浏览全部资源
扫码关注微信
基于
V -I 轨迹颜色编码的非侵入式负荷识别方法Non-intrusive Load Monitoring Method Based on
V -I Trajectory Color Coding- 电力系统自动化 2022年46卷第4期 页码：93-102
- 作者机构：
1.东南大学网络空间安全学院,江苏省南京市 211102
2.河海大学能源与电气学院,江苏省南京市 211100
3.东南大学电气工程学院,江苏省南京市 210096
- 作者简介：
解洋(1990—)，男，博士研究生，主要研究方向：电力系统人工智能应用。E-mail：xieyang0929@163.com
梅飞(1982—)，男，博士，讲师，主要研究方向：电力系统人工智能和大数据挖掘技术，电气设备故障诊断、电能质量等。
郑建勇(1966—)，男，通信作者，博士，教授，博士生导师，主要研究方向：电力系统人工智能应用、电能质量分析治理、综合能源系统控制。E-mail：jy_zheng@seu.edu.cn
- 基金信息：国家重点研发计划资助项目(2018YFB1500800)
DOI：10.7500/AEPS20210511005
中图分类号：收稿：2021-05-11，
修回：2021-09-18，
网络出版：2021-12-09，
纸质出版：2022-02-25
- 稿件说明：
移动端阅览
解洋,梅飞,郑建勇等.基于V-I轨迹颜色编码的非侵入式负荷识别方法[J].电力系统自动化,2022,46(4):93-102.
XIE Yang,MEI Fei,ZHENG Jianyong,et al.Non-intrusive Load Monitoring Method Based on V-I Trajectory Color Coding[J].Automation of Electric Power Systems,2022,46(4):93-102.
解洋,梅飞,郑建勇等.基于V-I轨迹颜色编码的非侵入式负荷识别方法[J].电力系统自动化,2022,46(4):93-102. DOI： 10.7500/AEPS20210511005.
XIE Yang,MEI Fei,ZHENG Jianyong,et al.Non-intrusive Load Monitoring Method Based on V-I Trajectory Color Coding[J].Automation of Electric Power Systems,2022,46(4):93-102. DOI： 10.7500/AEPS20210511005.
摘要
在非侵入式负荷识别中基于原始电压-电流（
V
-
I
）轨迹特征的识别方法，难以对相似轨迹特征的负荷做出有效辨识。因此，提出了一种基于
V
-
I
轨迹特征的颜色编码方法，并利用
K
-means聚类算法和AlexNet神经网络进行负荷特征的辨识。首先，运用
K
-means聚类算法对负荷的有功和无功功率特征进行初步分类。然后，对未分类成功的负荷进行
V
-
I
轨迹构建和颜色编码处理，生成带有颜色特征的
V
-
I
轨迹。最后，运用AlexNet神经网络对负荷进行训练和分类，达到快速精细化的分类效果。针对公共数据集PLAID和WHITED，运用原始
V
-
I
轨迹特征和进行颜色编码后
V
-
I
轨迹的识别效果做对比分析，可知所提方法在节省计算时间的同时也提高了识别的准确度，提升效果明显。
Abstract
In the non-intrusive load monitoring
the monitoring method based on the original (voltage-current)
V
-
I
trajectory characteristics is difficult to effectively identify the loads with similar trajectory characteristics. Therefore
a color coding method based on
V
-
I
trajectory characteristics is proposed
and the
K
-means clustering algorithm and AlexNet neural network are used to identify load characteristics. First
the
K
-means clustering algorithm is used to preliminarily classify the active power and reactive power characteristics of the load. Then
construction and color coding of the
V
-
I
trajectory are performed on the unclassified loads to generate
V
-
I
trajectories with color characteristics. Finally
the AlexNet neural network is used to train and classify the load to achieve a fast and refined classification effect. For the public data sets PLAID and WHITED
the monitoring effect of original
V
-
I
trajectory characteristics and color-coded
V
-
I
trajectories are compared and analyzed. It is known that the proposed method not only saves calculation time but also improves the monitoring accuracy
and the improvement effect is obvious.
关键词
Keywords
references
HE K H ， STANKOVIC L ， LIAO J ， et al . Non-intrusive load disaggregation using graph signal processing ［J］. IEEE Transactions on Smart Grid ， 2018 ， 9 （ 3 ）： 1739 - 1747 .
娄藕蝶 . 非侵入式负荷特征提取与识别研究 ［D］. 南京 ： 东南大学 ， 2018 .
LOU Oudie . Research on non-intrusive load feature extraction and load recognition ［D］. Nanjing ： Southeast University ， 2018 .
黎鹏 . 非侵入式电力负荷分解与监测 ［D］. 天津 ： 天津大学 ， 2009 .
LI Peng . Non-intrusive method for power load disaggregation and monitoring ［D］. Tianjin ： Tianjin University ， 2009 .
程祥 ， 李林芝 ， 吴浩 ， 等 . 非侵入式负荷监测与分解研究综述 ［J］. 电网技术 ， 2016 ， 40 （ 10 ）： 3108 - 3117 .
CHENG Xiang ， LI Linzhi ， WU Hao ， et al . A survey of the research on non-intrusive load monitoring and disaggregation ［J］. Power System Technology ， 2016 ， 40 （ 10 ）： 3108 - 3117 .
LAM H Y ， FUNG G S K ， LEE W K . A novel method to construct taxonomy electrical appliances based on load signaturesof ［J］. IEEE Transactions on Consumer Electronics ， 2007 ， 53 （ 2 ）： 653 - 660 .
DU L ， HE D W ， HARLEY R G ， et al . Electric load classification by binary voltage-current trajectory mapping ［J］. IEEE Transactions on Smart Grid ， 2016 ， 7 （ 1 ）： 358 - 365 .
王守相 ， 郭陆阳 ， 陈海文 ， 等 . 基于特征融合与深度学习的非侵入式负荷辨识算法 ［J］. 电力系统自动化 ， 2020 ， 44 （ 9 ）： 103 - 110 .
WANG Shouxiang ， GUO Luyang ， CHEN Haiwen ， et al . Non-intrusive load identification algorithm based on feature fusion and deep learning ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 9 ）： 103 - 110 .
GAO J K ， KARA E C ， GIRI S ， et al . A feasibility study of automated plug-load identification from high-frequency measurements ［C］// 2015 IEEE Global Conference on Signal and Information Processing（GlobalSIP） ， December 14-16 ， 2015 ， Orlando， USA .
陈军锋 ， 王雪 ， 张效天 . 非侵入式负荷识别边缘计算颜色编码研究 ［J］. 仪器仪表学报 ， 2020 ， 41 （ 9 ）： 12 - 19 .
CHEN Junfeng ， WANG Xue ， ZHANG Xiaotian . Non-intrusive load recognition using color encoding in edge computing ［J］. Chinese Journal of Scientific Instrument ， 2020 ， 41 （ 9 ）： 12 - 19 .
LIU Y C ， WANG X ， YOU W . Non-intrusive load monitoring by voltage-current trajectory enabled transfer learning ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 5 ）： 5609 - 5619 .
LIANG J ， NG S K K ， KENDALL G ， et al . Load signature study： Part Ⅰ basic concept， structure， and methodology ［J］. IEEE Transactions on Power Delivery ， 2010 ， 25 （ 2 ）： 551 - 560 .
LIN Y H ， TSAI M S . An advanced home energy management system facilitated by nonintrusive load monitoring with automated multiobjective power scheduling ［J］. IEEE Transactions on Smart Grid ， 2015 ， 6 （ 4 ）： 1839 - 1851 .
ALKHULAIFI A ， ABDULAH J . Investigation of deep learning-based techniques for load disaggregation， low-frequency approach ［J］. International Journal of Advanced Computer Science and Applications ， 2020 ， 11 （ 1 ）： 701 - 706 .
孙毅 ， 崔灿 ， 陆俊 ， 等 . 基于差量特征提取与模糊聚类的非侵入式负荷监测方法 ［J］. 电力系统自动化 ， 2017 ， 41 （ 4 ）： 86 - 91 .
SUN Yi ， CUI Can ， LU Jun ， et al . Non-intrusive load monitoring method based on delta feature extraction and fuzzy clustering ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 4 ）： 86 - 91 .
ARBERET S ， HUTTER A . Non-intrusive load curve disaggregation using sparse decomposition with a translation-invariant boxcar dictionary ［C］// IEEE PES Innovative Smart Grid Technologies ， October 12-15 ， 2014 ， Istanbul， Turkey .
施雨松 ， 徐青山 ， 郑建 . 基于特征选择与增量学习的非侵入式电动自行车充电辨识方法 ［J］. 电力系统自动化 ， 2021 ， 45 （ 7 ）： 87 - 94 .
SHI Yusong ， XU Qingshan ， ZHENG Jian . Non-intrusive charging identification method for electric bicycles based on feature selection and incremental learning ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 7 ）： 87 - 94 .
BERGES M ， GOLDMAN E ， MATTHEWS H S ， et al . User-centered nonintrusive electricity load monitoring for residential buildings ［J］. Journal of Computing in Civil Engineering ， 2011 ， 25 （ 6 ）： 471 - 480 .
武昕 ， 焦点 ， 高宇辰 . 基于非侵入式用电数据分解的自适应特征库构建与负荷辨识 ［J］. 电力系统自动化 ， 2020 ， 44 （ 4 ）： 101 - 109 .
WU Xin ， JIAO Dian ， GAO Yuchen . Construction of adaptive feature library and load identification based on decomposition of non-intrusive power consumption data ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 4 ）： 101 - 109 .
罗平 ， 樊星驰 ， 章坚民 ， 等 . 基于电器运行状态和深度学习的非侵入式负荷分解 ［J］. 电力系统自动化 ， 2021 ， 45 （ 12 ）： 49 - 56 .
LUO Ping ， FAN Xingchi ， ZHANG Jianmin ， et al . Non-intrusive load decomposition based on operation state of electrical appliances and deep learning ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 12 ）： 49 - 56 .
LIN Y H ， TSAI M S . Non-intrusive load monitoring by novel neuro-fuzzy classification considering uncertainties ［J］. IEEE Transactions on Smart Grid ， 2014 ， 5 （ 5 ）： 2376 - 2384 .
JAZIZADEH F ， BECERIK-GERBER B ， BERGES M ， et al . An unsupervised hierarchical clustering based heuristic algorithm for facilitated training of electricity consumption disaggregation systems ［J］. Advanced Engineering Informatics ， 2014 ， 28 （ 4 ）： 311 - 326 .
高浩瀚 ， 张利 ， 梁军 ， 等 . 基于改进排列熵算法和Yamamoto算法的非侵入式用电设备状态变化检测 ［J］. 电力自动化设备 ， 2020 ， 40 （ 1 ）： 192 - 197 .
GAO Haohan ， ZHANG Li ， LIANG Jun ， et al . Non-intrusive electrical equipment state change detection based on improved permutation entropy algorithm and Yamamoto algorithm ［J］. Electric Power Automation Equipment ， 2020 ， 40 （ 1 ）： 192 - 197 .
0
浏览量
0
下载量
17
CSCD
- Meta-XML下载
- BibTeX下载
- Endnote下载
- RefMan 下载
- NoteExpress下载
- NoteFirst下载
关联资源
相关文章
相关作者
相关机构
- 地址：江苏省南京市江宁区诚信大道19号 邮编：310000
- 联系电话：13632102679
- 技术支持由北京北大方正电子有限公司提供 京ICP备09064830号-19
京公网安备11010802024621 - 本系统建议在Chrome、 IE9+ 以上版本浏览器阅读本站内容，360浏览器请切换至极速模式
- Cookies帮助我们提供服务并提供个性化体验。使用本网站，即表示您同意我们使用Cookies