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。

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。

基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法

为提升负荷监测中事件检测与负荷识别的准确性与适应性,提出一种基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法。基于低频数据,根据电器正常运行造成的功率波动与事件启停造成的功率跳变之间的特性差异,提出一种事件检测算法,该算法通过滑动窗内功率波动的差量特征排除波动干扰,实现事件准确定位并获取相关功率数据;建立一种双长短期记忆网络,对不同电器构建专一电器判别单元并进行训练;建立由各判别单元组成的事件识别网络,根据各判别单元输出的概率对事件进行综合判别,实现非侵入式负荷监测。基于测试数据集的仿真结果验证了所提方法的有效性与准确性。

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。

基于数据扩充与无阈值递归图的非侵入式负荷识别方法

非侵入式负荷监测技术不仅能将电能流向透明化,还能简化智能电表安装流程,从而有效降低负荷监测成本。为提高非侵入式负荷监测中的负荷识别准确性,提出了基于数据扩充与无阈值递归图的非侵入式负荷识别方法。采用去噪扩散概率模型对小样本负荷数据进行数据扩充,以提升负荷识别方法的鲁棒性;通过去除递归图的Heaviside函数实现无阈值递归图以高效表征负荷特征,并结合Transformer深度学习网络构建负荷识别框架。将所提出的方法应用到3个实测数据集中,实验结果表明,所提方法能有效提高负荷识别准确度,改善分类效果。

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。

基于最优特征和改进随机森林的非侵入式负荷辨识方法

非侵入式负荷监测方法是实现电网智能化的关键技术,有助于优化能量管理,促进能源高效利用。为了应对目前大多数负荷辨识模型存在的特征冗余、识别精度有限和计算效率低下等问题,提出了一种基于最优特征和改进随机森林的新型非侵入式负荷辨识方法。首先,通过递归特征消除方法从众多负荷特征中自主确定最优特征组合,以减少信息冗余。然后,确定不同决策树的权重数值,通过构建加权随机森林模型来实现电器负荷的辨识。为了进一步提高算法的精确度,利用改进鲸鱼算法对随机森林的重要参数进行优化。最终在公开数据集进行实验验证,证明所提负荷辨识方法具有准确性和优越性。

基于长短时记忆神经网络的非侵入式电力负荷辨识方法

常规的非侵入式电力负荷辨识方法忽略了暂态特征对负荷辨识的影响,为此,设计了基于长短时记忆神经网络的非侵入式电力负荷辨识方法。提取非侵入式电力负荷特征,采集电流、电压、功率信号,获取暂态负荷特征与稳态负荷特征。基于长短时记忆神经网络辨识电力负荷类别,利用时间特征细分负荷事件,划分负荷事件的区间,得到负荷类型数量,使负荷事件与负荷序列相匹配,从而实现电力负荷的精准辨识。采用对比实验验证了该方法的辨识效果更佳。

基于VMD-CNN的非侵入式负荷监测方法研究

非侵入式负荷监测通过在总电力接口处安装智能电表,实时采集和分析用户用电信息,从而监测各个用电设备的工作状态。针对电力系统中家庭用户负荷变化呈现的不同特性,提出一种基于VMD-CNN的非侵入式负荷监测方法。首先对采集到的负荷信号进行预处理,用变分模态分解方法将原始负荷功率信号分解成不同频率的有限带宽子序列,然后用Hilbert算法提取低频信号特征并将其输入到卷积神经网络中,再通过网络的自动学习能力学习各模态分量的不同特征,最后用全连接网络对用电设备进行分类,得到各个设备的用电情况。为了验证该方法,采用UK-DALE数据集进行实验验证,并与不同的分类算法进行对比。实验结果证明该方法适用于负荷监测且负荷监测精度达到了0.98。