面向高频非侵入式负荷监测的可扩展混合分类-回归方案
机器学习
2022-08-24 v1 系统与控制
系统与控制
摘要
具备监测与控制其净负荷（负荷与发电之和）能力的住宅建筑可为电网运营商提供宝贵灵活性。我们提出一种新颖的多类非侵入式负荷监测（NILM）方法，能以最小额外设备与成本实现高频有效的净负荷监测能力。所提基于机器学习的方案提供准确的多类状态预测，同时以更快时间尺度运行（能为美国电网采用的每个60-Hz交流周期提供预测），且无需依赖事件检测技术。我们还引入一种创新的混合分类-回归方法，不仅能通过分类预测负荷开关状态，还能通过回归预测各负荷运行功率水平。使用含八种住宅电器的测试平台验证该NILM方法。结果表明整体方法具有高准确度、良好的可扩展性与泛化性。此外，该方法被证明具有足够响应时间（160毫秒内，对应10个交流周期），可支持与电网调频辅助服务相关的快速时间尺度建筑电网交互控制。
引用
@article{arxiv.2208.10638,
title = {Scalable Hybrid Classification-Regression Solution for High-Frequency Nonintrusive Load Monitoring},
author = {Govind Saraswat and Blake Lundstrom and Murti V Salapaka},
journal= {arXiv preprint arXiv:2208.10638},
year = {2022}
}