精华内容
下载资源
问答
  • 非侵入式负荷监测
    2020-12-22 11:38:22

    DOI:10.7500/AEPS2O16O5O4O16 电力泰现自动 化 Autom ation of Electric Power System s 基 于差量特征提取 与模糊 聚类 的非侵入式 负荷监测方 法 孙 毅 ,崔 灿 ,陆 俊 ,郝建红 ,刘 向军 (华北 电力 大学 电气 与电子工程学院 ,北京市 102206) 摘 要 :现 有非侵 入 式 负荷 监测 (NILM)方 法主要将 电器功 率 大小作 为特征 值 ,对 于低 功 率 电器识 别 的准确 性 不够 ,无 法满足精 细化 智 能用 电的应 用 需 求。 文 中分析 了多种 家用 电器 的功 率 和谐 波特 征 ,并 选取低 功 率 电器差异 最 大的频 域谐 波 幅值 作 为 新 的特 征 。在 此 基础 上 提 出一种 新 的 NILM 方法 ,该 方法采 用差 量特征 提取 方 法获取 任 意 时刻 的特 征值 变化 量并 引入 信 息熵 的方法 ,通过 计算 簇 间熵 来确 定最佳 聚 类数 和 负荷相 似度 ;再通 过 模 糊 聚 类 实现 电器 负荷 数 量 及 种 类 的聚 类 识 别 。 实验结果表明,文中提 出的 NILM 方法在不同场景下均具有 良好的可靠性和鲁棒性 ,采用谐波特 征后 识 别 准确性 有 明显提 升 。 关键 词 :非侵入 式 负荷监 测 ;电器特 征分 析 ;差 量特征 提取 ;模 糊 聚 类 0 引言 用户 用 电数据 的采 样及 用 电行为 的挖 掘是 建设 灵活互动智能用电的关键环节 ]。为获取详 细的 用户负荷运行状态和使用频率,往往需要在每个 电 器负荷上安装相应 的数据采集和传感装置 ,带来大 量 的人力 物力 资 源 消 耗 。非 侵 入 式 负 荷 监 测 (non— intrusive load monitoring,NILM)技术 由 Hart等人 在上世纪 8O年代最先提 出 ]。NILM 通过在用户 人 口处安装一个传感器 ,采集和分析用户用 电总电 流 和端 电压来 监测 户 内每个 或每 类 电器 的工作 运行 状态 ,从 而知 晓居 民 家 中每 个 或 每 类 电器 的耗 电状 态和用电规 律。与传统侵入式负荷监测 (intrusive load monitoring,II M)相 比,NILM 能够更 简单地 实现 居 民用 电细节 的监 测 ,对 于 电力公 司优 化 电 网 的规 划 、运 行 和管 理 ,用 户 节 省耗 电量 和 电费 ,以及 全社会把提高生态文明意识落实到具体行动中去均 具有 重要 意义 l_4 。 近年来 ,国内外 已有不少学者对 NILM 方法展 开研究,文献r-s]采用模糊聚类的方法确定电器的电 流、电压稳态数据的特征参数 ,再通过微分进化算法 进行负荷分解 ,但识别设备类型不够精细。文献[6] 收 稿 日期 :2O16一O5—04;修 回 日期 :2O16 10—08。 上 网 日期 :2016-12一O5。 国 家 高 技 术 研 究 发 展 计 划 (863 计 划 )资 助 项 目 (SS2015AA050203);国家电网公 司科技 项 目“智 能电网用户 行为理论与互动化模 式研 究”;中央高校基本科 研 业务 费专 项 资 金 资 助 项 目(2015XS05)。 86 提出一种以负荷设备投切过程的暂态功率波动为基 础的非侵入式暂态时 间检测算法 ,利用基于滑动窗 的双边累积和变点检测算法监测 、辨识感性负荷投 切的暂态过程 ,但不适用于其他非感性负荷

    更多相关内容
  • 非侵入式负荷监测(NILM)技术能够利用在总线处单点测量的数据识别用户内部的负荷,是建设泛在电力物联网与透明电网的基础技术之一。在分析NILM基本实现框架和技术体系的基础上,对NILM应用亟需解决的三大关键技术问题...
  • 非侵入式负荷监测

    2015-05-08 21:47:10
    非侵入式负荷监测在我国起步较晚,但国外发展比较久,一个新的角度来看待这个问题,用HMM模型解决算法
  • 非侵入式负荷监测是一种先进的负荷监测手段,但其现有的应用方案暴露出高能耗、施工复杂的缺点。为此,提出一种面向区域级用户的非侵入式负荷监测技术应用方法。基于现有的用电信息采集系统构建面向区域级用户的...
  • 为了实时远程地监测负荷运转状态和识别负荷种类,设计了一种非侵入式负荷监测系统,并研究基于PCA和kNN的负荷识别算法。在电力供给入口端,通过在负荷回路中串联康铜电阻采样工作电流,通过电阻分压网络采样工作电压...
  • 非侵入式负荷监测与分解研究综述非侵入式负荷监测与分解研究综述非侵入式负荷监测与分解研究综述非侵入式负荷监测与分解研究综述非侵入式负荷监测与分解研究综述
  • 非侵入式负荷监测(NILM)能够在不干扰用户正常用电的情况下,低成本地实现用户用电设备类型的识别和用电负荷的分解,因此非常适用于家庭用户用电监测。大量智能电表在家庭用户中的安装为居民NILM提供了数据支撑,也...
  • 何为非侵入式负荷监测呢?它无非就是负荷识别、负荷分解、组合优化和隐马尔可夫以及目标检测等实现方式。

    1 非侵入式负荷监测(NILM)的定义

            NILM是指在用户总线入口处安装一台监测设备,通过智能算法将所采集的总负荷电气量分解为各用电器的独立运行数据,并识别各个用电器工作状态以及分析用户用电行为。与侵入式监测相比,NILM更经济、可靠,更容易普及。通过用户用电器信息、电能使用情况以及用电偏好进行居民用户画像,对电网、居民用户、社会等主体在多方面有重要的实际价值与意义。NILM算法根据技术路线的不同,可以分为基于事件检测和非事件检测的方法。两者的目的不同,前者是检测用电器投切事件并对事件进行分类来实现负荷监测,称为负荷识别。后者是根据总线功率序列或者其他特征,直接预测目标电器的功率序列或推测可能的激活电器的组合,称为负荷分解。根据算法的结果可以分为多个技术路线,常见的有负荷识别、负荷分解、组合优化和隐马尔可夫以及目标检测。

    1.1 负荷识别

            负荷识别路线包括数据量测、数据处理、事件检测、特征提取、负荷辨识五个部分。其中后面三大环节是负荷识别的核心,一直以来都是研究热点。

    1.2 负荷分解

            负荷分解另一种技术路线是不再包括负荷识别的几个步骤,而是用分解算法或模型替代,通常来说使用深度学习的算法来实现。有文献还提到隐马尔可夫模型和组合优化,我将其分为第三个技术路线。

    1.3 组合优化和隐马尔可夫

            组合优化不建立总线特征与目标电器之间的映射关系,不需要训练,而是设计目标函数对解的匹配程度进行量化,迭代、检验最后得到最优解。隐马尔可夫模型(Hidden markov model, HMM)可以对时序数据进行建模并表征不可观测状态。

    1.4 目标检测

            除了以上的三种常见技术路线外,也有文献也将NILM建模为目标检测任务。

    2  何为负荷识别

            在NILM系统的典型框架中,负荷识别路线包括数据量测、数据处理、事件检测、特征提取、负荷辨识五个部分。现有的事件检测方法主要分为两类:规则检测和概率模型检测。特征提取主要分为稳态特征和暂态特征。负荷辨识主要是分类网络,一般分为传统机器学习和深度学习算法,涉及的算法有K最近邻、人工神经网络、支持向量机、决策树、稀疏编码技术等。

    3 何为负荷分解

            负荷分解就是提出一个模型,这个模型表征了总负荷和目标电气之间的映射关系。深度学习神经网络具有足够强的表达能力,因此可以处理大负荷空间下的负荷分解问题。

    4 何为组合优化和隐马尔可夫

            组合优化是设计目标函数对解的匹配程度进行量化,迭代、检验最后得到最优解,关键在其目标函数和寻优的逻辑。现有的寻优方法有遗传算法、粒子群优化算法、灰狼算法、鸡群算法等。但随着用电器种类的增加,出现了解的数量呈指数级上升的问题,求解效率难以得到保证;个别电器的运行数据波动较大也会导致解的不确定性增加。

            因子隐马尔可夫模型(Factor hidden markov model, FHMM)用于对所有用电器的隐藏状态进行建模。而非功率特征如用电器状态持续时间,用电器之间的依赖关系通过其他3种变型对用电器进行建模,最后将4种变型结合为负荷分解模型。随着研究的进行,基于FHMM模型及其变型的方法得到了持续关注。这类算法其不足之处是只考虑了具有开关状态的用电器,在用电器较多时,分解精度不高。

    5 何为目标检测

            该方向目前研究的人不多,目前还没有比较系统的文献。基于目标检测的非侵入式负荷监测的逻辑是对总负荷的目标电器进行检测,检测到该电器出现的位置(也就是打开和关闭)。有点儿像是负荷识别中的事件检测和负荷辨识。

            之后我会针对每个技术路线,做出更详细的复现和分析。欢迎大家交流!

    展开全文
  • 基于神经网络的非侵入式负荷监测识别算法,张建文,赵时,智能电网用户与供电网之间具有互动性,为了配合供电网,用户的用电需要自行调节,而家用电器的用电量的调节具有相当大的潜力。本
  • 针对小功率负荷与大功率负荷同时投入时,单一谐波电流特征易受线路电压、电流波动影响导致负荷辨识精度低的问题,提出一种基于改进鸡群算法的负荷监测方法,设计综合考虑稳态谐波电流和功率特征的正态分布度量函数,...
  • 关于如何把非侵入式负荷监测建模为目标检测任务。 目标检测任务=分类+定位[1] 如图所示,目标检测是先定位图片中的动物,再将动物分类为猫或者狗。如果在非侵入式负荷监测中定位就等于是事件检测、分类就等于是负荷...

    1 前言

            上一篇忘记说明一点:组合优化和隐马尔可夫模型我归为一类,但是没有写关于隐马尔可夫模型的内容,这是因为近几年已经很少见到这样的文献了,所以我研究的不多,就不献丑了。本篇是主要是讨论,暂为看到有文献发表。关于如何把非侵入式负荷监测建模为目标检测任务。

    2 何为目标检测

            目标检测任务=分类+定位[1]

            如图所示,目标检测是先定位图片中的动物,再将动物分类为猫或者狗。如果在非侵入式负荷监测中定位就等于是事件检测、分类就等于是负荷辨识,这不就是目标检测吗?

            目标检测发展历程:在利用深度学习做物体检测之前,传统算法对于目标检测通常分为3个阶段:区域选取、特征提取和体征分类[2]。这么一看,是不是更像非侵入式负荷识别了。

    在这里插入图片描述

            目标检测领域比较典型的一个模型是YOLO模型,现在好像都有YOLOv5[3]。关于目标检测以及YOLO的原理,见参考的文章。这里先不赘述,之后如果有空,把实现的流程写出来。

            以上将非侵入式负荷监测和目标检测联系起来了,那么究竟应该如何得到数据集,训练和测试网络呢?

    3 非侵入式负荷检测

            参考目标检测的数据集:图片,这里的图片不仅仅是一张图,还有目标对象的位置信息和类别。因此,我们也需要构造出来一个数据集。我们有的数据只有总负荷数据和分表数据(目标电器),如何建立这个数据集呢?

            我们可以通过分表数据知道目标电器在总负荷数据中的位置,如下图所示。

            我们解决了位置信息。然后,找到总负荷数据中目标电器所在的区域,通过窗口滑动得到若干个窗口数据,这个就是作为图片。最后再将类别信息统一起来。 每个绿色窗口的数据,除了时间序列数据以外,还需要标注目标电器所在的位置,还有大小(高度)。

             到这里数据集处理就结束了。然后就是把数据集放到YOLO模型中,训练和测试了。

            结果大致如下:

             红色区域就是模型检测出来目标电器运行的地方,现在准确率还有待进步提高。

    4 有感

            非侵入式负荷监测一直被定义为分类任务或者回归任务,天下苦其久矣。希望能看到新的模型加入NILM这个大家庭,欢迎大家讨论。(别的领域拿了模型,改成分类和回归任务不算哈)

            

     

    [1]目标检测概述-VOC COCO数据集 IOU AP NMS_Rui@的博客-CSDN博客_目标检测

    [2]目标检测(Object Detection)_Alex_996的博客-CSDN博客_目标检测

    [3]通俗易懂的YOLO系列(从V1到V5)模型解读! - 百度文库

    展开全文
  • 原标题:非侵入式负荷监测的识别方法和关键技术在智能电网时代,必须突破目前用户家用电表只能读取用电总量,不能深入分析用户内部负荷成分,...借助负荷印记实现非侵入式负荷监测非侵入式负荷监测(non-intrusive lo...

    原标题:非侵入式负荷监测的识别方法和关键技术

    在智能电网时代,必须突破目前用户家用电表只能读取用电总量,不能深入分析用户内部负荷成分,获取负荷信息有限的这一瓶颈,以完善用电信息采集系统和智能用电系统。

    非侵入式负荷监测的应用价值和应用前景毋庸置疑,很多行业企业也在开展此技术的研发,一些关键技术仍是制约行业发展的痛点所在!

    借助负荷印记实现非侵入式负荷监测

    非侵入式负荷监测(non-intrusive load monitoring, NILM)装置可以测量获得总负荷的电压、电流等承载电力信息的信号,这些信息包含了不同特性负荷成分的信息。通过提取这些电气量的特征信息,NILM系统就能实现负荷分解。

    也就是说,通过探测总负荷的电压、电流等电力信号,就能探测用户在使用什么电器。看起来这么神奇,究竟是怎么实现呢?通过什么在总负荷中只依靠电压、电流等电力数据便可以识别出什么电器设备在运行?

    可以想象如下场景,当我们去火车站、机场接朋友的时候,如何从茫茫人群中快速识别出哪一个是朋友呢?这是因为每个人有不同的面孔、声音和背影,通过这些个人特征我们可以从拥挤的人群中快速找到他们。即便我们去接一个陌生人,我们也可以通过性别、身高、胖瘦、衣服颜色等各类特征找到这个陌生人。

    这些特征都是个体所特有的,是每个人身上独一无二的印记,跟人类一样,每个电器也有这样的特征,也正是因为这些特征,我们才有可能从总负荷中分解并识别每一个电器,我们将这些特征称之为负荷印记。

    负荷印记能反映一个用电设备在运行中所体现的独特的反映用电状态的信息,比如电压、有功的波形、启动电流等。这些特征由用电设备的工作条件决定的,据此可将负荷印记分为稳态、暂态、运行模式3类,其中稳态和暂态取决于设备内部的元器件特征;运行模式由设备的运行控制策略决定。在设备运行过程中,这些负荷印记会重复出现,基于此,我们就可以把各个电器识别出来。

    图一中四副子图分别是不同家用电器电压、电流、基波有功功率、基波无功功率四个特征的折线图,通过电流特征的折线图,我们可以识别出不同的电气设备。当然,不同电器以及其相同电器在不同运行模式和状态,其特征参数也不相同。

    以空调为例,空调在制冷和制热时有功功率相差很大,无功功率也有明显差别。用折线图可明显看出各电器特征参数的差异,利用这些差异,如图一所示,我们就可以将他们分离出来。

    图一 家用电器特征参数分布

    非侵入式负荷监测系统基本框架

    道理虽然很简单,可是实现NILM的整个过程却很复杂,分为数据测量、数据处理、事件检测、特征提取、负荷识别5大步骤,其框架如图二所示。

    数据测量目的在于获得总负荷的暂态和稳态信号。数据测量主要问题是存在测量误差:一是测量装置的不一致性,即对于同一个用电设备,不同的测量装置有不同的测量值;二是传感器由于压缩、传输原始数据的过程中,造成数据丢失。正是因为以为数据采集与传输造成的偏差,所以有必要对数据进行处理以提高负荷识别方法的抗噪能力。

    数据处理主要包括去噪、有功等电气量的计算和标幺化。标幺化主要目的是便于处理电能质量波动带来的干扰问题。

    图二 非侵入式负荷检测系统基本框架

    数据测量与处理是NILM的准备工作,事件检测、特征提取和负荷识别则是关键技术。

    事件检测根据处理后的数据,来发现用电设备运行状态的变化。事件检测根据一段时间内负荷印记的变化情况,来探测是否有新的事件发生。比如,设定两个时刻有功功率之差的阈值,如果变化大于阈值则有新的事件产生。

    在探测到事件后,便可以进行特征提取,即从事件发生前后的数据中提取出供负荷使用的一系列不同的负荷印记特征。为了能够识别与负荷印记相似的负荷,提取的特征应该合理有效。当然,根据选定的负荷印记以及提取方法,会得到不同的特征。

    用提取到的特征与负荷库中的特征进行比对,就可以识别出相应的用电设备。当然特征库的建立非常关键,目前主流的方法有两种。一是人工辅助下记录用电设备的负荷印记特征;二是通过算法自动分类。

    总的来说,在非侵入是负荷监测就是通过电器负荷的特征(负荷印记)来识别电器设备,整个过程可以分为数据测量、数据处理、事件检测、特征提取、负荷识别五步。其中事件检测、特征提取、负荷识别是关键技术。

    非侵入式负荷监测关键技术--事件检测

    事件检测简单来说就是按照一定的规则根据信号的变化来判断是否有新事件的产生。最简单的方法就是通过计算相邻时刻或者时间段负荷印记的变化,并将其与设定的阈值进行比较,当变化超过阈值时,判断有事件发生。该方法简单易操作,问题在于阈值的设定具有技巧性,太大或者太小都会导致错误的事件检测结果。为此,需要对大量的样本对参数进行训练。

    事件检测还可以归结为变点检测的问题。变点指一个序列或过程的部分统计特性发生改变时所对应的时刻。找到该时刻后,通过对该时刻前后进行似然比测试或者信号突变检验算法,来检测是否有新事件发生。此外,我们还可以借鉴图像识别领域的边缘检测算法,用于事件检测。

    随着科技的进步,用电设备日益多样化,特别是洗衣机、微波炉等多状态、连续变化型负荷增多,变点检测不失为一种较好的方法。该方法抗干扰能力强,准确度高。此外,在实际应用中用电设备的性能会逐渐发生变化,新的用电设备也会不断增加,因此需要动态调整负荷印记的参数,使用诸如考虑fisher准则的人工免疫算法,来提高事件检测的精度。

    图三 三小时负荷示意图

    在图三中,负荷剧烈变化的点,就是有新事件产生的时刻,通过变点检测,可察觉到设备的启停以及状态的改变。

    非侵入式负荷监测关键技术--特征提取

    检测到用电设备投入使用后,可以进一步提取负荷印记的特征。相关特征分为稳态特征和暂态特征,据此可以将提取技术归为基于稳态特征、暂态特征以及将两者综合考虑的三类方法。

    基于稳态特征的特征提取技术不能有效应对一些辨识难度较高的场景,比如用电设备的特征类似以及重合;而基于暂态特征的提取技术则具有更强的适应性,其原因在于暂态特征的负荷印记更能反映不同设备的特性和功能。此外,暂态过程事件短,特征重叠的可能性较少。但暂态特征提取对数据采集和处理提出了更高的要求。

    因此,综合考虑稳态特征和暂态特征的特征提取技术吸取两者的优势,能进一步提高负荷识别精度。将有功、无功、电压、电流四者稳态特征组合,再加上有功暂态波形进行特征提取,能够得到更高的识别精度。

    如图四所示,当用单一的电压特征时,饮水机、热水器与日光灯难以区分,空调的四种状态也难以区分开来,但是,当采用电压和基波有功功率两个特征后,我们就可以准确将这些设备加以区分。

    图四 考虑电压与电压、有功功率的电器识别示意图

    如图五所示,当采用电流和有功功率为特征时,区分效果要更加明显。因此,多特征识别电气设备比但特征要好,同时,选择合适的特征来区分电气设备也是非常关键的。

    图五 考虑电流和电流、有功功率的电器识别示意图

    非侵入式负荷监测关键技术--负荷识别

    负荷识别需要解决的问题是,给定用电设备的特征库和从采集数据中提取出来的负荷特征,识别总负荷的成分,实现负荷分解。

    这个看似简单的问题,在数学上却难以建立模型以及求解。因为

    模型难以求解;

    准确识别需要完备的负荷特征库,在实际中难以实现;

    建模的前提是特征可以叠加或进行数学运算,但部分特征往往不满足这类要求。

    因此可以采用模式识别的方法来完成,基于模式识别的负荷识别,实质是通过学习各种用电设备的负荷印记特征,来达到识别负荷的目标。模式识别方法有监督学习和非监督学习两种。

    基于监督学习的模式识别算法众多,包括K 最近邻算法、神经网络、支持向量机、Adaboost算法等,但该类算法设计负荷种类不多,处理场景也简单,在复杂场景下的表现需要进一步提升。基于非监督学习的识别算法目前精度不高,比如隐形马尔科夫模型和主旨模式挖掘等算法直接应用准确率较低,但是人工干预少,算法经改进后表现提升很大,应用前景良好。

    模式识别方法通常对负荷特征进行学习和训练,过程繁琐,需要的样本也较大,因此如何简化训练过程,减小计算量并提高识别准确率是研究的重点。

    总的来说,事件检测、特征提取和负荷识别是NILM系统的三大技术关键点,现在已有多种方法来实现,但由于各种方法优缺点明显,还需要进行深入的研究。比如对不同的技术方法进行组合来提高识别的准确率,以及对各种方法加以完善或者对现有的方法进行不断改进。

    (原文来源:授之以能微信公众号)

    电动汽车产业步入加速发展的“快车道”,并且智能电表覆盖率已经非常高。面对市场前景看好的两个电力垂直细分市场,引发了我们对潜在的商业机会和行业延伸的思考和探索!智能电表、电动车、充电桩与储能等相关行业如何多方协同发展,也正在成为越来越多人的关注点。

    在此种种背景下,环球表计特别为表计圈量身打造《环球表计》轻活动系列之“电动车和计量”专题,一起走进智能电表、充电桩、电动车及车联网等细分行业,探寻电动车和计量行业种种可能的机遇与融合!

    地点:北京·蔚来

    费用:7月31日之前报名并付款 1200元/人

    正在研究电动车、储能、充电桩市场机会的表计企业;

    正在寻找或准备寻找表计行业合作的电动车、充电桩、车联网平台公司;

    对电动车和计量都关注的专业人士。

    详细议程请点击

    关于网、车、桩、表,他们都讲清楚了!

    欢迎志同道合的表计和电动车企业

    助力此次专题活动!

    更多宣传需求,欢迎联系我们!

    微信号

    (原创声明:必须要说,原创是不容易的,坚持每天原创更不容易!如需转载,请联系我们,并请勿改动文章内容及排版,违者必究!)返回搜狐,查看更多

    责任编辑:

    展开全文
  • 智能电网非侵入式负荷监测技术应用.pptx
  • 智能电网非侵入式负荷监测技术应用.pdf
  • 基于V-I轨迹特征的非侵入式负荷监测算法.pdf
  • 基于非侵入式负荷监测与分解的电力数据挖掘.pdf
  • @深度学习与NIML(非侵入式负荷监测):NILMTK介绍(一) 提示:本系列为个人学习记录,如有错误欢迎指正,互相交流,共同进步! 文章目录前言一、NILM是什么?二、正文内容1.博客系列2.博客系列3.nilmtk的安装4....
  • 组合优化技术路线是不需要进行训练和测试,建立特征数据库后既可以直接对总负荷数据进行“分解”。组合优化的算法很多,所有能应用于整数规划的算法都是可以用的,常见的就是各种种群算法,以及他们的变体。也有听说...
  • 基于稳态特征和IGWO-FCM模糊聚类的非侵入式负荷监测方法.pdf
  • 行业分类-设备装置-基于云平台的非侵入式负荷监测系统及识别方法
  • 中国科技论文在线基于神经网络的非侵入式负荷监测识别算法张建文,赵时,夏云忠,赵磊**(中国矿业大学信息与电气工程学院,江苏徐州 221008 )5 摘要:智能电网用户与供电网之间具有互动性,为了配合供电网,用户的...
  • 虽然没有人这么在文献中写道,但是我一直都认为事件检测是负荷识别的基础,特征提取是关检,负荷辨识只是一个简单的分类任务。不是说负荷辨识不重要,而是如果事件检测未检测到有电器状态发生变化,那就别谈后面的...
  • 非侵入式负荷分解之BLUED数据集非侵入式负荷分解之BLUED数据集BLUED数据集包含大约8天之内来自单个美国家庭的高频(12 kHz)家庭级数据。该数据集还包含一个事件列表,该列表涉及家庭中每台设备每次更改状态(例如打开...
  • 非侵入式负荷分解方法

    千次阅读 2021-06-07 18:21:27
    非侵入式负荷监测(non-intrusive load monitoring,NILM) 电力负荷设备检测和分解方法分为:侵入式和侵入式。 :在每个用户的电气设备上都安装传感器以获得用户的电器用电数据。 好处:测量数据真实反映电器的...
  • 配置NILMTK深度学习环境 下载miniconda 安装miniconda bash
  • 非侵入式负荷分解代码。。 简单版实现。只是让大家看懂。并理解什么是电力负荷分解。侵入式电力负荷监测,简单来说,就是通过家庭入口处(就是电表)的各项特征(就是有功,电流,电压什么的),用各种算法来得到...
  • 一种适用于非侵入式负荷监测的暂态事件检测算法[J].电力系统自动化,2011,35(09):30-35. [4]史帅彬,张恒,邓世聪,周东国,周洪,胡文山.基于复合滑动窗的CUSUM暂态事件检测算法[J].电测与仪表,2019,56(17):13-18.DOI:10....
  • 其实我觉得这个部分可能没什么好讲的,但是我确实也遇到一些同学刚入门时搞不懂怎么去做负荷辨识,这篇主要针对这部分同学。本篇用支持向量机(SVM)作为代表,介绍传统机器学习算法在负荷辨识的应用。在介绍完方法后...
  • NILM:非侵入式电力负荷监测之我见(一)

    万次阅读 多人点赞 2019-03-01 18:13:24
    非侵入式电力负荷监测,简单来说,就是通过家庭入口处(就是电表)的各项特征(就是有功,电流,电压什么的),用各种算法来得到家里每个电器的状态(用了没,用在几档)和电器耗电情况(每个电器的负荷运行曲线,...
  • 现有的非侵入式负荷监测方法主要采用监督学习模型,该类模型需要具有针对性的大量训练数据,而且无法有效识别在训练数据中未出现的负荷。在分析多种家用电器负荷特征的基础上,选取负荷投切过程中暂态功率波形和功率...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 520
精华内容 208
关键字:

非侵入式负荷监测

友情链接: MFC-OPEN-BMP-images.rar