基于大数据分析的非侵入式电力负荷数据分类

非侵入式电力负荷监测可在不改变电路结构时,确定电力系统负荷状态。通过分类电力负荷数据能够对电力用户行为进行分析,但因电力负荷数据量多、种类复杂,导致分类误差率较高,无法达到数据融合要求。为此,提出了基于大数据分析的非侵入式电力负荷数据分类。通过收集电力负荷信息,构建电力负荷数据分解算法,并利用分解算法建立非侵入式电力负荷数据分解数学模型。根据该模型对已处理好的电力负荷数据进行分解,利用大数据挖掘技术的k均值聚类法和随机森林算法,实现了对非侵入式电力负荷数据的分类。实验结果表明,基于大数据分析的非侵入式电力负荷数据分类方法可以有效确定电力负荷数据的类型,暂态负荷数据分类误差率低于5%,稳态负荷数据分类误差低于0.30%,满足电力负荷数据分类的要求。

智能用电非侵入式负荷监测系统研究

能源互联网对智能电网的数据交互与信息挖掘提出了更高的要求。非侵入式负荷监测技术能够挖掘用户用电负荷状态信息,在智能用电领域受到日益广泛的重视。针对现有非侵入式负荷监测系统只能解决用户端负荷数据挖掘,难以实现电网与用户的双向交互及用户信息深度挖掘等问题,提出智能用电非侵入式负荷监测系统及其技术架构设计,并从信息通信、负荷识别和数据挖掘等方面分析论述该系统的实现与应用技术方案。

基于NILM数据的电力用户能效量化分析方法

随着节能减排理念的普及,通过大数据技术分析用户用电情况,引导用户改善用电习惯、提高用电效率、降低用电成本已成为趋势。本文通过分析影响电力用户能效的因素,结合非侵入式负荷监测NILM(non-intru⁃sive load monitoring)技术可获得的数据,构建了易于获取和量化的家庭能效评估指标体系。在上述基础上提出了基于NILM数据的家庭电力用户能效量化分析方法,给出了能效量化分析和综合评估的具体流程,并提供了可构建的电力用户能效分析系统架构。最后,通过一些案例分析,验证了所提能效评估方法的有效性。