耳根,有声小说,穿越小说完本

基于VMD-LSTM的非侵入式負荷識別方法

2023年電子技術應用第2期

王毅1，易歡1，李松濃2，馮凌3，劉期烈1，宋如楠4

1.重慶郵電大學通信與信息工程學院，重慶 400065；2.國網重慶市電力公司電力科學研究院，重慶 400014； 3.國網重慶市電力公司營銷服務中心，重慶400014；4.中國電力科學研究院，北京100192

摘要： 非侵入式負荷識別（Non-Intrusive Load Monitoring， NILM）技術僅基于家庭電源總入口處的電流、電壓信息，獲得室內電器設備的電氣信息。提高負荷識別的精度，對于優化能源結構、提高電能利用效率、降低能耗、節約資源具有重要意義。首先應用變分模態分解（Variational Mode Decomposition， VMD）對歸一化的電流信號分解為K個IMF分量，再估計各個分量與歸一化電流信號的相關系數，挑選相關系數最大的兩個分量作為負荷特征，輸入訓練好的LSTM神經網絡進行識別。算例測試結果表明，該方法在公開數據集PLAID上的識別率高達99%，在實驗室采集的數據集上的識別率為96.6%，證實了所提出方法對提升負荷識別精度有顯著效果。

關鍵詞： 變分模態分解智能電網 LSTM 相關系數

中圖分類號：TM721
文獻標志碼：A
DOI: 10.16157/j.issn.0258-7998.223024
中文引用格式： 王毅，易歡，李松濃，等. 基于VMD-LSTM的非侵入式負荷識別方法[J]. 電子技術應用，2023，49(2)：127-132.
英文引用格式： Wang Yi，Yi Huan，Li Songnong，et al. Non-intrusive load identification method based on VMD-LSTM[J]. Application of Electronic Technique，2023，49(2)：127-132.

Non-intrusive load identification method based on VMD-LSTM

Wang Yi1，Yi Huan1，Li Songnong2，Feng Ling3，Liu Qilie1，Song Runan4

1.Communication and Information Engineering College， Chongqing University of Posts and Telecommunications， Chongqing 400067， China；2.Chongqing Electric Power Research Institute， Chongqing 400014， China； 3.Postdoctoral Workstation of the Chongqing Electric Power Corporation， Chongqing 400014， China； 4.China Electric Power Research Institute，Beijing100192，China

Abstract： Non-intrusive load monitoring (NILM) technology is only based on the current and voltage information of the main entrance of home power supply to obtain the electrical information of indoor electrical equipment. Improving the accuracy of load identification is of great significance to optimize the energy structure, improve the efficiency of power utilization and reduce energy consumption. Firstly, the normalized current signal is decomposed by using variational mode decomposition (VMD), and then the correlation coefficients between each component and the original current signal are calculated. The two components with the largest correlation coefficients are selected as the load characteristics and input into the trained LSTM neural network for identification. The test results of an example show that the recognition rate of this method is up to 99% on public data set PLAID and 96.6% on laboratory data set, which proves the effectiveness of this method.

Key words : variational mode decomposition；smart grid；LSTM；correlation coefficient

0　引言

隨著社會的發展，電力成為社會的主要能源。電網是電力運輸、分配和使用的載體。保持智能電網的穩定運行是電力系統規劃和管理的根本目標^[1]。負荷監測可以幫助電力公司獲得用戶的詳細用電信息，分析用戶用電信息可以為電力系統的規劃和智能調度提供指導意見^[2]。對電力用戶來說，可以通過負荷監測結果分析自己的用電行為，制定合理的用電策略，降低用電成本，節約能源資源。侵入式負荷監測(Intrusive Load Monitoring, ILM)和非侵入式負荷監測(Non-Intrusive Load Monitoring, NILM)是電力監控的兩種手段。ILM系統需在每個家用電器的前端安裝測量傳感器，用以實時的記錄設備的用電信息，其成本與電器的數量成線性關系；NILM由美國麻省理工學院的Hart^[3]教授于20世紀80年代提出，僅通過家庭入口處的電流電壓信息，采用算法得到各用電器的電氣信息。與ILM系統相比，NILM系統有安裝方便、成本低、保護隱私安全等優點。非侵入式負荷識別主要有兩種實現方法，即事件法^[4]和分解法^[5，6]。事件法檢測電器設備的啟動/關閉事件，以事件的瞬態變化為特征判斷電器的類型，從而推斷電器的實時工作狀態，實現電能的分解。分解法是直接從多負載疊加的電氣特性分解為每個電器特性最可能的組合。但隨著電器設備數量的增多，分解法的復雜度大大提高，而事件法則沒有上述缺點。事件法的關鍵在于對電器產生的負荷投切事件進行準確分類。

本文詳細內容請下載：http://m.viuna.cn/resource/share/2000005183。

作者信息：

王毅1，易歡1，李松濃2，馮凌3，劉期烈1，宋如楠4

（1.重慶郵電大學通信與信息工程學院，重慶 400065；2.國網重慶市電力公司電力科學研究院，重慶 400014；

3.國網重慶市電力公司營銷服務中心，重慶400014；4.中國電力科學研究院，北京100192）

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容