【摘 要】
：
非侵入式负荷监测（Non-Intrusive Load Monitoring,NILM）又称负荷分解,只需通过对一定区域内的总电表数据进行分析,就能分解得到该区域内单个设备的具体耗能信息。NILM相比于传统的侵入式负荷监测（Intrusive Load Monitoring,ILM）,在成本、后期维护及用户接受程度上都更具优势。但与ILM相比,分解精度较低。本文从提高非侵入式负荷分解精度的角度出发
论文部分内容阅读
非侵入式负荷监测（Non-Intrusive Load Monitoring,NILM）又称负荷分解,只需通过对一定区域内的总电表数据进行分析,就能分解得到该区域内单个设备的具体耗能信息。NILM相比于传统的侵入式负荷监测（Intrusive Load Monitoring,ILM）,在成本、后期维护及用户接受程度上都更具优势。但与ILM相比,分解精度较低。本文从提高非侵入式负荷分解精度的角度出发,利用深度学习模型对居民负荷进行NILM研究,主要工作包括:首先,对家电负荷进行分类,并分析设备稳态运行时的负荷特性。通过对总负荷数据进行时间窗口切片,使其成为具有时序依赖关系的时间序列数据,作为模型的输入;使用K-means++算法对家电设备进行聚类,定义状态编号并转换成相应的独热码,作为模型的输出。其次,通过上述聚类等步骤,构建出本文的NILM模型,设计整体框架结构。该模型框架结构,在时间序列数据与设备状态编码之间形成映射关系,实现了将分解问题简化成分类问题,降低了分解难度。针对具体分解任务,在该框架结构的基础上,提出一种CNN-Bi LSTM模型用于实现负荷分解,该模型结合CNN网络和Bi LSTM网络各自优势,能深入挖掘数据之间的潜在联系,并高效捕捉时序依赖关系。再次,为进一步提高模型分解精度,并使模型在搭建过程中更为灵活,在CNN-Bi LSTM模型的基础上,提出一种基于Attention机制优化的CNN-seq2seq模型。该模型对于数据之间的时序依赖关系更为敏感,更适合用于获取数据之间的联系,同时也更加关注重要特征信息。最后,利用家电负荷功率数据集,将所提模型与其他模型进行对比,验证所提模型性能。此外,本文还分析了家电负荷中有功功率和无功功率的互补特性,各设备的具体耗能情况。
其他文献
永磁同步电机（Permanent Magnet Synchronous Motor,PMSM）在现代工业中的作用十分重要,现代工业的快速发展对永磁同步电机的控制精度要求越来越高。在实际应用中,控制PMSM的常用方式是矢量控制技术,但传统的PI控制与滑模控制逐渐不能满足生产实践的要求。同时,矢量控制技术要求能准确获取电机转子的位置、速度信息,机械传感器的使用无疑增加了经济成本,并且在一些生产环境中不
近年来,随着电力系统清洁化转型的深入,以风、光为代表的可再生能源得到迅猛发展,“多源互补”机制也已深入风、光资源丰富的西北地区。但受风、光出力波动性大、电源侧和负荷侧调节能力弱等问题的影响,我国弃风弃光现象日益严重,给电力系统安全稳定运行造成极大的负面影响。然而光热发电作为一种具有调度能力的新能源发电方式,具备储热及灵活可控等优势,能够以“可再生能源消纳可再生能源”;此外,需求响应机制可通过引导用
耐张线夹是架空输电线路中重要的电力金具,因耐张线夹质量缺陷造成的电力事故仍时有发生,为了保证电力系统的安全稳定运行,需定期对在运耐张线夹进行质量检测。目前广泛采用的X射线无损检测技术主要依靠人工判别缺陷,缺乏统一的判别标准,无法避免人为主观因素且检测效率低下。针对此类问题,本文基于X光图像与深度学习开展了耐张线夹缺陷检测的相关研究,通过两个方案实现缺陷的智能检测与定位,主要研究工作如下:（1）根据
由于环境污染和传统能源供应不足等问题的日益加重,世界各国越来越重视绿色可再生新能源的开发和利用。随着新能源的不断发展,电网格局正在发生深刻变革。电压源型换流器（voltage source converter,VSC）具有高度可控性和良好适应性等优点,基于VSC的高压直流输电技术得到了广泛地应用。另外,VSC由于其显著优势目前也已拓展到配电领域,含VSC的交直流配电网的发展为风电、光伏等可再生能源
随着能源互联网的发展和“双碳”目标的提出,高比例可再生能源发电已经成为全球广泛关注的焦点,但高比例的可再生能源时空不平衡的特点也给电力系统带来诸多新挑战。然而,多能源之间在不同的时空尺度上具有一定的互补特性,本文基于多能源之间的时空互补特性,对多能源电力系统在时间、空间、能源三个维度上进行优化研究,以充分发挥各类能源形式的特点,优势互补,实现多能流协同供应与综合梯级利用。利用多能源在时间维度上的互
高精度的光伏功率预测才能够确保光伏电站并网运行时安全、可靠、优质、经济。对于光伏功率的预测,国内外学者已经做出了大量研究。但由于影响光伏功率预测的因素较多,并且考虑到光伏功率本身的波动性和随机性,传统的光伏功率预测方法已经难以满足当代电力系统对光伏功率预测的要求。因此,研究高精度的光伏功率预测方法意义重大。本文将深度学习中的循环门单元（GRU）应用于光伏功率的预测研究。由于光伏功率受天气类型的影响
随着计算机技术的发展,海量负荷数据的获取与储存变得更为容易,这为人工智能技术在负荷预测中的应用提供了大数据支持。短期电力负荷预测作为电力部门的一项重要工作,直接关系到电力系统的稳定,也是电力系统经济运行的基础。基于以上背景,本文利用神经网络技术对短期负荷预测展开研究,主要包括以下内容:首先,针对短期负荷预测的应用场景构建特征工程,即为待预测日的各预测点建立相应的输入特征集及基础子网（BasicNe
憎水性等级（hydrophobicity class,HC）是复合绝缘子耐污闪性能的重要表征指标。工程中通常采用喷水分级法对运行复合绝缘子的HC等级进行抽检,根据测试结果确定检测周期并判定是否能够继续运行,然而,HC等级的判定结果取决于测试人员对喷水图像的主观理解,容易引起误判。探索建立定性与定量的HC等级智能识别模型,通过喷水图像确定复合绝缘子的HC等级,多年来一直是外绝缘领域希望实现的目标。数
电力系统的稳定运行关系国家能源安全和国民经济命脉,预测未来的电力负荷需求可以实现电力系统供求平衡,保证电力系统经济和稳定运行。电力系统负荷数据的海量采集和深度学习优秀的非线性数据特征学习能力为短期电力负荷预测工作提供了新的思路。本文将历史电力负荷数据、日期类型和气候条件作为影响未来电力负荷分布的因素,进行了注意力机制下多尺度时间卷积的短期电力负荷预测研究。本文提出了一种基于多尺度时间卷积和注意力机
能源是人类经济发展的重要基础,随着时代的发展,能源技术在不断地进步。风能作为一种可再生能源,风力发电受到各国专家的重视,成为各国专家学者研究的热点。开关磁阻发电机（switched reluctance generator,简称SRG）具有造价低、易维护、发电效率高的优点,适用于小型风力发电系统。本文以一台四相8/6结构的SRG为研究对象,以探索小型开关磁阻风力发电机群系统的稳定运行范围为目的,对