基于改进MSER算法的电力设备红外故障区域提取方法

红外图像处理中因目标边界模糊、区域灰度变化等因素,导致传统的极大稳态区域方法区域提取效果低下。为此,提出一种基于改进极大稳态区域方法的电力设备红外故障区域提取机制,提升区域提取效果。首先,从灰度相似度聚类出发,采用Meanshift算法对分割区域的邻域像素进行聚类。其次,结合阈值分割机制,快速将相似像素进行分割,最终通过迭代得到电力设备故障所呈现的亮度区域信息。实验结果表明该提取区域方法性能优于极大稳态区域算法,具有较低的误分类错误,且相比于Mean shift算法,具有高效的处理速度。     

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。     

利用NSCT实现夜视图像的彩色化增强

针对夜视融合图像通常存在细节不够丰富、目标对比度低的问题,为了获得更为理想的图像增强效果,提出一种新颖的基于非下采样轮廓波变换(NSCT)的夜视图像彩色融合方法.构建了基于S函数与子图局部方差信息的可变加权融合策略,在NSCT域内实现可见光及红外源图像的自适应融合;将得到的融合图像与源图像进行组合并映射至YUV颜色空间,生成伪彩色融合图像;再运用颜色传递技术获得重染色的彩色融合图像.实验结果表明,该方法既能丰富彩色融合图像的细节,又能提高其亮度对比度和目标的可探测性,增强了观察者对场景的理解.     

基于ICPSO-XGBoost的非侵入式负荷辨识方法

针对家庭用电负荷的电气特征相近导致基于电气量特征的非侵入式负荷辨识方法易产生误辨识的问题,文中提出以电器投切时间、运行时长和投切次数为代表的电器使用规律特征,并结合传统电气负荷特征组合成为新的负荷特征标签。在此基础上,提出一种基于改进混沌粒子群优化的极端梯度提升树算法。在该算法中,首先利用回归树作为负荷特征的基分类器构建极端梯度提升树模型。进一步地,通过在目标函数中加入正则项,添加缩减系数等措施避免算法陷入过拟合。同时,将混沌思想应用于粒子群算法中提升其全局寻优能力,并得到基于改进混沌粒子群优化后的极端梯度提升树算法模型。最后,在AMPds公用数据集上进行测试,通过对比分析测试结果,验证了文中所提出的负荷特征标签和负荷辨识算法对提升非侵入式负荷辨识的有效性。     

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Canny算子的简化PCNN电力故障区域提取方法

为了较好地实现电力设备红外图像故障区域提取,提出了一种基于Canny算子边界检测的脉冲耦合神经网络(Pulse-coupled Neural Network,PCNN)红外图像区域提取方法。在该方法中,首先以PCNN模型同步点火特性为基础,通过优化原始PCNN模型内在的参数,使得模型迭代过程中将图像转换成为时间点火序列,然后引入Canny边界检测算子并结合区域灰度特性,获取最佳时刻的脉冲输出信息,实现红外图像中热故障区域的有效提取。最后通过真实红外故障图像测试,验证了文中方法的有效性和适用性,同时方便了后续的特征提取与识别。     

一种基于融合决策TOPSIS模型的NILM算法评价

由于应用场景不同、负荷设备多样等问题,准确率等单一因素在评价算法时易造成评价结果畸形,且不易察觉纠正,从而无法综合有效地评价非侵入式算法性能。为此,文章提出一种基于融合决策的TOPSIS模型,以多种评价指标构建评价体系,采用基于AHP和变异系数法的融合权重,兼顾专家经验、工程需求和数据客观规律,避免单一的主观赋值造成具有明显差异的指标数据被忽略,以及单一的客观赋值夸大数据误差波动,利用逼近于理想解的排序方法,计算评价对象与正负理想解的接近程度,得到算法综合排序结果。实验结果表明所提评价模型能够有效评价算法性能,为非侵入式负荷辨识算法的综合评价提供一种新的解决方案。     

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。