面向区域级用户的非侵入式负荷监测技术应用方法

非侵入式负荷监测是一种先进的负荷监测手段,但其现有的应用方案暴露出高能耗、施工复杂的缺点。为此,提出一种面向区域级用户的非侵入式负荷监测技术应用方法。基于现有的用电信息采集系统构建面向区域级用户的非侵入式负荷监测边缘计算模型,基于此,分析非侵入式负荷监测任务分配问题,并采用基于深度学习的任务分配策略生成方法对该问题进行求解,生成最优任务分配策略。某中等规模居民区的算例结果验证了所提方法的可行性,且其比现有应用方法具有更低的能效代价。

非侵入式负荷监测技术研究进展

设备负荷监测是能源管理的关键,允许用户获得特定于设备的能源消耗统计数据,可有效用于设计负载调度策略。非侵入式负荷监测(Non-intrusive load monitoring,NILM)在能源分解方面效果显著,允许从单个测量点采集的聚合数据中识别设备类别和功耗。论文对在国内外开展的非侵入式负荷监测研究进行综述。首先凝练了NILM问题模型和研究框架;重点概述了关键技术,即事件检测、特征提取、负荷识别,深入讨论了关键技术目前研究路线和不同方法之间优劣点,针对研究人员为开发准确NILM系统以实现有效能源管理而探索的最新算法做了重点分析,讨论了NILM系统精准评估框架;最后对现有研究中存在的挑战剖析,展望面向新型电力系统框架的研究方向。

非侵入式负荷监测技术在客户服务中的应用研究

随着泛在电力物联网建设持续推进,提升用电服务体验和电力营销精细化管理水平的重要性日益得到加强。在大规模智能电能计量装置的推广安装背景下,非侵入式负荷监测(Non-Intrusive Load Monitoring,NILM)技术成为当下研究的热点。文章通过总结其基本原理与框架,梳理出该技术的功能特点,针对在客户服务中能够实现的应用场景进行研究和设计,充分剖析该技术在各项客户服务场景应用的优势。最后探讨该技术未来的研究方向。

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。

瑞士非侵入式监测技术可快速掌握反应堆运行状态

【瑞士洛桑联邦理工学院网站2024年5月22日报道】瑞士洛桑联邦理工学院(EPFL)和保罗·谢勒研究所(PSI)近期合作研发了一种基于伽马射线噪声的创新型监测技术,可采用非侵入方式在短时间里掌握反应堆运行状态。相关成果已在科技期刊《科技报告》发表。监测反应堆运行状态以确保其遵守国际条约,是国际原子能机构(IAEA)目前开展的一项重要保障监督工作。现有常规监测手段虽能有效监测反应堆工况,但存在侵入性操作、可能中断反应堆运行或构成安全风险等缺陷。

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。

非侵入式电力负荷监测技术研究

非侵入式负荷监测(NILM)技术通过分解总电力负荷数据,使电力用户了解不同时段各类设备的电能消耗,帮助决策者制定合理的节能计划,减少能源开支,并对节能减排具有重要作用.分析了NILM相对于传统侵入式负荷监测的优势,具有成本低、部署简单、扩展容易等特点.概述了NILM的基本框架,从监督和非监督算法两个方面进行了详细介绍.讨论了现有的数据集和算法评价指标,并指出了目前NILM面临的挑战.

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。

基于改进GMM算法的非侵入式负荷监测方法研究

非侵入式负荷监测是实现电力负荷精细化管理的重要技术手段,负荷分解及特征提取是非侵入式负荷监测的关键环节。针对常规算法负荷特征提取弱或者过度拟合造成泛化能力低的问题,提出了基于拟合和聚类思想的负荷分解及特征提取算法,即改进的高斯混合模型(GMM)。首先通过引入AIC和BIC信息准则,分析不同混合成分个数下的GMM模型的拟合程度,选取最优的混合成分个数;其次研究和分析电力负荷功率信号的特征曲线,结合混合成分个数,改进初始值的选取;最后进行优化后的功率信号聚类分解,输出能充分体现时域功率曲线特征的特征矩阵。基于智能洗衣机洗涤模式下的实测功率信号,验证了改进GMM算法的可行性,并对模型改进前后的特征矩阵进行差异性分析,验证了采用改进高斯混合模型进行负荷分解得到的特征矩阵具有更好的信息表征能力及更好的训练识别特性。结果表明提出改进算法具有较强的自适应性以及较高的准确性。

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。

非侵入式居民电力负荷监测技术研究

非侵入式负荷监测技术,仅需在用户负荷总线上装设NILM装置,就能对用户的电力负荷实现监测和分解,从而获取用户电气设备的用电信息。其具有前期投入低、性能稳定、可行性高等诸多优点,对用户和电力系统等都具有重要的实际意义。本文利用Matlab软件对居民常用的电气设备进行模拟仿真,获取其运行时的电气信息,并通过使用能量比值算法,对负荷切投事件进行检测,也可用于后续负荷类型的识别。对于暂态过程极短的电气设备,仿真结果表明,随着时窗宽度的不断升高,其有功功率接近于跃阶变化。

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。

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。

基于非侵入式负荷监测的反窃电预警方法

为了有效检测用户是否存在窃电行为,文中对用户用电行为展开分析,提出一种基于非侵入式负荷监测的反窃电预警方法。在该方法中,首先利用负荷事件检测、特征提取以及meanshift聚类方法,获得用户各个负荷特征、类别等情况,建立负荷类别对比库以及窃电概率预测模型;根据所建立的窃电行为模型,通过对窃电后的负荷投切事件、使用时长、能耗等进行概率估计,并采用贝叶斯理论对用户用电行为进行推断,实现窃电监测。通过在电能表数据上进行测试,文中方法能够为反窃电提供数据支持,进而为新一代智能电能表反窃电应用奠定基础。

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。

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。