基于粒子群算法搜索的非侵入式电力负荷分解方法

非侵入式电力负荷分解是根据入口处电流、电压信号进行用电负荷辨识的一种方法。然而,由于电流、电压波动等因素干扰,单一特征所得到的分解结果通常会与实际用电设备投切结果不一致。为了可靠地提升在线非侵入式电力负荷分解能力,构建了基于谐波的电流特征表达并结合功率两个特征作为设备投切状态辨识的目标函数。同时,引入了正态分布的度量函数,将其融合并作为粒子群(Particle Swarm Optimization, PSO)算法的适应度函数,以此寻找最佳的电力负荷分解结果。最终,通过实验室开发的非侵入式负荷分解装置进行实验。实验结果表明所述方法能获得更好的在线电力负荷分解能力。     

一种基于LSTM模型的电力负荷辨识方法

文中针对非侵入式负荷检测技术,提出了一种基于LSTM网络深度学习模型的负荷辨识方法。在该方法中,为避免电压、电流等信号的干扰,提出一种基于高斯窗移动变点寻优算法监测负荷事件,提取谐波分量作为负荷特征标签作为LSTM模型的输入,进而建立起内在信息间的映射关系,并依次进行模型的离线训练与负荷数据的在线辨识,实现对用电设备类型及其运行状态的精准辨识。经实验数据证明所提出的方法能准确完成对用电设备状态的辨识。     

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。     

基于聚类特征及seq2seq深度CNN的家电负荷识别方法研究

非侵入式负荷分解技术能够挖掘用户内部信息获取各用电设备负荷信息,使智能电网更加贴近日常生活,为泛在电力物联网感知层建立提供有效数据。为解决传统非侵入式负荷分解方法输入数据复杂,考虑因素较多,采样硬件要求高以及辨识准确率较低等问题,文章首先利用改进迭代K均值聚类提取用电设备运行状态建立负荷特征集,之后将特征集输入构造的序列到序列的一维深层卷积神经网络模型以及序列到序列的单、双向长短时记忆网络等模型中进行负荷分解挖掘各设备运行状态。最后通过REFITPowerData数据集进行验证,一维深层卷积神经网络模型虽然耗时较大但负荷识别准确率达到93%以上,表明基于特征数据集及序列到序列的一维深层卷积神经网络非侵入式负荷分解方法与其他深度学习模型方法、人工神经网络方法相比表现出更显著的信息提取能力以及辨识能力。     

基于关键特征提取和 Elman 神经网络的 开关电源多参数辨识

开关电源作为电子系统的重要组成部件,一旦发生故障将会对整个电子系统带来不可估量的损失,所以需要对开关电源的元器件参数进行及时准确地辨识,以便有效地评估开关电源的健康状态。受环境应力的影响,在实际工作中开关电源的多个元器件参数均会发生退化。为有效地辨识开关电源的状态,提出基于关键特征和Elman神经网络的开关电源多参数辨识方法,方法首先利用小波包分析提取局部能量特征;为提高辨识精度,将变异系数作为优选局部能量特征的标准,提取具有较大变异系数的局部能量特征作为关键特征;最后,采用Elman神经网络建立关键特征与辨识参数的关联。仿真实验和硬件实验结果证明具有较高的辨识精度和良好的实用性。     

一种基于组合算法的异常用电模式辨识方法

针对电力用户异常用电的检测问题,提出了一种基于无监督组合算法的异常用电模式辨识方法。所提辨识方法由数据处理、特征提取、离群检测三部分组成。文中先获取用户的用电量及相关数据,进行数据清洗和缺失数值补全;再对数据进行特征提取,得到相应的异常用电识别特征量;通过k均值聚类将用户聚为两组,并分别对每组进行主成分分析优化特征空间,计算离群邻近度,通过2 sigma原则实现异常用电用户辨识。该方法通过聚类、优化特征空间、离群检测组合算法,提高了辨识效率。文中采用真实用电数据进行了异常用电用户辨识仿真实验,辨识结果验证了该方法的有效性。     

基于改进排列熵算法和Yamamoto算法的非侵入式用电设备状态变化检测

非侵入式负荷监测已经成为智能电网负荷监测管理的关键技术之一。用电设备状态变化过程所表现出的暂态特征是进行非侵入式用电设备状态辨识的重要依据,但其精准提取取决于用电设备状态变化的准确检测。为此,提出了一种基于改进排列熵算法和Yamamoto算法的非侵入式用电设备状态变化检测算法。首先对排列熵算法进行多尺度改进,利用多尺度排列熵的差值分析确定状态变化发生的区间,然后利用Yamamoto算法进行区间检测,定位状态变化的时刻。仿真分析结果表明,所提算法可准确检测用电设备的状态变化,有效地提高后续利用暂态特征的设备状态辨识准确率。     

基于Bi-LSTM算法的非侵入式负荷监测模型

随着深度学习技术的发展,基于深度学习的非侵入式负荷辨识算法成为了研究热点。本文首次将双向长短期记忆网络(bilateral long-term and short-term memory network,Bi-LSTM)用于负荷辨识,提出了基于Bi-LSTM的非侵入式负荷辨识算法,通过定位负荷事件发生时刻,将负荷运行状态始末的稳态信息(有功功率、无功功率和15次奇偶电流谐波)进行组合作为训练后Bi-LSTM的输入,并使用精确度、召回率、准确率和F1值作为评价指标,实验结果显示该方法能够对小功率和多状态电器进行辨识,相较于长短期记忆网络(long-term and short-term memory network,LSTM)和循环神经网络(recurrent neural netw ork,RNN),Bi-LSTM体现出更强的辨识能力。此外,针对一个时间段存在多个电器运行的情况,提出基于负荷运行状态起止特征匹配的方法,并通过实验证明了该算法的可行性。     

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。     

低压配电网非侵入式电力负荷异常数据辨识方法

针对传统低压配电网中传统的电力负荷异常辨识方法中存在的辨识结果正确率低,影响用电设备正常运行的问题,开展了对电力负荷异常数据辨识方法研究。通过负荷事件检测、选择符合异常特征量、基于特征匹配的异常数据辨识,提出了一种低压配电网非侵入式电力负荷异常数据辨识方法。通过实验证明,该方法与传统方法相比有效提高了辨识结果的正确率,更加满足用户对用电设备电力负荷状态的辨识要求。     

基于电器运行状态和深度学习的非侵入式负荷分解

根据不同电器运行状态数的差异,将电器分为状态复杂和状态简单2类.状态复杂电器存在多种工作状态,且前后状态有逻辑关联.因此,利用非基于事件的方法,选择能考虑过去和未来运行状态变化的双向长短期记忆网络对其进行分解,并采用树结构Parzen估计算法选择该网络的超参数以提高训练的精度.状态简单电器仅有开关状态,故利用基于事件的方法获得其投切状态,并选择多层感知器网络识别对应电器种类.最后,利用极大似然优化模型求解电器的功率序列.利用参考能量分解数据集对所提方法进行验证,结果表明该方法增强了负荷分解模型的可拓展性和抗噪声能力,在一定程度上提高了负荷分解的精度.     

基于深度循环卷积模型的非侵入式负荷分解方法

电力分项计算是智能电表的一个重要环节,即对接入户线的各个电器设备进行用电消耗检测。对电力公司进行精准预测,提高系统稳定性可靠性,制定调度方案,设计“错峰用电”费率结构,发现设备老化和故障有着重要意义。为了实现电力分项计算,文中提出了一种基于深度循环卷积神经网络的非侵入式负荷分解方法。对目标电器的不同功率状态进行编码,用循环卷积神经网络提取输入负荷总功率的空间时间特征。对输入数据进行归一化提高模型训练速度,用drouput技术降低模型过拟合,用迁移学习技术实现对不同目标电器的功率状态预测建模。并和传统的隐马尔可夫模型进行对比。文中采用公开的redd数据集,结果证明文中所提出的模型能很好预测目标电器的功率状态。     

基于云端协同的家用电器负荷辨识能力提升技术研究

居民家用电器类型丰富,具有相似特征量的电器种类往往很多,给非介入辨识带来电器类型不确定、辨识准确度有待提升等问题,所以提出了一种基于多类型特征交互的云端协同的负荷辨识方法.首先端侧基于高频采样进行特征提取及负荷辨识,基于CUSUM事件检测方法提高检测过程中小偏移事件的检测灵敏度,应用轻量级邻近辨识方法进行基本电器辨识并将不确定电器的时空特征上送云端;其次云侧辨识能力提升,构建了包含固有特征、时空特征及统计特征的16维云侧历史特征库,提出了面向多维时空特征的最邻近原则优化辨识技术;最后构建云侧闭环升级机制,云侧将差异性特征回送端侧完善终端电器特征库,综合实现不确定电器细化识别能力提升.以南京某用户为例,云端协同相较于终端的居民一般电器的辨识率从67％提升至91％,并实现了无法辨识电器的辨识,有效验证了算法的有效性.     

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。     

基于多特征目标函数PCA-ILP的非侵入式负荷分解方法

非侵入式负荷监测（non-intrusive load monitoring, NILM）能够在不影响用户正常用电的前提下,低成本地获取用电信息,实现用电设备的类型识别和负荷分解,而大量智能电表的安装也为用户进行NIML提供了数据与技术支撑。首先,在研究常见家用电器的功率特征、电流波形及其频域谐波特征的基础上,采用主成分分析方法（principal components analysis, PCA）对高维谐波特征空间进行降维,提取主要谐波信息,与基本功率特征结合形成多特征目标函数。然后,基于整数线性规划（integer linear programming, ILP）模型,提出了考虑多特征目标函数的PCA-ILP的NILM方法。算例分析表明,所提方法对不同信噪比（signal to noise ratio, SNR）下的不同家用电器应用场景均具有良好的负荷分解效果。     

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。     

基于时频特征分析的变压器有载分接开关运行状态识别

为了对变压器有载分接开关的运行状态进行识别,该研究首先对其运行状态和故障特征进行总结分析,针对分接开关运行过程中产生的振动信号,利用集合经验模态(EEMD)分解为多个固有模态函数分量(IMF),再经过希尔伯特变换法,结合能量熵提取得到基于时频分析的特征向量。将特征向量输入自适应遗传算法(AGA)优化的BP神经网络模型中进行故障识别,并进行数据仿真,与相空间重构后提取的特征向量(PPDC)进行对比,验证不同网络模型下,所提方法的识别准确率和收敛速度。结果表明,以PPDC故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为81.68%和88.32%,收敛次数为981和363,当以基于时频特征提取的故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为91.66%和96.68%,收敛次数为349和159,AGA算法可显著提高BP神经网络模型的性能。由此可见,可将时频特征提取方法与AGA-BP神经网络结合,实现有载分接开关运行状态的有效识别。     

Research on Non-Intrusive Load Monitoring Method Based on Feature Difference Enhancement

Abstract

Non-intrusive load monitoring technology is the key technology to realize smart grid construction. The identification and classification of similar electrical appliances and low-power small-current electrical appliances in non-intrusive load monitoring has always been the focus of research and the difficulty of breakthrough. This paper uses current harmonic amplitude as classification data and based on the composition characteristics of harmonic amplitude data, and the current situation of fuzzy classification of similar electrical appliances, pointing out a method for enhancing the characteristic difference of harmonic amplitude data. This method can improve the current situation that the low-power electric load is difficult to identify when the low-power electric load and the high-power electric load work together. The status quo of identification has a good effect on the classification of low power and similar electrical load. In this paper, a non-intrusive load monitoring system is built, the bus current data is collected, and a feature database is built, and the network is used to classify the feature data and finally obtain the classification result. The experimental results show that the proposed method has a significant effect on the accuracy of classification and recognition of similar electrical appliances with similar eigenvalues.     

灼热丝试验分析

本文作者在多年积累的工作经验基础上,参照家用电器安全试验标准,归纳了影响家用电器灼热丝试验的几种因素,并结合具体事例分析了影响试验的原因,以及在进行灼热丝试验时的注意事项。     

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。