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DGA与IGWO-WELM的变压器不平衡故障诊断研究

针对变压器故障诊断精度较低的问题，提出一种改进的灰狼算法（IGWO）与加权极限学习机（WELM）的变压器不平衡故障诊断模型。首先，基于油中气体分析（DGA）技术，结合无编码方法将变压器的7种特征量作为可视输入；然后，采用Logistic混沌映射、云模型惯性权重对灰狼算法（GWO）进行改进；最后利用IGWO对WELM的相关参数进行迭代优化，并利用IGWO-WELM故障诊断模型对变压器进行故障诊断。试验结果表明：提出模型的G-mean平均值为96.06%，比GWO-WELM、GA-WELM、PSO-WELM和WELM分别高10.96%、12.92%、1.08%和18.41%；误报率平均值为12.28%，也明显低于其他4种模型。