در سال‌های اخیر علاقه به انجام تحقیقات بر روی پایش غیر مداخله‌گر بار به دلیل افزایش مصرف انرژی الکتریکی به ‌شدت در حال افزایش است. تحقیقات مختلف نشان داده‌اند که در صورت پیاده‌سازی روش‌های پایش غیر مداخله‌گر بار به‌غیراز مزایای مختلفی چون پاسخگویی بار، افزایش دقت پیش‌بینی‌های مصرف و غیره موجب افزایش سطح صرفه‌جویی در ساکنان ساختمان‌های مسکونی خواهد شد. در سال‌های اخیر با پیشرفت روش‌های مبتنی بر یادگیری عمیق استفاده از این روش‌ها نیز به‌منظور تفکیک بار مصرفی بسیار افزایش پیداکرده است. با این‌ وجود مهم‌ترین مشکل این روش‌ها نیاز به سخت‌افزار پیچیده به‌منظور آموزش و بررسی روش‌ها است. به همین دلیل نیاز است تا سیگنال توان نمونه‌برداری شده از کنتور هوشمند به مراکز پردازش داده منتقل‌شده و مورد تجزیه‌وتحلیل قرار گیرد. این کار علاوه بر نیاز به شبکه‌های ارتباطی پرسرعت امنیت داده‌ها را نیز به خطر می‌اندازد. با توجه به نکات بیان‌شده در این مقاله یک روش پایش غیر مداخله‌گر بار بر اساس استخراج ماتریس ویژگی از سیگنال فرکانس لحظه‌ای به‌دست‌آمده از سیگنال توان لوازم‌خانگی ارائه ‌شده است. مهم‌ترین ویژگی روش ارائه ‌شده افزایش دقت مدل نزدیک‌ترین همسایه (KNN) کلاسیک است. روش ارائه ‌شده با استفاده از داده‌های دسترسی آزاد با نام EMBED که شامل اطلاعات مصرف سه آپارتمان مختلف است مورد تجزیه‌وتحلیل قرارگرفته است. نتایج به‌خوبی نشان می‌دهد که مدل KNN در زمان استفاده از داده‌ها ماتریس ویژگی مورداستفاده در این مقاله از دقت بسیار بالاتری در مقابل دیگر روش‌های استخراج ویژگی برخوردار است. Manuscript profile

Recently, Combined Heat and Power (CHP) systems have been utilized increasingly in power systems. With the addition penetration of CHP-based co-generation of electricity and heat, the determination of economic dispatch of power and heat becomes a more complex and challenging issue. The optimal operation of CHP-based systems is inherently a nonlinear and non-convex optimization problem with a lot of local optimal solutions. In this paper, the Improved Shuffled Frog Leaping Algorithm (ISFLA) is used for solution of the problem. ISFLA is an improved version of shuffled frog leaping algorithm in which new solutions are produced in respect to global best solution. The ISFLA is well able to attain the optimal solutions even in the case of non-convex optimization problems. To evaluate the efficiency of the proposed method, it has been implemented on the standard test system. The obtained results have been compared with other heuristic methods. The numerical results show that the ISFLA is faster and more precise than other methods. Manuscript profile