井下无人作业区域的侵入监测与安全预警系统研究

针对矿山井下无人化作业区域出现的人员、设备闯入导致的安全性问题,研究了一种用于矿山无人化作业区域入侵检测的系统,采用传感器监测与计算机视觉技术融合的技术,围绕井下作业区域安全预警难题,研发了基于多级阵列式的装置、研究了基于神经网络的动态目标检测算法,并形成一套面向井下无人作业区域的侵入监测与安全预警系统,构建面向矿山井下“无人区域划分-重点区域监控-危险区域防入侵-平台安全预警”的智能监测模式,实现了对危险区域的智能化监测与安全监控,切实保障地下金属矿山智能化无人开采的安全生产水平。

基于低秩张量补全的非侵入式负荷监测缺失数据修复方法

非侵入式负荷监测技术(non-intrusive load monitoring,NILM)作为实现智能电网用户侧细粒度感知的重要手段,有助于实现需求响应、提高“源-网-荷”互动效率和优化用能,助力实现“30·60目标”。高质量的量测信息是数据驱动型NILM的基础,但由于数据采集装置故障、通道拥塞以及延时等都会导致数据缺失,尤其是严重的连续性缺失,由此造成非侵入式负荷监测与分解的精度下降,影响用户画像、需求响应等高级应用。因此,针对该问题,提出了一种基于CP分解的正则化低秩张量补全的量测数据缺失修复方法。算法突破传统单维数据处理局限,对NILM多维量测数据构建了三阶观测张量,从而利用数据内部时序关联性和参量维度间电气关联性进行正则化低秩张量补全。并针对每次核范数计算过程中奇异值分解计算量过大问题,采用基于CP因子矩阵分解的核范数计算降低计算量,减少计算时长,并证明了变换的等效性。最后基于NILM公开数据集iAWE进行了实验,实验结果表明所提出的方法可以提高数据修复精度,在高缺失率和连续缺失情况下仍能有较好地补全效果,并且通过非侵入式负荷分解实验证明其可有效提高分解精度,对智能电网提升细粒度感知能力具有良好的实际意义。

基于改进SVIT算法的非侵入式居民负荷监测方法

针对居民侧异常用电负荷对用户用电安全有重大影响的问题,提出了一种基于改进SVIT的非侵入式负荷监测方法。该方法从用户总线处对居民家庭用电负荷投切时的V-I数据进行特征提取;对提取出的V-I轨迹特征进行二进制化处理并绘制成V-I轨迹图像;利用改进的与三重注意力机制(Triplet Attention)相结合的SVIT的特征提取网络对其进行特征提取与映射;在此基础上,将处理后生成的新的特征向量进行聚类形成特征检索数据库,以识别出不在该特征检索数据库中的用电器V-I轨迹样本。通过利用PLAID数据集进行仿真实验并分析,验证了模型的有效性以及算法的优越性。

基于Attention和残差网络的非侵入式负荷监测

非侵入式负荷监测(non-intrusive load monitoring,NILM)可以从家庭电能表的总功率读数,估算出各用电器的功率。由于对于同一类用电器,其状态种类、各状态持续时长、各状态的功率波形都不同,这使得基于特征工程和聚类的模型的泛化能力不强;回归模型的分解功率难以迅速跟踪真实功率。针对这些问题,文中将回归问题转化为在序列每个时刻的多分类问题,并提出基于Attention和残差网络的非侵入式负荷监测模型。该模型基于具有编码器和解码器的seq2seq框架,首先通过嵌入矩阵将高维稀疏one-hot向量映射为低维稠密向量;在编码部分,通过双向GRU从前后两个方向提取序列信息,引入Attention机制计算序列中当前时刻最重要的信息,引入残差连接学习残差部分输入输出之间的差异;在解码部分,用回归层组合BiGRU解码结果,取经过softmax函数处理的最大概率功率类别作为结果。该模型在选取REFIT数据集中表现良好,其中测试集与训练集完全独立,表明训练好的模型可以直接应用在新的住宅用户中。

基于多尺度卷积与Informer混合模型的非侵入式负荷监测方法

针对现有非侵入式负荷监测方法存在的负荷分解准确率低、模型泛化性能差的问题,提出一种多尺度卷积与Informer网络相结合的非侵入式负荷监测方法。采用数据分段优化方法对功率信号进行分段,利用多尺度卷积核获取不同时间尺度的特征序列以及自适应提取多维度功率特征,从而形成特征矩阵;基于Informer网络中的概率稀疏自注意力机制在高维空间中充分捕获特性序列的长期依赖关系,从而提高预测准确率;利用分解值修正方法消除功率分解值中的“虚假”激活状态,以进一步提高分解精度。算例结果验证了所提方法的可行性。

基于UMAP流形特征提取和KELM的非侵入式负荷监测方法研究

非侵入式负荷监测是“坚强智能电网”用户侧智能数据挖掘的关键技术。针对现有辨识算法对叠加态负荷辨识准确率低的问题,提出了一种基于均匀流形逼近与投影(UMAP)和KELM结合的非侵入式负荷辨识模型。首先利用UMAP对原始负荷特征作嵌入,提取负荷的类内流形结构,并结合随机梯度下降法优化负荷的全局结构,在保留负荷原始相邻位置信息的前提下有效增大负荷特征的区分度;然后,采用径向基函数搭建核映射网络,利用ACO算法对映射网络的径向范围和模型的惩罚系数寻优,建立最优辨识模型。与多种基于机器学习的辨识方法相比,所提模型对叠加态负荷的辨识准确率提升显著,在TIPDM和BLUED数据集上的辨识准确率分别达到了98.48%和99.44%。

基于迁移学习策略的非侵入式负荷监测方法研究

现有的非侵入式负荷监测算法在同一数据集中功率分解准确率上有了很大的提高,但模型泛化性差且跨数据集分解负荷误差较大。为此,探究负荷监测模型是否具有可迁移性,并研究一种基于迁移学习策略的负荷监测模型。该模型固定部分卷积网络层,实现负荷监测模型的微调迁移学习,通过试验验证固定层数对预测结果的影响,以及模型对不同电器的预测效果。相比传统的直接迁移模型,该模型有效降低各项设备的负荷分解误差,并且降低了模型对负荷训练样本数量的要求。

基于改进Unet的多目标非侵入式负荷监测

非侵入式负荷监测被认为是能源监测和管理中一个关键问题,针对传统NILM模型对多状态电器训练准确率较低且只能对单一电器进行训练问题,文章提出基于改进Unet多目标非侵入式负荷监测模型。模型在Unet基础上引入卷积块注意力模块(CBAM),CBAM结合通道和空间注意力,增强模型提取特征能力,通过结合残差连接,将激活函数ReLU替换为GELU,防止网络退化和梯度爆炸,利用神经网络不同通道特征提取能力实现多通道输出,对UK-DALE数据集上使用最多5个电器同时训练。相比于现有NILM模型,该模型在更低网络参数量下,可以实现多目标监测且有较高准确率。

基于频谱图与时序成像的非侵入式负荷监测方法

针对在多种电器设备同时运行的场景下,当前非侵入式负荷监测方法存在分解困难的问题,本文提出了基于频谱图与时序成像的非侵入式负荷监测方法。首先进行负荷分解,利用频谱图变换原理将多种电器设备的聚合电流转换成频谱图矩阵,并通过词嵌入将频谱图矩阵变换到高维;然后通过k-均值聚类算法得到单个电器设备的频谱图矩阵并反变换为相应的时序电流;其次,进行负荷分类,将负荷分解得到的各类电器设备的时序电流转换为图像进行分类,分类模型为训练完成的深度神经网络模型。最后,利用公开数据集进行实验,结果表明所提方法具有较好的分解和分类效果。

一种高精度的非侵入式脑组织氧监测系统

目的本研究旨在介绍一种集成功能性近红外光谱(functional Near-Infrared Spectroscopy,fNIRS)与USB接口的非侵入式脑组织氧监测系统,提升监测实时性和操作便利性。方法本研究利用改良的比尔-朗伯特定律(Modified Beer-Lambert Law,MBLL)测定头皮下组织氧合变化,采用硅光电倍增器(Silicon Photomultipliers,SiPM)作为探测器,通过整合fNIRS和便携的USB接口,开发一款轻便、易于使用且成本效益高的脑血氧监测设备。本研究通过一系列详尽的试验验证脑组织氧检测系统的准确性、稳定性、可靠性、易用性和实用性。结果系统在与商业产品NeurOs Cerebral Oximetry比较中显示出±10%的准确性范围内。重复性测试表现出0.42%到3.93%的复现性误差,并在8h连续监测中表现稳定。结论本系统的精确性和稳定性为脑组织氧合水平的实时监测提供了可靠工具。未来研究将探索系统的小型化、可穿戴化以及人工智能技术集成。

基于非侵入式负荷监测的居民侧灵活性资源评估方法

居民用户具备巨大的灵活性潜力,充分挖掘并合理利用居民侧灵活性资源有助于提升电网的灵活性。文章利用低频功率数据和深度学习模型,提出了一种基于非侵入式负荷监测的居民侧灵活性资源评估方法。文中采用功率波动-跳变事件检测算法,实现对电器用电事件的定位和功率数据获取。将时域卷积网络(time convolutional networks,TCN)和门控循环单元(gated recurrent unit,GRU)相结合,借助TCN的数据特征提取能力和GRU的非线性拟合能力,构建TCN-BiGRU负荷识别算法,以有效区分不同电器的用电负荷。利用负荷识别结果对用户总功率信号进行分解,建立设备状态矩阵、设备概率矩阵和设备习惯使用区间矩阵,获取各个电器的用电信息,分析用户用能行为,得到居民侧灵活性资源评估详细结果。通过实际居民用户数据,验证了所提方法的实际有效性。基于所提方法所得的灵活性资源评估结果可为居民需求侧响应提供辅助决策。

压缩感知在非侵入式负荷监测中的应用展望

随着压缩感知(compressed sensing,CS)在智能电网中的应用不断深入,其在非侵入式负荷监测(non-intrusive load monitoring,NILM)领域的研究表现出滞后性。为此,在分析NILM中的CS应用必要性后,该文针对CS在NILM中的应用研究进行展望和探索。首先,对CS原理与NILM流程进行融合分析,提出压缩感知在非侵入式负荷监测中的3种应用模式;然后,针对3种应用模式的具体流程,展望各应用模式的研究方向和适用场景。在此基础上,从CS要素和负荷分析两个方面,重点探讨CS在NILM中应用所需解决的关键技术,设计适应NILM的测量矩阵、稀疏基和重构算法等CS要素的改进思路,提出在CS框架下事件探测、负荷分解、负荷识别、特征提取等负荷分析方法的实现思路。该文所做工作旨在探索CS在NILM中的应用,以期为后续研究提供指导。

基于多尺度特征融合与多任务学习框架的非侵入式负荷监测方法

随着建筑物能源消耗的不断升高,高精度与高泛化能力的非侵入式负荷监测技术的研究具有重大意义。针对当前负荷分解方法存在的问题,提出了一种基于多尺度特征融合与多任务学习框架的非侵入式负荷监测方法。将实例-批归一化网络与U形网络结合,提取总负荷数据的上下文信息,并利用跨越连接实现对不同尺度的细节特征与全局特征的融合。针对多特征特点,引入高效通道注意力网络,使模型聚焦重要特征。引入多任务学习框架与后处理操作,去除输出的假阳性片段,实现对目标电器的精准识别。将所提模型与几种代表性模型在UK-DALE(UK domestic appliance-level electricity)数据集与REDD(reference energy disaggregation data set)上进行对比实验,结果表明,所提模型的性能优于对比模型,具有出色的负荷分解能力与状态识别能力。

基于多尺度特征融合和多头自注意力机制的非侵入式负荷监测

针对目前负荷分解模型的深层负荷特征提取不充分,分解精度低以及训练成本高等问题,提出了一种多尺度特征融合模型。模型由负荷分解子网络及负荷识别子网络两部分构成,两个子网络均利用一维卷积和批量归一化等组成的卷积块进行负荷特征初提取,然后采用金字塔池化模块从多个维度精确提取深层负荷特征信息,并与特征初提取部分进行融合。金字塔池化模块使网络参数大大减少且降低了训练成本。同时与以往模型中的注意力机制不同的是,网络引入多头自注意力机制,每个注意力关注负荷特征的不同部分,从多个角度实现对重要负荷特征的筛选,进一步提高分解性能。最后,在UK-DALE和REDD数据集上进行实验,结果表明所提模型与4个基准模型相比,无论是负荷分解性能还是电器运行状态识别能力都有明显提升。

基于非侵入行为监测技术的误踩油门踏板研究

使用非侵入行为监测技术采集了油门踏板和刹车踏板以及座椅靠背的受力信号,分析其变化规律并使用WEKA J48决策树算法建立分类模型,对误踩行为进行判断和预测。研究结果表明,利用机器学习能够归纳出油门踏板的操作特点,提供精确的误踩判断。

基于差量特征提取与模糊聚类的非侵入式负荷监测方法

现有非侵入式负荷监测(NILM)方法主要将电器功率大小作为特征值,对于低功率电器识别的准确性不够,无法满足精细化智能用电的应用需求。文中分析了多种家用电器的功率和谐波特征,并选取低功率电器差异最大的频域谐波幅值作为新的特征。在此基础上提出一种新的NILM方法,该方法采用差量特征提取方法获取任意时刻的特征值变化量并引入信息熵的方法,通过计算簇间熵来确定最佳聚类数和负荷相似度;再通过模糊聚类实现电器负荷数量及种类的聚类识别。实验结果表明,文中提出的NILM方法在不同场景下均具有良好的可靠性和鲁棒性,采用谐波特征后识别准确性有明显提升。

一种适用于非侵入式负荷监测的暂态事件检测算法

非侵入式负荷监测(NILM)是未来电力负荷监测的重要发展方向之一。不同类型电力负荷在投切过程中,通常会表现出独特的暂态特征。据此,NILM能够克服利用负荷稳态特征信息进行负荷辨识的局限性,实现对整个变电站、建筑物内部负荷集群的分解与分析。提出了一种信号预处理算法——基于滑动窗的双边累积和(CUSUM)暂态事件自动检测算法,它能根据相关信号准确检测到负荷投切等引起的暂态过程、发生时刻等重要信息,并触发相关程序把暂态信息记录下来,然后送给后台高级应用程序作进一步处理。算例仿真表明了所述算法的有效性。

基于U-I轨迹曲线精细化识别的非侵入式居民负荷监测方法

识别用户的负荷用电特性与用电行为是智能电网的重要研究内容之一。该文提出一种基于U-I轨迹曲线精细化识别的非侵入式负荷监测方法,实现对用户负荷有效的非侵入式监测。首先,利用拟合优度检验捕捉用电器投切事件,提取负荷的有功、无功功率变化量以及U-I轨迹3类特征。然后,进行两阶段负荷识别:第一阶段利用考虑初始优化的k-means算法对有功、无功变化量进行聚类,并压缩聚类个数,将功率特征相近的用电器聚为同组,得到一阶段识别判据,实现负荷粗辨识;第二阶段针对一阶段存在的识别盲区,构建卷积神经网络模型,以二维U-I轨迹图作为输入,通过卷积神经网络自动提取轨线的有效特征,实现一阶段盲区负荷的精细化识别。最后,利用BLUED数据集进行方法有效性的验证。

非侵入式负荷监测关键技术问题研究综述

非侵入式负荷监测(NILM)技术能够利用在总线处单点测量的数据识别用户内部的负荷,是建设泛在电力物联网与透明电网的基础技术之一。在分析NILM基本实现框架和技术体系的基础上,对NILM应用亟需解决的三大关键技术问题进行综述,包括数据源选择、算法精度和可扩展性问题。在数据源选择问题上,分析并总结了低频与高频数据源在NILM中的应用,尤其是智能电表在NILM中的应用;在算法精度问题上,对现有NILM算法模型与算法评估方案进行了回顾与分析;而针对目前少有研究涉及可扩展性问题,通过联动NILM与语音识别和机器学习领域,对去噪识别与新负荷的标记和训练问题进行分析与探讨。最后对NILM的未来发展趋势与应用进行了展望。

基于贝叶斯网络的非侵入式家庭负荷动态监测模型

智能量测技术是智能电网的重要组成部分,为了实现非侵入式负荷低频监测并进一步提升负荷辨识准确率,文中结合居民用电行为与外界环境相关的特点,提出一种基于贝叶斯网络的非侵入式家庭负荷动态监测模型,该模型选取电气特征和外部数据为特征量,综合考虑居民负荷的时间特性和对外部数据的关联特性,对居民用电行为采用贝叶斯网络模型进行建模分析,并随时间推移对特征库进行动态更新,从而实现对家庭负荷的监测作用。文中采用AMPds2公开数据集数据进行算法验证,证明文章算法的准确性和有效性,同时对外部数据和用电行为进行互信息分析,结果表明时段特征对用电行为相关性最强。