没有合适的资源?快使用搜索试试~ 我知道了~
基于监督学习的非侵入式负荷监测算法比较
19 下载量 139 浏览量
2021-01-14
15:33:20
上传
评论 1
收藏 1.71MB PDF 举报
温馨提示
试读
10页
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,也使得居民NILM研究成为热点。基于家庭负荷稳态电流样本,采用负荷电流谐波系数作为负荷分类特征,建立了基于多层感知器(MLP)神经网络、k-近邻算法、逻辑回归、支持向量机的4种NILM分类模型,利用BLUED数据库对4种分类器进行训练和测试,对比分析其在识别精度、训练时间、识别速度和抗噪能力方面的表现,并对其在家庭负荷识别中的应用效果进行对比研究。结果表明,4种分类器中MLP神经网络具有总体最优的分类效果和计算性能,更适用于家庭用户负荷监测。
资源推荐
资源详情
资源评论
第 38 卷 第 12 期
2018 年 12 月
电 力 自 动 化 设 备
Electric Power Automation Equipment
Vol.38 No.12
Dec. 2018
基于监督学习的非侵入式负荷监测算法比较
涂 京,周 明,宋旭帆,周光东,李庚银
(华北电力大学 新能源电力系统国家重点实验室,北京 102206)
摘要: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,也使得居民 NILM 研究成为热点。 基于家庭负荷稳态电流样本,采用负荷电流谐波
系数作为负荷分类特征,建立了基于多层感知器(MLP)神经网络、k
-
近邻算法、逻辑回归、支持向量机的 4 种
NILM 分类模型,利用 BLUED 数据库对 4 种分类器进行训练和测试,对比分析其在识别精度、训练时间、识别
速度和抗噪能力方面的表现,并对其在家庭负荷识别中的应用效果进行对比研究。 结果表明,4 种分类器中
MLP 神经网络具有总体最优的分类效果和计算性能,更适用于家庭用户负荷监测。
关键词:非侵入式负荷监测;负荷识别;多层感知器神经网络;支持向量机;监督学习
中图分类号:TM 721;TM 764 文献标识码:A DOI:10.16081 / j.issn.1006
-
6047.2018.12.019
0 引言
智能电网发展带来的优势之一是电力用户与电
网的友好互动
[1]
,即用户在价格或激励机制下主动
调整自身用电行为,实现削峰填谷、节能降耗,同时
降低用户用电开支。 用户负荷监测是了解用户用电
特性的主要方法,为分析用户用电行为、调整用电方
式提供依据和指导,是用户参与电网双向互动的支
撑技术。 因此,研究有效的负荷监测方法对了解用
户用电特性、开展智能用电、制定价格或激励政策具
有重要的指导意义。
Hart 教授于 1982 年提出了非侵入式负荷监测
NILM(Non⁃Intrusive Load Monitoring)方法
[2]
,通过监
测用户端口处的电气信息,采用数学算法根据用户
总体用电功率分解得到各个用电设备的工作状态,
进而分析各个设备的用电情况。 相比于侵入式监
测,NILM 的成本低、安装维护简单,同时具有较高的
准确度,实用性强,适用于家庭负荷监测等低成本监
测场景
[3]
,具有广泛的应用前景。
收稿日期:2018
-
05
-
28;修回日期:2018
-
09
-
12
基金项目:国家重点研发计划项目(2016YFB0901100)
Project supported by the National Key Research and Development
Program of China(2016YFB0901100)
家庭智能电表的普及使得 NILM 成为国内外智
能用电研究的热点之一。 总体而言,NILM 算法可以
归纳为监督学习算法和无监督学习算法。 监督学习
算法的识别准确度较高,应用较广,但用于模型训练
的数据集需要人工预先标记。 无监督学习算法可以
使用无标记数据,但识别准确度较低,目前在事件检
测和特征提取阶段有较多应用。 在监督学习算法的
研究方面,文献[4]应用了动态模糊 C 均值聚类和 k
-
近邻 k⁃NN(k⁃Nearest Neighbor)识别算法对家庭负荷
进行识别,能够对低功率设备实现 90%的识别准确
率,效果较好;文献[5] 采用主成分分析法和 Fisher
有监督判别算法实现负荷识别,对运行机理不同的
负荷分类效果较好,对运行机理相同的负荷进行区
分则需要进一步探讨;文献[6] 采用粒子群优化算
法优化人工神经网络的训练参数,将构建的神经网
络应用于家庭负荷识别,测试结果表明该方法显著
提高了识别准确性和计算效率;文献[7] 利用弹性
反向传播算法训练多层神经网络,通过训练所有可
能的设备组合实现负荷分解,但随着设备种类增加,
输出神经元和训练样本将呈指数增长;文献[8] 采
用支持向量机( SVM) 对 1 Hz 的采样信号进行负荷
识别,识别了 95%的电热负荷,但对小功率电器的识
别效果不佳;文献[9]增加 3 次谐波作为负荷特征,
采用遗传算法求解多特征目标函数,分解精度较高,
但是遗传算法的求解速度较慢,难以适用于在线分
析监测;文献[10] 则提出一种基于改进鸡群算法的
负荷监测方法,同样存在计算速度较慢的不足。 以
上文献基于监督学习算法实现了 NILM,识别准确度
较高,但需要预先获取负荷样本以训练模型。 在无
监督学习算法的研究方面,文献[11] 提出了基于滑
动窗双边累积和的无监督负荷投切事件检测算法,
采用 IEEE 30 节点系统进行了仿真测试,表明所提
算法能有效检测负荷投切事件,但并未对家庭负荷
的投切进行单独测试;文献[12] 利用均值漂移聚类
算法和权重聚类算法实现了负荷特征提取,可用于
建立 NILM 负荷特征数据库或负荷状态监测。 总体
而言,无监督学习算法因使用无标记数据存在识别
精度不高的问题,因此通常应用于负荷投切事件检
测、负荷特征提取等环节。 本文着重对基于监督学
习的 NILM 算法进行对比研究。
虽然目前各文献提出了多种家庭 NILM 的监督
学习算法,但所提出的算法通常基于不同的实验环
境,且部分文献仅仅分析了算法的准确性,对算法的
资源评论
weixin_38688097
- 粉丝: 5
- 资源: 928
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功