基于因子隐马尔可夫模型的负荷分解方法及灵敏度分析OA北大核心CSCDCSTPCD
Load Disaggregation Method Based on Factorial Hidden Markov Model and Its Sensitivity Analysis
负荷分解是智能电网的关键技术，对负荷预测、需求侧管理及电网安全有重要意义。传统负荷分解方法的准确率受限于负荷特征的维度、采样频率和负荷的稳定性。文中提出了基于因子隐马尔可夫模型的负荷分解方法，利用该模型对负荷进行建模，对 Viterbi 算法进行了扩展并求解负荷状态，进而基于整数规划实现对总负荷的最优分配。该方法对负荷数据的稳定性和采样频率不敏感，可适用于家居和工业电力用户。同时，深入研究了 Viterbi 算法求解最优状态与观测扰动之间的影响关…查看全部>>
As the key technology in smart grid,load disaggregation is important for the tasks such as load forecasting,demand side management and power security.The accuracy of the traditional methods subj ects to the dimension of load signatures,the sampling frequency and the stability of load profile.In this paper,a Factorial Hidden Markov Model (FHMM) based load disaggregation method is proposed,which contains the load state disaggregation through extended Viterbi a…查看全部>>
陈思运;高峰;刘烃;翟桥柱;管晓宏
机械制造系统工程国家重点实验室 西安交通大学，陕西省西安市 710049机械制造系统工程国家重点实验室 西安交通大学，陕西省西安市 710049智能网络与网络安全教育部重点实验室 西安交通大学，陕西省西安市 710049智能网络与网络安全教育部重点实验室 西安交通大学，陕西省西安市 710049智能网络与网络安全教育部重点实验室 西安交通大学，陕西省西安市 710049
隐马尔可夫模型因子隐马尔可夫模型负荷分解灵敏度分析
hidden Markov modelfactorial hidden Markov modelload disaggregationsensitivity analysis
《电力系统自动化》 2016 (21)
绿色制造企业级能源与生产协调随机优化调度
128-136,9
国家自然科学基金资助项目(61473218)国家重点研发计划资助项目(2016YFB0901904)。@@@@This work is supported by National Natural Science Foundation of China(No.61473218)and National Key Research and Development Program of China(No.2016YFB0901904)
评论