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...     

基于广义回归神经网络的非侵入式负荷识别方法

非侵入式负荷识别可以实现电网和用户的灵活双向互动,对智能电网的发展具有重大意义,而神经网络因其自学习能力及计算复杂度低等优点越来越多地应用在非侵入式负荷识别中。针对现有BP神经网络方法容易陷入局部最优、收敛速度慢的问题,文章提出了一种基于广义回归神经网络(GRNN)的非侵入式负荷识别方法。该方法使用负荷投切过程的功率、谐波、投切时间等暂态特征作为输入,应用Parzen非参数估计方法搭建网络结构,利用模拟退火算法的全局搜索能力对光滑因子进行寻优,从而建立GRNN网络模型进行负荷识别。实验结果表明,相对于BP神经网络,文中方法具有更好的识别精度和训练速度。     

基于选择性贝叶斯分类的非侵入式负荷识别方法

非侵入式负荷识别可以提供用电信息,帮助用户改善用电习惯,是智能用电的关键技术。现有非侵入式负荷识别方法主要基于负荷的稳态特征进行识别,对稳态特征近似的负荷识别率不高。针对此问题,该文结合各类家用负荷在投切过程中的不同特点,提出了一种基于选择性贝叶斯分类的识别方法。首先,利用模拟退火算法从特征库中依据负荷特点选择出对于各类负荷最具辨识度的特征;然后,根据选择的特征和高斯核密度估计方法建立灵活贝叶斯分类器;最后,通过计算各负荷的后验概率对负荷进行识别。经实测数据检验,该方法具有良好的识别精度和计算速度。     

基于DTW的多状态负荷的非侵入式负荷分解

非侵入式负荷监测（NILM）是大数据和人工智能的重要应用领域,能够显著提升电网的智能化水平和节能效果。长期以来在NILM中采用稳态特征进行负荷分解时,优点是可识别功率近似的负荷,但是不能处理多状态负荷。为此,采用滑动时间窗作为事件探测算法,提出一种基于动态时间规整（DTW）的多状态特征的NILM模型。该模型首先对多状态负荷进行特征提取,并建立多状态特征的稳态波形模板库;然后利用滑动时间窗算法提取待分解负荷的稳态波形特征,将提取的稳态波形运用DTW算法与稳态波形模板库中的负荷特征计算最小距离进行辨识。该方法能够显著提升稳态条件下多状态负荷的辨识效果。最后采用公共数据集REDD进行测试验证,证明了所提方法的有效性。     

非侵入式负荷监测算法的测试与评价方法

非侵入式电力负荷监测(nonintrusive load monitoring,NILM)是一种低成本、高效益的用电细节信息获取技术,在智能配用电领域具有广阔的应用空间。然而,缺少客观、全面、可靠的测试与评价方法体系将极大阻碍NILM技术的科研进展及其市场化步伐。为此,该文聚焦于NILM算法与产品的测试与评价,从测试数据获取、评价指标选择、测试平台搭建三方面对研究现状及现存问题进行全面总结和分析。首先,对现有NILM评测流程和方法进行了总结分析。进而,明确了测试数据需求指导原则,并对不同的测试数据获取方法以及主流测试数据集进行了总结和对比分析。在此基础上,为了使不同场景下的测试结果具有横向可比性,引入了数据场景复杂性的概念并总结了可量化的复杂性描述方法。在算法准确性和产品实用性两方面,对NILM性能评价指标进行了系统的梳理和分析讨论。最后,总结了NILM领域标准化工作,特别是近期出版的我国电力行业标准《非介入式用电负荷监测装置技术规范》的编写考量与过程。在总结现有测试与评价平台的基础上,介绍了行业标准中推荐的NILM测试与评价平台的通用框架,为相关用户及研究实施者提供全面的参考。     

基于非侵入式电力负荷监测系统的用电行为研究

非侵入式负荷监测系统由于所需硬件安装少,对负荷的分析较为精确,以及较好的经济性等特点成为未来负荷监测的发展趋势之一。主要介绍了非侵入式负荷监测主流分析方法和系统基本框架,总结其基本原理与主要使用的算法流程,对该非侵入式终端设备系统的各组成模块进行相关描述,设计出一套切实可行的非侵入式居民电力负荷监测终端系统。在非侵入采集的基础上,提出基于非侵入式采集数据的用电行为分析模型,为用户提供细致到单个家用电器的“千人千面”私人定制化用电优化方案,实现非侵入式终端负荷可视化以深入挖掘数据价值。     

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DTW算法与稳态电流波形的非侵入式负荷辨识方法

非侵入家用负荷识别技术可以指导家庭用户合理安排用电,提高用能效率,同时也为电力部门提供家庭用电的数据支持,有利于了解负荷用电规律及趋势,完善电力规划。由于家庭用户用电负荷的稳态特征值存在相似和无规律的问题,现有的方法多采用高级算法对所有的用电负荷组合进行训练。针对现有采用负荷稳态特征值方法进行识别所存在的不足,考虑到家用负荷稳态波形具有独特性和叠加性,提出了一种利用动态时间弯曲(DTW)算法计算与模版库波形的距离来识别家用负荷的辨识方法。首先,建立负荷稳态波形模版库;然后,在电压满足一定条件的情况下,测量家庭用户电流的稳态波形;最后,利用DTW算法计算出最小距离进行识别。     

一种基于非侵入式电器设备监测及识别方法

随着电网的发展,电力监测系统需要监测到每个电器设备的工作状态,传统对电器负荷监测是采用侵入式方法,该方法需要安装大量的监测设备,成本很高.本论文提出了一种基于非侵入式的电力监测实现方法.设计了一套基于STM32F103单片机的电量监测方法,并根据智能识别算法,从监测数据中识别出各设备的运行状态,从而达到各个电器设备转态...     

基于事件检测与CNN模型的非侵入式负荷识别方法及实现

非侵入式负荷识别是非侵入式负荷监测的一个重要任务.考虑到实际部署的成本问题,负荷识别的算法常常需要在计算能力与内存受限的设备上运行,因此本文提出了一种基于事件检测和卷积神经网络模型的负荷识别方法并在基于STM32微处理器的嵌入式系统上实现.首先引入带边距的滑动窗口,选取合适的特征值使用霍特林T2检验进行事件检测,对检测...     

基于0-1二次规划的非干预式负荷识别算法研究

居民用电信息细化对于规划居民电器使用和降低电能消耗具有重要的意义。在分析居民负荷特性的基础上,创新性地提出一种基于0-1二次规划的居民负荷识别算法,并通过改造为连续化0-1二次规划以解决离散0-1二次规划求解过程中约束条件不易处理的缺陷。基于所提出的负荷识别算法,可将单个居民家庭用电数据细分至负荷级别。测试结果表明选取合适的负荷识别指标,可以获取较高的识别精度,该算法可以应用于居民家庭中的非干预式负荷监测系统。     

A nonintrusive fast residential load identification algorithm based on frequency‐domain template filtering

User‐side load monitoring is a key technology to realize smart utilization of electric power. Since the traditional intrusive load monitoring involves a comparatively large economic cost and execution complexity, this paper studies a way to rapidly identify residential power load in a nonintrusive monitoring mode. A template‐filtering‐based nonintrusive, rapid residential load identification algorithm is proposed, which is based on frequency‐domain analysis of current signals, in combination with the current model when the nonintrusive monitoring load is in operation, and by making use of the fact that the spectrum components of the current signals working independently are completely contained in the hybrid current spectrum. Characteristic currents of the various loads in the power grid are acquired a priori to establish the characteristic filter, and 0–1 valuation is performed on their spectrum components to get the template filter. The template filter is then used to filter the hybrid current signals captured in the nonintrusive mode, and the operation status of the loads is judged and determined after quantification of the filtered frequency components. For the same type of load under different operating conditions, the template filter can be commonly used. Efficiency of the algorithm is verified by making use of the actually collected power consumption data, which is able to accurately identify the load operation status. Furthermore, the algorithm is shown to be highly efficient and can be realized via fast Fourier transform (FFT), and its hardware packaging can be easily realized. © 2017 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

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DTW距离和聚类分析的配电台区低压拓扑结构辨识方法

针对低压配电台区拓扑结构中存在错误的问题,提出了一种基于动态时间弯曲(Dynamic Time Warping,DTW)距离和聚类分析的台区拓扑辨识方法.首先利用电压序列之间的DTW距离度量用户电压曲线之间的相似性,然后基于最小最大距离原则对用户电压曲线进行聚类分析,辨识低压用户所属台区,并对同一台区内的用户进行相别辨...     

基于改进卡尔曼滤波算法的短期负荷预测

对于电网的安全运行,短期的负荷预测是必不可少的。电力系统的负荷通常是随着时间呈现出一定范围的非线性波动,这里根据电力系统中负荷特性的变化规律,提出了一种通过引入修正因子改进卡尔曼滤波算法的方法,实现了电力短期负荷预测。通过对成都地区的负荷进行短期预测,说明这种方法较传统的卡尔曼滤波具有更高的预测精度,同时与其他的新型智能算法相比,具有收敛速度快、耗时短等优点。通过MATLAB仿真,说明这种改进后的算法对实现短期负荷预测提供了一条新的途径。     

基于随机森林的非侵入式家庭负荷辨识方法

智能量测技术是智能电网的重要组成部分,文章为增强非侵入式家庭负荷辨识算法的适用性,提出了一种负荷低频监测技术,结合居民用电行为与外部非电力负荷特征相关特性,建立一种基于随机森林的家庭负荷监测模型,在该模型中,选取常用的电气特征以及引入诸如居民负荷使用的时间特征等外部数据特征,通过互信息分析方法筛选与用电行为关联度高的多维特征量,进而采用随机森林算法对居民用电行为进行建模,从而实现对不同家庭各个类型的负荷进行有效监测。算法运行在AMPds公开数据集上,与贝叶斯分类算法进行比较,验证了所提算法的有效性。     

基于行为影响因子的非侵入式负荷实时分解算法

针对传统非侵入式负荷分解算法准确率低、计算较耗时等问题,在隐马尔科夫模型(HMM)的基础上提出基于行为影响因子的负荷实时分解算法.使用自适应的迭代K-means聚类方法提取负荷状态,并将负荷状态组合成超状态.针对传统HMM没有考虑用电场景时间特性的缺陷,对参数进行时间分段学习.在分解阶段引入用户用电行为模式的影响因子,改进隐马尔科夫齐次假设,并利用维特比算法分解出用户的各个负荷的实时状态.通过公开数据集验证了所提算法的准确性和实时性.     

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。     

A new method for pattern recognition in load profiles to support decision-making in the management of the electric sector

This work presents a method for the selection, typification and clustering of load curves (STCL) capable of recognizing consumption patterns in the electricity sector. The algorithm comprises four steps that extract essential features from the load curve of residential users with an emphasis on their seasonal and temporal profile, among others. The method was successfully implemented and tested in the context of an energy efficiency program carried out by the Energy Company of Maranhão (Brazil). This program involved the replacement of refrigerators in low-income consumers’ homes in several towns located within the state of Maranhão (Brazil). The results were compared with a well known time series clustering method already established in the literature, Fuzzy CMeans (FCM). The results reveal the viability of the STCL method in recognizing patterns and in generating conclusions coherent with the reality of the electricity sector. The proposed method is also useful to support decision-making at management level.     

基于PCA-LSTM算法的非侵入式负荷辨识方法

了解用户负荷分布特征是智能电网建设的重要部分,非侵入式负荷监测(Non-Intrusive Load Monitoring, NILM)以其便捷、高效、成本低的优点被电力系统工作人员广泛认可。文中提出了一种基于长短期记忆网络的NILM方法,通过采集用户电力入口处的电流波形并进行数据处理,得到用户的负荷特征数据。使用主成分分析手段,减少负荷特征数量,提高运算效率。使用擅长处理连续数据的长短期记忆网络模型,在划分好的验证集与测试集上对模型优劣进行评价,以获得最优参数模型。预测实验结果显示,文中所设计的非侵入式负荷监测方法可以对包括小功率用电器在内的家用电器进行准确辨别。