论文部分内容阅读
非侵入式负荷监测技术(Non-intrusive Load Monitoring,NILM)通过分解用户总电力负荷得到单个用电负荷的能耗,是实现智能用电的关键技术,可促进智能电网的发展和节约能源,对解决能源短缺、环境污染等问题有重要作用。另外,随着人口老龄化问题的加剧,日常活动监测逐渐成为非侵入式负荷监测的一个热点应用。本文为了实现非侵入式负荷分解及用户日常活动检测,对数据采集、负荷分解算法和日常活动异常检测进行研究。由于一些研究已表明基于深度学习分解模型的性能优于传统的基于隐马尔可夫模型和组合优化模型,但是还存在分解准确度低的问题,因此对基于深度学习负荷分解算法进行研究,具体的工作如下:首先,参与了Smart DB测量设备的设计和Sensor Tag的程序设计。Smart DB可测量10路电力数据,可安装于家庭配电箱来测量各分支数据,为非侵入式负荷监测研究及应用提供基础。本文将Smart DB和Sensor Tag部署于一个实验家庭来采集数据。其次,提出将扩张卷积应用于分解模型,利用扩张卷积扩大模型感受视野来提高其分解性能,减少模型的全连接层,减少模型的参数从而提高模型的计算速率。利用Python搭建实验平台,将UK-DALE(UK)数据集作为实验数据。通过功率分解误差、功率分解准确度、能量分解误差和F1-指数四个评价指标将本文模型与现有基于深度学习的分解模型进行比较。实验表明,扩张卷积分解模型的四个指标都优于比较模型,能准确分解具有简单负荷特性的电器,对于具有复杂负荷特性的电器,其分解性能有所下降,但能有效提高计算速度。再次,提出将生成对抗神经网络应用于分解模型,利用对抗学习使其得到更接近实际的运行波形。将UK-DALE(UK)和REDD(USA)数据集作为实验数据,评估不同生成器损失函数下的模型性能,并对模型跨数据集分解性能进行评估。实验表明,模型可有效分解各类电器,对于具有复杂运行波形的电器仍然能分解出更接近实际的波形。最后,利用本课题测量的数据训练本文提出的模型并完成分解。通过孤立森林对电器用电进行监测实现日常活动异常检测,利用记录的数据验证检测结果的准确性。实验表明,检测电器的使用异常可有效检测用户的活动异常。