温州大学考研，温州大学考研复试
阅读提示：本文约 1200 字
近年来，随着电气化设备的高度普及，电气火灾的发生概率不断提高。对于电气火灾的防护主要是通过现有的硬件设施（如各类烟雾报警器等）感应到相关的物理现象，再依靠人工的方式来避免火灾的发生。
非侵入式负荷识别（non-intrusive load monitoring, NILM）可以实时监控用户侧用电设备的类型、工作状态和能耗情况等，判断出相关用电设备存在的安全隐患，排查危险设备，从而为居民安全用电提供重要参考。
非侵入式负荷识别主要由数据采集、特征提取、负荷识别三大模块组成。其中，系统识别的准确度主要取决于特征的提取与识别算法的选取。特征提取是指从采集的电气信号中提取出有价值的负荷特征，以区分不同类别的电器设备。
家用电器的负荷特征可分为稳态特征和暂态特征，稳态特征通常包括电流波形、稳态谐波、有功功率、V-I轨迹等，而暂态特征一般为电器设备处于启停瞬间或者状态切换的瞬时特征，需要高频率采样装置对其进行捕获，对硬件要求较高。
识别算法主要有优化识别和模式识别两类方法。优化识别通常以距离衡量相似度选择出最佳负荷类型，例如整数规划、粒子群优化算法等，当设备较少时，该类方法可获得较高准确率，但随着设备数增加，计算复杂度呈指数级上升，求解效率降低。模式识别根据是否需要标识负荷数据，可分为监督式和非监督式，由于非监督式方法识别准确度不高，稳定性得不到保障，因此监督式方法成为研究人员针对负荷识别的首选方法。
目前，原始电压-电流（V-I）轨迹特征辨识准确度不高。针对此问题，温州大学电气与电子工程学院、温州大学乐清工业研究院的宰州鹏、赵升、朱翔鸥、张正江、董凡琦，在2022年第12期《电气技术》上撰文，提出一种基于V-I轨迹特征的颜色编码和负荷高次谐波特征相融合的识别方法。
图1 11种设备对应的混合彩色图像
该方法对V-I彩色图像的R（red）、G（green）、B（blue）三通道像素矩阵进行改进，融合高次谐波电流幅值的二进制数，组成混合彩色图像，弥补上述高度像素化带来的谐波特征损失。然后，利用基于AlexNet的迁移学习进行负荷识别，将预先训练好的网络参数应用在本文新样本的训练及测试中。最后，通过公共数据集PLAID和实验室测量数据进行算例分析。
表1 实验室实测数据两种方法测试结果对比
他们的研究结果表明，混合彩色图像可以有效区分V-I轨迹相似且无功功率、功率因数、电流序列分布等数值差异较小的电器设备，相对于传统的V-I轨迹图像识别方法有明显提升。此外，相比于灰色V-I轨迹与其他负荷特征的融合，混合彩色图像进一步丰富了负荷的特征信息，提高了负荷识别的准确度。
研究人员最后表示，该方法对于多状态运行负荷的识别效果有待改进，混合彩色图像的生成方法除了融入谐波特征以外，可进一步融入其他可区分性更高的负荷特征。
本文编自2022年第12期《电气技术》，论文标题为“基于颜色编码与谐波特征融合的非侵入式负荷识别方法”，作者为宰州鹏、 赵升 等。本课题得到国家自然科学基金、浙江省重点研发计划的支持。
中国电工技术学会
新媒体平台
学会官方微信
电工技术学报
CES电气
学会官方B站
CES TEMS
今日头条号
学会科普微信
新浪微博
抖音号
☎️ 《电工技术学报》：010-63256949/6981；邮箱：dgjsxb@vip.126.com ☎️ 《电气技术》：010-63256943；邮箱：dianqijishu@126.com ☎️ 《中国电工技术学会电机与系统学报（CES TEMS）》：电话：010-63256823；邮箱：cestems@126.com ☎️ 编务：010-63256994 ☎️ 订阅：010-63256817 ☎️ 商务合作：010-63256867/6838
温州大学考研(温州大学考研复试)