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。

强迫睁眼对健康人群非侵入性泪膜破裂时间的影响

目的:观察健康人群强迫睁眼前后Oculus眼表综合分析仪所测非侵入性泪膜破裂时间和干眼分级有无差异。方法:前瞻性病例自身对照研究。40例志愿者接受此项检查,分别于强迫睁眼前后行Oculus眼表综合分析仪非侵入性首次泪膜破裂时间(non-invasive first tear film break-up time,NIBUTf)和非侵入性平均泪膜破裂时间(non-invasive average tear film break-up time,NIBUTav)检查,仪器自动进行干眼分级。首次检查先右眼后左眼,第二次检查先左眼后右眼。结果:首次检查眼(即强迫睁眼前)NIBUTf均值为9.18±5.52s、NIBUTav均值为11.74±5.59s,干眼各级所占百分比分别为43%、37%、20%;第二检查眼(强迫睁眼后)NIBUTf均值为8.91±5.54s,NIBUTav均值为11.76±5.58s,干眼各级所占百分比分别为35%、48%、16%。健康人群强迫睁眼前后双眼NIBUTf、NIBUTav和干眼分级比较,差异无统计学意义(t=0.37,P=0.72;t=-0.038,P=0.97;Z=-0.42,P=0.68)。结论:健康人群强迫睁眼前后眼表综合分析仪所测非侵入性泪膜破裂时间和干眼分级无影响。

基于维特比算法改进的稳暂态混合非侵入式负荷识别方法

非侵入式负荷识别技术因其具有诸多优势,成为目前负荷运行状态监测的主流方法。通常可将其分为基于稳态特征的负荷识别和基于暂态特征的负荷识别。考虑相邻稳态过程和暂态过程之间的负荷运行状态开关逻辑,该文构建了时序校核模型和策略,以此排除不可信的结果以提高识别精度。首先,分别采用离散粒子群优化算法和动态时间规整进行基于稳态特征和暂态特征的负荷识别;然后,基于概率评价选取多个识别结果构建负荷识别结果候选集,联立多个连续的稳态和暂态过程的候选集,基于维特比算法构建时序识别结果的概率序列和评价方法,并进行优选以确定最终的识别结果;最后,分别在仿真数据集和实测数据集上对该方法进行验证分析。实验结果表明,该方法能有效提高整体的负荷识别精度,并明显改善大功率负荷的识别效果,同时保持小功率负荷的识别准确率。

非侵入性泪膜破裂时间和泪液分泌与室内温湿度、年龄的相关性

目的探讨非侵入性泪膜破裂时间(NITBUT)和泪液分泌与室内温度(IT)、相对湿度(RH)、年龄的相关性。方法选取2016年1月至2018年1月开封市中心医院眼病医院拟行屈光手术的641例(1 282眼)患者。检测NITBUT,分别以泪河高度(TMH)和SchirmerⅠ试验(SⅠt)反映基础泪液分泌和反射泪液分泌的情况。记录检查时IT、RH和患者年龄。分析NITBUT、TMH和SⅠt与IT、RH、年龄的相关性。分别以NITBUT、TMH、SⅠt为因变量y_1、y_2、y_3,RH、IT、年龄为自变量x_1、x_2、x_3建立回归方程。结果平均RH、IT、NITBUT、TMH、SⅠt分别为(51.78±19.91)%、(22.52±2.49)℃、(11.53±4.77)s、(0.25±0.06)mm、(19.98±9.10)mm。NITBUT与RH呈正相关(r=0.147,P<0.05),与IT、年龄无关(P>0.05),回归方程为y_1=8.662+0.055x_1。TMH与RH呈正相关(r=0.148,P<0.05),与IT呈负相关(r=-0.085,P=0.030),与年龄无关(P>0.05),回归方程为y_2=0.280+0.001x_1-0.003x_2。SⅠt与年龄呈负相关(r=-0.090,P=0.018),与IT、RH无关(P>0.05),回归方程为y_3=22.709-0.163x_3。结论 NIBUT与RH呈正相关,与IT和年龄无关。TMH与RH呈正相关,与IT呈负相关,与年龄无关。SⅠt与年龄呈负相关,与IT、RH无关。

基于多模式集成深度融合的非侵入式负荷分解模型

目前,基于深度学习的非侵入式负荷分解模型存在对长时间用电信息的时间依赖性建模能力受限及使用同一种分解模型对具有不同负荷特征的设备进行负荷分解所得到的分解误差达不到理想状态的问题。针对上述问题,文章提出了一种非侵入式负荷分解模型,其将基于CNN-LSTM-TPA的分解模型和改进的SVRVB-STCKF模型进行集成融合。首先,其使用时间模式注意力机制(TPA)加强CNN-LSTM分解模型对时间依赖性的建模能力,捕获原始用电信息的负荷特征并实现初步负荷分解;其次,采用支持向量机回归(SVR)建立目标设备的非线性状态空间模型,并利用改进的强跟踪技术和变分贝叶斯对容积卡尔曼滤波算法(CKF)进行改进,得到VB-STCKF模型,对初步分解结果进行二次动态调整。利用REDD和UKDALE公开数据集对所提模型进行验证,结果表明,所提加强模型的时间建模能力及其对初步分解结果进行动态调整的功能,可以有效降低模型的分解误差。

基于非侵入式负荷分解的有色金属冶炼工序识别

为进一步简化数据处理过程和提高生产工序识别准确率,提出一种基于非侵入式负荷分解的工序识别方法。首先将每种工序定义为一种用电设备,然后根据非侵入式负荷分解相关理论,分别选取双向长短期记忆网络和时间卷积网络构建负荷分解模型,选择各用电设备对应功率、总功率数据构造数据集对模型进行训练和测试,最后对测试集负荷分解结果进行相关处理得到对应的工序数据。结果表明由基于时间卷积网络的负荷分解方法构成的工序识别模型具有较高的识别准确率,针对测试集的工序识别准确率达98.83%。

基于Attention机制的TCN-LSTM非侵入式负荷分解

非侵入式负荷分解可以从家庭电能表的总功率读数分解出各用电器的功率,对于节能减排、智能用电等均具有重要意义。针对当前深度学习在非侵入式负荷分解中存在的分解准确率低、对使用频率低的电器分解误差大等问题,提出了一种基于Attention机制的时间卷积神经网络(temporal convolutional neural network,TCN)与长短期记忆网络(long short-term memory,LSTM)相结合的序列到点非侵入式负荷分解模型。该模型首先以重叠滑动窗口方式读取功率时间序列作为网络输入,利用TCN膨胀因果卷积扩大卷积核感受野,加入残差连接和批处理规范化,加快提取深层负荷特征的效率;然后利用LSTM捕捉功率序列演化模式完成负荷分解,在TCN特征提取侧和LSTM负荷分解侧引入双重Attention机制来提取重要负荷特征和历史关键时间点信息;最后在UK-dale和REDD数据集上进行训练与测试,实验结果表明本文模型性能良好,负荷分解准确率有明显提升。

基于时间概率分布与电器组合超状态的非侵入式负荷分解

非侵入式负荷监测是智能用电网络中的重要技术,为研究非侵入监测下电器的用电情况,提出了一种基于电器时间概率分布和电器组合超状态匹配的负荷分解方法。首先对电器的功率数据进行状态提取,并利用电器运行的时间信息提取每个状态的时间概率分布。根据电器的工作状态组合,构建超状态,利用家庭历史用电数据缩减超状态空间,并针对超状态功率重叠问题对其进行聚类得到S超状态。在负荷分解阶段利用S超状态匹配方法对非侵入式数据分段,并利用时间概率最大似然估计分解结果。最后,通过数据集分解结果验证了该算法的有效性。

一种融合时间特征的非侵入式负荷辨识决策方法

针对家庭负荷用电场景中负荷类别的不确定性,以及非侵入式负荷监测设备数据库中负荷特征库的不完备等极易导致负荷辨识准确率下降的问题,文中在利用电气特征的基础上,提出了一种融合负荷运行时长、运行时段、工作周期及假期特性等时间特征的非侵入式负荷辨识决策方法。在该方法中,通过分段归一化的Mean-shift聚类方法对检测得到的负荷事件特征进行聚类统计,获取潜在的负荷类别数;对用电设备负荷事件的时间特性进行统计,同时计算负荷功率特征度量负荷事件所产生的概率,并采用贝叶斯方法对负荷进行决策辨识。采用AMPds公共数据集进行实际测试,实验结果表明该方法对该场景具有较好的辨识效果。

基于时间序列的居民用户非侵入式负荷分解研究

针对传统的机器学习方法识别准确度低的问题,非侵入式负荷分解因其充分利用现有智能电能计量装置采集的数据,无需对计量装置与线路进行改造,得到了广泛应用。文中分析多种非侵入式负荷分解的深度学习方法,提出基于上下文信息的序列到点的非侵入式负荷分解方法。通过在采集的长时间序列上设置滑动获取输入的待识别序列,使用输入侧的一段时间区间内的中间位置作为输出侧值,大幅缩小计算量。将对应的目标设备作为单点输出,该方法通过卷积神经网络学习到目标设备的特征,并将这些特征加入模型,有效降低了误识别率。实验结果表明,使用该方法进行居民负荷分解效果良好,F1值相比LSTM等方法提高了约30%。

基于DTW算法与稳态电流波形的非侵入式负荷辨识方法

非侵入家用负荷识别技术可以指导家庭用户合理安排用电,提高用能效率,同时也为电力部门提供家庭用电的数据支持,有利于了解负荷用电规律及趋势,完善电力规划。由于家庭用户用电负荷的稳态特征值存在相似和无规律的问题,现有的方法多采用高级算法对所有的用电负荷组合进行训练。针对现有采用负荷稳态特征值方法进行识别所存在的不足,考虑到家用负荷稳态波形具有独特性和叠加性,提出了一种利用动态时间弯曲(DTW)算法计算与模版库波形的距离来识别家用负荷的辨识方法。首先,建立负荷稳态波形模版库;然后,在电压满足一定条件的情况下,测量家庭用户电流的稳态波形;最后,利用DTW算法计算出最小距离进行识别。

非侵入式眼表综合分析仪在干眼诊断中的应用价值

目的:分析非侵入式眼表综合分析仪在干眼诊断中的应用价值。方法:纳入2017年12月至2018年12月期间我科收治的150例疑似干眼患者,先进行非侵入式检查(采用非侵入式眼表综合分析仪),再进行传统检查,比较2种方法的泪膜异常检出率。采用Pearson和Spearman分析非侵入式检查结果与干眼相关指标间的关系。结果:非侵入式检查的泪膜异常检出率明显高于传统检查(90.67%比74.67%,P<0.05)。传统检查测得的泪膜破裂时间(tear break-up time,TBUT)与非侵入式检查测得的非侵入性泪膜破裂时间(noninvasive tear break-up time,NITBUT)呈正相关(r=0.88,P<0.01);传统检查中的基础泪液分泌试验(Schirmer I test,SIT)结果与NITBUT呈正相关(r=0.54,P<0.01);非侵入式检查测得的泪河高度(tear meniscus height,TMH)与TBUT、SIT呈正相关(r=0.53,P<0.01;r=0.76,P<0.01);非侵入式检查中的脂质层分析评分(r=-0.52,P<0.01)、睑板腺缺失评分与TBUT(r=-0.61,P<0.01)呈负相关,但与SIT间无相关性(r=0.25,P=0.15)。结论:在采用非侵入式眼表综合分析仪检查干眼中,泪膜异常检出率高,并可辅助干眼分型及治疗方案制定。

考虑分时段状态行为的非侵入式负荷分解方法

负荷监测是智能用电的一个重要环节,针对现有低频非侵入式负荷分解方法需要较多先验信息,且对功率相近或小功率负荷的辨识精度较低的问题,提出了一种考虑分时段状态行为的非侵入式负荷分解方法。首先,对负荷设备的功率数据进行聚类分析,构建负荷状态模板。提出一种不需要指定时间段个数的负荷典型行为时间段智能寻优方法,分时段提取负荷状态行为规律,构建负荷行为模板。然后,在传统功率特征的基础上,综合考虑概率和时间2个维度,将分时段状态概率因子(TSPF)作为负荷新特征引入目标函数,通过多特征遗传优化迭代实现负荷分解。最后,在公开数据集上验证了所提方法的有效性和准确性。

深度神经网络在非侵入式负荷分解中的应用

负荷监测是智能用电的一个重要环节,为了实现非侵入式负荷监测,提出了一种基于深度神经网络的非侵入式负荷分解方法。首先提出了改进的电器状态聚类算法,通过改进终止条件和增加消除冗余类判据使得聚类结果更符合电器实际运行情况。针对目前研究常用的隐马尔可夫模型的弱时间特性问题,提出了电器时间特性模型,综合考虑了电器运行特性和用户使用习惯,从时间角度对电器进行建模。构建了深度神经网络进行负荷分解,网络的输入综合考虑了电器状态及时间、功率信息,采用历史运行数据及时间特性模型生成数据训练网络参数。最后,在测试数据集上验证了方法的有效性和准确性。

基于PLA-GDTW支持向量机的非侵入式负荷监测方法

非侵入式负荷监测方法(non-intrusive load monitoring method,NILM)嵌入智能电表终端,可以进行全面的家庭能耗监测和用电优化管理,实现用户和电网的双向互动,推进智能用电的发展。提出了一种基于分段线性近似及高斯动态弯曲核(piecewise linear approximation Gaussian dynamic time warping kernel,PLA-GDTW)支持向量机的非侵入式负荷监测方法。首先分析家用电器暂态过程的有功功率变化,用暂态时间和暂态功率跳变值进行负荷预筛选,然后对暂态有功功率的波形进行分段线性近似(piecewiselinear approximation,PLA)从而实现波形特征提取和降维表示,最终将波形特征输入到以高斯动态弯曲核(Gaussiandynamic timewarpingkernel,GDTW)为核函数的支持向量机进行分类识别。实验结果显示所提出方法对于持续变化负荷及多负荷同时运行的情况均具有较高的识别率和较快的识别速度。

基于模体挖掘与调和函数半监督学习的非侵入式负荷监测

针对现有非侵入式负荷监测(NILM)方法成本高昂等问题,提出一种基于模体挖掘与调和函数半监督学习的NILM方法。基于低频采样数据,根据从监测数据得到的功率阶跃量,利用时间序列分析法和模体挖掘法划分设备的运行窗;在设备运行窗中,根据设备特性与统计方法定义设备开启最大值到稳定运行点的斜率、设备稳定运行时的波动幅度2个新的特征量;构建设备运行窗的特征向量,并利用基于调和函数的半监督学习算法对运行窗中的设备类型进行识别。基于参考能量分解数据集,分别从事件匹配和设备识别的角度将模体挖掘和基于调和函数的半监督学习算法与其他NILM方法进行对比,验证了所提方法的准确性和可推广性。

基于投票方差的非侵入式负荷波动检测

针对现有事件检测方法在大功率用电设备开启后漏检小功率用电设备切换事件以及对事件发生时间定位不准确的问题,提出一种基于投票方差的波动检测方法,该方法通过投票机制定位事件,可提高检测精度。实验结果表明,该方法在聚合功率水平发生变化时仍然具有稳健性,可检测出的负荷波动范围为40~2 000 W,通过对参数的选择,该方法的检测精度达到95%左右,能够精准检测到开始时间的事件数占95.30%。

图数据建模与图表示学习方法及其非侵入式负荷监测问题的应用

非侵入式负荷分解能从家庭总表数据中分解出单个负荷的运行状态,这对用户调节自身用电策略、参与需求侧响应具有重要意义。针对当前负荷分解模型受限于欧式空间下数据的顺序输入,无法准确描述电器不同运行状态之间的时间关联性导致分解准确度不高的问题,提出一种图数据建模与图表示学习的非侵入式负荷分解方法。首先基于图理论将待分解信号转换为包含节点和边的图数据。其次,设计带残差机制的图卷积网络充分挖掘低采样频率下数据包含的属性特征和时间关联性特征,构建负荷分解的图表示学习。然后,针对模型分解结果缺乏精细化修正策略的问题提出改进的后处理方法,进而全面提升模型的综合性能。最后,使用公开数据集AMPds2和REDD进行验证,结果表明该文方法具有较低的分解误差和较强的泛化性能。

基于深度循环卷积模型的非侵入式负荷分解方法

电力分项计算是智能电能表的一个重要环节,即对接入户线的各个电器设备进行用电消耗检测。对电力公司进行精准预测,提高系统稳定性可靠性,制定调度方案,设计“错峰用电”费率结构,发现设备老化和故障有着重要意义。为了实现电力分项计算,文中提出了一种基于深度循环卷积神经网络的非侵入式负荷分解方法。对目标电器的不同功率状态进行编码,用循环卷积神经网络提取输入负荷总功率的空间时间特征。对输入数据进行归一化提高模型训练速度,用drouput技术降低模型过拟合,用迁移学习技术实现对不同目标电器的功率状态预测建模。并和传统的隐马尔可夫模型进行对比。采用公开的redd数据集,结果证明文中所提出的模型能很好预测目标电器的功率状态。

干眼检查中泪膜破裂时间测定对泪河高度的影响

目的研究在进行泪河高度(TMH)测量时非侵入性泪膜破裂时间测定(NIK-BUT)对其的影响。方法整群选取2015年3月—2015年6月在厦门市中医院眼科就诊的63例干眼患者及63名常规体检的健康人,所有入选者都用Keratograph 5M眼表综合分析仪(OCULUS,德国)拍摄泪河的图片,记录基础泪河高度(△TMH),并在非侵入性泪膜破裂时间检查前后分别测量泪河高度。泪膜破裂时间检查要求受检者尽量保持不眨眼,并在下一次眨眼后停止检查。结果健康人群及干眼患者的基础TMH(△TMH)分别为(0.24±0.06)mm和(0.14±0.04)mm。干眼患者基础TMH值显著低于健康人群TMH(P<0.001)。在行NIK-BUT检查后TMH值显著增加,健康人群TMH增加(0.12±0.08)mm,干眼患者TMH增加(0.06±0.09)mm(P<0.001,P=0.026)。结论在用眼表综合分析仪检测干眼患者时,泪河高度测量应该在泪膜破裂时间检查等强制性眨眼动作前完成。