检索结果-南通市图书馆

基于启停状态识别改进因子隐马尔可夫模型的非侵入式负荷分解

在线全文

学校读者我要写书评

暂无评论

电网技术 2021年第11期45卷 4540-4550页

作者：于超覃智君阳育德广西大学电气工程学院广西壮族自治区南宁市530004

非侵入式负荷分解(non-intrusiveloaddisaggregation,NILD)是通过对总电气量分析得到用户家中各电器设备的能耗数据,该数据为节能、需求响应及公共安全等方面提供重要依据。目前,NILD算法存在因设备启停状态识别准确率低导致负荷分解精... 详细信息

非侵入式负荷分解(non-intrusiveloaddisaggregation,NILD)是通过对总电气量分析得到用户家中各电器设备的能耗数据,该数据为节能、需求响应及公共安全等方面提供重要依据。目前,NILD算法存在因设备启停状态识别准确率低导致负荷分解精度低的问题。为此,该文提出一种基于设备启停状态识别改进因子隐马尔可夫模型(factorialhidden Markov model,FHMM)的NILD方法。首先,通过人工少数类过采样法(syntheticminorityover-samplingtechnique,SMOTE)对训练数据做重采样处理、深度神经网络(deep neuralnetwork,DNN)模型提取启停状态特征以及双向长短时记忆网络及条件随机场(bidirectionallongshortterm memory-conditionalrandomfield,Bi LSTM-CRF)模型提升其对不平衡启停状态的识别能力;然后,将设备启停状态组合模块按照数理组合方法划分数据集,形成若干启停状态组合子数据集,并分别对各子数据集中处于启状态的设备建立FHMM进行负荷分解;最后,在公开数据集每分钟电力年鉴数据集(the almanac of minutely power dataset,AMPds)进行实验,该文算法得到的设备负荷分解平均精度比传统FHMM方法提升了3.8倍,验证了所提方法的有效性和准确性。

关键词：非侵入式负荷分解不平衡启停状态特征提取启停状态识别启停状态组合因子隐马尔可夫模型

基于因子隐马尔可夫模型的负荷分解方法及灵敏度分析

在线全文

学校读者我要写书评

暂无评论

电力系统自动化 2016年第21期40卷 128-136页

作者：陈思运高峰刘烃翟桥柱管晓宏机械制造系统工程国家重点实验室(西安交通大学) 陕西省西安市710049 智能网络与网络安全教育部重点实验室(西安交通大学) 陕西省西安市710049

负荷分解是智能电网的关键技术,对负荷预测、需求侧管理及电网安全有重要意义。传统负荷分解方法的准确率受限于负荷特征的维度、采样频率和负荷的稳定性。文中提出了基于因子隐马尔可夫模型的负荷分解方法,利用该模型对负荷进行建模,对... 详细信息

负荷分解是智能电网的关键技术,对负荷预测、需求侧管理及电网安全有重要意义。传统负荷分解方法的准确率受限于负荷特征的维度、采样频率和负荷的稳定性。文中提出了基于因子隐马尔可夫模型的负荷分解方法,利用该模型对负荷进行建模,对Viterbi算法进行了扩展并求解负荷状态,进而基于整数规划实现对总负荷的最优分配。该方法对负荷数据的稳定性和采样频率不敏感,可适用于家居和工业电力用户。同时,深入研究了Viterbi算法求解最优状态与观测扰动之间的影响关系,并进一步得到最优状态对于当前观测的允许扰动范围,这对负荷分解最优状态的可靠性评估有重要意义。

关键词：隐马尔可夫模型因子隐马尔可夫模型负荷分解灵敏度分析

在线全文

学校读者我要写书评

暂无评论

基于机器学习方法的非侵入式负荷分解

基于机器学习方法的非侵入式负荷分解

作者：李岢淳重庆交通大学

学位级别：硕士

智能电力系统是典型的复杂系统,具有非线性和高维的特征,在深化能源结构调整和增强需求侧管理中发挥着举足轻重的作用.非侵入式负荷分解是智能电网高级量测体系中的重要组成部分,通过收集电力总线处总负荷信息,分析出单个负荷的细粒度... 详细信息

智能电力系统是典型的复杂系统,具有非线性和高维的特征,在深化能源结构调整和增强需求侧管理中发挥着举足轻重的作用.非侵入式负荷分解是智能电网高级量测体系中的重要组成部分,通过收集电力总线处总负荷信息,分析出单个负荷的细粒度电能消耗情况.该技术可深入分析用户的用电信息,向用户提供用电行为指导意见以及优化电能供配网络结构,对智能电网系统的调度规划、部署运维及运行安全具有重要意义.目前的非侵入式负荷分解算法精度还不够高,研究不够充分,难以满足实际场景下的应用需求.本文针对上述问题,在研究了非侵入式负荷分解的基本原理和方法的基础上,结合隐马尔可夫模型、深度神经网络等模型提出了新的负荷分解方法,具体研究内容如下:第一部分,针对基于传统隐马尔可夫模型(Hidden Markov Model,HMM)的负荷分解算法难以精确捕捉设备的多种运行状态以及之间的转换关系,造成多状态设备分解精度较低的问题,提出了一种基于因子隐马尔可夫模型(Factorial Hidden Markov Model,FHMM)的负荷分解算法.该方法利用高斯混合模型(Gaussian Mixture Model,GMM)聚类获得不同用电设备的工作状态序列及其对应的功率序列.随后,与FHMM模型相结合,将传统HMM模型中一条复杂的组合链分解成多个低维简单链,提高模型的计算效率.最后,针对Baum-Welch算法容易收敛于局部极值的问题,将线性递减权重的粒子群优化算法引入到FHMM的参数训练中,提高了分解的精度.第二部分,针对传统负荷分解算法难以考虑功率序列的时序相关性问题,提出一种序列到序列(Sequence to Sequence,Seq2Seq)模型用于实现负荷分解.该模型综合了卷积神经网络(Convolutional Neural Networks,CNN)在特征挖掘方面的优势,以及双向长短期记忆神经网络(Bi-directional Long-Short Term Memory,Bi LSTM)在捕捉时序依赖关系以及长序列记忆方面的优势.在此基础上,将注意力机制引入到网络结构中,增强模型对于数据间时序依赖关系的敏感程度,同时增强对重要特征信息的关注程度.最后,采用粒子群优化算法对网络的超参数进行优选,获得最为合适的超参数组合,增强模型在负荷分解问题中的表现.建立上述负荷分解模型后,以家电负荷数据集AMPds2和UK-DALE中的不同用电器为研究对象设计了实验,以验证本文所提出模型的可行性、泛化能力,并与其他模型进行对比,展示其在负荷分解任务上的优势.

关键词：非侵入式负荷分解因子隐马尔可夫模型长短期记忆神经网络注意力机制粒子群优化算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

特征选择对FHMM性能影响研究

西安电子科技大学学报 2010年第5期37卷 934-940页

作者：陈昌红赵恒梁继民焦李成西安电子科技大学生命科学与技术学院生命科学研究中心陕西西安710071 南京邮电大学通信与信息工程学院江苏南京210003 西安电子科技大学智能感知与图像理解教育部重点实验室陕西西安710071

在利用因子隐马尔可夫模型(Factorial Hidden Markov Model,FHMM)进行分类识别的过程中,特征选择是影响其性能的主要因素.通过研究特征选择对FHMM性能的影响,提出了一种性能分析的方案,得出了选择FHMM特征的准则.将FHMM引入到步态识别中... 详细信息

在利用因子隐马尔可夫模型(Factorial Hidden Markov Model,FHMM)进行分类识别的过程中,特征选择是影响其性能的主要因素.通过研究特征选择对FHMM性能的影响,提出了一种性能分析的方案,得出了选择FHMM特征的准则.将FHMM引入到步态识别中,提取4种步态特征,得到使用不同特征组合的FHMM的实验结果.使用McNemar检验的方法将其与单个特征的识别性能做比较,结合由正则典型相关分析得到的维数不同的特征间的相关性,分析得到以下结论:基于FHMM的识别性能与特征间的相关性并没有必然联系,其性能更多地受到特征间的识别性能差异和单个特征的识别性能的影响.为发挥FHMM的优越性,应选择特征间识别性能差异小和单个特征识别性能好的特征组合,在此基础上特征间相关性越小越好.

关键词：因子隐马尔可夫模型特征选择正则典型相关分析 McNemar检验步态识别

在线全文

学校读者我要写书评

暂无评论

基于结合情景上下文的FHMM负荷分解方法

计算机应用与软件 2022年第4期39卷 60-67页

作者：魏海浩刘爱莲李英娜昆明理工大学信息工程与自动化学院云南昆明650500

负荷监测是实现智能用电的关键技术,为了实现非侵入式负荷检测,提出一种结合情景上下文的因子隐马尔可夫(FHMM)负荷分解方法。运用FHMM模型对负荷进行建模。根据电器工作状态的功率服从高斯分布,运用高斯混合模型进行电器状态聚类。结... 详细信息

负荷监测是实现智能用电的关键技术,为了实现非侵入式负荷检测,提出一种结合情景上下文的因子隐马尔可夫(FHMM)负荷分解方法。运用FHMM模型对负荷进行建模。根据电器工作状态的功率服从高斯分布,运用高斯混合模型进行电器状态聚类。结合情景上下文信息,对负载设备的状态转移概率进行优化消除冗余状态转移概率,对状态空间以及状态转移路径进行约束降低维特比算法的复杂度。基于REDD数据集验证了该方法的有效性和准确性。

关键词：非侵入式负荷监测因子隐马尔可夫模型电器状态聚类情景上下文

在线全文

学校读者我要写书评

暂无评论

基于FHMM的非侵入式负荷分解研究

基于FHMM的非侵入式负荷分解研究

作者：孙晓伟郑州大学

学位级别：硕士

非侵入式负荷分解技术是通过电力入口处总的负荷信息,辨识出单个负荷的运行状态和电能消耗情况,打破了传统负荷监测只能测量负荷总用电信息的现状,同时也降低了侵入式负荷监测技术的成本。这种技术不仅能够满足新时代下智能用电的需要,... 详细信息

非侵入式负荷分解技术是通过电力入口处总的负荷信息,辨识出单个负荷的运行状态和电能消耗情况,打破了传统负荷监测只能测量负荷总用电信息的现状,同时也降低了侵入式负荷监测技术的成本。这种技术不仅能够满足新时代下智能用电的需要,促进智能电网的发展,还能够减少电能损耗,对解决能源短缺和环境污染有着重要作用。目前,非侵入式负荷分解的研究还不充分,特别是多负荷同时运行的分解精度偏低,本文立足于此现状,重点对多负荷同时运行的分解进行研究。本文首先介绍了非侵入式负荷分解的基本概念及理论依据,然后在分析比较了稳态特征和暂态特征的基础上,选择有功功率作为负荷分解的特征依据,并结合因子隐马尔可夫模型(Factorial Hidden Markov Model,FHMM)建立了电力负荷的分解模型。FHMM具有多条独立的隐马尔可夫模型(Hidden Markov Model,HMM),每条HMM可以代表一个负荷的运行情况。FHMM的特点符合多负荷运行的实际情况,具有更好的建模和分析能力。用AMPds(Almanac of Minutely Power dataset)进行负荷分解的实现,选择其中五种负荷作为研究对象。首先通过中值滤波对有功数据进行预处理,去除噪音数据。然后利用k均值聚类算法求出每个负荷的运行状态数以及对应的功率水平,并用有功差值进行事件探测,从而确定各负荷的实际运行状态情况。接着从数据中选取训练集和测试集,并按照负荷参与分解的数量,将测试集分为四组,每一组都通过FHMM进行分解实现。最后用状态准确率、F-Measure、总分解误差、能耗比的绝对误差四种评价标准,对分解结果进行评估。结果表明FHMM显著提高了多负荷同时运行的分解精度,具有一定的抗特征重叠的能力。同时,FHMM分解所得能耗占比的绝对误差更小,更加符合实际情况下负荷的电能消耗。另外,多负荷同时运行时不同类型负荷的分解效果有很大差异,开/关型负荷的分解精度最高,连续变状态型负荷的效果最差,而在同类型负荷的情况下,状态数较多的负荷分解精度较低。

关键词：负荷分解智能电网有功功率因子隐马尔可夫模型特征重叠

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于智能电表数据的家庭用户用电行为分析

基于智能电表数据的家庭用户用电行为分析

作者：马海祥湖南科技大学

学位级别：硕士

非侵入式家庭电力负荷监测是对家庭电力入口处总的电能变化情况进行识别,分析单个设备所消耗的电能。本文以家庭电力负荷功率幅值变化为特征,提出了一种基于卷积神经网络的识别算法,通过对单位家庭用户的用电行为进行辨识,从而得出用户... 详细信息

非侵入式家庭电力负荷监测是对家庭电力入口处总的电能变化情况进行识别,分析单个设备所消耗的电能。本文以家庭电力负荷功率幅值变化为特征,提出了一种基于卷积神经网络的识别算法,通过对单位家庭用户的用电行为进行辨识,从而得出用户行为所消耗的功率情况。论文首先介绍了非侵入式负荷监测的背景以及研究意义,并针对非侵入式负荷监测算法流程四个主要步骤进行了分步介绍。通过简要的介绍卷积神经网络与隐马尔科夫模型这两种分类模型的理论与结构,将两种分类模型与非侵入式负荷监测的识别分类相结合进行实验分析,并通过实验分析对比两类算法在非侵入式负荷监测中的行为识别能力。在理论研究的基础上,将原始信号数据进行数据预处理,通过设备选择、分析滤波、状态标签以及短时傅里叶变换得到频域信号,并将时域信号与频域信号相结合,最终得到卷积神经网络所需要的时频图像。通过实验对最终分类模型的实验参数进行调试,在选取参数的同时,需要满足误差率低以及计算时间小的条件,通过控制变量法对迭代参数、学习率、卷积核尺寸以及卷积核数目进行参数调整,选取最优参数进行卷积神经网络的实验,针对单位家庭用户的用电行为识别性能进行分析。最后,将调试出来的最优卷积神经网络模型与非侵入式算法常用的因子隐马尔科夫模型识别结果进行对比分析,并总结其优越性。

关键词：非侵入式数据处理短时傅里叶卷积神经网络因子隐马尔可夫模型

基于启停状态识别的非侵入式负荷分解方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于启停状态识别的非侵入式负荷分解方法研究

作者：于超广西大学

学位级别：硕士

随着智能电网对负荷侧管理精细化要求的不断提升,居民用户画像、用户侧节能、公共安全等领域也备受瞩目。负荷分解是通过传感器采集或推断算法获取用户家中各电器设备的功耗和使用时长等信息,为建立需求响应提供数据支撑。非侵入式负荷... 详细信息

随着智能电网对负荷侧管理精细化要求的不断提升,居民用户画像、用户侧节能、公共安全等领域也备受瞩目。负荷分解是通过传感器采集或推断算法获取用户家中各电器设备的功耗和使用时长等信息,为建立需求响应提供数据支撑。非侵入式负荷分解通过对用户智能电表总电气量分析得到家中电器设备的能耗数据,因其不需要入户安装任何传感器,具有成本投入少、扩展部署快等优点越来越受到工业界和学术界的普遍关注。目前,学者已通过多种不同算法实现了非侵入式负荷分解,但这些算法存在设备启停状态识别准确率低和模型本身缺陷等问题导致负荷分解精度低。为此,本文提出一种基于设备启停状态识别改进非侵入式负荷分解的方法,实现了提升启停状态识别精度和改进算法的目的。具体工作如下:首先,针对不平衡启停状态识++别错误率高所导致的负荷分解精度低的问题,提出了设备启停状态识别模型。该模型由启停状态识别模块和启停状态组合模块组成,依次通过合成少数过采样技术(synthetic minority oversampling technique,SMOTE)对训练数据做重采样处理、深度神经网络(deep neural network,DNN)模型提取启停状态特征以及双向长短时记忆网络及条件随机场(bidirectional long short term memory-conditional random field,Bi LSTM-CRF)模型提升其对不平衡启停状态的识别能力。然后,针对基于隐马尔可夫模型的非侵入式负荷分解模型存在假设条件(即无后效性假设和参数不变假设)过强所导致负荷分解准确率低的问题,提出了基于启停状态识别改进因子隐马尔可夫模型的非侵入式负荷分解方法。该改进方法先按启停状态识别结果将其划分成若干启停状态子数据集,再对处于启状态的设备进行负荷分解,这有效改善了隐马尔可夫模型假设所引起忽略时间特征和单次计算模型参数的缺陷。最后通过实验验证该方法能够提升负荷分解精度。最后,针对深度学习方法提取用电数据特征不充分的缺陷,则利用自注意力机制从预处理特征序列中选取与当前特征相关性高的信息,通过突出高相关数据的权重实现对特征序列的重点关注,提高负荷分解精度。同时,为了进一步验证启停状态识别模型的泛化能力,提出不同的启停状态子数据集的划分方法,并基于一维卷积神经网络负荷分解模型进行实验验证所提方法的有效性,得出不同启停状态识别模型所适用的范围。

关键词：非侵入式负荷分解不平衡启停状态特征提取启停状态识别因子隐马尔可夫模型一维卷积神经网络自注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于智能电表的数据分析

基于智能电表的数据分析

作者：龙伟深圳大学

学位级别：硕士

基于智能电表的数据分析是在不增加额外设备的情况下,不接触的对负载设备进行监测,根据聚合总线上的电表数据解聚合出单个用电器的一种能源解聚合模型。该模型以用电器消耗的功率为特征,结合用电器的历史使用习惯,分析出用电器的当前状... 详细信息

基于智能电表的数据分析是在不增加额外设备的情况下,不接触的对负载设备进行监测,根据聚合总线上的电表数据解聚合出单个用电器的一种能源解聚合模型。该模型以用电器消耗的功率为特征,结合用电器的历史使用习惯,分析出用电器的当前状态,指导用户合理的用电行为,从而节约电力能源。论文分析了国内外各种已有能量解聚合模型的优缺点,结合用电设备的历史信息,提出两种基于智能电表的能量解聚合预测模型。1)基于用电器状态的因子隐马尔可夫模型。该方法引入用电器的状态来做能量的解聚合,对单状态用电设备来说,传统基于单个用电器的模型和基于用电器状态的模型效果相差不大,但在多状态用电器的解聚合研究中,基于用电器状态的模型整体上具有更高的能量分配准确率。2)基于时间划分的关联规则学习模型。该方法寻找用电器间的相互关系,结合用电器的历史使用习惯,生成经常使用设备的频繁项集,训练出具有强关联规则的模型。该模型对空闲时间段的电表数据稀释一定的倍数,降低空闲时间段的先验信息,在不影响模型解聚合准确度的条件下,降低生成模型的计算复杂度。论文将以上能量解聚合的模型在三种公开数据集上进行对比实验,采用通用的评价标准。整体上,基于用电器状态的因子隐马尔可夫模型比传统模型的能量准确分配率高,尤其是在多状态用电器的预测上。此外,提出的基于时间划分的关联规则学习模型具有最小的预测误差、最高的能量分配率和准确率,解聚合能力优于传统的能量解聚合模型,在小功率用电器、相同功率用电器和具有相同功率用电器组合的解聚合问题中同样适用。

关键词：智能电表能量解聚合因子隐马尔可夫模型关联规则先验理论