微信链接：

https://mp.weixin.qq.com/s?__biz=MzI1MzEzNjgxMQ==&mid=2650061409&idx=3&sn=

390c83fccff3f1a66b03ccb952d657db&chksm=f1d900a5c6ae89b301e2cbcc346e43ddc2b

035e756aca3218f2f71e7ecc9dbf2e1421cfdd348&token=2037958334&lang=zh_CN#rd

期刊链接：

https://www.mdpi.com/journal/Energies

智能电网与微电网的研究和发展可以有效应对电网系统当前所面临的挑战。Energies 期刊“Smart Grids and Microgrids”专题涵盖了发电、输配电、存储管理、动态负载均衡、电网智能运行和自动化控制、自愈合能力、物联网集成、 智能电网模型、电力系统经济和政策、电力市场互动、电网安全和电网与电动汽车的集成等多个方面。本期精选了五篇该专题下的高引文章，涉及非侵入性负载分解的改进、智能电网综合评价、实时非侵入式负荷监测系统、微电网技术经济规划与运行，以及深度神经网络在低频 NILM 中的应用综述。希望能为相关领域读者带来有价值的参考。

01 Improving Non-Intrusive Load Disaggregation through an Attention-Based Deep Neural Network

通过基于注意力的深度神经网络改进非侵入式负载分解

Veronica Piccialli and Antonio M. Sudoso

https://doi.org/10.3390/en14040847

实施注意力单元的图形说明。

文章亮点：

(1) 作者提出了一种将回归子网络与分类子网络相结合深度神经网络方法，用来解决 NILM 相关的问题；

(2) 文章使用两个公开可用的数据集 REDD 和 UK-DALE 证明提出的深度神经网络在所有实验条件下都优于目前最常用的技术；

(3) 能耗分解的研究热点是将注意力模型应用于电网监测中，以正确地检测电器的开断情况和定位高功耗的信号。

02 Comprehensive Assessment of Smart Grids: Is There a Universal Approach?

智能电网的综合评价：是否有通用的电网评价方法?

Oleksii Lyulyov et al.

https://doi.org/10.3390/en14123497

智能电网评估领域的文献计量分析结果。

文章亮点：

(1) 本文根据欧盟引用最多和最权威的研究和监管文件确定了评估智能电网的基本领域，并确定了七组评估指标；

(2) 基于发展需求差异化的智能电网发展水平评价模型、欧盟智能电网评价效益体系和IBM智能电网成熟度模型被认为是较为全面的评估方式；

(3) 文章认为现阶段没有通用的评估系统具备评估智能电网的发展和整合可能性的能力。

03 A Scalable Real-Time Non-Intrusive Load Monitoring System for the Estimation of Household Appliance Power Consumption

一种用于家用电器能耗估算的可扩展、实时非侵入式负荷监测系统

Christos Athanasiadis et al.

https://doi.org/10.3390/en14030767

对系统进行的可伸缩性评估。

文章亮点：

(1) 本文提出了一种专门用于家用电器能耗估算的实时非侵入式负载监控 (NILM) 系统；

(2) 文章所提出的非侵入式负载监控系统可以以100 Hz 的采样率瞬间识别电器应该何时开启；

(3) 该监测系统具有较高的计算效率和存储效率，也具有良好的实时性。

04 Techno-Economic Planning and Operation of the Microgrid Considering Real-Time Pricing Demand Response Program

考虑实时定价需求响应程序的微电网技术经济规划与运行

Zi-Xuan Yu et al.

https://doi.org/10.3390/en14154597

微电网的结构与能源管理模块。

文章亮点：

(1) 文章引入了实时定价 (RTP) 系统，来根据伊朗国家电网价格制定需求响应计划 (DR)；

(2) 文章分析了并网微电网日前的运行情况并研究了拟议的 DR 方案对微电网规划的各种影响；

(3) 研究表明需求响应计划的实施对并网微电网的技术、经济和环境方面都有积极的影响。

05 Review on Deep Neural Networks Applied to Low-Frequency NILM

深度神经网络在低频非侵入式负荷监控 (NILM) 中的应用综述

Patrick Huber et al.

https://doi.org/10.3390/en14092390

DNN-NILM 研究的主要自由度的说明 (颜色表示松散的分组，不表示一种分类)。

文章亮点：

(1) 文章讨论了非侵入式负荷监控 (NILM) 的多输入特征、多任务学习特性，强调了相关研究的必要性；

(2) 作者指出了成功部署基于深度神经网络的 NILM 方法所缺失的要素；

(3) 作者对未来 NILM 领域做出了展望。

Energies 期刊介绍

主编：Enrico Sciubba, University of Roma Sapienza, Italy

期刊主要关注能源动力工程研究相关各个领域的最新研究成果、工程技术开发以及能源政策经济管理。

2020 Impact Factor:3.004

2020 CiteScore:4.7

Time to First Decision:16 Days

Time to Publication:39 Days