导　　师： 王钢; 李志铿

授予学位： 硕士

作　　者： (）;

机构地区： 华南理工大学

摘　　要： 高级测量体系(Advanced Metering Infrastructure,AMI)作为智能电网的重要部分,是实现负荷远程控制与提高电能利用率的基础。基于AMI提供的数据进行负荷分解及电能分项统计,用户可根据电能分项统计数据,有针对性地管理用电行为,或基于当前系统内负荷状态,实时控制负荷。非侵入式负荷分解(Non-intrusive Load Disaggregation,NILD)在不改变用户现有电路结构的前提下,通过在入户端加装智能电表获得用户用电数据,经过负荷分解算法得到当前系统内各负荷实时状态,该方法具有实施成本低,对用户干扰小的优点,易于在各领域推广。负荷特征的选取是NILD的基础和关键,电压-电流轨迹(V-I轨迹)由稳态运行时电压和电流波形所构成,代表了负荷电流随电压的变化规律。通过分析及量化V-I轨迹特征,可以得到高次谐波特征、电流与电压波形相角差、电力电子类负荷的导通特性等多种电气特性,避免随负荷种类增加而导致的特征重叠问题。本文以视在功率变化作为事件探测判据,在对原始数据去噪处理的基础上提取V-I轨迹,提出10个V-I轨迹特征及其量化方法,将提取到的负荷特征通过Softmax分类获得识别结果。人工设计的特征提取器所提取到的图像特征有限,而卷积神经网络(Convolutional Neural Network,CNN)可自动提取图像特征,挖掘并保留更深层次的图像信息。为进一步利用V-I轨迹所提供的负荷特性,在对V-I轨迹进行色彩标注的基础上,选取多种典型CNN模型提取V-I轨迹卷积特征并测试识别正确率,基于迁移学习的方法利用大型图像数据集预训练网络避免过拟合问题。工业用电占全社会用电量比重较大,电能分项统计数据有助于工业用电管理与控制。在工业典型环境下搭建基于NILD的能耗监测系统。通过分析工业负荷运行特征提出基于滑动双边窗的事件探测算法,根据设备状态连续性判断�

关 键 词： 非侵入式负荷分解 轨迹 卷积神经网络 迁移学习

领　　域： [] []