基于諧波分量與有效值的神經網絡負荷分解
2022年電子技術應用第8期
蔡雨露，聶玉虎，崔文朋，鄭 哲，劉 瑞，池穎英
北京智芯微電子科技有限公司，北京100192
摘要： 非侵入式負荷分解可以從主表電流變化信息中分解出各個用電器的用電信息，方便為用電戶提供更精細化、有針對性的用電管理和調度服務。當前利用一維卷積的非侵入式負荷分解算法存在分解準確率不高、新增用戶用電器需要重新訓練、復雜度較高的問題。基于此，利用電流有效值和傅里葉變換后的諧波分量信息，提出一種基于一維卷積神經網絡的負荷分解算法，利用相似性對比分解出各個用電器電流信息，解決了新增用戶或用電器需要重新訓練的問題。經實驗發現，所提出的方法還可以在一定程度上提高負荷分解的準確率，且復雜度較低。
中圖分類號： TN911
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211760
中文引用格式： 蔡雨露，聶玉虎，崔文朋，等. 基于諧波分量與有效值的神經網絡負荷分解[J].電子技術應用，2022，48(8)：123-126.
英文引用格式： Cai Yulu，Nie Yuhu，Cui Wenpeng，et al. Non-intrusive residential electricity load disaggregation based on harmonic components and effective value[J]. Application of Electronic Technique，2022，48(8)：123-126.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211760
中文引用格式： 蔡雨露，聶玉虎，崔文朋，等. 基于諧波分量與有效值的神經網絡負荷分解[J].電子技術應用，2022，48(8)：123-126.
英文引用格式： Cai Yulu，Nie Yuhu，Cui Wenpeng，et al. Non-intrusive residential electricity load disaggregation based on harmonic components and effective value[J]. Application of Electronic Technique，2022，48(8)：123-126.
Non-intrusive residential electricity load disaggregation based on harmonic components and effective value
Cai Yulu，Nie Yuhu，Cui Wenpeng，Zheng Zhe，Liu Rui，Chi Yingying
Beijing Smart-Chip Microelectronics Technology Co.，Ltd.，Beijing 100192，China
Abstract： Non-intrusive load decomposition can decompose the electricity consumption information of each consumer from the current change information of the main meter, which is convenient for providing electricity consumers with more refined and targeted electricity management and dispatching services. The current non-intrusive load decomposition algorithm using one-dimensional convolution has the problems that the decomposition accuracy is not high, the new user appliances need to be retrained, and the complexity is high. Based on this, this paper uses the effective value of current and the harmonic component information after Fourier transform to propose a load decomposition algorithm based on one-dimensional convolutional neural network, which uses similarity comparison to decompose the current information of each consumer, and solves the new problem that increasing users or using electrical appliances requires retraining. It is found through experiments that the method proposed in this paper can also improve the accuracy of load decomposition to a certain extent, and the complexity is low.
Key words : non-intrusive load decomposition；convolutional neural network；smart gridword
0 引言
非侵入式負荷監測(Non-Intrusive Load Monitoring，NILM)也稱為非入侵式負荷分解(Non-Intrusive Load Disaggregation，NILD)[1]，其通過對某一特定區域的總電表數據進行分析，可獲取該范圍內各用電負荷的相關信息，如負荷的數量、各負荷的類別、所處工作狀態以及對應的能耗使用情況等[2]。NILM可以在不入戶、不對用戶用電器分別安裝電表的前提下，實現對用戶用電情況的監測，通過用電行為分析更精準為用戶提供相應的用電服務[3]，對提高供電服務水平、節省電能資源、提高用電效率等都有重要的現實意義。
1980年，Hart[4]開創性地提出NILM的概念，所提出的監控器在電源接口處進行測量，基于對總負載的電流和電壓的詳細分析來確定在電負載中打開和關閉的單個設備的能耗。這種方法可以將用電器從少量電器種類中分解出來，對于用電器種類較多的情況下，則很難準確地進行分解。因此，后續不斷有學者提出通過增加不同負荷特征的方式改進分解效果。負荷特征主要包括有穩態特征、暫態特征、周期性特征狀態轉換特征，其中暫態特征又可以細分為暫態功率波形特征、電壓噪聲特征等，穩態特征細分為功率的階躍特征、穩態電流波形特征等[5]。通過研究發現，通過提取更多特征的方式進行負荷分解取得了良好的分解效果。
本文詳細內容請下載：http://www.shi-ke.cn/resource/share/2000004664。
作者信息：
蔡雨露，聶玉虎，崔文朋，鄭 哲，劉 瑞，池穎英
(北京智芯微電子科技有限公司，北京100192)
此內容為AET網站原創，未經授權禁止轉載。