Smart Load Node for Nonsmart Load Under Smart Grid Paradigm: A New Home Energy Management System
本文提出一种在智能电网环境下高效运行非智能家电的新方法,通过提出的智能负载节点(SLN)实现低成本的智能管理,无需改变电网或家电结构。
2019-05-26 cs.SY eess.SP eess.SY
An Energy Activity Dataset for Smart Homes
公开提供记录各种能源消耗数据的智能家居能源数据集。与现有的负荷监测数据集相比,所提出的能量活动数据集(EAD)具有较高的数据类型多样性。在EAD中,简单的数据点标记有设备、品牌和事件信息,而复杂的数据点有一个额外的应用程序标签。对许多电器的能源消耗模式已经有了一些发现。当不同的事件和应用程序被触发和使用时,测量电器的负载曲线。提出了一种改进的最长公共子序列(LCS)相似性度量算法来计算能量数据集的相似性。因此,在训练机器学习模型之前,数据质量先验信息变得可用。此外,提出了一种子样本卷积神经网络(SCNN)。它作为一种非侵入式光学字符识别(OCR)方法,可直接从电能表的监视器获取电能数据。EAD数据集的链接是:https://drive.google.com/drive/folders/1zn0V6Q8eXXSKxKgcs8ZRValL5VEn3anD
2022-10-25 eess.SP
Non-Intrusive Signature Extraction for Major Residential Loads
University of Alberta(阿尔伯塔大学)
智能电表采集的数据包含了大量有用的信息。这些数据的一个潜在用途是跟踪主要家用电器的能源消耗和运行状态。结果将使房主能够就如何节省能源和如何参与需求响应计划做出明智的决定。本文提出了一种新的方法来细分总的电力需求测量的智能电表,以使用的个人电器。所提出的方法的一个独特的特征是,它利用与电器的整个操作窗口相关联的不同签名进行识别。因此,可以跟踪具有复杂中间过程的设备。还提出了一种新的设备注册设备和方案,以自动创建设备签名数据库,并消除了在识别之前的大量训练的需要。为了验证所提出的方法,软件和系统已经开发并部署到真实的房屋。
2018-04-30 cs.AI cs.CE eess.SP
PowerGAN: Synthesizing Appliance Power Signatures Using Generative Adversarial Networks
Simon Fraser University(西蒙弗雷泽大学)
非侵入式负载监控(NILM)允许用户和能源供应商仅使用建筑物的智能电表来深入了解家用电器的用电情况。NILM的大多数当前技术都是使用大量标记的电器功率数据进行训练的。这些数据的收集是具有挑战性的,使得数据成为创建通用化NILM解决方案的主要瓶颈。为了帮助减轻数据限制,我们提出了第一个真正的合成家电功率签名生成器。我们的解决方案PowerGAN是基于有条件的、逐步增长的1-D Wasserstein生成对抗网络(GAN)。使用PowerGAN,我们能够合成真正随机和真实的电器功率数据签名。我们使用传统的GAN评估方法(如Inception评分),以定性和数值的方式评估PowerGAN生成的样本。
2020-07-20 cs.LG eess.SP
Short-Term Load Forecasting for Smart HomeAppliances with Sequence to Sequence Learning
University of Central Florida(中佛罗里达大学);University of Ottawa(渥太华大学)
负荷预测在住宅能源管理中起着至关重要的作用,除了具有显着的重要性,由公用事业公司执行的辅助服务。在本文中,我们建议使用基于LSTM的序列到序列(seq2seq)学习模型,可以捕获设备的负载配置文件。我们使用了一个从四个住宅楼收集的真实数据集,并将我们提出的方案与其他三种技术,即VARMA,一维卷积神经网络和LSTM模型进行了比较,结果表明,在大多数情况下,基于LSTM的seq2seq模型在预测误差方面优于其他技术。
2021-06-26 cs.LG cs.SY eess.SP
FederatedNILM: A Distributed and Privacy-preserving Framework for Non-intrusive Load Monitoring based on Federated Deep Learning
University of Essex(埃塞克斯大学);Durham University(杜伦大学);University College Cork(科克大学学院)
非侵入式负载监测(NILM)通常利用机器学习方法,并有效地将智能电表读数从家庭级别分解为电器级别的消耗,可以帮助分析用户的用电行为,并实现实际的智能能源和智能电网应用。然而,智能电表是私有和分布式的,这使得NILM的实际应用具有挑战性。为此,本文提出了一种分布式隐私保护的联邦深度学习框架(FederatedNILM),将联邦学习与最先进的深度学习架构相结合,进行NILM,用于家电典型状态的分类。通过大量的对比实验,证明了所提出的FederatedNILM框架的有效性。
2021-08-08 cs.AI cs.LG eess.SP
Simplified Algorithm for Dynamic Demand Response in Smart Homes Under Smart Grid Environment
在智能电网环境下,用户可能会对特定的消费模式做出基于激励的智能电价响应。需求响应(DR)是在给定的截止日期内,从电力公司到消费者的负荷转移/削减的信号方案的组合。信令方案包括时间-使用(ToU)定价,最大需求限制(MDL)信号等。本文提出了一种DR算法,通过最小化问题调度家电/负载的操作。负荷的种类和它们在一天中的运行时间被认为是系统的运行参数。这些操作参数确定负载的动态优先级,这是该算法的中间步骤。ToU定价、MDL信号和负载的动态优先级是这个公式化的最小化问题中的约束,该问题在消费者提供的持续时间内为每个参与负载产生最优的操作时间表。我们的目标是通过在不违反MDL约束的情况下,在可能的低价格区间内分配其电器的操作,使智能家居的日常负载曲线变平。该算法在MATLAB环境下对各种测试用例进行了仿真。绘制所获得的结果以描绘显著的金钱节省和平坦的负荷曲线。
2019-05-26 eess.SP
Demand Response For Residential Uses: A Data Analytics Approach
The University of Western Ontario(西安大略大学)
在智能电网环境中,智能测量设备的出现促进了对电器用电量的监控。这些数据可用于通过数据分析在住宅中应用需求响应(DR),并开发数据挖掘技术。在本研究中,我们介绍了一个智能系统的基础上,应用于用户的分类功耗数据。该系统通过改变用户使用较重的操作模式的行为以较轻的模式,并通过鼓励用户将其使用转移到非高峰时间,来鼓励用户应用DR。首先,我们应用互相关(XCORR)来检测设备使用时发生的时间。然后,我们使用动态时间规整(DTW)来识别所使用的操作模式。
2020-08-07 cs.LG eess.SP
Modeling and Analysis of Power Line Communications for Application in Smart Grid
智能电网是一种能源基础设施,通过使用通信基础设施、智能电表、智能电器、自动控制和联网等来提高能源效率。本文主要研究了电力线通信(PLC)在智能电网中的应用。智能电网面临着各种挑战和进步,本研究探讨了PLC如何提高智能电网的性能。为了提供适用的结果,实际的PLC系统参数和其他所需的数据从佛罗里达电力和照明(FPL)。利用MATLAB/Simulink软件和Python对具有不同类型数字调制的PLC系统进行建模。讨论了幅移键控(ASK)、频移键控(FSK)和相移键控(PSK)的优点和设计权衡。通过比较仿真结果,在其对实际PLC网络的适用性的基础上比较了调制方案
2017-09-19 eess.SP
Efficient Localness Transformer for Smart Sensor-Based Energy Disaggregation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
基于传感器的现代智能能源管理系统利用非侵入式负载监控(NILM)来实时预测和优化设备负载分布。NILM或能量分解是指以聚合功率信号为条件的电力使用的分解(即,主通道上的智能传感器)。基于使用传感技术的实时家电功率预测,能量分解具有提高电力效率和降低能源支出的巨大潜力。随着Transformer模型的引入,NILM在预测设备功率读数方面取得了显著的改进。然而,由于O(l^2)的复杂度,Transformers的效率较低。序列长度l.此外,由于在局部环境中缺乏电感偏置,Transformers可能无法在序列到点设置中捕获局部信号模式。在这项工作中,我们提出了一个有效的本地Transformer的非侵入式负载监测(EL Transformer)。具体来说,我们利用归一化函数和切换矩阵乘法的顺序来近似自注意,并降低计算复杂性。此外,我们引入了局部性建模与稀疏的局部注意头和相对位置编码,以提高模型的能力,在提取短期的局部模式。据我们所知,ELTransformer是第一个解决NILM中计算复杂性和局部建模的NILM模型。通过大量的实验和定量分析,我们证明了所提出的ELTransformer的效率和有效性,与最先进的基线相比有了相当大的改进。
2022-03-29 cs.AI cs.LG eess.SP
Identification of TV Channel Watching from Smart Meter Data Using Energy Disaggregation
University of Hertfordshire(赫特福德大学);Leeds Beckett University(利兹贝克特大学)
智能电表用于测量家庭的能源消耗。具体而言,在能源消耗任务中,智能电表已用于负荷预测,减少消费者账单以及减少电网失真。除了能源消耗,智能电表可用于在设备级别上分解能源消耗。在本文中,我们调查的潜力,确定由电视或显示器设备播放的多媒体内容,使用中央住宅的智能电表测量家庭的所有工作电器的总能耗。所提出的架构是基于聚合的能量信号帧与20个参考电视频道信号的弹性匹配。使用不同的弹性匹配算法,最好的实现视频内容识别的准确率为93.6%,使用MVM算法。
2020-07-01 cs.LG eess.SP
NILMFormer: Non-Intrusive Load Monitoring that Accounts for Non-Stationarity
EDF R&D - Université Paris Cité(EDF研究与开发 - 巴黎大学)
本文提出基于Transformer的NILMFormer,通过子序列平稳化/去平稳化方案和时间戳位置编码缓解智能电表数据非平稳性带来的分布漂移,显著提升非侵入式负荷监测性能,并已部署于法国电力公司服务。
2025-06-06 cs.LG eess.SP
A Comprehensive Review on the NILM Algorithms for Energy Disaggregation
Deakin University(迪肯大学);Edith Cowan University(伊迪丝·考恩大学)
随着城市化和世界各地高层建筑建设的增长,住房结构发生了变化,这需要终端设备的实时节能和管理。这一转变也伴随着智能电表的出现,智能电表能够从建筑物的总功耗读数中估计特定于电器的功耗。非侵入式负载监测(NILM)或能量分解的目的是将在总体水平上测量的家庭能量分离成组成电器。多年来,信号处理和机器学习算法已经结合起来实现这一目标。在能源分解、非侵入性负载监测、家庭能源管理和电器分类方面进行了令人难以置信的研究和出版。存在一个API,NILMTK,一个可重复的基准算法。已经采用了许多其他方法来执行能源分解,例如深度神经网络架构和用于家庭能源分解的大数据方法。本文提供了一个调查的有效NILM系统框架,并全面审查基准算法的性能。本文还总结了广泛的应用范围和算法性能的有效性在三个公开的数据集。
2021-04-15 cs.LG eess.SP
Improving Non-Intrusive Load Disaggregation through an Attention-Based Deep Neural Network
University of Rome Tor Vergata(罗马第二大学)
能量分解,在文献中称为非侵入式负载监测(NILM),是在给定由监测多个电器的单个智能电表记录的总功率需求的情况下推断各个电器的功率需求的任务。在本文中,我们提出了一个深度神经网络,它结合了回归子网络和分类子网络来解决NILM问题。具体来说,我们通过在回归子网络中包含具有定制注意力机制的编码器-解码器来提高整体架构的泛化能力。注意力机制受到时间注意力的启发,时间注意力已成功应用于神经机器翻译、文本摘要和语音识别。在两个公开的数据集-REDD和UK-DALE-上进行的实验表明,我们提出的深度神经网络在所有考虑的实验条件下都优于最先进的技术。我们还表明,建模注意力转化为网络的能力,正确地检测打开或关闭一个设备,并定位信号部分具有高功耗,这是在能源分解领域的极大兴趣。
2021-02-08 cs.LG eess.SP stat.ML
Time Series Anomaly Detection for Smart Grids: A Survey
McGill University(麦吉尔大学)
随着可再生能源发电并网的迅速增加和各种电器的广泛采用,电网现在面临着越来越多的挑战。一个突出的挑战是实现有效的异常检测不同类型的异常行为在电网中。这些异常行为可能是由用户的异常消费模式、电网基础设施故障、停电、外部网络攻击或能源欺诈引起的。识别这些异常对于现代电网的可靠和高效运行至关重要。针对电网时间序列数据的异常检测问题,已经提出了多种方法。本文简要介绍了电网时间序列数据异常检测的最新进展。具体来说,我们首先概述了目前的研究挑战,在电网异常检测领域,并进一步审查主要的异常检测方法。最后,我们通过确定未来研究的潜在方向来总结调查。
2021-07-16 cs.LG eess.SP
Energy Injection Identification enabled Disaggregation with Deep Multi-Task Learning
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));The Hong Kong University of Science(香港科学大学);Southern University of Science(南方科技大学);University of Cambridge(剑桥大学)
提出DualNILM框架,通过深度多任务学习同时实现电器状态识别和注入能量识别,解决分布式能源对非侵入式负荷监测的干扰问题。
2026-06-23 cs.LG eess.SP
Unsupervised algorithm for disaggregating low-sampling-rate electricity consumption of households
École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院);CSEM(瑞士电子与微技术中心)
在过去的十年中,非侵入式负载监控(NILM)得到了广泛的研究。NILM的目标是识别单个设备的功耗,并通过测量整个房屋的功耗来检测特定设备何时打开或关闭。这些信息使家庭能够获得关于如何更好地管理其电力消耗的定制建议。在本文中,我们提出了一种替代NILM的方法,打破了聚合的电力信号到电器的类别。最终目标是将这种方法用于需求方管理,以估计家庭用电量的潜在灵活性。我们的方法被实现为一个算法结合NILM和负载分布模拟。该算法基于马尔可夫模型,将活动链分配给家庭的每个居民,从全屋功率测量和统计数据中推导出电器使用情况,相应地生成功率分布,并最终返回每个电器类别随时间消耗的能量份额。为了分析其性能,该算法与几种最先进的NILM算法进行了基准测试,并在三个公共数据集上进行了测试。所提出的算法是无监督的,因此它不需要任何标记的数据,这是昂贵的获取。虽然监督算法表现出更好的性能,但我们提出的无监督算法实现了类似的不确定性范围,同时节省了获取标记数据的成本。此外,我们的方法需要较低的计算能力相比,大多数测试NILM算法。它专为低采样率功率测量(每15分钟一次)而设计,这对应于大多数常见智能电表的频率范围。
2019-08-20 cs.LG eess.SP
Unsupervised Disaggregation of Water Heater Load from Smart Meter Data Processing
在住宅领域,电热水器是具有相对高的功率消耗和显著的热惯性的电器,其特别适合于需求响应方案。通过控制热水器的有效DR方案的成功预先假定了在每个时刻对它们的功率需求的准确估计。虽然热水器的负载很少直接测量,但智能电表(SM)在配电网中的大量渗透使得能够通过负载分解在大规模上间接推断此信息。为此,在文献中提出了相当数量的非侵入式负载监控(NILM)方法。然而,它们要求数据流的时间分辨率在一秒或更高的范围内,这对于标准SM是不现实的。因此,本文提出了一种无监督的方法来检测和分解的热水器的负载曲线从标准SM数据的时间分辨率在分钟范围内。在多个实际负载与分计量评估,所提出的方法实现了归一化平均绝对误差(NMAE)低于2%,精度一般高于92%,时间分辨率在5和15分钟之间。
2021-04-07 cs.SY eess.SP eess.SY
Reduction of power grid fluctuations by communication between smart devices
Instituto de Física Interdisciplinar y Sistemas Complejos, IFISC (CSIC-UIB)(综合物理与复杂系统研究所,IFISC(CSIC-UIB))
本文提出通过智能设备通信协调动态需求控制,减少大范围频率波动,降低任务积压并提高电网稳定性。
2018-05-18 cs.SY eess.SP eess.SY
IRMAC: Interpretable Refined Motifs in Binary Classification for Smart Grid Applications
The University of Adelaide(阿德莱德大学);Watts(瓦茨公司)
随着可再生能源的日益普及和供暖系统的电气化,现代电力系统正在经历高度不确定性的挑战。在这种模式转变中,了解电力用户的需求对零售商、聚合商和政策制定者来说具有最大的价值。然而,主要由于隐私问题和严格的法规,其他利益相关者不了解家庭层面的电表后设备和电器。在本文中,我们试图确定住宅消费者的基础上,他们的BTM设备,主要是屋顶光伏(PV)系统和电加热,使用进口/购买的能源数据从公用事业仪表。为了解决这个问题,一个可解释的,快速的,安全的,可维护的解决方案,我们提出了一个集成的方法,称为可解释的细化模体和二进制分类(IRMAC)。所提出的方法包括一种新的基于形状的模式提取技术,称为细化的图案(RM)发现,和一个单神经元分类器。第一部分从长时间序列中提取一个子模式,考虑发生频率,平均相异性和时间动态,同时强调特定的时间与注释的距离。第二部分在保持算法透明性的前提下,以线性复杂度识别用户类型。利用澳大利亚和丹麦的实际数据对该方法进行了验证,并将其应用于光伏用户和电采暖用户的识别。
2022-11-14 cs.LG cs.SY eess.SP