复杂多态家用电器场景下NILM负荷事件类型判别方法研究

本文提出了一种复杂多态家用电器场景下非侵入式电力负荷监测(NILM)负荷事件类型判别方法。首先采用Savitzky-Golay滤波算法对负荷事件前、后的稳态电流波形进行滤波处理,剔除高频成分和噪声成分;其次通过离散小波变换对滤波后的电流波形进行分解处理,得到近似分量波形;最后基于皮尔逊相关系数计算负荷事件前、后近似分量波形的相关性系数,并依据相关性系数对负荷事件的性质进行判别。通过对空调、洗衣机、电冰箱等复杂多态电器的大量电流波形测试,结果表明:经本文方法处理后的电器投切负荷事件电流波形相关系数在0.6以下,而多态电器模式转换负荷事件相关系数在0.65以上,这一标准可作为复杂多态电器场景下负荷事件类型判别的主要判据。

基于NILM技术的家庭用户精确负荷建模方法

结合非侵入负荷监测NILM系统的负荷辨识流程,本文提出了一种基于NILM技术的家庭用户精确负荷建模方法。该方法应用NILM技术提取家庭主要设备负荷特性。然后通过模糊C聚类法实现家庭负荷模型归类,获得设备针对不同电价的转移灵敏度和自灵敏度用电特性,并在此基础上形成家庭负荷特性。通过电网公司分时电价环境下实测的家庭典型用电负荷数据验证可知,空调、洗衣机、热水器、电动汽车具有较大的弹性,其中洗衣机的自弹性和交叉弹性最大,在高电价时段可削减100%。该方法所获得的家庭负荷辨识的结果,可支持居民电价/激励等需求侧管理政策的制定,也可支持用户家庭用电设备状态监测服务等。

嵌入式NILM电力负荷识别及特征库构建系统设计

针对非侵入式电力负荷识别系统负荷特征库构建困难,算法复杂,硬件成本高的问题,构建了基于STM32嵌入式处理的电力负荷采集识别系统。介绍了系统硬件结构。分析了基于嵌入式处理器的电力数据通信方式。设计了低复杂度的快速滤波算法和基于最小二乘的负荷状态监测、识别算法。基于本系统,对常见家用电力负荷实际工作状态进行了实测。测试数据分析表明本系统的综合识别率符合要求,且算法更加适用于嵌入式硬件结构。系统硬件成本低,有利于推广应用。

面向NILM的负荷采集与处理一体化系统设计

负荷稳暂态特征稳定准确提取对NILM研究至关重要,为此文章设计了一套面向NILM的负荷采集与处理一体化系统。实测表明,该系统功能完整,能满足NILM稳态特征提取和暂态特征录波分析,具有良好的应用价值。

基于NILM的污染源监测方法应用初探

鉴于现有污染源监测技术易于作弊的问题,提出了一种基于非侵入式负荷监测(NILM)的新型污染源监测方法,通过实时监测企业入户电力线路获取排污设备和治污设备启停信息。首先,对采集到的线路电压和电流信号进行小波去噪,然后,设计了基于最小二乘预测法的设备投切事件检测方法,最后,提出相位和频率矫正来提高设备负荷特征提取精度。BLUED数据库仿真以及实际工程应用结果表明:基于NILM技术的污染源监测方法能以较高的速度和精度检测出设备投切事件和负荷特征,同时具备较高的抗干扰能力和较低的实现难度,推广应用前景广阔。

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。

基于电器粗糙归类的无监督NILM结果自主标注

无监督非侵入式负荷监测(non-intrusiveload monitoring,NILM)方法通常无法自动确定分解结果所对应的电器名称,这影响NILM结果的用户可读性,阻碍了其规模应用。为此,该文提出一种基于电器粗糙归类的无监督NILM结果自主标注方法。从电器运行控制方式和使用时间分布2个方面,总结分析同类电器共同具有的通用运行特性。定义周期运行、密集波动、固定时长运行3种控制规律特性,给出基于聚类分析的电器相应特性自适应判别方法;对于受人类活动影响程度不同的不同电器,提出基于电器使用与人类活动强弱的时间分布之间相关性的电器使用规律特性判别方法,同时给出一种基于负荷成分变化的用户个性化人类活动强弱时段划分方法。在此基础上,基于粗糙集理论,依据上述2类通用运行特性进行电器粗糙归类,进而提出融合通用运行特性的电器名称两层决策方法,实现NILM结果标注。在私有和公开数据集中的实验表明,该方法能在不同场景下实现常见家用电器NILM结果准确标注。所提方法可作为任意无监督NILM方法的后续步骤与之集成,形成完全无监督NILM方案。

基于MK变点检测和加权HMM算法的NILM研究

为了更可靠的提升居民用户非侵入式负荷的分解能力,将整个识别过程分为负荷事件识别和状态识别两个过程。分别提出一种基于双滑动窗的MK变点检测算法以及加权双参量隐马尔可夫模型进行负荷事件识别和状态识别。并在状态识别中将每个设备各内部状态在每个时间段的出现概率作为权值带入到算法。通过数据验证以及对比实验,表明NILM算法能够较为有效地对居民负荷进行识别。

基于先验统计模型的非侵入负荷辨识算法

针对传统非侵入负荷辨识技术中电热细分能力不足的问题,文中提出了一种基于先验知识与统计学习模型的居民非侵入式负荷辨识算法。文中对洗衣机辅热、电水壶、电饭锅、电热水器等设备进行了电热细分研究,通过设备运行关联算法实现了辅热设备的细分,并在用户有限反馈信息和专家标注的基础上,实现了非辅热设备分类的模型训练。实验结果表明,文中所提技术框架在事件检测负荷辨识算法的基础上实现了电热设备的细分,且在运行状态分解的F1分数指标中取得了0.9以上的优异效果。

基于金字塔网络的非侵入式负荷辨识及其隐私保护方案

智能电网融合了信息系统,能够为能源供应提供更有效的解决方案。智能电表是智能电网的关键部分,对智能电表数据的深入研究有助于为智能电网的管理和决策提供有效支持。非侵入式负荷辨识(NILM)技术为需求侧管理提供了技术支撑,但现有方式需要用户和NILM服务端进行数据交互,在这个过程中泄露了隐私信息。针对上述问题,设计了基于2D-卷积神经网络(2D-CNN)金字塔网络的NILM,并采用同态加密和安全多方计算技术进行隐私保护,针对金字塔网络的卷积、全连接、批标准化、平均池化、Re LU和上采样等算子设计隐私保护协议,组合隐私保护算子构建隐私保护的2D-CNN金字塔网络。整个过程没有还原数据和中间结果的原始信息,从而保护了双方隐私。在UK-DALE数据集上的实验结果表明,基于2D-CNN的金字塔网络能够表现出良好的效果,准确率达到95.81%,并且隐私保护的2D-CNN金字塔网络能够在保护客户端数据和服务端模型参数隐私性的情况下保持2D-CNN金字塔网络的推理效果,精确率、召回率和准确率等保持一致。同时,隐私保护的2DCNN金字塔网络在广域网中计算时间不到5 s,在局域网中不到0.5 s,并且通信量仅需4.79 MB,能够适用于NILM任务的现实场景。

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.

绿色居住建筑碳排放精细化估算方法

在“双碳”技术框架下,建筑碳排放具有巨大的降低空间,传统建筑能耗计量已无法满足节能降碳需求。本文提出了一种绿色居住建筑用能碳排放指标精细化估算方法,基于非侵入式负荷辨识结果,计量电器能耗,考虑建筑光储系统出力与电网单位电能碳排放量时变性,计算间接碳排放因子。再考虑电器特性,估算直接碳排放因子,结合间接碳排放,得到实际碳排放量。最后,通过居民实际“源-荷”数据,估算用能碳排放指标,为建筑节能降碳调控策略提供数据支撑。

面向多类型用户负荷的需求响应潜力量化评估

随着新能源大量并网,电网局部时段“缺电”频繁出现,负荷侧需求响应(DR)潜力的准确评估成为电网调度部门制定DR策略的数据支撑,对DR实施过程中涉及的各方利益主体均有重要意义。基于非侵入负荷识别(NILM)提出一种面向居民用户多类型负荷的的需求响应潜力评估方法。首先,采用事件检测算法和卷积神经网络技术对用户负荷曲线进行监测与识别,学习和获取用户的用电习惯。然后,考量用户主观因素和市场价格等因素,建立潜力评估指标体系,量化需求侧负荷资源,挖掘零散负荷资源的利用潜力。最后,通过参考能量分解数据集(REDD)进行算例分析,结果表明本文所建模型可准确识别用户多类型负荷,所提出的评估体系可为智能电网的DR实施提供方法支撑。

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。

一种基于时频特征融合和极限学习机的非侵入式负荷识别方法

以往的负荷识别方法在提高识别精度和实际落地部署方面遇到了一些挑战,如传统经典方法的识别准确度相对较低,而先进深度学习方法又因其较复杂的模型而很难部署到嵌入式设备上。为解决上述问题,本文提出一种基于高频样本数据识别方法。首先采用快速傅里叶变换(FFT)和希尔伯特变换(HT)对样本进行时域和频域特征提取。然后基于极限学习机(ELM)提出了一种多特征融合学习策略来获取特征与负荷类型之间的映射关系,设计了一种窗口调整方法,以获得最优模型和最合适的窗口长度。最后在两个高频公共数据集BLUED和PLAID上对该方法进行了实验评估。实验结果表明,所提方法具有识别性能较好、易于在嵌入式设备上落地部署的优点。

基于时间扰动的智能电表隐私保护方法

针对目前智能电表隐私保护方法存在对用户用电模式保护力度不足的问题,提出采用时延扰动来破坏数据波形,在智能电表数据可用性的基础上推导基于时间扰动的智能电表隐私保护模型,通过扰动智能电表数据发布时间来实现数据安全性与可用性的折中,并利用非侵入式负载监测算法对隐私安全性进行检测。实验结果表明,基于时间扰动的智能电表隐私保护方法能够有效地抑制电器切换事件的识别准确率,相比于随机扰动和充电电池方法有更好的抑制效率,多用户的聚合误差稳定在10%左右,同时在计费误差上有着优异的表现。

基于颜色编码与谐波特征融合的非侵入式负荷识别方法

非侵入式负荷识别(NILM)作为分析用户用电行为的主要途径,对开展能耗监测、实现用电安全评估具有重要意义。针对原始电压-电流(V-I)轨迹特征辨识准确度不高的问题,本文提出一种基于V-I轨迹特征的颜色编码和负荷高次谐波特征相融合的识别方法。首先,将高频采样数据经过数据预处理,提取出负荷的V-I轨迹和高次谐波特征,并利用颜色编码技术将瞬时无功功率、功率因数与电流序列分布的数值特征分别映射到彩色图像RGB的三个通道像素矩阵中。然后,引入高次谐波特征与RGB三通道像素矩阵相融合,形成混合彩色图像。最后,运用AlexNet网络的迁移学习对负荷进行训练和分类,通过PLAID数据集与实测数据进行验证,所述负荷识别方法辨识准确率达到95%以上,模型具有良好的泛化能力,可用于家庭及类似场合的用电安全管理。

基于动态自适应粒子群算法的非侵入式家居负荷分解方法

非侵入式负荷监测可以在保证用户隐私的前提下深入分析用户独立负荷的用电信息,是智能用电技术体系的关键内容。为提高负荷辨识的准确性,提出一种基于动态自适应粒子群算法（dynamic adaptive particle swarm optimization,DAPSO）的非侵入式负荷分解方法。在传统功率特征的基础上,将总谐波失真系数（total harmonic distortion,kTHD）作为负荷新特征引入目标函数,采用DAPSO算法对实测用电数据进行负荷分解。仿真结果表明,在不同噪声背景下,DAPSO算法的负荷辨识率和收敛速度均得到一定提高,从而验证了DAPSO算法对家居负荷分解具有更优的可靠性和鲁棒性。

基于模板滤波的居民负荷非侵入式快速辨识算法

以电流信号的频域分析为基础,结合非侵入监测负荷运行的电流模型,利用单独作用时电流信号的频谱分量会完整包含于混合电流频谱中,提出一种基于模板滤波的居民负荷非侵入式快速辨识算法。通过先验方式获取用电网络各负荷的特征电流形成特征滤波器,对其频谱分量进行0-1赋值得到对应的模板滤波器。利用模板滤波器对非侵入采集模式下的混合电流信号滤波,通过对滤波后频率分量的量化判决确定负荷的运行状态。利用实际采集的用电数据验证了该算法的有效性,能够准确判断负荷运行状态。此外,算法利用快速傅里叶变换(FFT)即可实现,便于实际中硬件封装。