基于单分类结合模糊宽度学习的负荷辨识方法
2022年电子技术应用第5期
王 毅1，王萧阳1，李松浓2，陈 涛2，侯兴哲2，付秀元3
1.重庆邮电大学 通信与信息工程学院，重庆400065； 2.国网重庆市电力公司电力科学研究院，重庆400014；3.国家电投集团数字科技有限公司，北京100080
摘要： 非侵入式负荷监测是智能用电的关键技术，有助于加强负荷侧管理，提高用电效率。随着电力负荷类型和数量的迅速增加，当模型中接入训练样本之外的未知电器时会导致模型误判，降低负荷识别的准确性。为了提高负荷识别模型的稳定性以及识别精度，提出一种单分类结合模糊宽度学习的电力负荷识别方法。首先，构建负荷特征库实现多负荷识别；然后，通过单分类K近邻方法进行样本筛选，排除未知电器的干扰；最后，提出一种基于模糊宽度学习系统的负荷识别方法解决识别模型复杂度高、识别速率慢的问题。实验结果表明，所提出的算法能够快速有效地识别电力负荷。
中图分类号： TN911.72；TM714
文献标识码： A
DOI：10.16157/j.issn.0258-7998.212334
中文引用格式： 王毅，王萧阳，李松浓，等. 基于单分类结合模糊宽度学习的负荷辨识方法[J].电子技术应用，2022，48(5)：51-55，60.
英文引用格式： Wang Yi，Wang Xiaoyang，Li Songnong，et al. Load identification method based on one class classification combined with fuzzy broad learning[J]. Application of Electronic Technique，2022，48(5)：51-55，60.
文献标识码： A
DOI：10.16157/j.issn.0258-7998.212334
中文引用格式： 王毅，王萧阳，李松浓，等. 基于单分类结合模糊宽度学习的负荷辨识方法[J].电子技术应用，2022，48(5)：51-55，60.
英文引用格式： Wang Yi，Wang Xiaoyang，Li Songnong，et al. Load identification method based on one class classification combined with fuzzy broad learning[J]. Application of Electronic Technique，2022，48(5)：51-55，60.
Load identification method based on one class classification combined with fuzzy broad learning
Wang Yi1，Wang Xiaoyang1，Li Songnong2，Chen Tao2，Hou Xingzhe2，Fu Xiuyuan3
1.Communication and Information Engineering College，Chongqing University of Posts and Telecommunications， Chongqing 400065，China； 2.Chongqing Electric Power Research Institute，Chongqing 400014，China； 3.State Power Investment Group Digital Technology Co.，Ltd.，Beijing 100080，China
Abstract： Non-Intrusive Load Monitoring(NILM) is a key technology for smart electricity consumption, which helps strengthen load-side management and improve electricity efficiency. With the rapid increase of power load types and quantities, when unknown electrical appliances outside the training sample are connected to the model, it will cause the model to misjudge and reduce the accuracy of load identification. In order to improve the stability and accuracy of the load identification model, a power load identification method combining single classification and fuzzy broad learning is proposed. The one-class K-nearest neighbor method is used to screen samples to detect unknown electrical appliances and control the risk of misjudgment. Considering the recognition rate and model complexity, the fuzzy broad learning system is used to classify and recognize the screened samples. The experimental results show that the algorithm proposed in this paper can effectively detect unknown electrical appliances, prevent model misjudgment, and get better results for both single-load and multi-load switching.
Key words : non-intrusive load identification；steady-state feature of load current；fuzzy broad learning system；one class K-nearest neighbor；TS fuzzy syste
0 引言
电力是推进工业社会发展的主要能源之一。在智能电网[1-2]的建设中，非侵入式负荷监测(Non-Intrusive Load Monitoring，NILM)[1-2]具有较高的研究价值和广阔的应用前景。NILM通过用户负荷信息挖掘，可以有效缓解能源危机，节能减耗，提高经济效益。不同于侵入式方法，NILM技术通过在主电能输入端安装监测设备来获取总用电信息从而识别用户的负荷类型和工作状态，提高了测量设备安全性，具有成本低、维护方便等优点。因此，NILM将会是今后电力测量方向发展的主流趋势，在电力需求侧管理技术发展以及智能电网的建设上具有重要意义。
非侵入式负荷识别方法相比于侵入式方法由于其安装便利、成本低等特点引起了更多学者的关注，取得了较多的研究成果。文献[3]引入了总谐波失真识别功率相近的电力负荷；文献[4]通过提取负荷的暂态特征，计算贴近度进行负荷识别，但暂态特征对采样频率要求较高；文献[5]采用了V-I轨迹及深度学习的方法进行负荷识别，取得了较好的识别效果，但高频数据的V-I轨迹计算量较大；文献[6]通过将K最邻近方法与核Fisher判别相结合，控制误判风险，提高识别能力及识别速率；文献[7]通过提取负荷的有功功率与无功功率，并采用人工神经网络的方法进行识别，但识别率不高。
本文详细内容请下载：http://www.chinaaet.com/resource/share/2000004276。
作者信息：
王 毅1，王萧阳1，李松浓2，陈 涛2，侯兴哲2，付秀元3
(1.重庆邮电大学 通信与信息工程学院，重庆400065；
2.国网重庆市电力公司电力科学研究院，重庆400014；3.国家电投集团数字科技有限公司，北京100080)
此内容为AET网站原创，未经授权禁止转载。