基于GSP工具箱的NILM算法matlab仿真

本文主要是介绍基于GSP工具箱的NILM算法matlab仿真，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1.课题概述

2.系统仿真结果

3.核心程序与模型

4.系统原理简介

5.完整工程文件

1.课题概述

基于GSP工具箱的NILM算法matlab仿真。GSP是图形信号处理的缩写，GSP非常适合对未知数据进行分类，尤其是当训练数据非常短时。GSPBox的基本理论是谱图论和图滤波，因此，GSPBox中的主要对象是图，图包括图的基本元素，如节点、边和权重矩阵等。

2.系统仿真结果

3.核心程序与模型

版本：MATLAB2022a

.........................................................................
while m<=M[ijk,m]Smi_train = Smi(1:n,m);Smi_test  = Smi(n+1:N,m);Smi_all   = [Smi_train;Smi_test];dpmi_train= dPmi(1:n,m);dpmi_test = dPmi(n+1:N,m);dpmi_all  = [dpmi_train;dpmi_test]; THR       = THRm(m);%构图，利用GSP工具箱计算得到估计值 G         = gsp_community(N);G         = gsp_adj2vec(G);G         = gsp_estimate_lmax(G);G         = gsp_compute_fourier_basis(G);AA        = full(G.A);%更新图矩阵Adelta     = 2;for i = 1:Nfor j = 1:NAA(i,j) = exp(-1*(dpmi_all(i)-dpmi_all(j))^2/delta^2);endendG.A = sparse(AA);Mask      = Smi_all;%训练过程中，输入m个smi和中的PY         = dpmi_all;%论文公式中的ni%通过GSP工具箱预测未知的电气的Smi变量，因为论文中提到用已知的Smi作为训练label，那么训练已知的smi，得到的就是未知的smisol       = gsp_classification_tv_new(G,Mask,Y,0.5);Pm_pre    = sol(n+1:N);Kr        = mean(abs(Pm_pre))/mean(abs(dpmi_all(n+1:N)));Pm_pre    = [dpmi_train;Pm_pre/Kr];for i = 1:Rif i > n & abs(Pm_pre(i)) >= THRm(m)Smi_pre(i,m) = 1;end if i > n & abs(Pm_pre(i)) < THRm(m)Smi_pre(i,m) = -1;end   endSreal{m}  = Smi0(:,m);Spred{m}  = Smi_pre(:,m);%即通过GSP工具箱得到公式11中的SmPreal{m}  = dpmi_all;Ppred{m}  = Pm_pre;m = m + 1;
end%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
if ijk == 1save R1.mat Sreal Spred Preal Ppred N n X Pi dPi dPmi THR0 THRm Smi Smi0 Pi_train Pi_test Pi_all
end
if ijk == 2save R2.mat Sreal Spred Preal Ppred N n X Pi dPi dPmi THR0 THRm Smi Smi0 Pi_train Pi_test Pi_all
end
if ijk == 3save R3.mat Sreal Spred Preal Ppred N n X Pi dPi dPmi THR0 THRm Smi Smi0 Pi_train Pi_test Pi_all
endclear Sreal Spred Preal Ppred N n X Pi dPi dPmi THR0 THRm Smi Smi0 Pi_train Pi_test Pi_allend
02_061m

4.系统原理简介

非侵入式负荷监测（Non-Intrusive Load Monitoring, NILM）是一种通过分析整体电能消耗数据，解析出各个子设备独立功耗的技术。近年来，图信号处理（Graph Signal Processing, GSP）作为一种新兴的信号处理范式，被引入到NILM领域，以更好地表征和处理家庭或建筑内部电器之间的复杂交互关系。

在GSP中，电气系统中的各个设备被视为图（graph）上的节点，设备之间的相互影响关系通过边（edges）表示。图信号是指定义在图节点上的实值函数，它可以代表节点的用电状态或功率消耗。设G=(V,E,W)是一个加权无向图，其中：