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,对检测到的事件使用卷积神经网络模型进行分类从而实现负荷识别,对训练好的神经网络模型进行压缩后部署到嵌入式设备上,在Blued数据集上对压缩后的算法进行整体性能测试,取得了较好的结果.     

基于香农熵加权投票算法的集成式非侵入式负荷识别方法

非侵入式负荷监测(non-intrusive load monitoring,NILM)技术绿色节能,已成为电力系统负荷监测的发展趋势。集成学习方法可有效提高负荷识别性能,但其基学习器的优化选择和权重设置问题亟待解决。文中以一种典型智能电表对8种小型用电设备及其混合负荷的高频实测实验为基础,基于递归特征消除(recursive feature elimination,RFE)法选择最优特征组合,提出结合准确率和多样性权衡的基学习器组合优化方法,并引入香农熵设置投票权重,形成一种新颖的基于香农熵加权投票的集成式NILM识别方法。通过在自测数据集和公开的全球家庭和行业瞬态能量数据集(worldwide household and industry transient energy dataset,WHITED)验证,与常用集成方法比较,该方法识别准确率高、运行时间短且稳定性高。     

基于颜色编码的非侵入式负荷细粒度识别方法

在非侵入式负荷识别任务中,仅使用单一负荷特征对设备进行辨识时,存在特征重叠现象,无法满足对设备进行细粒度分类的需求。为此,该文提出一种基于颜色编码的非侵入式负荷细粒度识别方法。首先,采用Fryze功率理论将高频采样电流分解为有功、无功电流,并对高频采样电压与无功电流进行标准化处理以构建二维U-I轨迹图像。然后,利用颜色编码技术对轨迹图像进行处理,在R、G、B三通道中分别融合有功电流、轨迹变化信息及瞬时功率,得到彩色U-I轨迹图像。最后,构建卷积神经网络,对彩色U-I轨迹图像进行特征提取,实现对设备的分类。在此基础上,文中提出了一种自主学习方法,实现对负荷识别模型自主更新。使用PLAID和WHITED数据集对本算法的识别效果及自主学习方法进行测试。结果表明,文中方法使得U-I轨迹所携带的信息量增加,增强了负荷特征的独特性,从而实现对设备的细粒度识别;自主学习方法能够学习新型电器并更新模型,提升了负荷识别模型场景适应能力。     

基于小波变换与BiGRU-NN模型的短期负荷预测方法

为更好地挖掘大量采集数据蕴含的有效信息,提高短期负荷预测精度,文中提出一种基于小波变换与双向门控循环单元(BiGRU)、全连接神经网络(NN)混合模型的短期负荷预测方法。文章利用小波变换将负荷特征数据分解为高频数据以及低频数据,再分别建立高频混合神经网络以及低频混合神经网络模型进行预测。在混合神经网络模型中,将负荷特征数据作为BiGRU-NN网络的输入,利用BiGRU-NN网络学习负荷非线性以及时序性特征,以此进行短期负荷预测。文中以丹麦东部地区的负荷数据作为算例,实验结果表明,该方法与GRU神经网络、DNN神经网络、CNN-LSTM神经网络相比,具有更高的预测精度。     

非侵入式负荷识别的电流序列可视化方法

以单一特征为标签的用电设备识别,因特征携带的信息量不足,在区分性质相似的负荷时易产生误判,为此,提出一种将电流序列编码为图像的二维可视化方法,通过计算机视觉技术对负荷进行分类识别。利用Fryze功率理论提取电流的非有功分量,通过格拉姆角场(GAF)将一维电流序列转换成二维图像,借助数据扩充的方式进行升维,并赋予矩阵颜色特征来提升负荷标签的辨识度;基于迁移学习的思想,利用预训练模型Inception_v3提取并学习GAF图像特征,并以该特征为标签对负荷类型进行分类识别。在2个公开数据集上的实验验证了所提方法在高频采集场景下的准确性和有效性。     

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。     

用于需求响应能力评估的概率负荷识别方法

针对将非侵入式负荷识别技术应用到需求响应领域存在的算法复杂和分解速度慢的问题,提出一种概率负荷识别方法.基于概率负荷分解的原理,建立了概率负荷识别模型.根据电事件引起的有功功率、无功功率和谐波等特征变化,识别可控负荷的类别和状态切换;再利用可控负荷在一个状态的持续时间来求得设备的用电量;然后根据可控设备的用电量,即可评...     

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。     

基于ICA的仿射不变Zernike矩的交通标志识别

针对在复杂的交通环境下,摄像机获取的交通标志会受到拍摄环境、自然环境等影响而存在不同程度的几何失真。提出了一种基于ICA的仿射不变Zernike矩特征交通标志识别方法,根据交通标志的形状坐标在仿射变换之前x、y方向是相互独立的,经过独立成分分析(ICA)得到只发生旋转和镜像变换的交通标志,然后提取Zernike矩特征进行识别。实验结果表明该方法可以极大提高Zernike矩特征提取的准确度和交通标志的识别效率。     

基于多尺度特征融合的负荷辨识及其可解释交互增强方法

负荷辨识技术可快速辨识电器类型,在家庭能量管理、危险用电预警、响应潜力评估等方面具有重要作用。针对现有负荷辨识方法多关注负荷长期或短期单尺度特征,导致特征表征能力不足而使模型识别精度和泛化性能受限的问题,提出一种基于多尺度特征融合的负荷辨识及其可解释交互增强方法。首先,从负荷采样数据中提取高频尺度的短期特征和中、低频尺度的长期特征,构建双塔结构的深层特征提取网络以利用网络的不同分支高效率挖掘各尺度深层特征。其次,设计自注意力与交叉注意力相结合的特征融合网络以实现负荷长、短期特征融合,提高模型的特征利用程度。然后,采用度量学习的训练方法,拉近同类型样本的特征距离,提升特征融合的效率和效果。最后,利用基于梯度的可解释分析方法量化特征的重要性,实现自适应的特征增强与结合专家交互的模型调优。实验结果说明所提模型识别精度与泛化能力均优于现有模型,且可解释分析验证了其有效性源于多尺度特征的充分利用。     

基于能量成分的变压器励磁涌流识别法

变压器是变电站中最主要的设备,其励磁涌流制约了继电保护装置动作的准确性。针对涌流突变点处含有大量高次谐波的特点,利用小波变换提取其高频分量,将电流突变点的分布特征作为励磁涌流的识别依据。同时,从节约FPGA逻辑电路资源角度出发,分析了相邻窗口高频分量之间的关系,对逻辑电路的使用进行了优化,在廉价的EP2C35芯片上实现了对变压器励磁涌流的实时识别。利用RTDS对设计的励磁涌流识别器进行了实验,结果表明所提出的励磁涌流识别方法有效。     

基于稳态波形分解与神经网络的负荷识别方法

非侵入家用负荷识别技术可以提供用户的用电信息,对于家庭来说,信息可以指导用户合理安排用电,改善用电习惯,减少用电开支;同时,对于电力部门利用家庭用电数据可以了解负荷用电规律及趋势,完善电力规划。作为智能电网的一项关键技术,现有的研究多采用高级智能算法,基于用电负荷的稳态特征进行学习,识别。针对现有算法识别特征存在的不足和各种家用负荷在投入运行后的特点,现提出一种基于稳态波形分解的BP神经网络负荷识别方法。该算法主要利用稳态波形可叠加性对分解后的电流波形进行谐波特征提取,结合经过神经网络训练后得出权值,阈值,通过嵌入式装置实现对负荷的识别。经实测数据检验,该方法已成功在嵌入式装置上实现,具有良好的识别精度和计算速度,达到了预期的效果。     

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。     

智能电网环境下基于大数据挖掘的居民负荷设备识别与负荷建模

利用数据挖掘技术对用户负荷大数据进行处理,既可以通过识别用电负荷设备来分析用户的用电行为习惯,又可以辅助进行负荷精确建模,实现精确而有目标性的需求侧管理或制定具有针对性的零售商售电策略。在此背景下,基于动态时间弯曲(dynamic time warping,DTW)的时间序列匹配方法,提出了一种低频负荷数据下的居民电器设备识别方法。首先,将负荷数据分割成单负荷设备运行和多负荷设备同时运行2种情况下的负荷子序列;然后,依据待识别子序列的时间长度,参照实测的电器设备耗电功率数据,生成与其时间长度一致的电器设备耗电功率参考序列,其中包含了从电器设备启动前一时刻至设备关闭后一时刻的功率变化情形;最后,以DTW距离作为相似性度量指标确定识别结果。对于由多负荷设备运行产生的负荷序列,提出了一种剔除已识别设备后将序列再次分割,如此交替进行的识别策略。在获得识别结果后,构建了居民负荷统计模型。借助于高效数据分析软件R语言平台,实现了所提出的算法,并使用500组负荷数据进行了数据实验。结果表明,在对负荷数据每min采样1次的情况下,所提出的负荷设备识别方法对单设备负荷序列识别的准确率超过93%,对多设备负荷序列识别的准确率接近83%。     

基于多尺度窗口和区域注意力残差网络的无线电力终端身份识别方法

针对现有无线通信设备信号识别方法需对信号进行域变换、增加网络输入数据维数的问题，该文提出基于多尺度窗口区域注意力残差网络的无线电力终端身份识别方法。首先，通过所提多尺度窗口模块完成信号前导码在各个周期尺度下的信息交互，使网络能够直接处理并识别原始无线通信信号数据；然后，设计区域注意力模块，以显著特征区域均值为评价指标对通道资源进行重新分配，提高了网络对信号局部特征的学习能力；最后，以池化分类器替代全连接层，采用Adam优化器进行梯度更新完成训练过程。实际采集无线信号数据实验结果表明，设计的各模块可显著提升网络的训练与识别性能，相同型号设备识别准确率提高至97.316%，非法设备的检测率达82.8%，可有效增强电力系统的无线通信安全。     

多特征组合及优化SVM的电能质量扰动识别

提出一种基于多特征组合及粒子群优化的支持向量机(SVM)的电能质量扰动识别方法。该方法采用小波变换和S变换提取各扰动信号特征向量,采用粒子群(PSO)优化的支持向量机进行分类识别。首先针对提取的小波能量谱中谐波信号的明显差异,通过设定特征阈值进行初步分类,然后结合S变换提取的3种特征,采用优化参数的SVM进行后续分类。仿真实验表明,该方法能够有效识别常见的8种电能质量扰动及2种复合扰动,相比未经优化的支持向量机模型,粒子群优化的SVM具有较高的识别精度和运算速度,且抗噪能力强。     

利用遗传支持向量机进行电压暂降信号识别

针对传统电力信号识别算法中特征选取的随意性,提出了一种基于遗传支持向量机(GA-SVM)的电压暂降信号识别方法。首先通过S变换时频分析法提取该信号识别需要的可能特征集,然后利用遗传算法的全局搜索特性得到优秀特征,最后通过多分类支持向量机实现暂降信号识别并验证选取特征的有效性。仿真结果证明,该方法能快速、有效识别出电压暂降信号类型。     

基于电器行为特征的非侵入式家用负荷识别

针对家用电器负荷识别中电气特性相似的电器难以识别的问题,提出基于电器行为特征的非侵入式负荷识别方法。该方法是在利用稳态电气特征的负荷印记进行家用电器负荷识别的基础之上,增加行为特征负荷印记;建立了负荷印记统计模型,对未知事件负荷印记的置信度进行模糊识别;提供识别结果以及识别结果的综合隶属度,提高了家用电器识别的精确度和准确度。经实验数据检验以及实际用户数据印证,该方法简单、准确、可靠,为非侵入式负荷提供新的思路和参考。     

建筑配电系统故障电弧的仿真与检测

选择合适的电弧模型,对建筑配电系统发生的故障电弧进行了仿真.基于小波的时一频分析特点和人工神经网络(ANN)的学习能力,提出了一种分辨故障电弧和正常负荷电流的方法.该方法通过小波变换对信号进行多分辨率分析,提取信号的特征矢量,利用人工神经网络对输入特征矢量进行故障识别.仿真实验的结果表明,该方法具有良好的故障识别件能.     

基于异构基Stacking机制的居民负荷特征图像识别方法

负荷识别技术能将不同电器类型有效区分开,对于用电策略制定、需求响应具有重要意义。针对当前负荷识别技术无法有效实现负荷特征融合以及不同识别器模型结合的问题,提出一种基于异构基Stacking机制的居民用电负荷识别特征图像集成学习方法。该方法通过构建特征图像实现特征融合,利用卷积神经网络充分挖掘特征图像中蕴含的深层次特征,解决传统方法对特征挖掘不够深入的问题。同时引入集成学习Stacking方法将多种异质负荷识别模型结合,综合各种模型的优势,解决传统方法模型单一化的问题。最后使用公开数据集PLAID进行验证并在实验室电器设备上完成工程应用。结果表明,所提方法具有较高的识别准确率和应用价值。