的问题,提出了基于多特征序列融合的负荷辨识方法。该方法首先建立负荷存在可能性的整数规划模型,进行初辨识以降低负荷辨识的维度。然后,根据滑动窗口算法获得组合功率序列和原始功率序列,提取其统计特征和奇异值特征,进而利用概率神经网络获得隐马尔可夫模型的观测值序列。同时,利用隐马尔可夫模型对负荷序列信息进行融合,计算观测序列和组合功率序列之间的相似度,从而完成在低频采样下的负荷辨识,并获得各个家用负荷的耗电量。最后,通过单负荷辨识、多负荷辨识、不同采样率辨识和各居民用户负荷辨识的仿真实验,得到负荷准确率和辨识精度的平均值均在85%以上,证明了所提算法的合理性和即时性能够达到在低频采样下负荷的辨识要求。     

基于卷积神经网络的非侵入负荷辨识算法

非侵入式负荷监测因其实施成本低且对用户干扰小,具有广泛的应用前景。负荷辨识方法是非侵入式复合监测的主要技术难点之一。研究了非侵入式负荷监测模式下基于卷积神经网络的非侵入负荷辨识算法。首先利用局部平均分解算法对采集到的混合信号进行负荷分离,并通过智能学习的方法提取独立负荷特征,建立了能够处理二维图像数据的卷积神经网络模型,将大量典型家电的运行电流数据转换成图片的形式,对卷积神经网络模型进行训练,并基于该模型进行负荷特征提取,从而达到辨识的目的。经过实际采集的用电数据进行仿真实验,结果表明,基于卷积神经网络的负荷辨识准确率高、识别速度快,模型具有良好的泛化能力,能够有效的实现负荷辨识。     

利用有限低频信息的居民用户非侵入负荷监测算法

通过更多信息特征或高频采样技术提高识别准确率的负荷监测算法,会增加信息采样阶段的成本和边缘数据处理的难度,提出一种基于有限低频信息的非侵入式负荷监测算法。设计最佳事件检测器,该检测器根据滑动窗口采集聚合负荷数据,并根据统计特征指标判断电器投切位置;将事件发生前后的功率序列作为识别特征,利用互补集合经验模态分解算法分解出功率序列中的多阶本征模态函数和最终趋势,绘制分解结果的二维图像并将其输入卷积神经网络进行训练和识别,从而实现仅基于有限低频采样信息就可高精确率地识别负荷。基于公开数据集的仿真结果验证了所提算法的有效性。     

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...     

基于聚类和关联分析的居民用户非侵入式负荷分解

现有的非侵入式负荷监测方法主要采用监督学习模型,该类模型需要具有针对性的大量训练数据,而且无法有效识别在训练数据中未出现的负荷。在分析多种家用电器负荷特征的基础上,选取负荷投切过程中暂态功率波形和功率变量作为负荷特征,并提出一种基于聚类和关联分析的无监督学习居民用户非侵入式负荷分解方法。首先根据功率变化情况提取电流和电压数据,并计算得到暂态功率波形;然后通过动态时间规整算法计算当前暂态功率波形与历史暂态功率波形的匹配度,并利用动态聚类算法和其他暂态负荷特征判别该功率波形对应的负荷操作;最后以周为单位对负荷操作进行关联分析,确定每种电器对应的多个暂态特征。仿真结果表明,所提方法易于实现,在准确率和可靠性方面有明显提高。     

基于多特征联合稀疏表达的SOM-K-means非侵入负荷辨识

非侵入负荷监测是全面感知负荷数据及能效优化的有效途径。当前非侵入式负荷监测算法的主要观测对象是具有调控潜力的负荷，但对于其中功率较小、负荷曲线相似的电器辨识准确率还不够理想，算法对先验数据的依赖程度较高。基于此，提出一种基于多特征联合稀疏表达的SOM-K-means非侵入式负荷辨识算法，该算法利用负荷特征训练得出最优字典，结合最优字典与多特征联合稀疏表示构建目标函数，求解多特征联合稀疏矩阵，克服了单类负荷特征限制识别负荷种类的问题；将多特征联合稀疏矩阵作为输入，结合自组织(self-organizing map, SOM)神经网络优化的K-means算法与平均绝对误差值进行快速辨识。最后，利用PLAID数据集进行了实验验证，结果表明，所提算法仅需迭代120次辨识准确率即可达到90%,提高了算法收敛速度，证明了该方法能够准确高效地实现负荷辨识。     

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。     

暂态录波型故障指示器的单相接地故障研判应用

实际工程应用中,常采用暂态录波型故障指示器与配电自动化主站相配合的方法对配电网单相接地故障进行定位。本文针对现场暂态录波型故障指示器应用效果,对故障指示器安装过程中可能出现的反向、错相问题,提出了基于稳态特征的波形预处理方法,对故障指示器运行过程中可能出现的三相录波不同步问题,提出了总体最小二乘-基于旋转不变技术的信号参数估计(total least square-estimation of signal parameters via rotation invariance techniques,TLS-ESPRIT)波形同步校正方法,修正故障指示器录波波形,提升波形可用性。针对故障指示器采样频率较低、瞬时暂态波形特征误差较大等问题,提出了基于相关系数法的故障定位算法,提升主站单相接地故障定位准确性。最后,通过现场实际案例验证了文中所提方法能有效校正故障指示器录波波形、准确定位接地故障,提升配网接地故障处理能力。     

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。     

基于自组织特征映射网络的电弧故障检测方法

一般利用故障电弧产生时的电流波形特性进行电弧故障检测。随着线路负载种类的日益增多,故障电弧产生时的电流波形与某些负载无弧情况下的电流波形十分相似,难以通过简单的电流时频域特征进行电弧故障检测,影响电弧故障检测的准确性。针对该问题,提出一种自组织特征映射网络与滑窗法相结合的电弧故障检测方法,在自组织特征映射网络自主挖掘电流数据内在特征的基础上,利用相邻周期电流样本之间的关联性与连续性,对电流信号进行连续检测,提高电弧故障检测准确率。所提方法能有效实现电弧故障检测,电弧故障检测准确率可达99 %。     

基于时频域分析和随机森林的故障电弧检测

针对生活用电器品种繁多,不同类型用电器之间的故障电流与正常电流波形可能类似,导致传统的故障电弧识别方法不能有效检测的问题,提出一种时频域分析与随机森林结合且适用于多种典型负载单独或混合工作的串联型低压故障电弧识别方法。根据收集到的多种负载频谱与纯阻性负载频谱的相关系数,将负载分为开关电源型负载和非开关电源型负载,分别训练两个随机森林模型对其进行故障识别。实验一共收集33 723组正常和故障电流样本验证提出的检测方法,证明所提方法能够提高故障电弧识别率。     

一种基于卷积神经网络的电涡流金属辨识方法

为实现对主要金相组织同为铁素体和珠光体的3种碳素结构钢的辨识,提出一种基于卷积神经网络的金属辨识方法。卷积神经网络可以很好地处理环境信息复杂、推理规则不明确和样品本身有缺陷情况下的分类,利用涡流无损检测技术和卷积神经网络算法搭建了该金属辨识平台,首先在涡流传感器的工作频率范围内随机选取8个高频点,并通过该传感器分别采集各个频点下金属的信息;然后通过傅里叶变换、坐标变换等数据处理使得每种金属的信息图像化;最终通过卷积神经网络训练来获得辨识模型。结果表明,该方案对比传统方式可在不损伤金属的情况下识别金属;对比现有的BP神经网络算法(86.20%),对3种金属的正确识别率都达到了92.33%。     

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...     

基于残差卷积神经网络的温度敏感负荷辨识方法研究

地区电网负荷特性易受环境温度影响,导致负荷辨识结果往往存在较大偏差,研究了基于残差卷积神经网络的温度敏感负荷辨识方法,有效提高负荷辨识准确率.首先,利用基准负荷比较法,构建了商业各企业基准日负荷曲线;其次,利用皮尔逊相关系数法,筛选出与温度相关性强的温度敏感负荷,同时采用多项式回归模型进一步分析温度敏感负荷与实时温度变化的规律,量化温度因素的影响程度;最后,针对温度敏感负荷,提出利用负荷与温度的多项式回归模型系数构建动态温度敏感负荷特征库,作为辨识模型的输入.将基于残差卷积神经网络的负荷辨识结果与传统卷积神经网络负荷辨识结果进行对比,前者的辨识准确率有较大提升.     

基于改进EEMD与GA-BP的谐振接地故障选线方法

针对谐振接地系统发生接地故障,存在暂态信号特征辨识度低,且单一特征作为选线判据易受故障条件影响等问题,提出一种基于改进EEMD与GA-BP神经网络的故障选线方法。首先使用边界局部特征尺度延拓法加集合经验模态分解和多尺度排列熵算法的混合算法（MEEMD）分解暂态电流信号,各项分解指标说明MEEMD能准确区分高频特征分量和基频分量并有效改进端点效应和抑制模态混淆。然后提取重构的高频分量能量、方向以及裕度因子等特征并将其用来训练、测试GA-BP神经网络。结果表明所提出的选线方法有较高的准确率且不受线路类型、接地电阻影响,有较强的鲁棒性和容错性。