基于特征分析与MGAT-TCN模型的非侵入式户用光伏辨识

倪旖旎; 邬峥涛; 李子晨; 夏杨红

doi:10.19912/j.0254-0096.tynxb.2024-2387

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于特征分析与MGAT-TCN模型的非侵入式户用光伏辨识

更新时间：2026-07-21

- 基于特征分析与MGAT-TCN模型的非侵入式户用光伏辨识
- 基于特征分析与MGAT-TCN模型的非侵入式户用光伏辨识
- 太阳能学报 2026年47卷第5期页码：683-696
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：10.19912/j.0254-0096.tynxb.2024-2387
  中图分类号： TM714
- 网络首发：2026-06-04，
  
  纸质出版：2026
- 稿件说明：
移动端阅览
倪旖旎, 邬峥涛, 李子晨, 等. 基于特征分析与MGAT-TCN模型的非侵入式户用光伏辨识[J]. 太阳能学报, 2026,47(5):683-696.

倪旖旎, 邬峥涛, 李子晨, et al. 基于特征分析与MGAT-TCN模型的非侵入式户用光伏辨识[J]. 2026, 47(5): 683-696.
倪旖旎, 邬峥涛, 李子晨, 等. 基于特征分析与MGAT-TCN模型的非侵入式户用光伏辨识[J]. 太阳能学报, 2026,47(5):683-696. DOI： 10.19912/j.0254-0096.tynxb.2024-2387.

倪旖旎, 邬峥涛, 李子晨, et al. 基于特征分析与MGAT-TCN模型的非侵入式户用光伏辨识[J]. 2026, 47(5): 683-696. DOI： 10.19912/j.0254-0096.tynxb.2024-2387.

摘要

该文针对未加装单独监测装置的表后小型分布式光伏设备

以电表净负荷数据为基础

提出一种基于特征分析和多头图注意力网络和时间卷积网络（MGAT-TCN）模型的非侵入式户用光伏辨识方法。首先

在对光伏设备并网及状态切换过程仿真分析的基础上

提出基于多功能复合滑动窗的两阶段CUSUM事件检测算法对光伏状态切换与并网行为进行实时定位;其次

提出基于MGAT-TCN光伏辨识模型

该方法能通过多头图注意力网络有效处理光伏设备相互耦合的多维特征

从而提高辨识准确率与效率。最后

方法于自搭建非侵入式实验平台进行测试。结果表明

所提事件检测算法能够准确定位光伏行为

且相较于传统事件检测算法减少了至少0.3 s的时间定位误差;同时

所提的MGAT-TCN辨识模型对光伏设备的辨识准确率高于典型的神经网络方法至少2.66个百分点

且可达到96%以上。

Abstract

This paper focuses on behind-the-meter PV monitoring and proposes a non-intrusive residential PV identification method based on feature analysis and a hybrid model combining a Multi-Graph Attention Network with a Temporal Convolutional Network （MGAT-TCN）. First

the grid-connection and state-switching characteristics of household two-stage PV devices are analyzed to construct and rank a comprehensive feature set. Next

a two-stage cumulative sum （CUSUM） event detection algorithm based on a multifunctional composite sliding window

is proposed to detect PV state-switching and grid-connecting behaviors. Subsequently

the MGAT-TCN model is employed to accurately identify these behaviors using an optimized subset of features. Finally

the accuracy and real-time performance of the proposed method are validated on a self-built non-intrusive experimental platform. The results demonstrate that the proposed event detection algorithm accurately locates PV behaviors

reducing time-localization errors by at least 0.3s compared to traditional algorithms. Furthermore

the MGAT-TCN model achieves an identification accuracy of over 96%

outperforming typical neural network methods by at least 2.66%.

关键词

Keywords

references

陈国平, 董昱, 梁志峰. 能源转型中的中国特色新能源高质量发展分析与思考[J]. 中国电机工程学报, 2020, 40(17): 5493-5505.

李军徽, 孙大朋, 朱星旭, 等. 光伏高渗透率下分布式储能群间协同的电压控制策略[J]. 电力系统自动化, 2023, 47(10): 47-56.

栗峰, 丁杰, 周才期, 等. 新型电力系统下分布式光伏规模化并网运行关键技术探讨[J]. 电网技术, 2024, 48(1): 184-196.

冯靖雷, 李正烁. 表后光伏发电辨识方法综述[J]. 电网技术, 2025, 49(5): 1983-1992.

HART G W.Nonintrusive appliance load monitoring[J]. Proceedings of the IEEE, 1992, 80(12): 1870-1891.

TRUONG C, OUDRE L, VAYATIS N.Selective review of offline change point detection methods[J]. Signal processing, 2020, 167: 107299.

JIANG C, SALLES D, XU W, et al.Assessing the collective harmonic impact of modern residential loads: part II: applications[J]. IEEE transactions on power delivery, 2012, 27(4): 1947-1955.

LEE D.Phase noise as power characteristic of individual appliance for non-intrusive load monitoring[J]. Electronics letters, 2018, 54(16): 993-995.

周东国, 张恒, 周洪, 等. 基于状态特征聚类的非侵入式负荷事件检测方法[J]. 电工技术学报, 2020, 35(21): 4565-4575.

牟魁翌, 杨洪耕. 基于PLA-GDTW支持向量机的非侵入式负荷监测方法[J]. 电网技术, 2019, 43(11): 4185-4193.

于超, 覃智君, 阳育德. 基于启停状态识别改进因子隐马尔可夫模型的非侵入式负荷分解[J]. 电网技术, 2021, 45(11): 4540-4550.

林顺富, 詹银枫, 李毅, 等. 基于CNN-BiLSTM与DTW的非侵入式住宅负荷监测方法[J]. 电网技术, 2022, 46(5): 1973-1981.

ENRÍQUEZ R, JIMÉNEZ M J, HERAS M R. Towards non-intrusive thermal load Monitoring of buildings: BES calibration[J]. Applied energy, 2017, 191: 44-54.

武昕, 于金莹, 彭林, 等. 基于用户边缘侧事件解析的工业电力负荷非侵入式感知辨识[J]. 电力系统自动化, 2021, 45(4): 29-37.

XIANG Y, LIU J Y, LI R, et al.Economic planning of electric vehicle charging stations considering traffic constraints and load profile templates[J]. Applied energy, 2016, 178: 647-659.

施雨松, 徐青山, 郑建. 基于特征选择与增量学习的非侵入式电动自行车充电辨识方法[J]. 电力系统自动化, 2021, 45(7): 87-94.

DINESH C, WELIKALA S, LIYANAGE Y, et al.Non-intrusive load monitoring under residential solar power influx[J]. Applied energy, 2017, 205: 1068-1080.

MORENO JARAMILLO A F, LAVERTY D M, DEL RINCÓN J M, et al. Non-intrusive load monitoring algorithm for PV identification in the residential sector[C]//2020 31st Irish Signals and Systems Conference (ISSC). Letterkenny, Ireland, 2020: 1-6.

ZHANG Y S, QIAN W Y, YE Y J, et al.A novel non-intrusive load monitoring method based on ResNet-seq2seq networks for energy disaggregation of distributed energy resources integrated with residential houses[J]. Applied energy, 2023, 349: 121703.

WANG S Y, LI R, EVANS A, et al.Regional nonintrusive load monitoring for low voltage substations and distributed energy resources[J]. Applied energy, 2020, 260: 114225.

孙秋野, 刘月, 胡旌伟, 等. 基于GAN的非侵入式自能源建模[J]. 中国电机工程学报, 2020, 40(21): 6784-6793.

邵文权, 王猛, 吴朝俊, 等. 基于改进滑模控制的光伏系统MPPT控制策略[J]. 太阳能学报, 2021, 42(10): 87-93.

谢路耀, 莫晨飞, 陈怡. 基于并联光伏组件外特性的最大功率点跟踪方法[J]. 太阳能学报, 2022, 43(4): 148-153.

谢宁, 罗安, 马伏军, 等. 大型光伏电站与电网谐波交互影响[J]. 中国电机工程学报, 2013, 33(34): 9-16.

刘庆强. 居民负荷特性研究及应用[D]. 上海: 上海电力学院, 2014.

RESHEF D N, RESHEF Y A, FINUCANE H K, et al.Detecting novel associations in large data sets[J]. Science, 2011, 334(6062): 1518-1524.

史帅彬, 张恒, 邓世聪, 等. 基于复合滑动窗的CUSUM暂态事件检测算法[J]. 电测与仪表, 2019, 56(17): 13-18.

VELIKOVI P, CUCURULL G, CASANOVA A, et al.Graph attention networks[C]//International Conference on Learning Representations (ICLR). Vancouver, Canada, 2018: 1-12.

WANG Y, HU L, WU Y, et al.Graph multihead attention pooling with self-supervised learning[J]. Entropy, 2022, 24(12): 1745.

赵洪山, 吴雨晨, 潘思潮, 等. 基于TCN和高斯过程残差建模学习的净负荷概率预测方法[J]. 太阳能学报, 2024, 45(12): 588-595.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于相似日聚类和WOA-VMD-TCN-Transformer模型的短期光伏功率研究

基于AHP-GIS的山地光伏项目选址适宜性评价——以云南省会泽县为例

单晶硅光伏系统全生命周期评价

立面BIPV系统热电耦合模型及发电潜力研究

拉萨市建筑立面光伏墙体热电性能实验测试研究