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。

融合外部注意力机制的序列到点非侵入式负荷分解

非侵入式负荷分解可以深度挖掘用户电力消耗数据蕴含的信息价值,为电力设备故障监测、需求响应等决策分析提供重要参考.为有效解决非侵入式负荷分解算法训练时间成本与分解精度间的冲突,提出一种融合外部注意力机制的序列到点非侵入式负荷分解算法.首先,将总负荷功率消耗序列进行数据清理、标准化等预处理,以固定窗口长度构建训练输入数据,输入数据通过编码层自动提取设备特征;然后,设计外部注意力机制增强重要特征权值;最终,输入到解码层得到负荷分解结果.利用REDD与UK-DALE两种公开数据集进行模型仿真计算,在信号聚合误差、平均绝对误差、标准化分解误差指标、模型分解曲线、特征图和用户耗能等方面进行对比分析,本文模型克服了卷积层注意力分散的缺点,增强了对有效信息的提取与利用能力,在未增加训练时间成本的前提下具有更高的分解精度.

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。

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。

基于非侵入式负荷分解的家庭负荷两阶段超短期负荷预测模型

精细化负荷预测为制定家庭新型需求响应策略或能效管理模式提供了可靠的指导信息与理论基础,而负荷监测系统的广泛研究与发展为家庭设备层的负荷预测提供了有力的数据支撑。基于家庭负荷智能电能表集中数据,该文提出一种集分解-预测一体化的家庭负荷两阶段超短期负荷预测方法。该方法第一阶段提出了基于卷积神经网络(CNN)和双向门控单元(BiGRU)神经网络的非侵入式负荷分解(NILM)模型,解决了目前深度分解模型中特征提取不充分、分解精度低等问题。第二阶段构建了基于时间模式注意力机制(TPA)的时间卷积神经网络(TCN)负荷预测模型,深度挖掘NILM分解数据、集中负荷数据及日期特征等输入变量的深层交互信息,实现家庭设备层的负荷预测。算例部分通过UK-DALE数据集对所提方法进行验证,结果表明,该方法能够获得较高的分解精度和预测效果,为家庭负荷预测提供了良好的条件。

基于小波变换与神经网络的非侵入式家电负荷监测研究

智能家电智能化程度越来越高,同一电器对应的工作模式也越来越多。目前家电的非侵入式负荷监测仅仅采用传统家电单一负荷曲线进行研究,极大局限了非侵入式负荷监测技术的应用推广。为此,以智能洗衣机不同工作模式为例,研究了同一家电不同模式下的用电负荷特征,采集了智能家电中洗衣机不同工作模式下的用电负荷数据,通过小波变换的方法对负荷曲线进行平滑与特征信息提取,并基于统计学思想对表征特征信息的特征向量进行了评价,建立神经网络模型对不同工作模式的负荷曲线进行了识别,通过MATLAB平台仿真,证明了基于小波分析特征提取及神经网络特征识别的方法在非侵入式智能家电负荷监测中的可行性,识别准确率较高,具有良好的应用推广价值。

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seq2seq模型的非侵入式负荷分解算法

非侵入式负荷分解对于节能减排、负荷调峰、智能用能等方面均具有重要的现实意义。针对目前非侵入式负荷分解方法在低频采样条件下(1 Hz及以下)分解准确率较低的问题,提出了一种基于卷积神经网络(convolution netural network,CNN)与长短期记忆网络(long short-term memory,LSTM)相结合的seq2seq的非侵入式负荷分解算法(seq2seq based on CNN and LSTM,seq2seqBCL)。该深度学习模型将功率时间序列作为网络的输入,通过CNN做特征提取。考虑到电力数据的时序性,增加了LSTM层进行电器识别,相比于NILMTK中seq2seq模型降低了网络层数,简化了网络结构。在REDD数据集上对算法性能进行了评估,所提出的算法提升了整个网络系统的性能,与FHMM、CO和传统seq2seq算法相比,负荷分解准确率有明显提升。

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”。