为了提高电力负荷监控的准确性,研究融合主成分含噪密度聚类(density-based spatial clustering of applications with noise with principal component analysis,PCADBSCAN)的混合非侵入式负荷辨识方法。首先,针对原始负荷特征维度较...为了提高电力负荷监控的准确性,研究融合主成分含噪密度聚类(density-based spatial clustering of applications with noise with principal component analysis,PCADBSCAN)的混合非侵入式负荷辨识方法。首先,针对原始负荷特征维度较高的问题,采用主成分分析算法对原始特征数据降维,构建负荷特征模板库,同时,获取负荷电流波形,构建负荷电流模板库。其次,采用基于密度的聚类算法对负荷特征模板库内的样本进行非监督聚类,提取各聚类簇中心。然后,计算待辨识负荷与各特征模板库聚类中心的欧式距离,完成负荷特征匹配,并计算待辨识负荷的电流波形与电流模板库内各电流波形的综合关联度,完成负荷电流波形匹配。最后,混合两次匹配结果,综合判断待辨识负荷,从而实现高可靠辨识。基于用电数据测试数据集的仿真结果显示,该方法各项指标均超过96%。展开更多
非侵入式负荷监测(NILM)通过分析电力总线数据估计单个负荷的功率波形,是电力系统能耗管理的关键技术之一。随着用户对设备能耗管理需求的增加,NILM的准确性成为研究的重点之一,但它容易受到功率类型、功率水平和负荷变化的影响。单一N...非侵入式负荷监测(NILM)通过分析电力总线数据估计单个负荷的功率波形,是电力系统能耗管理的关键技术之一。随着用户对设备能耗管理需求的增加,NILM的准确性成为研究的重点之一,但它容易受到功率类型、功率水平和负荷变化的影响。单一NILM模型面对不同类型的负荷时准确性差异较大,使用单一方法难以在各类负荷上均取得理想效果。因此,提出一种基于堆叠集成学习的非侵入式负荷高精度辨识方法 AMEL(Aggregation Method based on Ensemble Learning)。首先,选择在各种类型的负荷中表现最优的几种方法构建NILM模型库;其次,建立一个基于多层感知机(MLP)的NILM模型偏好框架,以实现对不同负荷的高精度监测。在UK-DALE数据集上的实验结果表明,与典型的NILM方法相比,所提方法的平均绝对误差(MAE)平均降低了35.6%,F1、召回率和马修斯相关系数(MCC)分别平均提升了33.5%、30.6%和32.1%。此外,通过比较现有的堆叠集成方法和各类设备的辨识波形,验证了所提方法的有效性。展开更多
非侵入式负荷监测(non-intrusive load monitoring,NILM)是一种无需进入每个用电器内部系统,仅在用户总线入口处安装监测设备的技术.在开展NILM技术研究时,往往需要收集大规模的用户负荷数据来证明所提出方法的普适性,此需求不可避免地...非侵入式负荷监测(non-intrusive load monitoring,NILM)是一种无需进入每个用电器内部系统,仅在用户总线入口处安装监测设备的技术.在开展NILM技术研究时,往往需要收集大规模的用户负荷数据来证明所提出方法的普适性,此需求不可避免地带来了繁重的数据收集与整理负担.为克服该挑战,设计了一种结合周期信号频率不变变换(frequency invariant transformation for periodic signals,FIT-PS)原理与时间序列生成对抗网络(time series generative adversarial networks,TimeGAN)的混合模型,记为FIT-PSTimeGAN.针对全球家庭与工业瞬态能量数据集(worldwide household and industry transient energy dataset,WHITED)中的空调、微波炉、吸尘器、冰箱和热水壶5种电器,运用FIT-PS对负荷数据集进行切割和拼接,构建TimeGAN不同状态下的训练集和测试集.评估测试集的效果发现,生成的波形数据与真实数据表现出高度一致性.进一步采用FIT-PS对训练得到的生成数据进行截取和拼接,生成满足测试需求的完整的单负荷波形和多负荷波形.对这些生成的波形与相同状态下的真实数据进行对比,结果显示两者吻合度很高.与自回归模型和生成对抗网络(generative adversarial network,GAN)模型相比,FIT-PS-TimeGAN模型在生成数据的性能方面表现更优.研究结果表明,FIT-PS-TimeGAN混合模型能够有效生成符合标准电器运行规律的波形和场景数据.展开更多
非侵入式负荷监测(non-intrusive load monitoring,NILM)技术对于实现智慧用电与管理具有重要意义。针对现有的非侵入式负荷监测方法在高噪声环境下对特征相似电器以及微小负荷变化监测精度不足的难题,提出了一种基于单位力操作视觉变...非侵入式负荷监测(non-intrusive load monitoring,NILM)技术对于实现智慧用电与管理具有重要意义。针对现有的非侵入式负荷监测方法在高噪声环境下对特征相似电器以及微小负荷变化监测精度不足的难题,提出了一种基于单位力操作视觉变换器的非侵入式负荷监测(non-intrusive load monitoring based on unit force operated vision transformer,UFONILM)模型的非侵入式负荷监测的深度学习框架。UFONILM模型的单位力操作(unit force operated,UFO)模块通过层归一化和一系列卷积层有效地提取和利用了多尺度的时间序列数据,特征。在标准的UK-DALE数据集上进行的实验显示,UFONILM模型在准确性和F1得分上均优于现有方法,特别是在细粒度的负荷监测场景中。研制了基于UFONILM模型的嵌入式系统,实现了边缘计算的非侵入式负荷监测,可实时监测和响应电网中的异常用电行为,如违规充电事件。实验检测证明,UFONILM模型嵌入式非侵入式负荷监测方法在监测效率方面具有显著的提升,具有高效、便捷安装、可扩展等特点。展开更多
针对当前非侵入式负荷技术在低功率、多状态设备的时序负荷上存在分解精度不足、模型泛化性能低的问题,提出一种融合多尺度通道增强注意力机制与改进双向时序卷积网络的负荷分解模型。该模型结合多种卷积与残差网络,克服传统卷积神经网...针对当前非侵入式负荷技术在低功率、多状态设备的时序负荷上存在分解精度不足、模型泛化性能低的问题,提出一种融合多尺度通道增强注意力机制与改进双向时序卷积网络的负荷分解模型。该模型结合多种卷积与残差网络,克服传统卷积神经网络无法捕捉全局信息、难以处理时间序列以及随着网络深度增加带来梯度爆炸的局限性,通过双向结构使模型能从历史数据推断出当前状态,并利用未来短暂波动修正当前状态,从而减少状态转换延迟或瞬时噪声导致的误判。同时,多尺度通道增强注意力机制通过并行多尺度池化,自适应提取不同粒度的时序特征,并结合动态通道交互模块增强关键特征的权重分配。实验结果表明,所提模型在Reference Energy Disaggregation Data(REDD)数据集上对低功率、多状态设备负荷分解误差低,模型泛化能力强。展开更多
文摘为了提高电力负荷监控的准确性,研究融合主成分含噪密度聚类(density-based spatial clustering of applications with noise with principal component analysis,PCADBSCAN)的混合非侵入式负荷辨识方法。首先,针对原始负荷特征维度较高的问题,采用主成分分析算法对原始特征数据降维,构建负荷特征模板库,同时,获取负荷电流波形,构建负荷电流模板库。其次,采用基于密度的聚类算法对负荷特征模板库内的样本进行非监督聚类,提取各聚类簇中心。然后,计算待辨识负荷与各特征模板库聚类中心的欧式距离,完成负荷特征匹配,并计算待辨识负荷的电流波形与电流模板库内各电流波形的综合关联度,完成负荷电流波形匹配。最后,混合两次匹配结果,综合判断待辨识负荷,从而实现高可靠辨识。基于用电数据测试数据集的仿真结果显示,该方法各项指标均超过96%。
文摘非侵入式负荷监测(NILM)通过分析电力总线数据估计单个负荷的功率波形,是电力系统能耗管理的关键技术之一。随着用户对设备能耗管理需求的增加,NILM的准确性成为研究的重点之一,但它容易受到功率类型、功率水平和负荷变化的影响。单一NILM模型面对不同类型的负荷时准确性差异较大,使用单一方法难以在各类负荷上均取得理想效果。因此,提出一种基于堆叠集成学习的非侵入式负荷高精度辨识方法 AMEL(Aggregation Method based on Ensemble Learning)。首先,选择在各种类型的负荷中表现最优的几种方法构建NILM模型库;其次,建立一个基于多层感知机(MLP)的NILM模型偏好框架,以实现对不同负荷的高精度监测。在UK-DALE数据集上的实验结果表明,与典型的NILM方法相比,所提方法的平均绝对误差(MAE)平均降低了35.6%,F1、召回率和马修斯相关系数(MCC)分别平均提升了33.5%、30.6%和32.1%。此外,通过比较现有的堆叠集成方法和各类设备的辨识波形,验证了所提方法的有效性。
文摘非侵入式负荷监测(non-intrusive load monitoring,NILM)是一种无需进入每个用电器内部系统,仅在用户总线入口处安装监测设备的技术.在开展NILM技术研究时,往往需要收集大规模的用户负荷数据来证明所提出方法的普适性,此需求不可避免地带来了繁重的数据收集与整理负担.为克服该挑战,设计了一种结合周期信号频率不变变换(frequency invariant transformation for periodic signals,FIT-PS)原理与时间序列生成对抗网络(time series generative adversarial networks,TimeGAN)的混合模型,记为FIT-PSTimeGAN.针对全球家庭与工业瞬态能量数据集(worldwide household and industry transient energy dataset,WHITED)中的空调、微波炉、吸尘器、冰箱和热水壶5种电器,运用FIT-PS对负荷数据集进行切割和拼接,构建TimeGAN不同状态下的训练集和测试集.评估测试集的效果发现,生成的波形数据与真实数据表现出高度一致性.进一步采用FIT-PS对训练得到的生成数据进行截取和拼接,生成满足测试需求的完整的单负荷波形和多负荷波形.对这些生成的波形与相同状态下的真实数据进行对比,结果显示两者吻合度很高.与自回归模型和生成对抗网络(generative adversarial network,GAN)模型相比,FIT-PS-TimeGAN模型在生成数据的性能方面表现更优.研究结果表明,FIT-PS-TimeGAN混合模型能够有效生成符合标准电器运行规律的波形和场景数据.
基金国家自然科学基金面上项目(52077194)浙江省“十四五”第二批本科省级教学改革备案项目(JGBA2024014)+1 种基金教育部产学合作协同育人项目(2501270945)浙江大学本科“AI赋能”示范课程建设项目(2024-24),浙江大学AI For Education系列实证教学研究项目(202402)。
文摘非侵入式负荷监测(non-intrusive load monitoring,NILM)技术对于实现智慧用电与管理具有重要意义。针对现有的非侵入式负荷监测方法在高噪声环境下对特征相似电器以及微小负荷变化监测精度不足的难题,提出了一种基于单位力操作视觉变换器的非侵入式负荷监测(non-intrusive load monitoring based on unit force operated vision transformer,UFONILM)模型的非侵入式负荷监测的深度学习框架。UFONILM模型的单位力操作(unit force operated,UFO)模块通过层归一化和一系列卷积层有效地提取和利用了多尺度的时间序列数据,特征。在标准的UK-DALE数据集上进行的实验显示,UFONILM模型在准确性和F1得分上均优于现有方法,特别是在细粒度的负荷监测场景中。研制了基于UFONILM模型的嵌入式系统,实现了边缘计算的非侵入式负荷监测,可实时监测和响应电网中的异常用电行为,如违规充电事件。实验检测证明,UFONILM模型嵌入式非侵入式负荷监测方法在监测效率方面具有显著的提升,具有高效、便捷安装、可扩展等特点。
文摘针对当前非侵入式负荷技术在低功率、多状态设备的时序负荷上存在分解精度不足、模型泛化性能低的问题,提出一种融合多尺度通道增强注意力机制与改进双向时序卷积网络的负荷分解模型。该模型结合多种卷积与残差网络,克服传统卷积神经网络无法捕捉全局信息、难以处理时间序列以及随着网络深度增加带来梯度爆炸的局限性,通过双向结构使模型能从历史数据推断出当前状态,并利用未来短暂波动修正当前状态,从而减少状态转换延迟或瞬时噪声导致的误判。同时,多尺度通道增强注意力机制通过并行多尺度池化,自适应提取不同粒度的时序特征,并结合动态通道交互模块增强关键特征的权重分配。实验结果表明,所提模型在Reference Energy Disaggregation Data(REDD)数据集上对低功率、多状态设备负荷分解误差低,模型泛化能力强。
