基于CNN-BiLSTM与DTW的非侵入式住宅负荷监测方法

为减少居民生活用电浪费现象,非侵入式负荷监测技术显示出其重要性。基于事件检测的情况下,该文提出一种基于卷积神经网络耦合双向长短时记忆神经网络(convolutionalneuralnetworksandBi-directionallong short-term memory,CNN-BiLSTM)与动态时间规划(dynamic time warping,DTW)的非侵入式住宅负荷监测方法。首先通过概率质量函数计量负荷的运行状态信息,提取出稳态运行时的U-I特性曲线图;然后将图片归一化为统一格式的灰度图,利用卷积神经网络提取出特征向量作为负荷印记;将其输入至双向长短时记忆神经网络中进行辨识,并利用动态时间规划算法优化辨识结果,实现高精度的负荷辨识。最后,利用PLAID公开数据集对于所提算法进行仿真验证,实验证明所选负荷印记具有良好的辨识性能,辨识算法相比对比算法具有更高的信度与准确率。

基于长短时神经网络的居民负荷曲线分解方法

面向居民家庭的非侵入式负荷监测,提出一种基于开关事件和长短时神经网络的居民负荷曲线精确分解方法。采用差分和算法对居民家庭的总有功功率数据进行计算,采用硬阈值函数滤除差分和数据的噪声,通过差分和数据突变点实现电器开关事件的准确检测。进一步采用长短时神经网络进行电器负荷曲线数据的预测,可从总负荷曲线中逐一提取出单一电器的负荷曲线,实现居民家庭总负荷功率曲线电器级别的精确分解。通过实验测试数据和参考能量分解公开数据集(REDD)验证了所提方法的有效性。