基于多特征符号聚合近似和层次聚类的户变关系识别方法

针对低压配电台区拓扑档案中可能存在的户变关系异常问题,文中提出了一种基于多特征符号聚合近似(MF-SAX)和层次聚类的户变关系识别方法。首先,运用符号聚合近似表达方法将用户电压时间序列转化为字符串序列,并引入电压波动系数和电压变化趋势两个附加参数对其特征表达进行强化。然后,基于编辑距离生成用户电压曲线相似性矩阵,并结合层次聚类算法实现户变关系的识别。最后,实际算例结果表明,提出的方法相比于现有方法准确率更高,误报更少,能直接应对数据缺失的情况,且具有更高的效率。

基于先验统计模型的非侵入负荷辨识算法

针对传统非侵入负荷辨识技术中电热细分能力不足的问题,文中提出了一种基于先验知识与统计学习模型的居民非侵入式负荷辨识算法。文中对洗衣机辅热、电水壶、电饭锅、电热水器等设备进行了电热细分研究,通过设备运行关联算法实现了辅热设备的细分,并在用户有限反馈信息和专家标注的基础上,实现了非辅热设备分类的模型训练。实验结果表明,文中所提技术框架在事件检测负荷辨识算法的基础上实现了电热设备的细分,且在运行状态分解的F1分数指标中取得了0.9以上的优异效果。

建筑工业多阶段负荷检测方法研究

针对建筑工地设备运行的环保监测问题,提出了一种基于工业非介入式负荷辨识的低成本督察方案。首先,分析了抑制空气污染的除尘设备及产生噪声震动污染的静压机等施工设备负荷特性;然后,提出了一种面向环保督察的多阶段事件检测辨识方法,克服了除尘设备易被施工设备负载淹没的辨识难点;最后,用实际案例进行验证。实验结果表明,所提算法极大提升了对复杂过程事件的检测能力与抗噪声干扰能力,实现了对施工设备、除尘设备启停过程的同步高效检出。

基于图形处理器加速的电网全网拓扑分析算法

随着电网规模的扩大以及电力系统互联水平的提高,电网分析计算的计算量显著上升。图形处理器(GPU)等并行计算设备能够提高大电网分析的计算效率,但电网分析计算中的串行电网拓扑分析已经成为影响并行算法计算效率的重要因素,亟待得到加速。作为电网拓扑分析加速问题的难点,全网拓扑分析可采用并行算法进行加速。为此,提出了一种基于GPU加速的电网全网拓扑分析算法:将电力系统网架模型抽象为利于并行解耦调用的压缩数组形式;以前驱数组法为基本思想,设计了优化并行的厂站拓扑分析方法,以从电网特性中挖掘厂站间及节点间的并行性;以此为核心,提出了基于GPU加速的电网全网拓扑分析算法。算例的测试结果表明,相比传统串行算法、多核中央处理器并行算法,所提基于GPU加速的电网全网拓扑分析算法运用于规模较大的电网时能分别取得7.242倍、2.148倍的加速比,显著加快了大电网全网拓扑分析的速度,进而提高了各类电网分析计算的整体效率,具有潜在的工程应用价值。

CPU-GPU异构计算框架下的高性能用电负荷预测

随着电网的快速发展,用电信息采集系统的数据计算业务面临着巨大挑战。近年来,图形处理器(GPU)因其在浮点计算速度和存储带宽方面的优势成为高性能计算问题中的研究热点,也被成功应用在电力系统计算分析等科学计算领域。在基于人工智能方法的电力负荷预测问题中,以往大部分研究仅考虑了使用GPU加速预测模型的训练,而并未应用在数据集的获取和计算上。提出了一种基于中央处理器-图形处理器(CPU-GPU)异构计算框架下全流程加速的高性能用电负荷预测方案。首先结合统一计算架构(CUDA)和多线程技术实现了使用多台GPU完成用电负荷的并行预处理,随后在聚类分析后基于XGBoost算法完成了多台区负荷预测,并利用GPU加速了模型的训练计算。最后通过对深圳市43254个台区用电信息的实例分析,验证了所提方法的高效性与适用性。

非侵入负荷辨识的谐波特征量提取改进方法研究

基于事件分解的负荷匹配方法计算快内存少,工程应用适应性强。首先面向事件分解型负荷辨识方法分析了稳态特征量的提取方法,梳理出典型家用电器辨识特征库,并指出谐波特征量是空调及小功率电器复杂工况下负荷辨识的重要判据。然后分析了工程应用中谐波特征量提取影响因素,基于快速傅里叶变换(FFT)算法频谱泄露原理,研究了电网频率动态变化和电器谐波相角抖动对于谐波特征量提取的影响。提出了针对性解决方法,通过多点均值方法解决电网频率波动导致的非同步采样问题,并提出极值差量方法解决电器谐波相角影响,两种方法结合,可有效将基次谐波误差降到1%以下,偶次谐波误差降到2%～4%。最后通过实验平台和工程实证,验证了谐波改进提取方法的有效性,相对于改进前可有效提升负荷辨识精度5%以上。

基于设备运行状态检测与能量回归同步评估的居民非介入式负荷辨识算法研究

非侵入负荷辨识技术能够高效低成本地获得用户分项电能并支撑多种业务,基于分项电器能量回归的神经网络为负荷辨识技术提供了重要支撑。文中针对神经网络进行能量分解时在设备关停处的噪声识别污染及基于能量阈值法评估设备运行状态的局限性,提出了基于设备能量分解与运行状态分类的硬参数共享多任务学习模型,并根据能量回归与状态识别对输入序列全局与区域信息的敏感度差异,提出基于多感受野融合的时间卷积网络,实验结果表明文中所提算法模型在辨识效果上取得了提升,并在洗衣机、洗碗机等小功率波动设备上相较传统网络减少了50%的平均能量绝对误差。