基于特征融合与深度学习的非侵入式负荷辨识算法

针对使用单一设备特征进行负荷辨识存在的局限性,提出了一种基于特征融合与深度学习的非侵入式负荷辨识算法。通过分析设备的高频采样数据提取了V-I轨迹图像特征与功率数值特征。利用人工神经网络的高级特征提取能力,实现了V-I轨迹图像特征与功率数值特征的融合。最后以复合特征作为设备新的特征训练反向传播(BP)神经网络进行非侵入式负荷辨识。使用PLAID数据集对算法辨识效果进行了验证,并对比了不同分类算法对特征融合的有效性与负荷辨识能力。结果表明,该算法利用不同特征之间的互补性,克服了使用V-I轨迹特征无法反映设备功率大小的缺点,从而提高了V-I轨迹特征的负荷辨识能力,并且在嵌入式设备中的运算速度为毫秒级。     

采用可拓展交互式设计的负荷特性综合分析平台

基于多源数据的负荷特性分析可以提高配用电的智能化水平,为开展用户属性辨识、负荷监测、需求响应分析等提供指导。为了增加上述功能开发的便捷性,提高配用电综合分析能力,搭建了以负荷特性分析功能为核心,能够拓展高级功能的交互式负荷特性综合分析平台。该平台采用Brower/Server架构,能够跨平台、适配多类终端,实现“一次设计,全局使用”;利用Django框架实现可拓展设计,并集成多种算法与数据,为负荷特性分析提供便利;基于HTML5技术实现交互式设计,并通过Canvas渲染方案提升大数据背景下平台的可视化效果。通过日前负荷预测实例验证了所提负荷特性综合分析平台的有效性和优越性。     

基于欠完备自编码器的用户用电行为分类分析方法

针对电力大数据背景下用户用电行为复杂多变、分析困难的问题,提出了一种基于欠完备自编码器的用户用电行为分类分析方法。首先,通过欠完备自编码器对智能电表数据进行编码,实现对原始数据的特征抽取,并使用反向传播(BP)神经网络进行用户用电行为分类分析;然后,对最佳编码比率进行优选,并结合用户的典型用电特征作为神经网络的输入,提高了分类准确率;最后,在爱尔兰智能电表数据集上进行了仿真实验,并与直接使用BP神经网络进行对比,分析表明,文中所提出的用户用电行为分类分析方法不仅可以提高检测准确率,帮助电力公司更好地掌握用户用电规律,辅助需求响应实施,还能显著降低算法的运行时间。     

基于数字水印和非对称加密的智能电网用户敏感信息保护方案

作为电力系统工业物联网的重要组成部分,高级量测体系的发展为能源监测、负荷预测和需求响应等服务提供了便利.然而,随着智能电表的广泛安装,隐私泄露的风险越来越大,因为它们同时传输量测和用户敏感数据.为了保证抄表中敏感信息的机密性和真实性,提出了一种基于数字水印和椭圆曲线密码非对称加密的隐私保护方案.敏感数据使用公钥加密,通...     

人工智能方法在配用电领域的应用

近年来人工智能方法在图像分类、物体检测、自然语言处理等领域取得了突破性进展。在电力行业,特别是配用电领域也涌现了诸多应用人工智能方法的研究成果,这些成果的应用有助于促进配用电的智能化发展,提高配用电系统运行的经济性和可靠性。文章回顾了近期人工智能方法在配用电领域应用的热点问题,从配电设备故障诊断、配电负荷和分布式发电预测、配电系统运行优化、负荷特性分析4个热门方向进行归纳总结,希望能为相关研究提供借鉴与参考。