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...     

基于遗传优化的非侵入式居民负荷辨识算法

负荷在线监测能够为电网及用户提供即时的用电信息,是支撑能效管理和负荷预测工作的有效手段。传统监测方法采用侵入式设计,难以大范围推广应用,因此非侵入式负荷监测方法(NILM)具有重要研究意义。负荷辨识是非侵入式负荷监测的关键,以典型居民负荷的特性分析为基础,提出了一种基于遗传优化的非侵入式居民负荷辨识算法。该算法基于负荷设备的负荷特性,包括有功功率和电流有效值,利用三种不同的编码方法构造判断负荷运行状态的适应度函数,通过遗传算法寻优,最终确定居民负荷的工作状态,并通过实测数据进行验证。实验结果表明,该算法能够实现居民用户负荷状态的有效辨识,且算法收敛速度较快,准确度高。     

基于负荷空间划分的非侵入式辨识算法*

针对传统的侵入式监测系统在设备投入、复杂性以及扩展性上存在的缺陷,以非侵入采集机制获取的负荷数据为基础,研究了一种基于负荷空间划分的负荷辨识方法。首先对5种典型负荷的10种特征进行降维处理,得到最佳辨识特征;利用最小平方误差算法构建判别函数,划分5种负荷的特征空间;利用负荷特征空间交叉的方法,实现负荷的辨识。利用实际采集的用电数据验证了该算法的有效性,且通过特征降维处理提高了算法的运算效率,通过负荷分离提高了辨识准确性。     

基于KM算法投切事件匹配的负荷辨识方法

负荷投切事件是关联负荷分类、辨识的一个重要依据,为了能够准确的实现非侵入式负荷投切过程的辨识,提出一种基于KM算法投切事件匹配的非侵入式负荷辨识方法。在该方法中,首先采用一种功率曲线拟合逼近的方式进行负荷事件检测,并利用投切稳态特征建立用电设备投入和切除特征的概率分布模型。同时,考虑到负荷投入事件和切除事件数量不对等情况,将负荷事件与数据库负荷进行匹配,并采用加权优化的KM算法寻找最佳解,从而实现负荷投入和切除的正确匹配辨识。最后,在真实的测试场景并结合REDD数据集进行实验,结果表明文中方法能对负荷投切事件进行有效匹配辨识,为实现能耗细分奠定了基础。     

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LMD和模型匹配的家电负荷识别算法

家电负荷识别是智能用电的重要环节,传统侵入式负荷监测具有成本高、安装维护复杂的缺点,因此以非侵入式负荷监测为基础研究家电负荷识别算法。结合系统辨识的基本原理和方法,以稳态电流、稳态电压为特征,提出一种基于局部平均分解(LMD)和模型匹配的家电负荷识别算法。通过预先获取用电网络中各负荷的稳态数据,构建线性和非线性模型库。利用LMD算法将混合信号分解为单个负荷的用电数据,通过预筛选确定分离数据所属模型库,根据模型匹配原则进行负荷识别。仿真结果表明,所提算法可以准确识别出各负荷的运行状态,运算效率高,并能有效应对用电网络中有新负荷加入的情况。     

考虑辨识结果连续性的Type-Ⅲ型工商业负荷辨识方法

非侵入式负荷监测技术可以引导用户合理安排用电时间,从而减少电量消耗.其中,由于状态的连续可变性,连续变化(Type-Ⅲ)型负荷的辨识一直是非侵入式负荷监测中难以解决的问题之一.针对Type-Ⅲ型负荷的辨识难题,提出了基于深度卷积神经网络(CNN)和隐马尔可夫模型(HMM)的非侵入式负荷辨识算法.首先,根据互信息理论进行负荷特征选择;然后,利用残差神经网络作为深度CNN的基本架构,提取负荷多维特征并实现Type-Ⅲ型负荷的初辨识;最后,为了解决CNN辨识结果中存在的状态断点问题,采用HMM完成负荷辨识结果的连续性优化.在复杂的工商业运行环境中,对具有代表性的Type-Ⅲ型负荷数据进行了算法训练和验证,结果表明所提算法能有效辨识Type-Ⅲ型工商业负荷的运行状态.     

基于模板滤波的居民负荷非侵入式快速辨识算法

以电流信号的频域分析为基础,结合非侵入监测负荷运行的电流模型,利用单独作用时电流信号的频谱分量会完整包含于混合电流频谱中,提出一种基于模板滤波的居民负荷非侵入式快速辨识算法。通过先验方式获取用电网络各负荷的特征电流形成特征滤波器,对其频谱分量进行0-1赋值得到对应的模板滤波器。利用模板滤波器对非侵入采集模式下的混合电流信号滤波,通过对滤波后频率分量的量化判决确定负荷的运行状态。利用实际采集的用电数据验证了该算法的有效性,能够准确判断负荷运行状态。此外,算法利用快速傅里叶变换(FFT)即可实现,便于实际中硬件封装。     

决策树算法在单相民用负荷识别中的运用

正智能电网的一个重要特征之一是与用户互动,让用户掌握和了解自己的用电特征和用电状况等信息。非侵入式负荷识别技术是通过采集供电点的电流、电压数据,分析其负荷组成,辨识各电器的用电信息,其具有投入小,无需就地安装大量负荷启停检测装置的优点。目前多数非侵入式负荷识别技术都需预先建立各家用电器的特征参数数据库,同时,电器异动需要对数据库进行更新。此外,电器启停检测装置对采集和处理数据的硬件要求较高,且实际环境下暂态特征具有不确定性,所以目前采用的非侵入式负荷识别技术推广应用十分受限。为此,本文提出采用边沿检测辨识电器设备的工作状态,采用功     

基于先验统计模型的非侵入负荷辨识算法研究

本文针对传统非侵入负荷辨识技术中电热细分能力不足的问题，提出了一种基于先验知识与统计学习模型的居民非侵入式负荷辨识算法。本文对洗衣机辅热、电水壶、电饭锅、电热水器等设备进行了电热细分研究，通过设备运行关联算法实现了辅热设备的细分，并在用户有限反馈信息和专家标注的基础上，实现了非辅热设备分类的模型训练。实验结果表明，本文所提技术框架在事件检测负荷辨识算法的基础上实现了电热设备的细分，且在运行状态分解的F1指标中取得了0.9以上优异效果。     

基于谐波发射水平的工业用户电力设备分类识别方法

随着电力物联网的快速发展,明确用户负荷状况对改善供电服务质量、电价决策、需求侧响应、有偿精准服务等方面起着重要作用。基于非侵入式方法进行工业电力设备的分类识别,存在工业负荷先验知识较少、用电采集系统数据采样频率低等问题。应用工业大用户的电能质量监测数据,提出一种基于谐波发射水平的工业用户电力设备分类识别方法。首先,提出基于双边累计和算法的工业设备投入/切除事件检测方法。其次,提取各次事件的典型特性,构建工业用户设备特征矩阵,提出高贡献率特征筛选方法,减少特征数量。提出基于k-means聚类算法和轮廓系数的工业用户电力设备分类识别方法。应用上海地区10 kV电压等级下某轧机用户14天的电能质量监测数据,验证了所提方法对于设备情况未知的工业用户设备分类具有较高的准确性,具有一定的实用价值和推广意义。     

基于改进匈牙利算法的非侵入式负荷匹配方法

针对非侵入式负荷监测中常用电力负荷开启与关闭的配对特性,本文提出了一种基于匈牙利算法的匹配方法。在该方法中,首先采用Prony滑动窗进行负荷事件检测,并以此提取投切前后的负荷变化特征信息;然后将负荷开启和关闭事件转换为二分图寻优匹配问题,结合增广路径寻找最大匹配的原理,建立功率代价矩阵模型,进而寻找负荷投入和切除的最佳匹配。进一步地,为了避免负荷事件开启和关闭的功率不对等,提出采用添加虚拟节点的策略对算法进行改进,引入灰色关联度评价与多重匹配策略。实验结果表明,所提出的方法能有效地识别出负荷的开启和关闭,为后续准确的负荷辨识奠定基础。     

基于MEEMD与概率神经网络的贯通式同相牵引直接供电系统故障识别

针对贯通式同相牵引直接供电系统可能发生的雷击故障、雷击干扰和接地故障3种扰动进行建模分析和识别研究。在牵引网仿真模型的基础上,通过实验得到3种扰动的暂态特征。根据以上故障提出了改进总体平均经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)与概率神经网络(Probabilistic Neural Network,PNN)结合的智能识别方法。MEEMD分解故障暂态电流信号得到本征模态函数(Intrinsic Mode Function,IMF),分别用样本熵和排列熵提取IMFs分量特征,结合PNN进行故障识别,通过实验看出,基于MEEMD排列熵与PNN结合的智能识别方法能较好地识别牵引网的3种故障。     

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EMD-SG和信息熵矩阵束的同步电机参数辨识

为了解决工程实际中准确获得同步电机瞬态及超瞬态参数问题,提出经验模态分解与矩阵束算法相结合的新型同步电机参数识别法。该方法借助EMD对采集到的含噪短路电流信号进行分解,采用Savitzky-Golay滤波器对高频分量部分进行平滑降噪预处理,借此提高其信噪比;为较好识别短路电流模态阶数,将信息熵引入矩阵束并将此改进矩阵束算法用以提取预处理后的短路电流各分量的频率和阻尼,进而识别出同步电机的瞬态参数。同步发电机三相突然短路仿真与试验参数辨识结果均表明,该方法在信噪比低于24 d B时,仍能快速、精确地辨识同步电机参数。     

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。     

深度学习与幅值特征相融合的低频采样非侵入式负荷辨识算法

非侵入式负荷监测中虽然高频采样能提高负荷辨识准确率,但对数据采集设备要求高,难以推广,因此,低频采样下负荷辨识方法成为研究热点。以低频采样下负荷投入时的暂态电流波形为特征,采用卷积神经网络算法实现负荷辨识,辨识结果发现CNN对暂态电流波形差异大的负荷辨识准确度高,但是对暂态电流波形相似的负荷识别准确率低,为解决这一问题,在卷积神经网络辨识的基础上,对暂态电流波形相似的负荷,以暂态电流幅值为特征作进一步辨识,以提高辨识准确率。通过使用实测数据进行验证,结果表明所提算法可以很好地克服低频采样下波形特征相似负荷识别准确率低的问题。