基于K-means聚类与PSO特征优选KNN的分级负荷识别方法

针对非侵入式负荷辨识中,单一V-I轨迹特征无法对相似的轨迹特征进行有效识别以及所提取特征易出现冗余甚至噪声特征的问题,提出了一种基于K-means聚类与PSO特征优选的分级非侵入式负荷识别方法。首先,利用K-means算法对负荷V-I轨迹的HOG特征进行初步分类,将轨迹相似的电器分为一类;然后,对每一类中的电器电流数据进行多维特征提取并采用PSO算法选取最优特征子集;最后,利用KNN模型进行二级负荷识别。实验结果表明,该方法有效提高了负荷识别准确率;提取V-I轨迹的HOG特征解决了同一电器V-I轨迹波动的问题;对一级分类后的每一大类单独进行PSO特征优选KNN二级分类,解决了部分电器对特征子集适应性差的问题。所提方法在一定程度上解决了冗余特征甚至噪声特征对辨识准确率的影响,为负荷特征的选取提供了新的思路,对负荷辨识的实际应用具有重要的参考意义。     

基于CNN与K-means聚类的非侵入式电器负荷识别方法

针对目前非侵入式负荷监测仅能识别单个家用电器、多种家用电器同时运行识别率低的问题,提出一种基于卷积神经网络（CNN）与K-means聚类结合的非侵入式家用电器识别方法。首先,通过改进的CUSUM边沿检测算法对获取的用户用电数据进行时间检测,提取负荷发生投切事件的功率波形;其次,通过高斯滤波法对提取的功率波形进行滤波处理,并将处理后的波形转化为像素图作为负荷特征库,一部分作为训练集用来训练K-means算法改进后的CNN模型,一部分作为测试集测试模型识别的精度;最后,利用搭建的实验平台进行实际测试分析。实验结果表明,所用模型对7种家用电器的识别率均为100%,验证了模型的有效性。通过K-means算法对卷积神经网络进行改进,增大相似特性负荷特征之间的区别,提高负荷辨识的准确率,为非侵入式负荷检测技术开发提供了参考。     

基于HOG和SVM的非侵入式负荷识别

智能电网时代,准确高效的居民用电负荷评估对改善和调节电力网络的传输结构至关重要.对用户用电的电流、有功功率和谐波电流等数据进行数据预处理,基于对偶树复小波变换对数据降噪,建立基于HOG和SVM分类识别模型提取数据特征,并进行负荷识别.非侵入式负荷识别极大地降低数据收集和分析成本,对居民使用电器类型和数量的实时监测,为准确估算居民用电载荷提供可靠依据.     

基于随机森林-遗传算法-极限学习机的非侵入式负荷识别方法

提高负荷识别准确率是实现非侵入式负荷监测的关键技术。针对现有模型识别准确率低,特征冗余度高、可分性较差的问题,提出一种基于随机森林(RF)和遗传算法优化极限学习机(GA-ELM)的负荷识别方法。首先从稳态电流信号中提取时域和频域信息作为负荷特征。为进一步减小特征集的冗余度并剔除可分性较差的特征,使用随机森林算法对特征进行优选,得到最优特征集。最后使用遗传算法优化极限学习机的权值和偏置参数,建立负荷识别模型。利用所建立的模型对11个家用电器共16种负荷状态进行识别,实验结果表明,所提模型可以提高识别准确率,使用该模型可以对家用负荷进行快速有效识别。     

非侵入式感应电动机参数辨识

提出一种非侵入式感应电动机参数辨识的方法利用电动机起动电流在某些时段具有稳态电流圆图的特征拟合出感应电动机圆图,由感应电动机基本方程导出基于圆图进行参数辨识的数学表达式．物理实验的参数辨识结果表明：该方法具有较高的精度,简便易行;可在电力用户端口处进行,无需侵入用户内部,故它对电力负荷管理、电力节能乃至电力用户负荷动态特性的调查都有意义．     

面向家庭用户的用电负荷分解方法

针对现有非侵入式负荷分解方法存在的问题, 结合家用电器的负荷曲线特点, 提出一种基于进制拟合算法的非侵入式负荷分解方法. 该方法较好地解决了现有方法对负荷采集设备精度要求高和无法有效处理同种电器不同工作模式下的负荷分解问题. 实验表明, 该方法可准确判断出电器的开启时间、 已运行时间和电器的工作模式, 并很好地处理了同种电器投入使用的情况. 同时, 采用低速率采样, 所需数据可直接由通用智能电表获得, 减小了成本投入, 提高了用户参与智能用电的积极性.     

基于1D-CNN模型的非侵入式负荷识别

非侵入式负荷识别技术对电网系统的电力调度、风险估计等具有重要意义.现阶段非侵入式负荷识别的数据质量差,算法识别准确度低且只能处理低频或高频数据.针对非侵入式负荷识别数据质量差的问题,提出了数据修复、数据扩展等数据增强方法;针对非线性扰动降低准确度的问题,提出了一种基于1D-CNN的深度学习模型,该模型既可提取低频数据的稳态特征,也可提取高频数据的暂态特征.使用数据增强后的数据集在1D-CNN模型上训练和测试,并与现有算法进行对比发现,该模型在低频、高频数据集上均获得了95%以上的准确度,与现有算法相比具有明显优势.     

基于图像编码与深度学习的非侵入式负荷识别方法

非侵入式负荷识别(non-intrusive load monitoring,NILM)是一种不依赖用户内部装置,仅凭借外部分析工具和手段即可实现用户用电行为自动感知的方法.提高非侵入式负荷识别的精度,对于开展用能监测服务、实现节能降损具有重要意义.提出了一种基于彩色图像编码与深度学习的电力负荷识别方法.该方法首先在传统电压-电流(V-I)灰色轨迹法的基础上,利用双线性插值技术有效解决了像素点不连续的问题;然后考虑了特征之间的互补性,通过构造电流(R)、电压(G)和相位(B)3个通道,将数值特征嵌入灰色V-I轨迹中,从而得到了蕴含丰富电气特征的彩色V-I图像;最后,采用AlexNet深度学习算法对彩色V-I图像和对应设备标签进行有监督的学习,从而实现了不同类别电器设备的有效辨识.算例测试结果表明,提出的负荷识别方法的准确率高达97.7％.该结果充分验证了上述方法的有效性.     

基于改进YOLOv5s的非侵入式负荷识别

负荷识别是非侵入式负荷监测的关键环节.针对原始电压电流轨迹特征选择有限、识别准确度低的问题，提出一种基于改进YOLOv5s(YOLOv5s是YOLOv5(you only look once的第5个版本)系列中预训练结构最小的模型)的非侵入式负荷识别算法.将坐标注意力(coordinate attention,简称CA)模块添加至YOLOv5s的主干网络，用双向特征金字塔网络(bi-directional feature pyramid network,简称BiFPN)取代YOLOv5s的常规特征提取网络.实验结果表明：相对于其他3种算法，该文算法有更高的负荷识别准确度.因此，该文算法具有有效性.     

基于混合特征图的非侵入式负荷监测算法

针对目前的非侵入式负荷监测算法所需运算成本高、难以实用推广的现状，提出一种低运算成本的基于混合特征图的非侵入式负荷监测算法。首先，提取设备的功率特征和稳态电压-电流轨迹图特征，将设备功率特征进行维数变换后与电压-电流轨迹特征图组合，得到设备混合特征图。该特征图以小尺寸灰度图为载体，减小了硬件存储与模型算力的成本。然后，基于LeNet卷积神经网络建立设备辨识模型，以混合特征图为输入，实现对设备种类的辨识。最后，使用PLAID数据集对所提算法的结果准确性与计算性能进行测试。结果表明：所提算法的设备辨识准确率可达92.7%,与辨识准确率相差小于1%的同类算法相比，在算法参数量和运算量方面减少了99%,能有效减少NILM的运算成本。     

基于功率谱密度与随机配置网络的低压串联电弧故障检测

低压串联电弧电流为非平稳信号,故障特征区分度低、且具有随机性,给电弧故障特征提取和准确检测带来困难,本文提出基于功率谱密度与随机配置网络的低压串联电弧故障检测方法。首先,搭建了串联电弧故障发生平台,采集不同负载类型的电流数据,构建数据集。其次,采用功率谱密度对电流信号执行随机信号分析,实现对电流信号的定量化频域特征描述,增强故障电流与正常电流特征的区分度。然后,采用随机配置网络构建串联电弧故障检测模型,将功率谱密度特征用于随机配置网络的自适应训练学习,提升网络训练效率和模型故障检测能力。在本文构建的电流数据集上,串联电弧故障检测的平均准确率达到96.157%,证明了方法的有效性。     

基于改进GFCC特征参数的广播音频语种识别

针对广播音频语种识别中与语种识别无关的特征对识别结果产生影响的问题, 提出一种基于伽马频率倒谱系数的改进特征参数的语种识别方法. 通过提取每帧信号的能量谱包络, 去除部分与说话人相关的特征, 采用Gammatone滤波器组滤波, 经离散余弦变换后再进行倒谱提升, 得到改进的伽马频率倒谱系数特征参数. 将广播音频信号提取特征参数输入隐Markov模型中进行训练测试, 得到的语种识别结果表明, 该方法有效提升了广播音频语种识别的准确率, 优于目前使用的伽马频率倒谱系数特征及其衍生方法.     

基于傅里叶变换的脑机接口系统实现方法

脑机接口系统要求实时的处理速度和较高的准确识别率.在对脑电信号进行幅频分析和相同步分析的基础上,提出一种意识任务识别在线脑机接口系统实现方法.提取谱峰和相同步相干性指数作为反映大脑运动意识任务状态的特征参量,设计基于信息积累的时变线性分类器,对左右手想象意识任务进行识别,获得了满意的结果,最大分类正确率达到90.72%.研究结果表明,谱峰特征是事件相关去同步/同步的一个敏感的量化参数,结合相同步相干性指数能够提供更多反映大脑意识任务状态的信息.该方法采用快速傅里叶变换和线性判别式分析,特征提取和分类算法简单,计算速度快.为在线脑机接口系统的实现提供了新的思路和途径.     

基于改进人工免疫网络的配电网单相接地故障辨识方法

配电网故障辨识有利于线路的全面分析与后续检修,但过渡电阻较高时单相接地故障稳态特征不明显,辨识正确率受到影响.提出了一种基于改进人工免疫网络的单相接地故障辨识方法,利用希尔伯特-黄变换提取故障暂态过程中零序电压的固有模态分量,得到反映波形变化程度的频域特征,进而构造特征向量;采用记忆细胞方差自适应调整环节对人工免疫网络进行改进,以生成能够体现原有特征且均匀分布的记忆细胞来进行故障判断,可以克服训练数据样本少、分布不均匀的问题,并且网络训练速度快.在MATLAB/Simulink中建立仿真模型,测试集的验证结果表明本文辨识方法在小样本训练的情况下能对故障与正常扰动进行识别,训练时间短,不需要人为设置阈值;同时,在中性点接地方式变化、信号存在噪声以及系统拓扑结构变化时,该方法适应性依然良好.     

基于粒子群优化-支持向量机的睡眠呼吸暂停检测

睡眠呼吸暂停（sleep apnea,SA）是一种睡眠障碍疾病,严重影响睡眠质量和身体健康。为降低睡眠呼吸障碍检测的复杂度并提高准确率,提出了一种粒子群优化支持向量机（particle swarm optimization-support vector machine,PSO-SVM）方法,通过心电信号实现对SA的准确检测。首先,将心电信号分段,并从中提取心率变异性;其次,实现特征提取与选择,包含心电信号RR间期的均值、标准差、均值标准差、差值均方的平方、心率变异性的信号总功率、低频段功率、高频段功率、瞬时中位频率、边际谱熵和能量谱熵等;最后通过PSO-SVM分类算法进行睡眠呼吸暂停检测。结果表明,本方法筛选10个特征对SA检测,利用Apnea-ECG数据库通过PSO-SVM检测准确率为94.0%,提升了现有方法的检测性能。     

基于相空间重构和PSO-K-means的球磨机负荷状态识别方法

针对球磨机振动信号具有强随机性、非平稳性和非线性等内在特性导致负荷状态难以识别的问题,提出一种基于相空间重构和PSO-K-means的球磨机负荷状态识别方法。首先,利用改进前后的自相关系数算法对Lorenz与Rossler两种混沌时间序列进行数值模拟,得出延迟时间和嵌入维数精准有效的计算方法;其次,验证出球磨机筒体振动信号具有混沌特性后对其时间序列进行相空间重构,恢复出等价的混沌吸引子;接着,针对3种不同负荷状态下的相空间吸引子进行特征提取,分析了关联维数特征量的变化规律;最后,将关联维数作为特征向量输入PSO-K-means聚类模型中对球磨机负荷状态进行分类与识别。结果表明,PSO-K-means聚类模型在负荷状态识别时有较高的精准性,欠负荷、正常负荷、过负荷下识别精度分别为94.2%、96.3%、94.8%。以上结果证实了该方法能够实现对球磨机负荷状态的有效识别。