基于双通道多特征融合的电力负荷智能感知方法

负荷识别是分析用户用电行为的主要工具之一.提高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.提出了一种基于双通道多特征融合的电力负荷智能感知方法.首先,从电器设备的基本属性出发,分析了电流、谐波、功率等数值特征以及电压-电流(V-I)轨迹图像特征对负荷识别的影响;其次,考虑了特征之间的互补性,分别采用主成分分析-神经网络(principal component analysis-back propagation,PCA-BP)算法和卷积神经网络算法将数值特征和图像特征以不同通道在高维空间进行深度融合;最后,采用Softmax分类算法对融合后的高级特征和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.算例测试结果显示,所提出方法的负荷识别准确率高达94.55％.该结果充分说明了将多种特征进行高维空间融合,可以更全面、立体地反映设备的本质属性,提高算法的识别精度.     

基于QR分解的启发式自适应最优界椭圆辨识算法

借助于基于QR分解的加权递推最小二乘算法结构,提出了一种启发式自适应最优界椭圆(OptimalBoundedEllipsoid,OBE)辨识算法.采用了集元方法中的OBE辨识思想,使算法具有识别冗余数据的功能;同时具有比随机方法更佳的"局部”数据信息利用效果.利用指示时变系统参数变化的监测因子,实现了简洁有效的自适应算法.     

基于STM32的非侵入式负荷监测系统设计

传统的侵入式负荷监测方法在实际应用中安装复杂,成本高,无法满足日益发展的电力系统需求.为此设计了一种基于STM32的非侵入式负荷监测系统,系统以STM32F103芯片为主控制器,利用AD8629放大器和ADS1256芯片进行高精度电信号采样,通过USB与上位机通信,在Labview界面中进行实时显示,并建立卷积神经网络算法模型进行负荷识别.将嵌入式系统与辨识算法进行结合,通过实验验证了用电负荷监测与识别的可行性,且系统实时性好,测量精度高,成本低,有较强的实用性.     

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．     

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GPS的相量量测单元在电力系统中的应用研究

基于GPS(Global Position System)技术的同步相量量测单元(PMU)可以实时测量节点电压的幅值和相角,介绍了PMU的测量原理以及其在电力系统电网稳定性监测与分析、广域测量系统(WAMS)、暂态稳定预测及控制、在线扰动识别、低频振荡的在线监测与分析、负荷参数辨识等方面的潜在的应用价值.为电力系统分析和控制提供了新思路.     

应用小波变换和支持向量机的商业电力负荷预测

提出一种基于小波分解和支持向量机相结合的模型,将其应用于预测商业建筑电力负荷.首先,基于商业建筑配电系统的数据采集系统实时监测数据,分析商业负荷用电特性,指出商业负荷的随机特性造成单一预测模型精度难以满足要求.其次,提出了一种基于小波分解和粒子群支持向量机的商业电力负荷预测算法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用不同的粒子群支持向量机模型进行预测,引入粒子群算法对支持向量机模型参数进行寻优.最后,将各分量预测值重构得到最终预测值.实验结果证明:小波分解后和粒子群支持向量机相结合的模型精度明显优于单一支持向量机模型.     

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。     

基于改进型密度峰值算法的电力负荷聚类分析

在海量异质灵活资源参与含高比例新能源电网的运行调节背景下,针对用户用电特性分析的准确性、鲁棒性、计算效率的高要求问题,提出了一种基于特征指标完善和改进型密度峰值算法的电力负荷聚类分析方法。首先,通过提取9个完备的特征指标进行指标降维和完善以代替日负荷曲线组成的功率向量作为聚类输入;其次,采用熵权法对各项特征指标赋予权重保证负荷曲线的形态特征;最后,采用一种改进型密度峰值聚类算法对日负荷进行聚类分析。基于某地区实际负荷数据进行算例分析,结果表明,所提方法在鲁棒性、聚类质量等方面相比于传统电力负荷聚类算法均具有优越性,聚类结果能真实有效地反映用户的实际用电特性,为制定精准的电力用户画像、需求侧响应策略提供了态势感知基础。     

B/S模式下嵌入式说话人身份认证系统

目的 研究设计基于B/S模式的与文本相关嵌入式说话人语音身份认证系统.方法 针对网络数据传输的噪声环境、语音识别算法的复杂度和大量用户远程实时认证的需求等问题,首次利用了MPC850微控制器和EP2C35 FPGA芯片,采用2代小波降噪,语音增强,声谱中主要参数分布估计,加权MFCC语音特征提取,与指定文本相关的混合HMM辨识等技术完成设计要求.结果 给出了系统SOC实现方法 ,讨论了语音特征提取算法的原理及改进措施.结论 该系统能有效地完成基于B/S模式远程说话人身份认证,具有较高的实践应用价值.     

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.     

基于黑洞粒子群和多层级SVM的低压交流系统短路故障类型辨识

针对低压交流系统的短路故障诊断问题,提出一种基于黑洞粒子群(BHPSO)和多层级SVM的低压交流系统短路故障类型辨识方法。首先,基于故障前后0.5ms电流信号小波变换分解,采用小波细节分量标准差构建故障特征向量。其次,采用黑洞粒子群算法对SVM的核参数和惩罚因子进行参数优化以构建多层级SVM分类器实现低压交流系统短路故障类型辨识。最后,基于TMS320F28335 DSP将故障类型辨识决策模型加以硬件化技术实现。通过低压交流系统短路实验证实本方法准确率高,且在噪声干扰、负荷电流变化等工况下均有较好的鲁棒性。     

基于二阶灵敏度的电力负荷参数辨识方法

利用牛顿法收敛性强的优点,将一阶灵敏度和二阶灵敏度引入牛顿法,得到基于二阶灵敏度的牛顿参数辨识法,并将其应用于电力负荷参数辨识。采用仿真算例将该方法与粒子群算法的参数辨识结果进行对比验证,结果表明牛顿参数辨识法的辨识精度高、辨识计算量小、辨识鲁棒性好。     

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...     

数据挖掘在电力负荷坏数据智能辨识与修正中的应用

负荷历史数据由于各种原因含有一定的坏数据,在进行高精度的电力负荷预测或系统分析前必须对历史数据进行预处理.本文采用基于加权核函数的模糊C均值聚类的改进算法-WKFCM,以核诱导距离的简单两项和替代欧氏距离作为聚类目标公式的不相似性测度函数,减小了计算复杂度.对数据进行聚类之后,采用收敛速度快、模式分类能力强的超圆神经元网络数据辨识模型,并对识别出的坏数据进行修正,实例证明本文提出的数据处理模型具有较好的效果.     

多源网络安全日志数据融合与可视分析方法研究

根据网络安全事件多源关联性的特征,为了提高用户对网络安全事件的认知、分析能力,提出了一种基于日志-事件的网络事件提取和融合方法,为了增强分析系统的可交互性和提高对网络安全数据的分析效率,研究并设计了针对大规模网络的协同可视化方案和3D可视化模型的布局算法,开发了基于以上技术的网络安全可视分析系统(NSVAS)。实验结果表明该系统对于大规模、长时间跨度的网络安全数据具有较强的分析能力,能够有效识别不同类型的入侵访问,帮助用户快速发现异常行为和进行网络取证。     

基于改进的长短期神经网络的贵州方言辨识系统的设计与实现

汉语方言的辨识能为案件侦破提供重要的线索,为了对贵州方言进行辨识,本文设计并实现了贵州方言辨识系统,该系统采用Client/Server与Browser/Server相结合的架构,其用户端采用Matlab实现并具有改进的长短期记忆神经网络算法,主要用于方言的辨识和方言语音样本的采集。方言样本采集于贵州省6个地区,首先提取语音样本与口头禅的梅尔频率倒谱系数MFCC,然后每份语音样本MFCC后面加上相应地区的口头禅MFCC,最后通过奇异值分解得到该系统的输入数据。该系统的网站主要用于训练数据的储存与修改,采用ASP.NET技术并利用C#、JavaScript和T-SQL等编程语言实现。实验结果证明贵州方言辨识系统是高效的,让用户获得极大的方便和客观统一的方言辨识结果。     

一种经验模态分解与深度神经网络协作的短时电力负荷预测方法

为整体预测未来电力负荷变化趋势,提出一种基于经验模态分解和深度神经网络协作的短时电力负荷预测方法.首先为削弱原始负荷序列的非平稳特性,利用经验模态分解算法对原始负荷序列进行分解,得到各时序分量.在此基础上,构建各分量的深度神经网络预测模型,将分量的预测结果进行重构得到短时电力负荷预测曲线.利用某电厂短时负荷数据对模型的预测效果进行验证,得到其预测结果的平均绝对误差、均方根误差、平均绝对百分比误差分别为402.951 8、588.945 1、0.042 6.对比仿真进一步表明,同等条件下,基于经验模态分解和深度神经网络协作的短时电力负荷预测方法相较于单一的深度神经网络预测方法,在效果上精度更高,可用于对短时电力负荷的预测.     

特征选择及数据质量对负荷识别算法的影响研究

非侵入式负荷监测(Non-Intrusive Load Monitoring,NILM)是电网对需求侧进行精细化管理的关键技术之一,NILM通过实时监控用户用电设备的运行状态与能耗状况,为电网侧制定调度策略及用户侧制定节能计划提供了重要依据.在家庭NILM系统中,识别精度、实时性和实现成本是评价负荷识别算法的重要指标,...     

多机通信电量管理系统研究

该文所研究智能电力监控系统具有电能计量、分时计量、最大需量计量、监控、监测、事件记录、自检、负荷使用曲线记录等功能,基于Modbus通信协议的RS-485实现了主管理机与下层控制器之间的远程通信,并通过锁相环电路采集分析所需要的信号。