CN105974219B - 一种节能电器负荷类型的分类识别方法 - Google Patents
一种节能电器负荷类型的分类识别方法 Download PDFInfo
- Publication number
- CN105974219B CN105974219B CN201610221975.6A CN201610221975A CN105974219B CN 105974219 B CN105974219 B CN 105974219B CN 201610221975 A CN201610221975 A CN 201610221975A CN 105974219 B CN105974219 B CN 105974219B
- Authority
- CN
- China
- Prior art keywords
- energy
- electric appliance
- saving electric
- single energy
- saving
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种节能电器负荷类型的分类识别方法,通过判断当前节能电器的类型;获取单体节能电器的特征类中心向量;根据SVM算法得到SVM核函数;得到单体节能电器负荷类型中的单体节能电器训练集;根据AdaBoost算法识别单体节能电器的负荷类型,得到单体节能电器的单体节能电器训练模型:判断节能电器的类型;得到变工况负载辨识模型;将各个单体节能电器的单体节电器训练模型与变工况负载辨识模型结合,得到组合节电器训练模型。本发明提出的方法能够快速、准确地识别节能电器的负荷类型,改进电能计量算法以保证节能电器性能;为电能计量能够进行针对性的算法改进研究提供基础;进而保证了节能电器的运行稳定性及可靠性。
Description
技术领域
本发明涉及节能与电工仪器仪表领域,具体涉及一种节能电器负荷类型的分类识别方法。
背景技术
随着全球各国日益重视节能减排,各种节能电气设备大量投入使用,对电力系统的负荷特性和电能计量的精度产生影响;节能装置与传统用电设备相比,其工作原理更加复杂,大量使用时影响系统的负荷特性,同时新型节能电气设备一般采用电力电子器件作为控制元件,在快速开关控制时难免对电网产生扰动和谐波污染,从而影响电能计量的精度。
节能电器种类繁多,目前要包括:变频器、节能灯、可控硅交流调压器、无功补偿、永磁电机、多速电动机、开关磁阻驱动系统(<SRD)等,这些设备都能够降低用电负荷的电能消耗,但工作机理差异很大。
目前各类节能电器的研究主要集中在节能效率、拓展领域,而且对节能电器运行噪声的研究主要在电磁干扰影响以及对电力线载波通信的影响方面,但对电能计量影响发明的研究较少。而主流的电能表计基本采用电子计量方式,由传感器、A/D、MCU组成,其计量算法主要采用传统的面积积分和傅里叶方式,抗干扰能力较差,其计算结果极易受到影响从而照成严重误差,有些电能表在节能和变工况环境下误差高达20~30%。
在此情况下,根据不同节能电器对电能计量的影响情况,改进电能计量算法来保证精度非常必要;由于节能电器工作机理和电能计量的影响因素差异很大,通过相关技术手段分识别节能电器类型,从而为节能环境下改进电能计量算法以保证性能,具有重要意义。
发明内容
有鉴于此,本发明提供的一种节能电器负荷类型的分类识别方法,该方法能够快速、准确地识别节能电器的负荷类型,改进电能计量算法以保证节能电器性能;为电能计量能够进行针对性的算法改进研究提供基础;进而保证了节能电器的运行稳定性及可靠性。
本发明的目的是通过以下技术方案实现的:
一种节能电器负荷类型的分类识别方法,所述方法包括如下步骤:
步骤1.判断当前所述节能电器的类型;
若所述节能电器为单体节能电器,则直接进入骤2;
若所述节能电器为组合节能电器,则识别出所述组合节能电器中包括的各个所述单体节能电器;进入骤2;
步骤2.获取所述单体节能电器的特征类中心向量;
步骤3.根据SVM算法,得到SVM核函数;
步骤4.计算得到所述单体节能电器负荷类型中的单体节能电器训练集;
步骤5.根据AdaBoost算法,识别所述单体节能电器的负荷类型,得到所述单体节能电器的单体节能电器训练模型:
步骤6.判断所述节能电器的类型;
若当前所述节能电器为单体节能电器,则所述单体节电器训练模型即为所述节能电器的最终识别模型,识别结束;
若所述节能电器为组合节能电器,则进入步骤7;
步骤7.根据SVM算法、AdaBoost算法及各单体节能电器的功率因数变化值,得到变工况负载辨识模型;
步骤8.将所述组合节能电器中的各个单体节能电器的所述单体节电器训练模型与所述变工况负载辨识模型结合,得到所述组合节电器训练模型,识别结束。
优选的,所述步骤2包括:
2-1.采集所述单体节能电器的环境参数,得到所述环境参数的样本分布D;所述环境参数包括电压、电流及功率因数;
2-2.根据所述样本分布D,得到所述单体节能电器的特征类中心向量Centeri:
式(1)中,Ni为第Ci类中电流样本的数目;Dij为第Ci类中的第j个向量;Ci为所述单体节能电器的样本集。
优选的,所述步骤3包括:
3-1.根据所述单体节能电器的特征类中心向量Centeri,得到将所述单体节能电器正类和其余节能电器负类分开的最大分类间隔,将所述单体节能电器采集的各个样本值分为正类和负类;
3-2.根据SVM算法,选择径向基函数作为SVM核函数K(xi,xj):
式(2)中,xi,xj为负类样本中的两个样本,σ为调整数据分布的离散程度的参数。
优选的,所述步骤4包括:
4-1.根据所述SVM核函数,将线性不可分的低维空间转化为线性可分的高维空间,得到负类中样本到正类集中心向量的距离d(ni,CenterY):
Y为正类样本集;N为负类样本集;ni为样本;
4-2.根据欧式空间抽样法,计算负类集中每个样本到正类集的欧氏距离并选出距离最大的样本作为可靠样本;
4-3.将可靠样本与正类样本组和,得到所述单体节能电器负荷类型中的单体节能电器训练集。
优选的,所述步骤5包括:
5-1.根据AdaBoost算法,识别所述单体节能电器的负荷类型;
5-2.根据所述单体节能电器的负荷类型,得到所述单体节能电器的单体节能电器训练模型。
优选的,所述步骤5-1包括:
a.设置所述单体节能电器训练模型中的节能电器的负样本参数的权重,初始化N个负类样本集的权值ω:
式(4)中,Cn为样本所属类中样本的个数;ωj为第j个样本的权值;
b.根据负类样本样集的权值ω,对D进行抽样产生训练集Di;
c.根据所述训练集Di,得到基分类器Ci;
d.根据所述基分类器Ci,对原训练集D中的所有样本分类,得到弱分类器的权重αi:
e.计算负类样本的权值εi,直到得到εi<0.5的权值εi:
式(6)中,δ为误分类函数。
优选的,所述步骤5-2包括:
得到K个基分类器及其预测加权得到的所述单体节能电器的单体节能电器训练模型C*(x):
式(7)中,δ(Ci(x)=y为Ci的正确分类函数。
从上述的技术方案可以看出,本发明提供了一种节能电器负荷类型的分类识别方法,通过判断当前节能电器的类型;获取单体节能电器的特征类中心向量;根据SVM算法得到SVM核函数;得到单体节能电器负荷类型中的单体节能电器训练集;根据AdaBoost算法识别单体节能电器的负荷类型,得到单体节能电器的单体节能电器训练模型:判断节能电器的类型;得到变工况负载辨识模型;将各个单体节能电器的单体节电器训练模型与变工况负载辨识模型结合,得到组合节电器训练模型。本发明提出的方法能够快速、准确地识别节能电器的负荷类型,改进电能计量算法以保证节能电器性能;为电能计量能够进行针对性的算法改进研究提供基础;进而保证了节能电器的运行稳定性及可靠性。
与最接近的现有技术比,本发明提供的技术方案具有以下优异效果:
1、本发明所提供的技术方案中,结合支持向量机(Support Vector Machine,SVM)算法与改进AdaBoost算法的优势,提出通过对电压、电流采样数据分析处理来进行节能电器负荷类型识别的方法,从而为节能环境下根据不同节能电器对电能计量的影响情况,改进电能计量算法以保证性能,具有重要意义。
2、本发明所提供的技术方案,能够快速、准确地识别节能电器的负荷类型,改进电能计量算法以保证节能电器性能;为电能计量能够进行针对性的算法改进研究提供基础;进而保证了节能电器的运行稳定性及可靠性。
3、本发明提供的技术方案,应用广泛,具有显著的社会效益和经济效益。
附图说明
图1是本发明的一种节能电器负荷类型的分类识别方法的流程图;
图2是本发明的分类识别方法中步骤2的流程示意图;
图3是本发明的分类识别方法中步骤3的流程示意图;
图4是本发明的分类识别方法中步骤4的流程示意图;
图5是本发明的分类识别方法中步骤5的流程示意图;
图6是本发明的分类识别方法的具体应用例中的单体节能电器分类识别流程图;
图7是本发明的分类识别方法的具体应用例中的节能电器组合运行分类识别流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供一种节能电器负荷类型的分类识别方法,包括如下步骤:
步骤1.判断当前节能电器的类型;
若节能电器为单体节能电器,则直接进入骤2;
若节能电器为组合节能电器,则识别出组合节能电器中包括的各个单体节能电器;进入骤2;
步骤2.获取单体节能电器的特征类中心向量;
步骤3.根据SVM算法,得到SVM核函数;
步骤4.计算得到单体节能电器负荷类型中的单体节能电器训练集;
步骤5.根据AdaBoost算法,识别单体节能电器的负荷类型,得到单体节能电器的单体节能电器训练模型:
步骤6.判断节能电器的类型;
若当前节能电器为单体节能电器,则单体节电器训练模型即为节能电器的最终识别模型,识别结束;
若节能电器为组合节能电器,则进入步骤7;
步骤7.根据SVM算法、AdaBoost算法及各单体节能电器的功率因数变化值,得到变工况负载辨识模型;
步骤8.将组合节能电器中的各个单体节能电器的单体节电器训练模型与变工况负载辨识模型结合,得到组合节电器训练模型,识别结束。
如图2所示,步骤2包括:
2-1.采集单体节能电器的环境参数,得到环境参数的样本分布D;环境参数包括电压、电流及功率因数;
2-2.根据样本分布D,得到单体节能电器的特征类中心向量Centeri:
式(1)中,Ni为第Ci类中电流样本的数目;Dij为第Ci类中的第j个向量;Ci为单体节能电器的样本集。
如图3所示,步骤3包括:
3-1.根据单体节能电器的特征类中心向量Centeri,得到将单体节能电器正类和其余节能电器负类分开的最大分类间隔,将单体节能电器采集的各个样本值分为正类和负类;
3-2.根据SVM算法,选择径向基函数作为SVM核函数K(xi,xj):
式(2)中,xi,xj为负类样本中的两个样本,σ为调整数据分布的离散程度的参数。
如图4所示,步骤4包括:
4-1.根据SVM核函数,将线性不可分的低维空间转化为线性可分的高维空间,得到负类中样本到正类集中心向量的距离d(ni,CenterY):
Y为正类样本集;N为负类样本集;ni为样本;
4-2.根据欧式空间抽样法,计算负类集中每个样本到正类集的欧氏距离并选出距离最大的样本作为可靠样本;
4-3.将可靠样本与正类样本组和,得到单体节能电器负荷类型中的单体节能电器训练集。
如图5所示,步骤5包括:
5-1.根据AdaBoost算法,识别单体节能电器的负荷类型;
5-2.根据单体节能电器的负荷类型,得到单体节能电器的单体节能电器训练模型。
其中,步骤5-1包括:
a.设置单体节能电器训练模型中的节能电器的负样本参数的权重,初始化N个负类样本集的权值ω:
式(4)中,Cn为样本所属类中样本的个数;ωj为第j个样本的权值;
b.根据负类样本样集的权值ω,对D进行抽样产生训练集Di;
c.根据训练集Di,得到基分类器Ci;
d.根据基分类器Ci,对原训练集D中的所有样本分类,得到弱分类器的权重αi:
e.计算负类样本的权值εi,直到得到εi<0.5的权值εi:
式(6)中,δ为误分类函数。
其中,步骤5-2包括:
得到K个基分类器及其预测加权得到的单体节能电器的单体节能电器训练模型C*(x):
式(7)中,δ(Ci(x)=y为Ci的正确分类函数。
本发明提供一种节能电器负荷类型的分类识别方法的具体应用例,如下:
为了给节能环境下的电能计量算法改进创造有利条件,本具体应用例结合支持向量机(Support Vector Machine,SVM)算法与改进AdaBoost算法的优势,提出一种通过对电压、电流采样数据分析处理来进行节能电器负荷类型识别的方法;在SVM的基础上,采用抽样训练方法使训练数据的处理平衡化,用子集训练方式提高学习识别速度,同时,根据不同节能电器的运行特点制定规则来解决特征空间中负样本过于离散的问题,从而快速、准确地识别节能电器的负荷类型,为电能计量能够进行针对性的算法改进研究提供基础。
SVM的主要思想可以概括为两点:(1)它基于结构风险最小化理论之上在特征空间中建构最优分割超平面,使得学习器得到全局最优化;⑵对于线性不可分的情况,通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分,从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。
为实现上述功能,本具体应用例所采用的技术方案是:
一种通过对电压、电流采样数据分析处理来进行节能电器负荷类型识别的方法,其特征在于结合支持向量机(Support Vector Machine,SVM)算法与改进AdaBoost算法的优势,采用抽样训练方法使训练数据的处理平衡化,用子集训练方式提高学习识别速度,同时,根据不同节能电器的运行特点制定规则来解决特征空间中负样本过于离散的问题,从而快速、准确地识别节能电器的负荷类型。
如前述结合节能电器负荷分类识别方法如下:
首先对某单体节能电器环境中电流及功率因数等参数采集若干个样本值得到分布D,这样可以获得该类节能电器的特征类中心向量:
其中Ni是第Ci类中电流样本的数目,Dij是类别为Ci类中的第j个向量。
假设样本中共包含R类节能电器,对于电流波形差异较大的负荷识别可以采用线性可分的SVM算法实现。本发明对于这种1至R的多类SVM,轮换将其中任意一类节能电器作为正类,其余类作为负类,进行R次以下步骤来得到每种节能电器的分类器模型:
根据节能电器的样本特征类中心向量,找到可以将某种节能电器正类和其余节能电器负类分开的最大分类间隔,从而将节能电器采集的若干个样本值分为正类和负类。
由于节能电器运行时大都会产生谐波干扰,存在相似异类特点,
本发明选择径向基函数作为SVM的核函数,如(2)所示:
其中,xi,xj为负类样本中的两个样本,σ类似与正态分布中的参数,用来调整数据分布的离散程度。
该核函数将低维的线性不可分空间转化为高维空间实现线性可分。然后在此高维空间中找到最大分类间隔。
然后采用欧式空间抽样法,来去除噪声,平衡样本,得到更为可靠的节能电器训练集。
设正类样本集为Y,负类样本集为N,其中样本用ni表示。定义负类中样本到正类集中心向量的距离如(3)所示:
计算负类集中每个样本到正类集的欧氏距离,从中选出距离最大的样本,也就是可靠样本。然后将可靠样本与正类样本组成新的节能电器训练集。
将上述SVM向量机算法结合欧式空间抽样方法得到的各种节能电器运行的训练集,然后采用AdaBoost算法进行节能电器的负荷识别:
根据ω,通过对D进行抽样产生训练集Di,在Di上训练基分类器Ci,用Ci对原训练集D中的所有样本分类,弱分类器的权重为:
其加权误差为:
εi是Ci误分类样本的权值,δ为Ci误分类函数。
直到εi<0.5时,得到的K个基分类器及其预测加权得到某种节能电器分类器模型的最终结果:
式(6)表示为某种节能电器识别模型的数学表达式,其中δ(Ci(x)=y为Ci正确分类函数。
在众多的节能电器中,应用量较大的是变频器和节能灯等,本发明根据节能电器启停、运行过程对电压、电流波形的影响特点,根据如前述改进AdaBoost算法与SVM分组方法,针对单体节能电器负荷类型的识别流程如图6所示。
变频器通过改变电源的频率来实现调速节能,LED节能灯通过阻容降压实现供电;变频器在运行时会产生大量整数、分数次谐波,其谐波成份与载波频率与调制深度有关,周期性特征明显;节能灯功率因数较高,且呈容性特征,在启动瞬间的电流波动较大,其谐波在启动瞬间和平稳工作时差异大。
当单种节能电器运行时,首先,对节能电器环境电压、电流等参数进行采样,通过SVM算法结合节能电器启停、运行过程对电压、电流波形的特征分为正样本和负样本。然后采用欧式空间抽样法,得到更为可靠的节能电器训练集。最后,采用AdaBoost算法进行迭代得到单体节能电器的负荷识别模型。
当多种节能电器组合运行时,情况比较复杂,在单体节能电器训练模型的基础上,得到多种节能电器组合训练识别模型,其流程如图7所示。
根据如前所述的改进AdaBoost算法与SVM分组方法及功率因数动态变化的情况,训练出变工况负载的识别模型,然后与单体节能电器识别模型相结合,得到最终的组合节能电器训练识别模型。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,而这些未脱离本发明精神和范围的任何修改或者等同替换,其均在申请待批的本发明的权利要求保护范围之内。
Claims (4)
1.一种节能电器负荷类型的分类识别方法,其特征在于,所述方法包括如下步骤:
步骤1.判断当前所述节能电器的类型;
若所述节能电器为单体节能电器,则直接进入骤2;
若所述节能电器为组合节能电器,则识别出所述组合节能电器中包括的各个所述单体节能电器;进入骤2;
步骤2.获取所述单体节能电器的特征类中心向量;
步骤3.根据SVM算法,得到SVM核函数;
步骤4.计算得到所述单体节能电器负荷类型中的单体节能电器训练集;
步骤5.根据AdaBoost算法,识别所述单体节能电器的负荷类型,得到所述单体节能电器的单体节能电器训练模型:
步骤6.判断所述节能电器的类型;
若当前所述节能电器为单体节能电器,则所述单体节电器训练模型即为所述节能电器的最终识别模型,识别结束;
若所述节能电器为组合节能电器,则进入步骤7;
步骤7.根据SVM算法、AdaBoost算法及各单体节能电器的功率因数变化值,得到变工况负载辨识模型;
步骤8.将所述组合节能电器中的各个单体节能电器的所述单体节电器训练模型与所述变工况负载辨识模型结合,得到所述组合节电器训练模型,识别结束;
所述步骤2包括:
2-1.采集所述单体节能电器的环境参数,得到所述环境参数的样本分布D;所述环境参数包括电压、电流及功率因数;
2-2.根据所述样本分布D,得到所述单体节能电器的特征类中心向量Centeri:
式(1)中,Ni为第Ci类中电流样本的数目;Dij为第Ci类中的第j个向量;Ci为所述单体节能电器的样本集;
所述步骤3包括:
3-1.根据所述单体节能电器的特征类中心向量Centeri,得到将所述单体节能电器正类和其余节能电器负类分开的最大分类间隔,将所述单体节能电器采集的各个样本值分为正类和负类;
3-2.根据SVM算法,选择径向基函数作为SVM核函数K(xi,xj):
式(2)中,xi,xj为负类样本中的两个样本,σ为调整数据分布的离散程度的参数;
所述步骤4包括:
4-1.根据所述SVM核函数,将线性不可分的低维空间转化为线性可分的高维空间,得到负类中样本到正类集中心向量的距离d(ni,CenterY):
Y为正类样本集;N为负类样本集;ni为样本;
4-2.根据欧式空间抽样法,计算负类集中每个样本到正类集的欧氏距离并选出距离最大的样本作为可靠样本;
4-3.将可靠样本与正类样本组和,得到所述单体节能电器负荷类型中的单体节能电器训练集。
2.如权利要求1所述的方法,其特征在于,所述步骤5包括:
5-1.根据AdaBoost算法,识别所述单体节能电器的负荷类型;
5-2.根据所述单体节能电器的负荷类型,得到所述单体节能电器的单体节能电器训练模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610221975.6A CN105974219B (zh) | 2016-04-11 | 2016-04-11 | 一种节能电器负荷类型的分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610221975.6A CN105974219B (zh) | 2016-04-11 | 2016-04-11 | 一种节能电器负荷类型的分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105974219A CN105974219A (zh) | 2016-09-28 |
CN105974219B true CN105974219B (zh) | 2021-01-15 |
Family
ID=56989351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610221975.6A Active CN105974219B (zh) | 2016-04-11 | 2016-04-11 | 一种节能电器负荷类型的分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105974219B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108828345B (zh) * | 2018-04-17 | 2020-06-30 | 武汉阿帕科技有限公司 | 一种电力线路中可控硅负载识别方法及系统 |
CN109034241A (zh) * | 2018-07-24 | 2018-12-18 | 南京千智电气科技有限公司 | 基于支持向量机的负荷集群控制方法和系统 |
CN111157899B (zh) * | 2020-01-20 | 2022-09-13 | 南京邮电大学 | 一种基于模型融合思想对电池soc的估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2481894A (en) * | 2010-07-08 | 2012-01-11 | Honeywell Int Inc | Landmark localisation for facial images using classifiers |
CN104239970A (zh) * | 2014-09-04 | 2014-12-24 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
CN104318242A (zh) * | 2014-10-08 | 2015-01-28 | 中国人民解放军空军工程大学 | 一种高效的svm主动半监督学习算法 |
CN105184316A (zh) * | 2015-08-28 | 2015-12-23 | 国网智能电网研究院 | 一种基于特征权学习的支持向量机电网业务分类方法 |
CN105224947A (zh) * | 2014-06-06 | 2016-01-06 | 株式会社理光 | 分类器训练方法和系统 |
CN105335753A (zh) * | 2015-10-29 | 2016-02-17 | 小米科技有限责任公司 | 图像识别方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101877981B1 (ko) * | 2011-12-21 | 2018-07-12 | 한국전자통신연구원 | 가버 특징과 svm 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법 |
-
2016
- 2016-04-11 CN CN201610221975.6A patent/CN105974219B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2481894A (en) * | 2010-07-08 | 2012-01-11 | Honeywell Int Inc | Landmark localisation for facial images using classifiers |
CN105224947A (zh) * | 2014-06-06 | 2016-01-06 | 株式会社理光 | 分类器训练方法和系统 |
CN104239970A (zh) * | 2014-09-04 | 2014-12-24 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
CN104318242A (zh) * | 2014-10-08 | 2015-01-28 | 中国人民解放军空军工程大学 | 一种高效的svm主动半监督学习算法 |
CN105184316A (zh) * | 2015-08-28 | 2015-12-23 | 国网智能电网研究院 | 一种基于特征权学习的支持向量机电网业务分类方法 |
CN105335753A (zh) * | 2015-10-29 | 2016-02-17 | 小米科技有限责任公司 | 图像识别方法和装置 |
Non-Patent Citations (1)
Title |
---|
组合电器局部放电多信息融合辨识与危害性评估研究;陶加贵;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20140228(第4期);C042-19 * |
Also Published As
Publication number | Publication date |
---|---|
CN105974219A (zh) | 2016-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018082523A1 (zh) | 一种负荷周期的模式识别方法 | |
Li et al. | Meta-heuristic optimization-based two-stage residential load pattern clustering approach considering intra-cluster compactness and inter-cluster separation | |
CN105974219B (zh) | 一种节能电器负荷类型的分类识别方法 | |
CN109359665B (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
CN103390200A (zh) | 基于相似日的光伏电站发电输出功率预测方法 | |
CN108616120A (zh) | 一种基于rbf神经网络的非侵入式电力负荷分解方法 | |
Fermeiro et al. | A new controller for DC-DC converters based on particle swarm optimization | |
CN113036759B (zh) | 一种电力用户负荷细粒度识别方法及识别系统 | |
CN109784276A (zh) | 一种基于dbn的电压暂降特征提取与暂降源辨识方法 | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
CN110263834A (zh) | 一种新能源电能质量异常值的检测方法 | |
CN109782086B (zh) | 一种基于多维度信号分析的非侵入负荷识别方法 | |
CN110378393A (zh) | 一种基于pso-gsa-svm的混合印染品色差检测方法 | |
CN109921426A (zh) | 基于cv-kde的风电并网系统概率潮流计算方法 | |
Zhang et al. | Adaptive and dynamic adjustment of fault detection cycles in cloud computing | |
CN106681133A (zh) | 一种水电机组模型改进型子空间闭环辨识方法 | |
CN109946543A (zh) | 用于非侵入式负荷监测的v-i图样本数据集筛选方法 | |
CN112564090A (zh) | 基于mblda的交直流系统暂态电压稳定监测方法 | |
CN116780537A (zh) | 非侵入式负荷监测方法、装置、存储介质 | |
Gurbuz et al. | A brief review of non-intrusive load monitoring and its impact on social life | |
CN104834970B (zh) | 一种具有泛化能力的水电集群动态等值方法 | |
CN110489893A (zh) | 一种基于可变权值的母线负荷预测方法及系统 | |
CN112508224A (zh) | 微电网多模型负荷预测自适应选择方法、系统及存储介质 | |
Huang et al. | A clustering method of gas load based on fcm-smote | |
Quan et al. | Harmonic and interharmonic signal analysis based on generalized S-transform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |