住宅用电非侵入式电力负荷监测与识别

在住宅用电的非侵入式负荷监测与识别过程中,对负荷的投切时间检测与负荷类型的准确识别是重要的研究部分,本文提出了一种住宅用电非侵入式电力负荷监测与识别算法.首先,提出了一种基于短期环比变点检测算法,能够准确的检测出负荷的投切时间,进而对负荷的稳态特征进行高精度的提取;其次,利用融合莱维飞行与黄金正弦的蚁狮优化(LGSA?LO)支持向量机算法,实现家用电力负荷识别.实验结果表明,本文所提出的变点检测算法和负荷识别方法在实际应用过程中具备较高的准确率.     

基于复合特征的非侵入式电力负荷识别方法研究

目前电器种类迅速增多,各类电器的负荷特征相似度随之提高,难以准确辨识。针对这一现状,提出了一种基于复合特征的非侵入式电力负荷识别方法。该方法对传统单目标函数进行了改进优化,并且基于电器功率和正交电流谐波特征,进一步建立了基于遗传算法的复合特征目标函数模型,通过遗传迭代多目标寻优获得最优个体,实现精确的负荷识别。实验结果表明,所提出的基于复合特征的非侵入式电力负荷识别方法识别准确率较高,可以满足实际应用需求。     

一种基于EDDL的非侵入式负荷检测模型

针对目前非侵入式负荷检测时存在检测精确度低的问题,提出一种基于事件驱动-深度学习(EDDL)的负荷检测模型。通过零交叉检测电流数据,基于事件驱动机制从大量数据中发现关键事件;将包含关键事件的电流序列转换至图像空间,并代入基于深度学习的负荷检测模型,从而实现端对端的非侵入式负荷检测。实验结果表明,与多分类支持向量机(MSVM)、前馈神经网络(FNN)、卷积神经网络(CNN)和长短时记忆网络(LSTM)模型相比,所提EDDL模型综合性能更优,检测准确率和精确度分别为94.67%和91.76%。仿真结果验证了所提模型可基于事件驱动机制挖掘电流数据,并基于深度学习模型有效提取电流数据特征,从而实现高精确度的非侵入式电力负荷检测。该模型对非侵入式电力负荷检测研究具有一定借鉴作用。     

基于SAGA-FCM算法的非侵入式负荷监测方法

针对现有的非侵入式负荷监测(NILM)方法对小功率设备识别准确率不够,以及监测数据量过大时,准确率下降严重等问题,提出一种新颖的非侵入负荷监测方法。该方法以模糊C均值聚类算法(FCM)为基础,采用差量特征提取法提取任意时刻的特征变化值,引入模拟退火算法(SA)和遗传算法(GA)对聚类过程进行优化,实现了多类型电器负荷的聚类识别。实验数据表明,随着监测数据量的增加,该方法最终目标函数始终小且稳定,具有较好的稳定性和可靠性,适用于NILM大数据监测环境,采用谐波特征后识别准确率有一定的提升。     

基于MA-SVM的家用负荷非侵入式识别

针对其在负荷识别的过程中对功率相近以及低功率的家用负荷识别效果较差的问题.为了提高对家用负荷的辨识程度,在原来传统的功率特征作负荷特征外,再引进负荷的总谐波畸变率(THD)作为新的负荷特征.在传统的SVM的基础上通过利用PSO和MA分别进行算法上的优化,进而实现负荷分解.实验结果表明:采用MA-SVM算法优化比起PSO...     

基于大数据分析的智能用电非侵入式负荷分解模型

为准确从电网电流数据中分解出单独的负荷叠加信号,基于大数据分析构建一种新的智能用电非侵入式负荷分解模型。应用大数据分析技术建立时间序列数据集,确定时间区域断点均值,并在大数据内部提取非侵入式负荷信号,通过迭代计算提取智能用电设备运行状态。根据线性解码计算结果构建负荷分解数学模型,分析负荷电流信号独立性,检测电流信号和负荷电流信号的近似系数,实现分解操作。实验结果表明,所构建模型分解后的电流与负荷的电流信号之间的相关系数达到0.999 9,加快了收敛速度,保证分解效果。     

基于多层多核卷积神经网络的非侵入式负荷监测方法研究

非侵入式负荷监测仅依靠测量得到的总负荷的电压、电流与功率等承载电力信息的信号就实现负荷监测,无需额外的计量装置和线路改造,因此得到广泛研究.针对传统深度神经网络分解模型准确度仍不能满足实际需求的现状,提出了一种基于多层多核卷积深度神经网络分解模型.为体现不同设备的特性,模型在数据分割时采用不同的序列长度.然后,模型将分...     

基于ＬＳＴＭ和序列到点模型的非侵入式负荷分解技术

随着深度学习在 NILM （Non-intrusive Load Monitoring,NILM）的应用,对于负荷的识别与功率分解能力有所提升,但是对于多状态用电负荷依旧存在负荷分解准确度低、算法泛化性能低、分解耗时等问题。为此,文中提出了一种基于长短期记忆网络(Long Short-Term Memory,LSTM)和序列到点（Sequence-to-point ,S2P）的负荷分解模型,滑动总功率数据序列来映射目标设备在功率数据窗口中点的功耗。首先,采用基于滑动窗口的事件探测算法,提取激活负荷样本作为序列到点模型的输入数据;利用卷积神经网络(Convolutional Neural Networks ,CNN)自动提取输入负荷总功率的负荷特征,引入长短期记忆网络挖掘序列中点前后相关度最高的信息完成负荷辨识。为了验证模型的有效性,将所提出的模型应用于实际家庭能源数据集UK-DALE,并与目前领先的模型进行了比较,综合性能提升了28.8%,结果表明所提出的深度学习模型可以有效地提高模型的预测能力。     

基于分数阶Hilbert 倒谱特征提取的非侵入式负荷监测研究方法

针对非侵入式负荷监测中特征近似的用电设备识别率不高的问题,以家庭用电负荷为研究对象,提出一种基于分数阶Hilbert变换的倒谱特征,利用分数阶Hilbert变换中阶数P选择的灵活性和提取信号细部特征的能力提取信号倒谱特征? 有效增大特征数据的区分度。首先对采集的信号作分数阶Hilbert变换,将原信号映射到分数空间,然后通过计算类内和类间距离,结合PSO算法对阶数进行寻优,最后计算得到最优阶数下的倒谱特征并将其作为多分类SVM的输入向量,不同用电设备种类作为SVM的输出。实验结果表明,在负荷特征相近的场景下,所提出的方法可实现较好的分类效果,有效提高了负荷识别的准确率。     

非侵入式Web请求加速平台研究

通过对非侵入式web请求加速平台的研究建设,要达到在不对原有系统做较大改动的前提下,有效加快web页面的加载速度,节约服务器、带宽等硬件资源的目的.从而提高系统性能,使得web应用能够更好地为企业提供信息化服务.因此,构建非侵入式web请求加速平台意义十分重大.     

基于朴素贝叶斯算法的用电电器非侵入式检测

针对如何从大数据中准确预测出电器设备种类并为用户提供灵活的智慧服务问题,基于实用性和高效性的原则,设计了基于朴素贝叶斯算法的非侵入式检测方法.通过对江苏省电力公司提供的数据进行筛选,以设备组合的特征值进行分类训练并建立模型,通过朴素贝叶斯算法进行预测测试,从而预测出设备组合的编号并对模型进行评估.试验结果表明,相较于传...     

基于物联网的非侵入式用电器在线监测系统设计与实现

针对当前智能电网和电力互联背景下非侵入式负荷监测存在的不足,本文设计并实现了一种基于物联网的用电器在线监测系统.系统通过CS5463电能采集芯片获得用电器特征电参数,利用STM32运行FFT算法和一种多维识别算法,实现用电器的非侵入式监测.识别和监测信息经ZigBee传输至服务器中,用户端可通过Qt上位机远程访问数据来...     

AI后台智能检验系统实现非侵入式协同

随着互联网科技的高速发展和社会生活的需要, 2020年5月国家发改委倡议,政府和社会各界推进企业数字化转型, 构建数字化产业链。在数字化的诸多优势中,高效率尤为突出,对企业效益和竞争力提升巨大。然而,人工操作的环节耗时过长,成为链条上最大的短板,这个现实难题亟待解决。根据木桶效应,解决了这个短板问题,就能提升全流程的效率。文中将详细阐述如何利用人工智能领域的机器视觉及机器学习取代人工检验环节,并与其他不可取代的人工环节以及系统环节实现非入侵式协同。     

基于分类器决策融合的红外图像目标识别方法

提出基于分类器决策融合的红外图像目标识别问题。采用稀疏表示分类（Sparse representation-based classification,SRC）和卷积神经网络（Convolutional neural network,CNN）作为基础分类器。对于测试样本,首先基于SRC进行分类,并根据输出的决策变量判断决策可靠性。当判定识别结果可靠时,则识别过程结束,输出目标类别。反之,根据SRC的结果遴选部分置信度较高的候选类别,并在下一阶段针对这一步类别采用CNN进行确认分类。此外,将CNN的输出结果与SRC进行线性加权融合处理,根据融合结果做出最后的目标类别决策。提出方法通过综合SRC和CNN两者分类器的优点,综合提升红外目标识别性能。同时,这种层次化的决策融合方式避免了对所有样本的两次分类过程,整体上能够保证识别算法的效率。实验采用五类日常生活中常见的车辆目标红外图像进行,分别设置了原始样本条件、噪声样本条件以及遮挡样本条件。通过与部分现有方法进行对比,结果反映了提出方法的有效性和可靠性。     

嵌入式NILM电力负荷识别及特征库构建系统设计

针对非侵入式电力负荷识别系统负荷特征库构建困难,算法复杂,硬件成本高的问题,构建了基于STM32嵌入式处理的电力负荷采集识别系统.介绍了系统硬件结构.分析了基于嵌入式处理器的电力数据通信方式.设计了低复杂度的快速滤波算法和基于最小二乘的负荷状态监测、识别算法.基于本系统,对常见家用电力负荷实际工作状态进行了实测.测试数...     

多内核系统的非侵入式调试与性能优化

运行在多个内核上的有效分区无缺陷软件对充分发挥多内核系统优势非常关键。调试如此复杂的软件系统会提升复杂程度,因为不能访问子系统接口、总线以及同步处理范例。有了这一点认识,开发人员需要对能够加速调试进程,克服此类复杂多内核系统制约的片上调试技术、工具与技巧有更深入的理解。     

基于指纹特征融合的辐射源识别方法

提出了一种利用辐射源＂指纹＂特征融合识别辐射源的方法。首先分析了功放信号模型、接收信号模型、频率和重复频率稳定度;然后定义了四个＂指纹＂特征;在此基础上利用获取的指纹特征构造辐射源特征数据库,结合D-S证据理论给出了识别算法的步骤和框图。依据该方法对四部雷达辐射源进行了指纹特征提取,采用融合技术进行了仿真实验,结果表明基于指纹融合的方法能有效地识别辐射源。相比于经典的模板匹配法、模糊识别法,指纹特征有更高的稳定性,对信噪比不敏感,辐射源的识别率较高。     

基于CS-LBP特征融合的人脸智能识别方法研究

传统人脸智能识别方法存在识别正确率低的问题,为此提出了一种基于CS-LBP特征融合的人脸智能识别方法。通过分析人脸表情特征提取流程,设计CS-LBP特征融合目标计算,获取模糊特征LBP阈值。并结合不同LBP算子距离,均衡人脸图像灰度,以此提高人脸识别图像的清晰度。同时,绘制人脸识别标准纹路模型,计算经过识别后的人脸纹路与标准纹路的垂直距离,判断距离是否符合高斯单元线性组合规律,若符合规律可输出识别参数与结果,完成人脸的智能识别。采用设计实验的方式,验证了提出方法在实际识别应用中,可提高人脸图像识别正确的次数,证明了设计方法更具备实际应用价值。