基于图信号处理的智能电表功率信号分解

智能电表的大规模部署,使得对电表采集的低频信号进行数据分析成为一个研究热点。以非侵入式负荷监测为背景,研究基于图信号处理(GSP)的低频功率信号分解算法。首先,将功率信号分解定义为最小化求解问题,并引入基于图转移矩阵的全局变化量作为正则项。然后,分两步对该优化问题求解:第1步最小化正则项得到满足图信号全局变化量最小的近似解;第2步以该解为基础,利用模拟退火算法对目标函数和约束条件迭代寻优。最后利用开源数据库REDD进行仿真,验证了该算法在分类准确率上的优势,且与其他算法相比对训练数据的依赖性较小。     

基于设备运行状态挖掘的非侵入式负荷分解方法

随着非侵入式负荷监测与用户侧智能电表的结合,基于低频电力数据实现负荷分解成为了最新的研究趋势。考虑到低频电力数据的特征,文章提出一种基于设备运行状态挖掘的非侵入式负荷分解方法。该方法首先进行负荷事件检测,并在负荷事件处提取功率特征;接着在特征平面内通过聚类算法获取表征不同类型负荷事件的聚类簇;最终采用图信号处理算法在聚类簇间挖掘设备运行状态并与数据库中的模板进行匹配实现负荷分解。算例验证了该方法事件检测和负荷分解的准确率,同时验证了在状态挖掘过程中引入设备运行周期能耗对额定功率相似设备的负荷分解具有优化效果。因此,为基于低频电力数据的非侵入式负荷分解技术研究提供了新思路。     

图数据建模与图表示学习方法及其非侵入式负荷监测问题的应用

非侵入式负荷分解能从家庭总表数据中分解出单个负荷的运行状态,这对用户调节自身用电策略、参与需求侧响应具有重要意义。针对当前负荷分解模型受限于欧式空间下数据的顺序输入,无法准确描述电器不同运行状态之间的时间关联性导致分解准确度不高的问题,提出一种图数据建模与图表示学习的非侵入式负荷分解方法。首先基于图理论将待分解信号转换为包含节点和边的图数据。其次,设计带残差机制的图卷积网络充分挖掘低采样频率下数据包含的属性特征和时间关联性特征,构建负荷分解的图表示学习。然后,针对模型分解结果缺乏精细化修正策略的问题提出改进的后处理方法,进而全面提升模型的综合性能。最后,使用公开数据集AMPds2和REDD进行验证,结果表明该文方法具有较低的分解误差和较强的泛化性能。     

基于VMD-CNN的非侵入式负荷监测方法研究

非侵入式负荷监测通过在总电力接口处安装智能电表,实时采集和分析用户用电信息,从而监测各个用电设备的工作状态。针对电力系统中家庭用户负荷变化呈现的不同特性,提出一种基于VMD-CNN的非侵入式负荷监测方法。首先对采集到的负荷信号进行预处理,用变分模态分解方法将原始负荷功率信号分解成不同频率的有限带宽子序列,然后用Hilbert算法提取低频信号特征并将其输入到卷积神经网络中,再通过网络的自动学习能力学习各模态分量的不同特征,最后用全连接网络对用电设备进行分类,得到各个设备的用电情况。为了验证该方法,采用UK-DALE数据集进行实验验证,并与不同的分类算法进行对比。实验结果证明该方法适用于负荷监测且负荷监测精度达到了0.98。     

基于谱图理论的居民用户非侵入式负荷分解

针对现有居民用户非侵入式负荷分解需要高频采集数据或大量训练样本的问题,提出了一种基于谱图理论的非侵入式负荷分解方法。首先,以用户总负荷采样信号的相邻采样点差值来建立图结构,同时通过对用电设备信号采样点差值的分类来定义用电设备的图信号;然后,通过图拉普拉斯变换得到的图信号全局平滑度函数来实现用电设备图信号未知部分的重构。在用电设备时序信号的重构过程中采用了模糊规整方法来解决采样信号平滑性所导致的重构图信号数值的非标准化问题;对重构的用电设备图信号中相邻非零值间所对应的同时段负荷时序信号值赋以该用电设备的对应状态数据,从而实现用电设备时序信号的重构。最后采用AMPds数据集进行了仿真实验,结果表明所提方法有效且实用,能够在较低采样频率和先验信息较少的条件下实现较高精度的负荷分解。     

基于小波包分解与最小二乘支持向量机的用户侧净负荷预测

随着分布式可再生能源在用户侧逐步接入,电表监测得到的用户净负荷曲线形态相对于原有实际负荷曲线更加不稳定,因而极大降低了用户的净负荷预测精度。针对此问题,提出基于小波包分解(wavelet packet decomposition,WPD)与最小二乘支持向量机(least squares support vector machine,LSSVM)的用户侧净负荷预测方法,通过对用户净负荷时序数据作小波包分解,得到信号特征更为明显的高频分量与低频趋势部分,筛选剔除波动性大、噪声信号多的高频细节分量。同时考虑气象因素,利用最小二乘支持向量机对小样本非线性信号的训练效率高、泛化能力强的特点,采用其模型对其余包含更多有效负荷数据信息的低频分量分别进行预测重构,叠加得到最终的净负荷预测值。通过对可再生能源高度渗透的某地区用户实际净负荷数据进行实例分析,结果表明所提预测方法在此物理场景下相比于传统预测方法有更高的预测精度。     

欠定分离机制下基于特征滤波的居民负荷非侵入辨识算法

通过非侵入采集模式下电流信号的欠定求解实现了负荷分解,获取了各独立负荷的完整电流,在负荷分解基础上实现了状态辨识。利用居民用户的负荷操作习惯将难以求解的欠定问题优化建模,转化为一维欠定问题,将求解模型建立为单位时间间隔仅从采集信号中分离两路信号。依据电流频域信号的稀疏性通过两步迭代收缩阈值算法得到最优解,使每个投入运行的负荷均可独立分解。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组,对分解电流进行频域滤波,通过对滤波后频率分量的量化判决实现负荷辨识。利用实际采集的用电数据验证了算法的有效性,能够有效实现负荷分解,并准确判断负荷状态。     

基于生成对抗网络和联邦学习的非侵入式负荷分解方法

非侵入式负荷分解是对终端用户用电需求的重要感知手段,传统负荷分解方法存在电器识别和功率分解准确度低等问题。为此提出一种基于生成对抗网络的负荷分解模型,生成网络通过构建卷积自编码器对总功率信号去噪,生成指定电器的功率分解序列,而判别网络被用来辨别生成序列的真伪,两者相互对抗,得到更为真实的分解序列。针对集中式模型训练方法的不足,采用深度可分离卷积代替传统卷积来实现模型轻量化,使之能应用于智能电表等终端设备,并提出一种基于联邦学习的网络模型实施方案,以云边协同的方式对模型进行训练,降低了通信传输压力,保护用户隐私和数据安全。基于公开数据集验证了方法的有效性。     

智能电表异常测量数据诊断方法综述

智能电表作为用电户与电网的信息链接点,能为电网提供用电户的用电习惯和负荷特征等信息,对指导电网合理安排电力负荷、提高电网运行效率具有重要价值。但实际电网中,智能电表获得的大量测量数据中,不可避免地存在一部分由多种原因导致的异常数据,例如用电户或电网中的突发事件、传感器的暂时故障、数据传输或存储故障,甚至人为的网络攻击,等等。如何从智能电表测量数据中辨别、提取、剔除这些异常数据,是准确获取用户负荷信息的关键。针对这一问题,本文在参考国外国内相关文献基础上,对智能电表测量数据诊断方法进行了梳理、归纳和综述,并对不同方法的数学原理、适用范围等进行了比较和讨论。     

基于条件生成对抗网络的非侵入式负荷分解

以建筑楼宇电力负荷为核心的电能管理技术是智能电网的研究热点.非侵入式负荷分解技术通过对每户电表总表数据分解,在不侵犯用户隐私的前提下,得到家庭每个用电器的耗电情况.对图像翻译模型Pix2pix进行针对性改进,提出一种基于条件生成对抗网络的非侵入式负荷分解方法.将随机噪声和总负荷作为生成器的输入,生成类似真实电器负荷的序列.判别器将总负荷与生成序列或者总负荷与真实序列成对作为输入进行判别.通过生成器与判别器之间的对抗训练,最终生成器生成令判别器无法鉴别真伪的负荷序列,以达到分解目的.利用公开数据集UK-dale对所提方法的有效性进行了验证,结果表明所提分解方法与现有负荷分解方法相比在精确度和误差上有明显进步.     

基于图信号交替优化的居民用户非侵入式负荷监测方法

非侵入式负荷监测(non-intrusive load monitoring,NILM)是研究居民用户负荷信息的常用方法，但存在分解准确度低、算法泛化性能低等系列问题。为此，该文应用图信号处理(graph signal processing,GSP)理论，提出一种基于图信号交替优化的居民用户NILM方法。该方法根据总负荷数据构建图信号模型，并基于图信号模型得到关于功率损耗的约束条件，较好地解决了传统方法缺乏负荷数据相关性研究的问题。相比于传统方法需要对模型参数多次调整，交替优化法可以自动调整参数，提高了实时监测能力，降低了电网运营成本。仿真结果表明，在1min采样率下，基于图信号交替优化法的总负荷分解准确度比NILM-GSP提高了15%，计算时间降低了10%，充分体现了该文算法性能的优越性。     

基于深度信念网络与数据聚合模型的智能电表数据异常检测方法

针对智能电网中广泛应用的智能电表(smart meters,SM)可能在测量和监视电能消耗的过程中遭受的多种网络攻击的问题,提出了一种新的异常模式检测框架,以防止智能电表的能源欺诈。所提方法首先基于智能电表向智能配变终端发送用户的用电特征数据,采用分布式数据模型对数据进行聚合,以更好地解决用户隐私保护问题;然后利用深度信念网络(deep belief network,DBN)将得到的数据与期望数据进行对比,以更好地获取数据特征,并对训练结果进行自上而下的特征优化;最后,通过智能配变终端将集群中的智能电表从1到N进行标记,并将执行数据经过深度信念网络提取特征传送至电表数据计量管理系统(meter data management system,MDMS),检查并更换故障或受损的智能电表,以获得更精确的非专业技术损失检测分析。实验结果表明,所提方法相对于传统智能电表数据异常检测具有更高的检测率和适用性。     

考虑稀疏性的多特征电力负荷功率实时分解

电力负荷功率分解是将负荷总功率合理地分配给各主要成分电器设备,这对于用户了解自身用电习惯、降低电能消耗、节约电费具有重要作用。为了提高分解准确性和实用性,在分解法中首次引入无功功率构建多特征分解模型;在分解模型的最优化目标函数中增加了关于成分电器设备稀疏性及工作状态转换稀疏性的惩罚项;提出了一种有效的工作状态辨识结果修正方法。在公开数据集上与文献12方法进行对比测试的结果表明,上述方法能够有效提高电力负荷功率分解的准确性。此外,为减少负荷建模阶段所需的人工,采用无监督学习技术构建电器设备不同工作状态下的稳态功率特征模板。     

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。     

基于负熵估计的居民用电负荷非侵入式分解算法

非侵入式负荷监测是实现能效跟踪与智能用电的重要技术,其中,负荷辨识方法是非常重要的内容。为此研究了一种非侵入监测机制下的居民负荷快速分解算法。利用非侵入负荷监测模式下负荷总电流信号是负荷单独运行时电流信号混合叠加的特点,将负荷分解问题有效建模为盲源分离问题。对混合电流信号进行白化处理,并构建解混矩阵,基于负熵最大化判别准则形成了有效的居民用电负荷分解算法,并构建评价函数对分解结果进行量化分析。为了验证算法的有效性,利用实际采集的用电数据进行负荷分解,均能够准确地从混合电流信号中分解出各个单独的叠加信号,即得到当前参与运行的用电负荷,并能够根据相似系数确定负荷类型,实现负荷辨识。     

基于差分进化算法的居民用电负荷分解方法

针对现有负荷分解方法对设备采样频率要求高、无法有效处理多工作模式电器投入使用的问题,提出一种全新的非侵入式负荷监测与分解方法。该方法将电器的稳态电流作为负荷特征,建立起负荷总电流与各用电器电流之间的数学模型,利用差分进化算法求得各用电器的开启时间系数,进而实现居民侧电力负荷的分解。实验表明,该方法可准确地判断出各类型电器的开启时间和运行模式,并能很好地处理算例中,多个同种电器在同一时段投入使用的情况。该方法所需负荷数据可直接由当前市面上通用的智能电表获得,减少了硬件成本投入。     

基于深度学习与改进负荷行为关联图的农业用户非侵入式负荷分解方法

目前负荷分解模型大都面向城市用户,忽视了农业用电场景下的负荷关联特性,导致现有负荷分解模型在该场景下的分解效果较差,本文提出了一种基于深度学习与改进负荷行为关联图的农业用户非侵入式负荷分解方法。该方法首先采用One-hot编码构建包含离散和连续影响因素的负荷特征矩阵;其次,运用负荷行为关联图来表征用户不同负荷设备间关联关系,并采用图注意力网络对负荷间相关性进行权重优化;最后,构建基于卷积神经网络和长短时记忆网络的农业用户负荷分解模型并进行训练部署。仿真结果显示,本文所提出的基于深度学习与改进负荷行为关联图的农业用户非侵入式负荷分解方法相比现有方法分别获得4.34%和2.02%的负荷分解精度提升,并更加适用于农业用电场景。     

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。     

基于动态线损与奇异值分解的智能电表误差估计

利用远程数据分析对智能电表进行评估和异常检测,与传统的现场校准相比成本更低、效率更高,在电力行业得到了广泛的关注。基于此,提出一种基于动态线损估计与奇异值分解的智能电表在线误差估计方法。首先考虑负荷类型对线损估计的影响,建立估计误差求解方程;然后结合基于截断奇异值分解的正则化方法进行方程求解,获取智能电表误差估计结果;最后通过仿真及实际数据验证所提方法的有效性。结果表明,与其他方法相比,所提方法能够求解不适定问题,且具有更高的精度。