检索结果-南通市图书馆

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

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

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

基于启停状态识别的非侵入式负荷分解方法研究

引用

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

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：