基于VMD-LSTM的非侵入式负荷识别方法-AET-电子技术应用

基于VMD-LSTM的非侵入式负荷识别方法

2023年电子技术应用第2期

王毅1，易欢1，李松浓2，冯凌3，刘期烈1，宋如楠4

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.国网重庆市电力公司营销服务中心，重庆400014；4.中国电力科学研究院，北京100192

摘要： 非侵入式负荷识别（Non-Intrusive Load Monitoring， NILM）技术仅基于家庭电源总入口处的电流、电压信息，获得室内电器设备的电气信息。提高负荷识别的精度，对于优化能源结构、提高电能利用效率、降低能耗、节约资源具有重要意义。首先应用变分模态分解（Variational Mode Decomposition， VMD）对归一化的电流信号分解为K个IMF分量，再估计各个分量与归一化电流信号的相关系数，挑选相关系数最大的两个分量作为负荷特征，输入训练好的LSTM神经网络进行识别。算例测试结果表明，该方法在公开数据集PLAID上的识别率高达99%，在实验室采集的数据集上的识别率为96.6%，证实了所提出方法对提升负荷识别精度有显著效果。

关键词： 变分模态分解智能电网 LSTM 相关系数

中图分类号：TM721
文献标志码：A
DOI: 10.16157/j.issn.0258-7998.223024
中文引用格式： 王毅，易欢，李松浓，等. 基于VMD-LSTM的非侵入式负荷识别方法[J]. 电子技术应用，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

随着社会的发展，电力成为社会的主要能源。电网是电力运输、分配和使用的载体。保持智能电网的稳定运行是电力系统规划和管理的根本目标^[1]。负荷监测可以帮助电力公司获得用户的详细用电信息，分析用户用电信息可以为电力系统的规划和智能调度提供指导意见^[2]。对电力用户来说，可以通过负荷监测结果分析自己的用电行为，制定合理的用电策略，降低用电成本，节约能源资源。侵入式负荷监测(Intrusive Load Monitoring, ILM)和非侵入式负荷监测(Non-Intrusive Load Monitoring, NILM)是电力监控的两种手段。ILM系统需在每个家用电器的前端安装测量传感器，用以实时的记录设备的用电信息，其成本与电器的数量成线性关系；NILM由美国麻省理工学院的Hart^[3]教授于20世纪80年代提出，仅通过家庭入口处的电流电压信息，采用算法得到各用电器的电气信息。与ILM系统相比，NILM系统有安装方便、成本低、保护隐私安全等优点。非侵入式负荷识别主要有两种实现方法，即事件法^[4]和分解法^[5，6]。事件法检测电器设备的启动/关闭事件，以事件的瞬态变化为特征判断电器的类型，从而推断电器的实时工作状态，实现电能的分解。分解法是直接从多负载叠加的电气特性分解为每个电器特性最可能的组合。但随着电器设备数量的增多，分解法的复杂度大大提高，而事件法则没有上述缺点。事件法的关键在于对电器产生的负荷投切事件进行准确分类。

本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005183。

作者信息：

王毅1，易欢1，李松浓2，冯凌3，刘期烈1，宋如楠4

（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.国网重庆市电力公司营销服务中心，重庆400014；4.中国电力科学研究院，北京100192）

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容