本文選題：負(fù)荷辨識　切入點(diǎn)：整數(shù)規(guī)劃　出處：《電力系統(tǒng)自動化》2017年22期 　論文類型：期刊論文

【摘要】：針對當(dāng)前利用低頻采樣實(shí)現(xiàn)非侵入式負(fù)荷辨識存在的準(zhǔn)確率低的問題,提出了基于多特征序列融合的負(fù)荷辨識方法。該方法首先建立負(fù)荷存在可能性的整數(shù)規(guī)劃模型,進(jìn)行初辨識以降低負(fù)荷辨識的維度。然后,根據(jù)滑動窗口算法獲得組合功率序列和原始功率序列,提取其統(tǒng)計特征和奇異值特征,進(jìn)而利用概率神經(jīng)網(wǎng)絡(luò)獲得隱馬爾可夫模型的觀測值序列。同時,利用隱馬爾可夫模型對負(fù)荷序列信息進(jìn)行融合,計算觀測序列和組合功率序列之間的相似度,從而完成在低頻采樣下的負(fù)荷辨識,并獲得各個家用負(fù)荷的耗電量。最后,通過單負(fù)荷辨識、多負(fù)荷辨識、不同采樣率辨識和各居民用戶負(fù)荷辨識的仿真實(shí)驗(yàn),得到負(fù)荷準(zhǔn)確率和辨識精度的平均值均在85%以上,證明了所提算法的合理性和即時性能夠達(dá)到在低頻采樣下負(fù)荷的辨識要求。
[Abstract]:In order to solve the problem of low accuracy of non-invasive load identification using low-frequency sampling, a load identification method based on multi-feature sequence fusion is proposed. Firstly, an integer programming model of the possibility of load existence is established. In order to reduce the dimension of load identification, the combined power sequence and the original power sequence are obtained according to the sliding window algorithm, and the statistical features and singular value characteristics are extracted. At the same time, the hidden Markov model is used to fuse the information of the load sequence, and the similarity between the observation sequence and the combined power sequence is calculated. In order to complete the load identification under the low-frequency sampling, and obtain the power consumption of each household load. Finally, through the single load identification, the multi-load identification, the different sampling rate identification and the residents user load identification simulation experiment, The average value of load accuracy and identification accuracy is more than 85%, which proves that the proposed algorithm is reasonable and real-time to meet the requirements of load identification under low-frequency sampling.
【作者單位】： 東北大學(xué)信息科學(xué)與工程學(xué)院;國網(wǎng)葫蘆島供電公司;國網(wǎng)盤錦供電公司;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(61273029) 中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(N160402003) 新能源電力系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室立項(xiàng)資助項(xiàng)目(LAPS17013)~~
【分類號】：TM714

【相似文獻(xiàn)】

相關(guān)期刊論文 前5條

1 高宏巖;;基于徑向基概率神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J];煤礦機(jī)械;2007年10期

2 羅毅;程宏波;吳浩;李鶯;;一種基于小波分時灰度矩與概率神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷方法[J];重慶郵電大學(xué)學(xué)報(自然科學(xué)版);2012年01期

3 苑津莎;尚海昆;;基于主成分分析和概率神經(jīng)網(wǎng)絡(luò)的變壓器局部放電模式識別[J];電力自動化設(shè)備;2013年06期

4 陳波;郭壯志;;基于優(yōu)化平滑因子σ的概率神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法研究[J];現(xiàn)代電力;2007年02期

5 侯國蓮,孫曉剛,張建華,金慰剛;基于非線性主元分析和概率神經(jīng)網(wǎng)絡(luò)的凝汽器故障診斷方法研究[J];中國電機(jī)工程學(xué)報;2005年18期

相關(guān)會議論文 前1條

1 賈勇;何正友;趙靜;;基于小波熵和概率神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)暫降源識別方法[A];中國高等學(xué)校電力系統(tǒng)及其自動化專業(yè)第二十四屆學(xué)術(shù)年會論文集（下冊）[C];2008年

相關(guān)碩士學(xué)位論文 前5條

1 周沙;基于概率神經(jīng)網(wǎng)絡(luò)的變壓器局部放電模式識別研究[D];江蘇大學(xué);2016年

2 俞文燕;基于概率神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷研究[D];揚(yáng)州大學(xué);2016年

3 鄭明忠;基于0-1整數(shù)規(guī)劃的PMU優(yōu)化配置研究[D];天津大學(xué);2014年

4 陳波;基于粗糙集—概率神經(jīng)網(wǎng)絡(luò)結(jié)合的變壓器故障診斷研究[D];廣西大學(xué);2008年

5 陽木林;小波—概率神經(jīng)網(wǎng)絡(luò)在電能質(zhì)量檢測中的應(yīng)用[D];南昌大學(xué);2008年

，

本文編號：1648454