Dec, 2023

非侵入式负荷监测用于馈线级电动车充电检测：基于滑动窗口的离线和在线检测方法

PDF
TL;DR该研究探索了电动汽车充电在配电网络上的检测方法，通过采用滑动窗口特征提取和经典的机器学习技术，如 XGBoost 和 Random Forest 等模型，实现了在供电线路级别上对电动汽车充电的高准确性检测。
electric vehicle chargingdistribution networknon-intrusive load monitoringfeeder levelmachine learning techniques
发现论文，激发创造
  • 使用深度神经网络的非侵入式负载监测 (NILM) 综述

    本文综述了基于深度学习的最新非侵入式负载监测方法，介绍了最适用于住宅负载的最准确方法，总结了 NILM 评估的公共数据库，并使用标准性能指标比较了方法。

    Jun, 2023

  • 利用智能电表数据预测电动车充电事件的分治 Transformer 学习

    预测电动汽车（EV）充电事件对于负载调度和能源管理至关重要，本研究使用历史智能电表数据开发了一种家庭充电预测方法，借鉴非侵入式负载监测（NILM）的概念，通过基于自注意力机制的变压器模型，提供了未来 EV 充电事件的预测信息，本方法在一分钟间隔提供高达 96.81％的准确性，适用于网格运营商的实际需求。

    Mar, 2024

  • 用于非侵入式负载监测的进化深度网络

    本研究使用深度学习方法来对非侵入式负载监测（NILM）进行数据脱密，使用神经网络和 UK-Dale 数据集来加速学习效率和分析能耗。

    Mar, 2023

  • 智能家居非侵入式负载监测和电器识别的迁移学习

    提出了一种利用深度学习解决非侵入式负载监测（NILM）问题的方法，包括解决家用和场地级别的 NILM 问题以及家电识别等相关问题，利用低频 REED 数据集和 REFIT 数据集对模型进行训练和测试，能够达到最高 94.6％ 的准确率，为实现节能方案提供参考。

    Jan, 2023

  • 朝着值得信赖的能源分解：非侵入式负荷监测的挑战、方法和前景综述

    该研究综述了近期针对住宅电器的非侵入式负载监测方法，分析总结了大量发表的学术文章，讨论了方法的亮点和应用问题，并强调了传统分解模型向实际可信框架的转化的必要性。

    Jul, 2022

  • 智能能源管理的基于电流特征可视化的非侵入式电负荷监测方法

    本文利用人工智能的计算机视觉技术，设计了一种非侵入式负载监测方法，用于智能电能管理。通过信号变换和图像处理技术，将一维电流信号映射到二维的彩色特征图像，并利用深度神经网络识别电能负载，从而实现云端、非侵入式的用户监测，从而在电力系统控制中节约能源成本。实验结果表明，该方法在大规模物联网中实现了高效的能源管理。

    Aug, 2023

  • 朝着可持续的 NILM 多标签分类的深度学习

    通过引入一种新颖的深度学习模型，该文章提出了一种改进的多标签非侵入式负载监测分类方法，以提高计算和能源效率，并且通过使用合成数据集进行测试，提出了一种比较不同模型的方法，从而更好地代表实际场景，相较于现有技术，该模型在减少碳足迹超过 23% 的同时，在以 REFIT 和 UK-DALE 数据集派生的数据上平均提供约 8 个百分点的性能改进。

    Jul, 2023

  • 基于 CNN-BiLSTM 注意机制的低频负荷识别

    本研究提出了一种旨在从低频功率数据中进行精确区分的混合学习方法，它采用卷积神经网络（CNN）和双向长短期记忆网络（BILSTM）的整合，包含一个集成的注意力机制。经过模拟实验使用现有低频 REDD 数据集评估该模型性能，结果表明我们提出的方法在准确性和计算时间方面超过了现有方法。

    Nov, 2023

  • MATNilm: 多电器多任务非侵入式负载监测有限标记数据

    提出了一种用于家庭电器监测和功耗识别的非侵入式负载监测（NILM）方法，通过拆分整个房屋的总功耗信号来识别各种家用电器的状态和功耗。通过有限的标记数据和训练高效的样本增强方法，可以实现体现整体功耗监测的负载识别性能。

    Jul, 2023

  • 电动车充电情况下个体家庭间隔负荷预测

    本文提出了 LSTM-BNN 在存在电动汽车时进行家庭负载预测的方法，并检验了 COVID-19 大流行对该模型的影响，结果表明该方法能够提高预测精度并得出预测间隔。

    Jun, 2023