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。

基于时序生成对抗网络的居民用户非侵入式负荷分解

现有的非侵入式负荷分解算法往往需要大量电器设备级的负荷数据才能保证分解精度,但由于用户对隐私性的考虑以及安装成本过高等问题,很难获取这些数据。因此,构建一种能深度挖掘电力负荷数据时序特性和电器相关性的时序生成对抗网络。利用降维网络对所有电器有功功率序列组成的高维向量进行降维以降低计算的复杂度,通过复原网络将结果还原为高维向量。基于电器运行状态和深度学习的非侵入式分解方法,运用卷积神经网络-双向门控循环单元构建状态复杂电器的负荷分解回归模型,对状态简单电器利用深度神经网络构建负荷识别分类模型。通过对比其他数据生成方法,以及改变典型公开数据集中生成数据比例所得的负荷分解结果验证了所提方法的有效性。

非侵入性指标对溃疡性结肠炎的诊断意义

目的 研究非侵入性指标在溃疡性结肠炎(UC)诊断中的应用价值。方法 选取66例UC患者为研究组,另选取66例健康检查者为对照组。检测并比较两组血液指标[中性粒细胞与淋巴细胞比值(NLR)、血小板与淋巴细胞比值(PLR)、中性粒细胞与血小板压积比值(NPR)、单核细胞与淋巴细胞比值(MLR)、总胆红素(TBIL)、间接胆红素(IBIL)、血清淀粉样蛋白A(SAA)]及粪便指标[粪钙卫蛋白(FC)、粪乳铁蛋白(FL)]。结果 研究组NLR(3.54±1.02)、PLR(223.39±45.27)、NPR(15.01±4.28)、SAA(22.60±5.08)mg/L、TBIL(19.03±7.56)μmol/L、IBIL(10.39±3.09)μmol/L、FC(177.24±21.27)μg/g、FL(201.72±32.11)μg/g均高于对照组的(1.54±0.68)、(75.35±22.21)、(8.11±2.99)、(3.89±1.32)mg/L、(15.01±7.31)μmol/L、(7.43±2.81)μmol/L、(32.42±13.71)μg/g、(55.00±17.50)μg/g(P<0.05);研究组MLR与对照组相比无差异(P>0.05)。中度组的NLR(3.99±1.13)、PLR(247.56±80.39)、SAA(33.76±11.04)mg/L、FC(279.48±104.63)μg/g、FL(278.05±47.36)μg/g均高于轻度组的(3.08±1.02)、(199.21±78.25)、(11.43±5.30)mg/L、(75.00±23.14)μg/g、(125.39±31.77)μg/g(P<0.05);中度组NPR、MLR、TBIL、IBIL与轻度组相比无差异(P>0.05)。NLR、PLR、NPR、SAA、TBIL、IBIL、FC、FL是UC发病的影响因素(P<0.05), NLR、SAA、FC是UC严重程度的影响因素(P<0.05)。结论 在诊断UC时使用非侵入性指标,对随时评估治疗效果以及预测疾病复发有一定的帮助。

基于磁心与线圈参数优化的非侵入式磁场取能系统功率密度提升方法

非侵入式磁场取能系统具有结构简单、供电稳定等优点,是解决变电站母排环境中状态监测传感器电池供电寿命有限的有效手段,但因功率密度较低制约了其应用。对于非侵入式磁场取能系统,磁心与线圈参数对其功率密度的影响非常显著。然而,现有方法对磁心与线圈参数的分析相对独立,优化磁心时仅以互感为指标,忽略了该过程线圈参数变化对功率密度的影响。对此,该文考虑磁心尺寸对线圈参数的影响,以功率密度为指标,详细分析线圈匝数、线圈线径、磁柱侧面边长与叠片厚度对系统功率密度的影响。并在此基础上,提出一种优化磁心与线圈参数的功率密度提升方法,即设计线圈匝数、线圈线径、磁柱侧面边长与叠片厚度的最优值,以获取更高的功率密度。最后,基于所提出的方法制作了系统样机并进行测试。实验结果表明,对于限定磁心尺寸为30 mm×30 mm×40 mm的系统,在100 A母排电流下,系统经磁心与线圈优化后功率密度可达4.18 mW/cm~3,提升至系统优化前功率密度的35倍,验证了所提出方法提升功率密度的有效性。

基于EEMD和特征降维的非侵入式负荷分解方法研究

针对现有非侵入式居民用电负荷监测缺乏对独立负荷完整、全面的分解方法,导致用电信息的完整性得不到保证的不足,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和Pearson-PCA改进的盲源分离算法。利用EEMD对总功率信号分解,以消除经验模态在分解过程中易出现模态混叠的现象,并得到一系列固有模式函数(intrinsic mode functions,IMF)。结合Pearson相关系数和主成分分析法(principal component analysis,PCA),提出Pearson-PCA改进算法对IMF进行降维,剔除相关性较弱的IMF分量,以及估计源信号数目。运用快速独立分量分析(fast independent component analysis,FastICA)对降维后的IMF进行分解,计算得出源功率信号。将提出的改进算法应用于非侵入式居民用电负荷分解问题,采用能量分解数据集(reference energy disaggregation data,REDD)进行实验仿真。实验结果表明:在不同用电场景下,提出的改进算法均具有较好的分解效果。

基于改进卷积神经网络的非侵入负荷辨识方法研究

非侵入式负荷监测作为客户侧泛在电力物联网重要技术之一,不仅有助于电力公司加强负荷管理,还可以引导用户合理安排负荷的使用,为实现以家庭电力用户为主体的需求侧响应和满足居民用户对精准精益用电服务需求提供了重要的技术支持。对非侵入式负荷监测中低频采样信号分辨率低,负荷特征易重叠,以及卷积神经网络不能有效辨识具有相似波形特征负荷的问题,提出了融合暂态电流波形和时域特征的改进方法,将暂态电流值均方根融合到电流波形图像以提升相似波形特征负荷的辨识正确率。通过实测数据和负荷识别参考数据集(REDD)测试,验证了所提方法的可行性和有效性。

基于图像分类网络的非侵入式负荷辨识算法的运算成本优化

目前基于图像分类网络的非侵入式负荷辨识算法可达到较高的辨识准确率,但存在较严重的参数冗余,引发了不必要的运算成本。对此类算法的运算成本进行优化,提出一种基于灰色编码的设备特征组合方法,以减少算法中设备特征的参数冗余;然后使用轻量级图像分类网络ZFNet构建设备辨识模型,并引入Inception模块来减少模型中卷积层输出的参数冗余,同时基于仿真实验结果对模型中全连接层的结构和参数进行适应性调整,以减少模型的参数冗余,最后使用PLAID数据集进行算例分析。结果表明:相比于同类算法,所提算法在设备特征的参数量上减少了66.7%~67.5%,在模型的参数量上减少了90%~97.1%,在整体运算量上的变动为-91.7%~6.1%。

非侵入式脑刺激对帕金森病患者执行功能的影响:网状meta分析

目的探索非侵入式脑刺激措施改善帕金森病患者执行功能的有效性。方法检索Web of Science、PubMed、EMBASE、中国知网、万方数据5个数据库中关于经颅磁刺激、经颅交流电刺激、经颅直流电刺激3种非侵入式脑刺激干预措施治疗帕金森病且结局指标包括执行功能的随机对照试验,根据预先确定的标准筛选文献并提取数据。采用网状meta分析方法比较3种非侵入式脑刺激干预措施对帕金森病患者执行功能障碍的疗效,使用标准化均数差(SMD)及95%贝叶斯可信区间(CrI)汇总结果,通过累积排序曲线下面积(SUCRA)对各干预措施的疗效进行排序。结果共纳入20项随机对照试验,包括809例帕金森病患者。与对照组相比,经颅磁刺激对帕金森病患者的执行功能有显著改善效果(SMD=0.16,95%CrI 0.01~0.32)。各干预措施疗效的概率排序结果显示,对帕金森病患者执行功能障碍疗效最佳的干预措施排序为经颅磁刺激>经颅交流电刺激>经颅直流电刺激>对照(SUCRA分别为0.72、0.61、0.41、0.25),经颅磁刺激最有可能是疗效最佳的干预措施。结论目前的有限证据显示,经颅磁刺激对帕金森病患者的执行功能有直接的改善效果。受纳入研究的数量及质量影响,上述结论需进行更进一步的高质量研究验证。

基于设备行为关联图的非侵入式多标签负荷分解改进方法

非侵入式负荷分解技术作为目前用户用电信息监测的主要手段,对推动能源效率提升和需求侧优化管理具有重要意义。针对目前负荷分解模型过分依赖电器本身的用电特征,而忽视用户用电习惯所提供的信息,导致分解效果始终难以改善的问题,该文提出一种考虑用户用电行为的多标签负荷分解改进方法。改进后的模型是两个网络串行的架构。第一个网络结合用户用电行为实现多标签类型识别;第二个网络在识别结果基础上完成各个在线电器的能量分解。文中通过设备行为关联图来表示用户的用电习惯。模型随用户用电不断完成行为更新,并逐渐为用户生成独特的网络图,为负荷分解提供行为依据。最后使用公开数据集REDD和REFIT对提出方法进行仿真和评估。实验结果表明,提出的方法能够准确获取各电器的用电信息,且与现有先进方法相比有明显的改进,证明了考虑用户用电行为的多标签方法是一种有效可行的负荷分解思路。

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。

基于卷积注意力的非侵入式负荷辨识算法

针对目前非侵入式负荷监测算法准确率不高、训练耗时较长等问题,提出了一种基于卷积注意力的非侵入式负荷辨识算法。首先,对负荷数据设置最短运行和最短停止时长以降低测量误差带来的干扰。然后利用卷积神经网络对负荷数据进行训练,构建的神经网络包括编码器、时间池化器、解码器,并在解码器中引入卷积注意力模块来计算时间序列中当前时刻最重要的信息。最后利用UKDALE数据集对所提负荷辨识模型进行验证,并与现有算法进行对比。仿真结果表明,所提算法具有更好的辨识精度和泛化能力,训练所用时间减少约27.9%。

基于颜色编码和残差神经网络的非侵入式负荷识别

在非侵入式负荷识别任务中,随着家用电器类型的不断增加,功率差距不大但V-I轨迹相似的设备很容易被分类错误。针对这些问题,本研究提出了基于颜色编码和残差神经网络的非侵入式负荷识别方法。首先,对采集到的高频电压、电流数据进行预处理;然后,再通过二值轨迹映射和HSV颜色编码将V-I轨迹转换为视觉表示,不仅在V-I轨迹中融入了丰富的电气特征,还增强了负荷特征的唯一性;最后利用PLAID公共数据集对本研究所提方法进行了验证。结果表明,本研究所提方法显著提高了识别准确率,并能够有效区分各个电器设备。

基于递进式模型结构和时间信息嵌入的非侵入式负荷分解

现有的非侵入式负荷监测算法对多时间尺度的用电规律缺乏关注,且存在电器状态误判率高和功率预测误差大的问题。对已有模型在学习框架、信息嵌入和损失函数3个方面进行优化,提出一种基于递进式模型结构和时间信息嵌入的负荷分解方法。模型由预分解模块和功率预测模块构成,递进地完成判断电器开关状态与估计功率值2个任务。2个模块的网络结构均基于Transformer设计,使用不同的复合损失函数优化。另外,提出了多尺度时间信息编码及嵌入方法,增强模型对用电行为特征的提取能力。基于居民用电数据集REDD和UKDALE的测试结果验证了该方法的有效性。

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%。

非侵入式盆底电刺激治疗仪的有效性与安全性研究

目的通过与侵入式盆底电刺激治疗仪进行对比,研究非侵入式盆底电刺激治疗仪的有效性与安全性。方法在COMSOL多物理场仿真软件中构建盆底部位的三维仿真模型,改变刺激电压的频率和幅值,进行多组电流密度分布仿真,结合离体组织实验进行有效性与安全性评价。结果和结论非侵入式盆底电刺激能够通过增加刺激脉冲电压的幅值和频率达到与侵入式盆底电刺激治疗仪相近的盆底肌刺激效果,增加电极数量对刺激效果也具有提升作用。在电极刺激部位垫湿巾或涂导电膏能避免电烧伤并提升刺激效果。创新之处关于非侵入式盆底电刺激治疗的有效性与安全性目前缺乏研究论证,该研究表明非侵入式盆底电刺激具有潜在的临床应用前景,可以为后续的临床研究提供参考。

基于物联网的非侵入式负荷状态监控系统设计

针对电子工艺实验室因设备多、类型多而带来的管理困难和安全隐患问题,利用物联网技术研发一种非侵入式负荷状态监控系统.该系统包含监测节点和服务器两部分,前者用于负荷状态识别,后者负责统计与控制.为准确识别节点上的设备状态,在监测节点端设计非侵入式负荷状态监测算法,其包括多状态负荷分离、状态特征提取和负荷识别等过程.真实场景的实验结果表明,研发的系统可以准确地监控电子工艺实验室的设备.

专利分析非侵入式脑机接口技术发展趋势

1924年,人们首次发现了脑电波(Electroencephalogram,EEG),脑信息科学的大门被打开;1973年,脑机接口(Brain Computer Interface,BCI)概念被提出,探索人脑协同联动的研究之路开启;2000年前后,两次脑机接口国际会议召开为脑机接口技术发展指明了方向;2022年,马斯克旗下Neuralink公司公布了一项植入颅内的脑机接口实验结果,再次将脑机接口推上“热搜”。

非侵入式低压用电故障监测措施及装置选择

文章介绍了非侵入式低压用电故障监测,并分析了常见的几种低压用电故障类型,如接触电阻过大、线路过载、短路问题和漏电故障。提出了针对这些故障监测的措施,包括故障信号提取方法、小波分析算法、信号奇异性检测及监测系统的整体架构。针对不同的监测需求推荐了相应的装置选择,为非侵入式低压用电故障监测提供了实用的技术参考。

基于金字塔网络的非侵入式负荷辨识及其隐私保护方案

智能电网融合了信息系统,能够为能源供应提供更有效的解决方案。智能电表是智能电网的关键部分,对智能电表数据的深入研究有助于为智能电网的管理和决策提供有效支持。非侵入式负荷辨识(NILM)技术为需求侧管理提供了技术支撑,但现有方式需要用户和NILM服务端进行数据交互,在这个过程中泄露了隐私信息。针对上述问题,设计了基于2D-卷积神经网络(2D-CNN)金字塔网络的NILM,并采用同态加密和安全多方计算技术进行隐私保护,针对金字塔网络的卷积、全连接、批标准化、平均池化、Re LU和上采样等算子设计隐私保护协议,组合隐私保护算子构建隐私保护的2D-CNN金字塔网络。整个过程没有还原数据和中间结果的原始信息,从而保护了双方隐私。在UK-DALE数据集上的实验结果表明,基于2D-CNN的金字塔网络能够表现出良好的效果,准确率达到95.81%,并且隐私保护的2D-CNN金字塔网络能够在保护客户端数据和服务端模型参数隐私性的情况下保持2D-CNN金字塔网络的推理效果,精确率、召回率和准确率等保持一致。同时,隐私保护的2DCNN金字塔网络在广域网中计算时间不到5 s,在局域网中不到0.5 s,并且通信量仅需4.79 MB,能够适用于NILM任务的现实场景。

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。