电力人工智能课件电力系统非侵入式负荷监测.pptxVIP

背景和引言非侵入式负荷监测技术云-边协同解决方案数据分析用例导致应对电网现状措施电网负荷屡创新高电厂：新建机组空调负荷急剧增长电网：调峰机组峰谷差逐步增大政府：有序用电新能源大规模接入用户：节能改造碳达峰、碳中和目标互联输电系 统智能电网将是分层(输电网、配电网、 微电网、建筑单元)分布式的融合其 他能源的基础设施，按照全局协调和 局部自优化的范式工作，它使电网能 够在扰动发生时做出自愈的响应，在 紧急状态下它能分片实现“自适应孤 岛运行”，并在其后能够快速恢复全 系统的正常运行，从而将停电损失减 到最小。区域输电系统群集区域输电系统A 区域输电系统L配电网M配电网A配电网群集微电网A微电网N微网群集建筑单元A建筑单元O建筑物群集（mini电网）网络的基本单位——集群（Cluster）和 群集（Clusters），每个Cluster能实现所关心时段内的净功率平衡。1. 用电信息与用户节能潜力数据源自美国能效经济委员会(ACEEE)的相关报告需要安装多个传感器只需一点安装传感器，利用模式识别技术 分析电信号而识别全部电器的状态识别负荷独特的标签特性;负荷标签（负荷特征）具有重复性过渡区段Transition Segment平稳区段Steady-state Segment82.NILM是个时间序列分类问题，需要检测在时刻 t每个电器所处的状态及功率Dy[t] = Σ yi[t]i=1t = 1, …, T电器类型及状 态推断和学习电器功率和 电量分解数据采集电器特征提取有监督学 习半监督/无监督 学习分项总量频率:高频: 1Hz 到MHz低频: 1Hz 到一小时间隔数据稳态电器 特征暂态其他2.非侵入式负荷监测推断和学习方法可分为：有监督方法：需要用人工标记的各个电器数据的集合来训练 分类器。半监督方法：只需在过程开始时训练少量数据。无监督方法：可以从收集的（未经人工标记的）原始数据中 直接学习如何辨识和分解，无需事先的数据训练过程。3. 天津大学工作简述自2006年起在国内率先开展NILM领域的研究，形成了多种 方法融合互补的方法体系，提供系统的NILM解决方案基于稳态电流模式最优匹配的负荷功率实时分解方法的 矩阵表达式3. 电器自动建模, 自动命名与状态标注提出了完全无监督电器自动建模架构，实现陌生场景中电器设备负荷模型的 全自动建立和设备自动命名与状态标注电气 原理自动 命名 与特 征样 本标 注电器 命名 特征 集合专家 知识 库用户 行为3. 云--边协同NILM方案架构数据可就地存储，或利用物联网协议实时上传远程服务器同步，任意间隔，任意变量，即插即用3. 用户反馈2014.12月分项总电量历史统计实时状态用户手机软件（APP）3. FHMM 工业负荷分解Disaggregated results of industrial equipment3. 电动车充电识别作为一种负荷电器， 系统自动识别电动 自行车充电行为， 并告警铅酸电池充电特性3 . 复杂电器电量估计及训练数据生成“Background-based Synthetic Method”: Adding the target appliance’s “activations” on its background load3. 基于无监督预训练的序列到点网络的负荷分解在少量有标签数据的场景下，以无监督预训练与有监督微调相结合 的方式训练序列到点(Sequence-to-point)卷积神经网络。序列到点学习优势：表示能力集中到窗口的中点充分利用过去和未来的信息总功率窗口对中点非线性拟合，提取变化点及边缘等特征提高了网络的预测能力，已被证明具有更好的负荷分解能力无监督预训练优势：为后续的有监督训练提供更好的初始化起点作用类似于一种正则化机制（防止过拟合）对于数据量很少的训练集，有助于提升网络泛化能力序列到点卷积神经网络3. 轻量化NILM模型减少模型参数量及训练数据 需求量；减少将海量的电力用户负荷 数据从边缘端传输到云端所占用的 通信资源和存储资源；避免高频率的负荷数据传输 到云端可能产生的用户隐私安全问 题。标准卷积过程(Conv. Layer)深度可分离卷积过程(Depthwise Separable Conv. Layer) 与标准卷积相比，深度可分离卷积先逐通道卷积，再逐点卷积，有效地减少了模型的参数量和计算量，总体减少了约D2倍。K计算量(MFLOPs)参数量(MB)Input LayerInput length 99Conv. LFaiyleterrs: 30Filter size:10 Stride: 1 Activ: ReLUConv. LFaiyleterrs: 30 Filter size:8Stride: 1 A