低采样率电动汽车充电的免培训非侵入式负载监测（Matlab代码实现）

    目录

💥1 概述

📚2 运行结果

🎉3 参考文献

👨‍💻4 Matlab代码

💥1 概述

非侵入式负载监测（NILM）是智能电网和智能家居领域的一个重要话题。许多能量分解算法已经提出，用于从聚合信号观测中检测各种个体设备。然而，由于电动汽车（EV）在家中充电是最近才出现的情况，因此很少有研究关注住宅环境中EV充电的能量分解。最近的研究表明，特别是在夏季，电动汽车充电对智能电网具有很大的影响。因此，电动汽车充电监测已成为能源分解中更为重要和紧迫的缺失部分。

本文提出了一种新的方法，可以从聚合的实际功率信号中分离电动汽车充电信号。所提出的方法可以有效抑制来自空调（AC）的干扰，在存在AC功率信号的情况下，能够准确检测和估计电动汽车充电，具有较高的精度。此外，所提出的算法不需要训练，要求较低的计算负荷，具有较高的估计精度，并且适用于低采样率（1/60 Hz）记录的数据。当该算法在来自11户人家大约一年的实际数据上测试时（总共有125个月的数据），估计电动汽车充电能耗的平均误差为15.7kwh/月（而电动汽车充电的真实平均能耗为208.5kwh/月），电动汽车充电负载信号分解的平均归一化均方误差为0.19。

📚2 运行结果

主函数部分代码：

% Demo file to show using the proposed algorithm to estimate the electric
% Vehicle charging load day by day.
​
​
clear;  clc; close all;
​
addpath(genpath('Data'));
 
% load monthly data (detailed descriptions can be found in the 'Data' fold)
ID
 = 
'3367_2013_05'
;    % 
3367
is
 the House ID, 
2013
is
 the Year, 
05
is the month
 
​
load(ID)
; 
​
% -------------------- Estimate EV day by day ------------------
EVsignal = zeros(size(agg_signal));
for k =  1 : size(agg_signal,2) 
    ts = agg_signal(:,k);
   
    if strcmp(ID(end-1:end),'09') | strcmp(ID(end-1:end),'08') | strcmp(ID(end-1:end),'07') | strcmp(ID(end-1:end),'06')
        contextInfo.season
 = 
1
;   % summer season    else
        contextInfo.season = 0;
    end
    
    contextInfo.EVamplitude = 3000;   % pre-defined amplitude of EV power signal (unit: Watt)
    
    verbose
 = 
0
;   % not show estimation progress    
    [EVsignal(:,k)] = estEV(ts, contextInfo, verbose); 
    
end
​
​
​
% ----------------------- show the result day by day -------------------- 
​
for k  = 1 : size(agg_signal,2)
    figure;
    subplot(411);plot(agg_signal(:,k));  title(['Whole-house Aggregated Power Signal ',num2str(k)]);  xlim([-inf,inf]); ylim([0,12000]);
    
    subplot(412);plot(AC(:,k));  title(['Air-Conditioner Power Signal']);  xlim([-inf,inf]); ylim([0,6000]);
    
    subplot(413);plot(EV(:,k),'r','linewidth',2); title(['EV:  (',num2str(sum(EV(:,k))/60000),')']);
    if max(EV(:,k)) < 2500, axis([-inf,inf,0,6000]); else, xlim([-inf,inf]); ylim([0,6000]); end;
    title('Ground-Truth of Electric Vehicle Charging Load');
    
    subplot(414);
    plot(EVsignal(:,k),'m','linewidth',2); title(['New Algorithm:  (',num2str( sum(EVsignal(:,k))/60000  ), ')']);
    if max(EVsignal(:,k)) < 2500, axis([-inf,inf,0,6000]); else, xlim([-inf,inf]); ylim([0,6000]); end;
    title('Estiamted Electric Vehicle Charging Load');
    
end
    
 
% calculate the percentage of EV in the aggregated signal in a month
EVpercentage = sum(sum(EV))/sum(sum(agg_signal));
​
% Energy estimation accuracy  
EVPE = 1-abs(sum(sum(EV))-sum(sum(EVsignal)))/(sum(sum(EV)));
​
% Normalized MSE
MSE = (norm(EV - EVsignal,'fro')/norm(EV,'fro'))^2;
​
fprintf('\nResult: Energy Accuracy: %3.1f%% |Difference(kWh): %4.1f |MSE: %f | Percentage: %3.2f%%  | Truth: %g (kWh); Estimated: %g (kWh) \n',...
    EVPE*100, sum(sum(EV))/60/1000 - sum(sum(EVsignal))/60/1000, mean(MSE),EVpercentage*100, sum(sum(EV))/60/1000, sum(sum(EVsignal))/60/1000);
 
​

🎉3 参考文献

​[1]王宁,王存旭,张皓然等.基于独立成分分析算法的非侵入式家用电动汽车充电负载的提取[J].沈阳工程学院学报(自然科学版),2022,18(01):56-61.

部分理论引用网络文献，若有侵权联系博主删除。