非侵入式家用负荷监测算法研究

摘要

为有利电力部门的统筹规划和电力用户的优化用电，未来智能电网尤其能源互联网领域要求电网与用户之间能够实现良好的信息和行为双向互动，这就要求智能电表首先具有对电力负荷进行分项计量的能力，目前大多通过非侵入式负荷监测实现。负荷特征的选取和识别算法是实现非侵入式负荷监测的关键环节，其中负荷特征的选取对负荷识别的准确性起着至关重要的作用。负荷特征的人工选取容易造成特征不足使识别准确率下降的问题，而当负荷种类较多时，需要选取的特征也较多，容易存在特征重复、难以实现特征优化的问题。此外，算法能否对新增类别负荷仍具有一定的泛化识别能力也是实现非侵入式负荷监测实用化的一大难题。本文针对上述问题进行了以下研究：　　首先，本文研究了电压-电流轨迹特征量化和二值V-I图像的生成原理及在稳态特征表征上的不足之处。在此基础上，提出了一种基于双色V-I图像和SiameseCNN的非侵入式家用负荷监测算法。　　然后，本文提出了非侵入式双色V-I图像生成算法。研究了其中的事件检测算法和事件负荷的差分电流、平均电压的提取方法。针对二值V-I图像因无法反映负荷的容感性和相对功率大小而导致识别算法对V-I轨迹形状相似负荷之间的识别效果较差的问题，本文创新性地提出一种双色V-I图像生成算法，通过增加图像颜色变化和颜色深浅信息分别引入负荷的容感性和相对功率大小来改善这一问题。　　随后，本文提出了基于SiameseCNN的V-I图像特征选取与识别算法流程。为了对V-I图像进行负荷特征的优化选取和负荷识别，同时使算法对新增负荷类别具有一定的泛化能力。利用SiameseCNN对V-I图像进行特征选取并实现负荷识别，通过SiameseCNN将特征提取和负荷识别整合在一起，通过训练不断优化特征向量以达到最优的识别效果，可以有效地避免特征不足和特征重复的问题，同时使算法对新增负荷类别具有一定的泛化能力。　　最后，本文基于Keras深度学习框架搭建SiameseCNN模型，在公开数据集UK_DALE和WHITED上分别测试了基于二值V-I图像和SiameseCNN的非侵入式家用负荷监测算法以及基于双色V-I图像和SiameseCNN的非侵入式家用负荷监测算法并对测试结果进行了分析和对比，结果表明利用双色V-I图像进行负荷识别能够有效地解决二值V-I图像因无法反映负荷的容感性和相对功率大小而导致算法对V-I轨迹形状相似负荷之间的识别效果较差的问题；同时测试并分析了算法对新增类别负荷的泛化能力，结果表明算法对新增负荷具有很好的泛化能力且这种泛化能力在新增负荷种类较多时仍具有较好的稳定性。

目录

声明

第 1章 绪 论

1.1 研究背景与意义

1.2 相关研究现状

1.2.1 事件检测

1.2.2 特征选取

1.2.3 负荷识别

1.3 本文主要研究工作

第 2章 基于双色 V-I图像和 Siamese CNN的非侵入式家用负荷监测算法框架

2.1 稳态归一化电压-电流轨迹特征

2.2 二值 V-I 图像生成原理及不足

2.3 基于双色 V-I 图像和 Siamese CNN 的非侵入式家用负荷监测算法框架

2.4 本章小结

第 3章 非侵入式双色 V-I图像生成算法

3.1 事件检测

3.2 稳态数据提取与处理

3.3 双色 V-I 图像生成算法

3.4 本章小结

第 4章 基于 Siamese CNN的 V-I图像特征选取与识别

4.1 基于 Siamese CNN 的 V-I 图像特征选取与识别算法流程概述

4.2 用于 V-I 图像特征选取与识别的 Siamese CNN 模型结构

4.3 数据集描述、配对及划分

4.3.1 UK_DALE 数据库

4.3.2 WHITED 数据库

4.4 模型训练

4.5 本章小结

第 5章 基于 V-I图像和 Siamese CNN的非侵入式负荷监测算法测试

5.1 UK_DALE 数据集测试

5.2 WHITED 数据集测试

5.3 算法对新增类别电器泛化能力测试

5.4 本章小结

结论与展望

参考文献

附录A 攻读学位期间所发表的学术论文和专利目录

致谢