CN109116100A - 一种基于编码-解码结构的电力负荷用电分解方法 - Google Patents
一种基于编码-解码结构的电力负荷用电分解方法 Download PDFInfo
- Publication number
- CN109116100A CN109116100A CN201810745695.4A CN201810745695A CN109116100A CN 109116100 A CN109116100 A CN 109116100A CN 201810745695 A CN201810745695 A CN 201810745695A CN 109116100 A CN109116100 A CN 109116100A
- Authority
- CN
- China
- Prior art keywords
- electrical appliance
- target electrical
- model
- training
- target
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出一种基于编码‑解码结构的电力负荷用电分解方法,属于电力负荷用电细节监测领域。该方法首先获取目标用电器集合,并获取目标用电器集合中每个目标用电器对应的若干条完整工作曲线,建立每个目标用电器分别对应的窗口训练数据集;利用窗口训练数据集,对每个目标用电器构建深度学习模型并训练。利用每个目标用电器训练完毕的深度学习模型,将实际场景中的量测数据输入模型,得到该目标用电器的分解功率结果。本发明可以实现在不同场景下,仅利用总用电信息分解即可得到各个目标用电器的用电情况,且对于用电器是否处于运行状态的判断准确度及功率分解值准确度均达到了较高的水准,有较高的应用价值。
Description
技术领域
本发明属于电力负荷用电细节监测领域,特别涉及一种基于编码-解码结构的电力负 荷用电分解方法。
背景技术
我国的电力需求增长势头强劲,带来了发电过程中碳排放带来的环境污染,用电高 峰时段的供求紧张,系统失稳等问题。根据需求侧响应理论,通过直接反馈用户实时电能消耗的细化信息可以降低4%-15%的用电量,有利于维持电能的供需平衡以及电力系统的安全稳定。目前引入细化用电信息的常见做法可以分为两种,第一种为传统的侵入式 负荷分解方法,第二种为最近兴起的非侵入式负荷分解方法。
在传统的侵入式负荷分解方法中,每个用电器前都安装了智能检测设备,直接获取 用户实时电能消耗的细化信息,但该方法存在着成本高,维护困难等问题。非侵入式负荷分解方法仅利用用户入口处采集的总用电信息,利用模型或算法对总用电信息进行分解求得用户各个用电器的用电情况,具备成本低廉,操作简便,易于推广等优点。对于 用户,获取的细化用电信息可以帮助其优化用电方法,降低电费开支;对于电力公司, 获取细化用电信息可以帮助其合理规划电能的调配,进行更有效的需求侧管理。
目前现有的非侵入式负荷分解方法可分为基于低频采样的方法及基于高频采样的方 法。基于高频采样的方法对智能检测设备有较高的要求,不适宜大规模推广,而基于低 频采样的方法可以利用现有的智能电表数据,故具备极强的应用潜力。目前基于低频采样的方法存在着对于用电器是否处于运行状态的判断准确度低,功率分解值准确度低等问题。有研究者利用深度学习中的前向传播神经网络,循环神经网络及卷积神经网络构 建深度学习模型来处理相关问题,如专利《一种基于深度学习的电力负荷用电分解方 法》,该方法包括五个步骤:第一步,根据需要,获取目标用电场景内所有目标电器设 备的关于某一种或几种用电参数的完整工作曲线;第二步,利用第一步获取的电器设备 的完整工作曲线,根据目标场景中的实际用电情况,合成模拟目标场景内各电器设备混 合使用情形的仿真数据;第三步,构建用于电力负荷分解的深度神经网络,包括确定神 经网络分层数目和每层所含神经元数目,及各分层所含神经元之间的链接关系;第四步, 利用第二步中合成出的仿真数据建立训练数据集,用以训练在第三步搭建的深度神经网 络;第五步,在线应用训练所得深度神经网,得到各电器的功率分解结果。该方法存在较 多问题,首先没有提出明确的深度学习网络架构,且传统的通过循环神经网络或卷积神 经网络等直接级联所构成的深度学习模型,因为其架构没有明确的物理意义,导致其对 于信息的提取和运用能力不够强。第二,其训练数据集的构造方式无法实现正负例比例 和引入噪声程度的调节,无法保证训练后模型的正确性,及对现实用电情景的适应能力。 第三,模型中采用值回归的方法得到用电器的功率分解值,存在着功率分解值变化速度 慢,且明显滞后于真实功率的问题,无法保持与真实功率良好的跟踪性能。
深度学习是机器学习的一个分支,其通过加深神经网络的层数,不断组合底层特征 并形成抽象的高层属性类别或特征。随着计算机运算能力的不断增强,近几年来,深度学习领域受到许多研究者的关注,并已经在图像识别,语音识别,自然语言处理等领域 取得了显著的成就。
综上所述,为了实现更高水平的非侵入式电力负荷分解,提高对于用电器是否处于 运行状态的判断准确度,及功率分解值准确度,需要提出一种更有效的深度学习模型来解决相关问题。
发明内容
本发明的目的是为克服已有技术的不足之处,提出一种基于编码-解码结构的电力负 荷用电分解方法。本发明可以实现在不同场景下,仅利用总用电信息分解即可得到各个 目标用电器的用电情况,且对于用电器是否处于运行状态的判断准确度及功率分解值准 确度均达到了较高的水准,有较高的应用价值。
本发明提出一种基于编码-解码结构的电力负荷用电分解方法,其特征在于,该方法 包括以下步骤:
1)根据用户需求选择N个目标用电器组成目标用电器集合{A1,A2,...,AN};
2)从步骤1)的目标用电器集合中任意选取一个目标用电器Ai,根据预设的采样频率对目标用电器Ai的一次完整工作阶段的有功功率数据进行采样,得到目标用电器Ai的 一条完整工作曲线;
3)改变目标用电器Ai的负荷大小,运行模式和运行时间,重复步骤2)K次,获取 目标用电器Ai的K条完整工作曲线;
4)重复步骤2)至3),获取目标用电器集合{A1,A2,...,AN}中每个目标用电器对应的 K条完整工作曲线;
5)对目标用电器集合{A1,A2,...,AN}中的每个目标用电器分别构建对应的窗口训练数 据集;具体步骤如下:
5.1)令整数i=1;
5.2)从目标用电器集合{A1,A2,...,AN}中选取目标用电器Ai,设定Ai为主要用电器, 则{A1,A2,...,AN}中的其余目标用电器为干扰用电器;对于目标用电器Ai,设定其对应的 每条窗口训练数据的长度为Ni;
5.3)构建主要用电器Ai的窗口训练数据集;具体步骤如下:
5.3.1)设整数a=1;
5.3.2)对于主要用电器Ai,分别创建长度为Ni的序列Xi,a和Li,a,并将Xi,a和Li,a初始值全部设置为0,其中Xi,a为主要用电器Ai的窗口训练数据集中第a条输入序列,Li,a为主要用电器Ai的窗口训练数据集中第a条标签序列;
5.3.3)对Xi,a进行更新,并将更新后的Xi,a赋值给Li,a;更新方法如下:在50%概率下,随机挑选主要用电器Ai的一条完整工作曲线,并将其从Xi,a中随机选取某点开始,与Xi,a中的数据进行叠加;在另外50%概率下,不对Xi,a做任何修改;
5.3.4)对于每个干扰用电器j,分别在Pj概率下随机挑选干扰用电器j的一条完整工 作曲线,将该完整工作曲线从步骤5.3.3)更新后的Xi,a中随机选取的某点开始与Xi,a中的 数据进行叠加;在另外1-Pj概率下,不对经过步骤5.3.3)更新后的Xi,a进行任何改动;处理完毕后,得到目标用电器Ai的窗口训练数据集中第a个输入序列-标签序列对 (Xi,a,Li,a);
5.3.5)令a=a+1,重复步骤5.3.2)-5.3.4)M次,构建主要用电器Ai的窗口训练数据 集Qi={(Xi,1,Li,1),(Xi,2,Li,2),...,(Xi,M,Li,M)};
5.4)令i=i+1,重新返回步骤5.2),直到{A1,A2,...,AN}中所有目标用电器均作为主 要用电器完成对应窗口训练数据集的构造,得到窗口训练数据集集合{Q1,Q2,...,QN};
6)对每个目标用电器Ai构建对应的深度学习模型Di;具体步骤如下:
6.1)模型Di的每次输入为长度为Ni的总功率时间序列Xi,a={p1,p2,...,pNi},其中pk为第k个采样点的总有功功率;Xi,a为从目标用电器Ai的窗口训练数据集中选取的一条输入序列,a=1,2...M;
6.2)将总功率时间序列Xi,a中的每个功率值pk离散化成整数得到对应的整数功率值 并将序列中每个离散化后得到的整数功率值通过词嵌入矩阵 Z=[voc_size*embedding_size]映射到得到转换后的输入序列转为
6.3)通过基于循环神经网络的编码器对转换后的输入序列X'i,a按照循环神经网络的 计算规则进行编码,得到编码后的隐藏状态序列
6.4)根据编码后的隐藏状态序列在解码的t时刻,利用注意力机制,环神经网络的解码器的计算规则得到t时刻的解码器的隐藏状态st;
6.5)重复步骤6.4),得到解码器的隐藏状态序列
6.6)通过映射层g,将解码器的隐藏状态序列映射到概率密度分布序列 其中dk为k时刻目标用电器Ai有功功率的概率密度分布,选取其中概率密度最大值所对应的的有功功率值作为k时刻Di模型的输出yk,依次计算得到模型输出 的负荷分解后功率序列
7)对于每个目标用电器Ai,进行深度学习模型Di的训练,得到每个目标用电器对应的训练完毕的深度学习模型,组成深度学习模型集合;具体步骤如下:
7.1)设整数i=1;
7.2)从窗口训练数据集Qi={(Xi,1,Li,1),(Xi,2,Li,2),...,(Xi,M,Li,M)}中随机选取一个批次 的输入序列,构成模型训练输入;
7.3)将每条输入序列输入模型Di后,得到模型的对应输出及从以下两种方式任意选取一种计算当前模型的损失值loss:第一种为计算与窗口训练数据集的每条标签序列Li,k的均方误差得到lossmse作为当前模型的损失值loss;第二种为将每条标签序列Li,k进行one-hot独热处理,并与每时刻功率的概率分布计算交叉熵得到lossce作为当前模型的损失值loss;
7.4)通过步骤7.3)求得的loss进行反向求导,根据链式法则,更新Di中的参数;
7.5)重复步骤7.2)-7.4)对模型Di进行迭代训练,直到模型Di的loss降至设定水平, 完成模型Di的训练,得到训练完毕的模型
7.6)令i=i+1,重复步骤7.2)-7.5),完成每个目标用电器对应的深度学习模型的训 练,得到训练完毕的深度学习模型集合
8)将训练得到的深度学习模型集合进行在线应用,得到每个目标用电 器的分解功率结果;具体步骤如下:
8.1)设整数i=1;
8.2)任意选取一个目标用电器Ai,获取实际场景中采集到的总量测数据集合 {Y1,Y2,...,YL},其中L为总量测数据的采样点数,第K个采样点的总量测数据YK为该采样 时刻所有目标用电器的总功率数据;从Y1开始,取长度为Ni的总量测数据作为深度学习 模型的输入并得到目标用电器Ai从Y1开始长度为Ni的数据的输出结果;
8.3)对总量测数据向右平移R长度,取长度为Ni的数据作为深度学习模型的输入 并得到对应的输出结果;其中,对于与前次模型输入中重叠区域的两次输出结果,取平均值作为该区域的最终输出结果;
8.4)重复步骤8.3),直到整个总量测数据被完全遍历,得到目标用电器Ai在整个总 量测数据时间范围内的分解功率输出结果
8.5)令i=i+1,重复步骤8.2)-8.4),得到每个目标用电器Ai在整个总量测数据时间 范围内的分解功率输出结果。
本发明的特点及有益效果在于:
本发明方法仅仅通过分析总用电信息即可分解得到各个目标用电器的用电情况,显 著提升了对于目标用电器是否处于运行状态的判断准确度以及功率分解值的准确度。
本发明方法在提取目标用电器完整工作曲线时,采用不断改变目标用电器的使用方 式,多次测量,获取目标用电器多样化的完整工作曲线并构造训练数据集,在后续模型训练阶段,可以使得模型能够识别多种用电器在多种运行状态下的情形,增强了模型识 别用电器工作模式的能力。
本发明在构造窗口训练数据集时,通过控制过程中的概率参数,可以通过控制所构 造的窗口训练数据集中主要用电器和干扰用电器的出现概率,来调整训练集中正负例的 比例及多用电器同时运行的程度,从而使得模型对于真实运行情况具备更强的适应能力。
本发明在建立深度学习模型时,通过引入编码-解码的架构,先对输入的序列进行编 码,得到高维的隐藏特征,并在解码过程中通过注意力机制,使得模型能够总是关注与当前时刻解码最相关的信息,增强了模型对于信息的提取及利用能力,提升了模型的负 荷分解效果。
本发明通过求解分解功率值在各个整数概率值下概率的多分类问题得到分解功率的 数值,使得分解功率值可以保持与真实功率值的良好跟踪性,不受功率分解值变化速度, 及滞后性的影响。
本发明仅需要在线下进行一段时间的训练,即可进行在线应用,且在在线应用时对 于处理器计算能力的要求低,运算速度快,可以实现在线无延时的电力负荷分解,有较高的实际应用价值。
附图说明
图1是本发明方法的整体流程图。
具体实施方式
本发明提出一种基于编码-解码结构的电力负荷用电分解方法,下面结合附图和具体 实施例进一步详细说明如下。
本发明提出一种基于编码-解码结构的电力负荷用电分解方法,整体流程如图1所示, 包括以下步骤:
1)根据用户需求选择N个(N取值以5-10个为宜)目标用电器组成目标用电器集合{A1,A2,...,AN},所述目标用电器即为用户希望通过总用电数据获取其具体运行功率的用电 器,如冰箱,电视,洗衣机等常见且在总能耗中占比较大的用电器。
2)从步骤1)的目标用电器集合中任意选取一个目标用电器Ai,将任一用电器从开始运行到完全结束运行作为一次完整工作阶段,并根据预设的采样频率(一般为0.1Hz-1Hz)对目标用电器Ai的一次完整工作阶段的有功功率数据进行采样,得到目标用电器Ai的一条完整工作曲线。
3)改变目标用电器Ai的负荷大小,运行模式和运行时间,尽可能全面地获取目标用 电器Ai在各种不同情况下的运行特性,重复步骤2)K次(K通常取值50-100次),获取 目标用电器Ai的K条完整工作曲线;
4)重复步骤2)至3),获取目标用电器集合{A1,A2,...,AN}中每个目标用电器对应的 K条完整工作曲线。
5)对目标用电器集合{A1,A2,...,AN}中的每个目标用电器分别构建对应的窗口训练数 据集;具体步骤如下:
5.1)令整数i=1。
5.2)从目标用电器集合{A1,A2,...,AN}中选取目标用电器Ai,设定Ai为主要用电器, 则{A1,A2,...,AN}中的其余用目标电器为干扰用电器。对于目标用电器Ai,设定其对应的 每条窗口训练数据的长度为Ni,Ni应大于目标用电器Ai的最长完整工作曲线长度。
5.3)构建主要用电器Ai的窗口训练数据集;具体步骤如下:
5.3.1)设整数a=1。
5.3.2)对于主要用电器Ai,分别创建长度为Ni的序列Xi,a和Li,a,并将Xi,a和Li,a初始值全部设置为0,其中Xi,a为主要用电器Ai的窗口训练数据集中第a条输入序列,Li,a为主要用电器Ai的窗口训练数据集中第a条标签序列。
5.3.3)对Xi,a进行更新,并将更新后的Xi,a赋值给Li,a;更新方法如下:在50%概率下,随机挑选主要用电器Ai的一条完整工作曲线,并将其从Xi,a中随机选取某点开始,与Xi,a中的数据进行叠加(需要保证所选取的Ai的完整工作曲线完整放入时间序列Xi,a中);在另外50%概率下,不对Xi,a做任何修改;
5.3.4)对于除了主要用电器的Ai以外的每个干扰用电器j,分别在Pj概率下(Pj一般 选取为),随机挑选用电器j的一条完整工作曲线,将该完整工作曲线从步骤5.3.3) 更新后的Xi,a中随机选取的某点开始与Xi,a中的数据进行叠加;在另外1-Pj概率下,不对 经过步骤5.3.3)更新后的Xi,a进行任何改动;处理完毕后,得到目标用电器Ai的窗口训 练数据集中第a个输入序列-标签序列对(Xi,a,Li,a)。
5.3.5)令a=a+1,重复步骤5.3.2)-5.3.4)M次(M的取值在一万到十万为宜),构建主要用电器Ai的窗口训练数据集Qi={(Xi,1,Li,1),(Xi,2,Li,2),...,(Xi,M,Li,M)};
5.4)令i=i+1,重新返回步骤5.2),直到{A1,A2,...,AN}中所有目标用电器均作为主 要用电器完成对应窗口训练数据集的构造,得到窗口训练数据集集合{Q1,Q2,...,QN}。
6)对每个目标用电器Ai构建对应的深度学习模型Di;由于本发明的深度学习模型不 是基础网络如循环神经网络或卷积神经网络的拼接,故通过阐述模型内部的运算流程来 说明模型的结构;具体步骤如下:
6.1)模型Di的每次输入为长度为Ni的总功率时间序列其中pk为第k个采样点的总有功功率;在模型训练过程中,Xi,a为从目标用电器Ai的窗口训练数 据集中选取的一条输入序列,a=1,2...M。
6.2)将时间序列Xi,a中的每个功率值pk离散化成整数得到对应的整数功率值并 将序列中每个离散化后得到的整数功率值通过词嵌入矩阵 Z=[voc_size*embedding_size](voc_size需大于总功率最大值,embedding_size一般取值 为256)映射到此时转换后的输入序列转为
6.3)通过基于循环神经网络的编码器对转换后的输入序列X'i,a按照循环神经网络的 计算规则进行编码,得到编码后的隐藏状态序列
6.4)根据得到的编码后的隐藏状态序列在解码的t时刻,利用Attention机制(注意力机制)计算与当前解码时刻的关联程度大小,进而得态st。
6.5)重复步骤6.4),直到得到解码器的隐藏状态序列
6.6)通过映射层g,将解码器的隐藏状态序列映射到概率密度分布序列 其中dk为k时刻目标用电器Ai有功功率的概率密度分布,选取其中概率密度最大值所对应的的有功功率值作为k时刻Di模型的输出yk,依次计算得到模型输出 的负荷分解后功率序列
7)对于每个目标用电器Ai,进行深度学习模型Di的训练,得到每个目标用电器对应的训练完毕的深度学习模型,组成深度学习模型集合;具体步骤如下:
7.1)设整数i=1。
7.2)从窗口训练数据集Qi={(Xi,1,Li,1),(Xi,2,Li,2),...,(Xi,M,Li,M)}中随机选取一个批次 (batch_size)的输入序列(本发明中,一个批次取值一般为128或256条输入序列), 构成模型训练输入。本实施例中为方便叙述,假定batch_size值为1。
7.3)将每条输入序列输入模型Di后,得到模型的对应输出及有两种方式可以用于计算模型的损失值loss,第一种为计算与窗口训练数据集的每条标签序列Li,k的均方误差得到lossmse作为当前模型的损失值loss;第二种为将每条标签序列Li,k进行one-hot(独热)处理,并与每时刻功率的概率分布计算交叉熵得到lossce作为当前模型的损失值loss。
7.4)通过步骤7.3)求得的loss进行反向求导,根据链式法则,更新Di中的参数。
7.5)重复步骤7.2)-7.4)对模型Di进行迭代训练,直到模型Di的loss降至较低水平(对于第一种loss求取方法,需降至10以下;对于第二种loss求取方法,需降至0.1以 下),完成模型Di的训练,得到训练完毕的模型
7.6)令i=i+1,重复步骤7.2)-7.5),完成每个目标用电器对应的深度学习模型的训 练,得到训练完毕的深度学习模型集合
8)将训练得到的深度学习模型集合进行在线应用,得到每个目标用电 器的分解功率结果;具体步骤如下:
8.1)设整数i=1。
8.2)对于目标用电器Ai,将实际场景中采集到的长时间(一般在一万个采样点到十 万个采样点间)的总量测数据集合{Y1,Y2,...,YL},其中L为总量测数据的采样点数,第K个 采样点的总量测数据YK为该采样时刻所有目标用电器的总功率数据;从Y1开始,取长度为Ni的量测数据作为深度学习模型的输入并得到目标用电器Ai从头开始长度为Ni的数据的输出结果。
8.3)对总量测数据向右平移R长度(R取值在0到Ni之间),取长度为Ni的数据作 为深度学习模型的输入并得到对应的输出结果;其中,对于与前次模型输入中重叠区 域的两次输出结果,取平均值作为该区域的最终输出结果。
8.4)重复步骤8.3),直到整个总量测数据被完全遍历,得到目标用电器Ai在整个总 量测数据时间范围内的分解功率输出结果
8.5)令i=i+1,重复步骤8.2)-8.4),得到每个目标用电器Ai在整个总量测数据时间 范围内的分解功率输出结果,该结果为分解后的各目标用电器每时刻有功功率。
下面结合一个具体实施例对本发明进一步详细说明如下:
本实施例采用一套关于20户英国居民的公开数据集REFITPowerdata数据集,该数据 集采集的用电参数为有功功率,总用电信息及单独量测信息的采样频率为1/8Hz。本次测 试所选定的目标用电器为:冰箱,电视,微波炉,洗衣机和洗碗机,其中,冰箱属于周 期运行设备,电视属于小功率设备,微波炉属于运行时间短,运行特性复杂的设备,而 洗衣机和洗碗机属于运行时间长,运行特性复杂的设备。
本实施例提出的一种基于编码-解码结构的电力负荷用电分解方法,包括以下步骤:
1)根据用户需求选择5个目标用电器冰箱,电视,微波炉,洗衣机和洗碗机,组成目标用电器集合{A1,A2,...,A5};
2)从步骤1)的目标用电器集合中任意选取一个目标用电器Ai,从目标用电器Ai的单独量测数据中提取其100条完整工作曲线。
3)重复步骤2),获取目标用电器集合{A1,A2,...,A5}中每个目标用电器对应的100条 完整工作曲线;
4)对目标用电器集合{A1,A2,...,A5}中的每个目标用电器分别构建对应的窗口训练数 据集;具体步骤如下:
4.1)令整数i=1;
4.2)从目标用电器集合{A1,A2,...,A5}中选取目标用电器Ai,设定Ai为主要用电器, 则{A1,A2,...,AN}中的其余目标用电器为干扰用电器;对于目标用电器Ai,设定其对应的 每条窗口训练数据的长度Ni;对于本实施例的五种目标用电器:冰箱、电视、微波炉、 洗衣机和洗碗机,窗口训练数据长度分别为400、1500、50、1200和1500个采样点。
4.3)构建主要用电器Ai的窗口训练数据集;具体步骤如下:
4.3.1)设整数a=1;
4.3.2)对于主要用电器Ai,分别创建长度为Ni的序列Xi,a和Li,a,并将Xi,a和Li,a初始值全部设置为0,其中Xi,a为主要用电器Ai的窗口训练数据集中第a条输入序列,Li,a为主要用电器Ai的窗口训练数据集中第a条标签序列;
4.3.3)对Xi,a进行更新,并将更新后的Xi,a赋值给Li,a;更新方法如下:在50%概率下,随机挑选主要用电器Ai的一条完整工作曲线,并将其从Xi,a中随机选取某点开始,与Xi,a中的数据进行叠加;在另外50%概率下,不对Xi,a做任何修改;。
4.3.4)对于每个干扰用电器j,分别在25%概率下随机挑选用电器j的一条完整工作 曲线,将该完整工作曲线从步骤4.3.3)更新后的Xi,a中随机选取的某点开始与Xi,a中的数 据进行叠加;在另外75%概率下,不对经过步骤4.3.3)更新后的Xi,a进行任何改动;处理完毕后,得到目标用电器Ai的窗口训练数据集中第a个输入序列-标签序列对(Xi,a,Li,a);
4.3.5)令a=a+1,重复步骤4.3.2)-4.3.4)M=10000次,构建主要用电器Ai的窗口训 练数据集Qi={(Xi,1,Li,1),(Xi,2,Li,2),...,(Xi,M,Li,M)};
4.4)令i=i+1,重新返回步骤4.2),直到{A1,A2,...,A5}中所有目标用电器均作为主要 用电器完成对应窗口训练数据集的构造,得到窗口训练数据集集合{Q1,Q2,...,Q5};
5)基于谷歌的TensorFlow深度学习框架,对每个目标用电器Ai构建对应的深度学习 模型Di;具体步骤如下:
5.1)模型Di的每次输入为长度为Ni的总功率时间序列其中pk为第k个采样点的总有功功率;Xi,a为从目标用电器Ai的窗口训练数据集中选取的一条输入序列,a=1,2...M;
5.2)将时间序列Xi,a中的每个功率值pk离散化成整数得到对应的整数功率值并将序列中每个离散化后得到的整数功率值通过词嵌入矩阵 Z=[voc_size*embedding_size]映射到得到转换后的输入序列转为其中voc_size取5000,embedding_size取256。
5.3)通过基于循环神经网络的编码器对转换后的输入序列X'i,a按照循环神经网络的 计算规则进行编码,得到编码后的隐藏状态序列对于五种目标用电器冰箱, 电视,微波炉,洗衣机和洗碗机,编码器隐藏状态维度分别为512,256,256,512和256;
5.4)根据编码后的隐藏状态序列在解码的t时刻,利用注意力机制,环神经网络的解码器的计算规则得到t时刻的解码器的隐藏状态st;对于五种目标用电器冰箱,电视,微波炉,洗衣机和洗碗机,解码器隐藏状态维度分别为512,256,256, 512和256;
5.5)重复步骤5.4),得到解码器的隐藏状态序列
5.6)通过映射层g,将解码器的隐藏状态序列映射到概率密度分布序列 其中dk为k时刻目标用电器Ai有功功率的概率密度分布,选取其中概率密度最大值所对应的的有功功率值作为k时刻Di模型的输出yk,依次计算得到模型输出 的负荷分解后功率序列
6)对于每个目标用电器Ai,进行深度学习模型Di的训练,得到每个目标用电器对应的训练完毕的深度学习模型,组成深度学习模型集合;具体步骤如下:
6.1)设整数i=1;
6.2)从窗口训练数据集Qi={(Xi,1,Li,1),(Xi,2,Li,2),...,(Xi,M,Li,M)}中随机选取一个批次 的输入序列,构成模型训练输入;
6.3)将每条输入序列输入模型Di后,得到模型的对应输出及将每条标签序列Li,k进行one-hot独热处理,并与每时刻功率的概率分布计算交叉熵得到lossce作为当前模型的损失值loss;
6.4)通过步骤6.3)求得的loss进行反向求导,根据链式法则,更新Di中的参数。
6.5)重复步骤6.2)-6.4),利用Adagrad优化器对模型Di进行迭代训练,直到模型Di的loss降至低于0.1,完成模型Di的训练,得到训练完毕的模型
6.6)令i=i+1,重复步骤6.2)-6.5),完成每个目标用电器对应的深度学习模型的训 练,得到训练完毕的深度学习模型集合
7)将训练得到的深度学习模型集合进行在线应用,得到每个目标用电 器的分解功率结果;具体步骤如下:
7.1)设整数i=1;
7.2)任意选取一个目标用电器Ai,获取实际场景中采集到的总量测数据集合 {Y1,Y2,...,YL},其中L为总量测数据的采样点数,本实施例取十万个采样点,每个采样点 的总量测数据为该采样时刻所有用电器的总功率数据,从Y1开始,取长度为Ni的量测数 据作为深度学习模型的输入并得到目标用电器Ai从Y1开始长度为Ni的数据的输出结果;
7.3)对总量测数据向右平移R=Ni/2长度,取长度为Ni的数据作为深度学习模型的输入并得到对应的输出结果;其中,对于与前次模型输入中重叠区域的两次输出结果,取平均值作为该区域的最终输出结果;
7.4)重复步骤7.3),直到整个总量测数据被完全遍历,得到目标用电器Ai在整个总 量测数据时间范围内的分解功率输出结果
7.5)令i=i+1,重复步骤7.2)-7.4),得到每个目标用电器Ai在整个总量测数据时间 范围内的分解功率输出结果。
在本实例中,采用4个指标作为本发明的性能评价指标:
以上各式中,PRE为准确度,REC为召回率,F1为F1分数;TP表示用电器实际处 于工作状态且模型分解结果也为工作状态的序列点总数;FP表示用电器实际处于工作状 态但模型分解结果为非工作状态的序列点总数;FN表示表示用电器实际未工作但模型分 解结果为在工作状态的序列点总数;yt为t时刻用电器真实功率,为t时刻模型分解功 率,MAE为时间段T0到T1内能量平均绝对误差,可以反映模型功率分解值的准确度。结 果如表1所示的实施例测试结果:
电器名称 | 冰箱 | 电视 | 微波炉 | 洗衣机 | 洗碗机 |
准确度(%) | 97.11 | 98.84 | 93.06 | 99.81 | 89.63 |
召回率(%) | 96.61 | 84.58 | 94.27 | 99.31 | 88.67 |
F1分数(%) | 96.88 | 91.07 | 93.47 | 99.05 | 88.39 |
平均绝对误差 | 0.964 | 4.76 | 0.103 | 1.865 | 2.77 |
Claims (1)
1.一种基于编码-解码结构的电力负荷用电分解方法,其特征在于,该方法包括以下步骤:
1)根据用户需求选择N个目标用电器组成目标用电器集合{A1,A2,...,AN};
2)从步骤1)的目标用电器集合中任意选取一个目标用电器Ai,根据预设的采样频率对目标用电器Ai的一次完整工作阶段的有功功率数据进行采样,得到目标用电器Ai的一条完整工作曲线;
3)改变目标用电器Ai的负荷大小,运行模式和运行时间,重复步骤2)K次,获取目标用电器Ai的K条完整工作曲线;
4)重复步骤2)至3),获取目标用电器集合{A1,A2,...,AN}中每个目标用电器对应的K条完整工作曲线;
5)对目标用电器集合{A1,A2,...,AN}中的每个目标用电器分别构建对应的窗口训练数据集;具体步骤如下:
5.1)令整数i=1;
5.2)从目标用电器集合{A1,A2,...,AN}中选取目标用电器Ai,设定Ai为主要用电器,则{A1,A2,...,AN}中的其余目标用电器为干扰用电器;对于目标用电器Ai,设定其对应的每条窗口训练数据的长度为Ni;
5.3)构建主要用电器Ai的窗口训练数据集;具体步骤如下:
5.3.1)设整数a=1;
5.3.2)对于主要用电器Ai,分别创建长度为Ni的序列Xi,a和Li,a,并将Xi,a和Li,a初始值全部设置为0,其中Xi,a为主要用电器Ai的窗口训练数据集中第a条输入序列,Li,a为主要用电器Ai的窗口训练数据集中第a条标签序列;
5.3.3)对Xi,a进行更新,并将更新后的Xi,a赋值给Li,a;更新方法如下:在50%概率下,随机挑选主要用电器Ai的一条完整工作曲线,并将其从Xi,a中随机选取某点开始,与Xi,a中的数据进行叠加;在另外50%概率下,不对Xi,a做任何修改;
5.3.4)对于每个干扰用电器j,分别在Pj概率下随机挑选干扰用电器j的一条完整工作曲线,将该完整工作曲线从步骤5.3.3)更新后的Xi,a中随机选取的某点开始与Xi,a中的数据进行叠加;在另外1-Pj概率下,不对经过步骤5.3.3)更新后的Xi,a进行任何改动;处理完毕后,得到目标用电器Ai的窗口训练数据集中第a个输入序列-标签序列对(Xi,a,Li,a);
5.3.5)令a=a+1,重复步骤5.3.2)-5.3.4)M次,构建主要用电器Ai的窗口训练数据集Qi={(Xi,1,Li,1),(Xi,2,Li,2),...,(Xi,M,Li,M)};
5.4)令i=i+1,重新返回步骤5.2),直到{A1,A2,...,AN}中所有目标用电器均作为主要用电器完成对应窗口训练数据集的构造,得到窗口训练数据集集合{Q1,Q2,...,QN};
6)对每个目标用电器Ai构建对应的深度学习模型Di;具体步骤如下:
6.1)模型Di的每次输入为长度为Ni的总功率时间序列其中pk为第k个采样点的总有功功率;Xi,a为从目标用电器Ai的窗口训练数据集中选取的一条输入序列,a=1,2...M;
6.2)将总功率时间序列Xi,a中的每个功率值pk离散化成整数得到对应的整数功率值并将序列中每个离散化后得到的整数功率值通过词嵌入矩阵Z=[voc_size*embedding_size]映射到得到转换后的输入序列转为
6.3)通过基于循环神经网络的编码器对转换后的输入序列X'i,a按照循环神经网络的计算规则进行编码,得到编码后的隐藏状态序列
6.4)根据编码后的隐藏状态序列在解码的t时刻,利用注意力机制,计算与当前解码时刻的关联程度大小,进而得到中每个隐藏状态在t时刻的权值构建t时刻动态语义向量并根据基于循环神经网络的解码器的计算规则得到t时刻的解码器的隐藏状态st;
6.5)重复步骤6.4),得到解码器的隐藏状态序列
6.6)通过映射层g,将解码器的隐藏状态序列映射到概率密度分布序列其中dk为k时刻目标用电器Ai有功功率的概率密度分布,选取其中概率密度最大值所对应的的有功功率值作为k时刻Di模型的输出yk,依次计算得到模型输出的负荷分解后功率序列
7)对于每个目标用电器Ai,进行深度学习模型Di的训练,得到每个目标用电器对应的训练完毕的深度学习模型,组成深度学习模型集合;具体步骤如下:
7.1)设整数i=1;
7.2)从窗口训练数据集Qi={(Xi,1,Li,1),(Xi,2,Li,2),...,(Xi,M,Li,M)}中随机选取一个批次的输入序列,构成模型训练输入;
7.3)将每条输入序列输入模型Di后,得到模型的对应输出及从以下两种方式任意选取一种计算当前模型的损失值loss:第一种为计算与窗口训练数据集的每条标签序列Li,k的均方误差得到lossmse作为当前模型的损失值loss;第二种为将每条标签序列Li,k进行one-hot独热处理,并与每时刻功率的概率分布计算交叉熵得到lossce作为当前模型的损失值loss;
7.4)通过步骤7.3)求得的loss进行反向求导,根据链式法则,更新Di中的参数;
7.5)重复步骤7.2)-7.4)对模型Di进行迭代训练,直到模型Di的loss降至设定水平,完成模型Di的训练,得到训练完毕的模型
7.6)令i=i+1,重复步骤7.2)-7.5),完成每个目标用电器对应的深度学习模型的训练,得到训练完毕的深度学习模型集合
8)将训练得到的深度学习模型集合进行在线应用,得到每个目标用电器的分解功率结果;具体步骤如下:
8.1)设整数i=1;
8.2)任意选取一个目标用电器Ai,获取实际场景中采集到的总量测数据集合{Y1,Y2,...,YL},其中L为总量测数据的采样点数,第K个采样点的总量测数据YK为该采样时刻所有目标用电器的总功率数据;从Y1开始,取长度为Ni的总量测数据作为深度学习模型的输入并得到目标用电器Ai从Y1开始长度为Ni的数据的输出结果;
8.3)对总量测数据向右平移R长度,取长度为Ni的数据作为深度学习模型的输入并得到对应的输出结果;其中,对于与前次模型输入中重叠区域的两次输出结果,取平均值作为该区域的最终输出结果;
8.4)重复步骤8.3),直到整个总量测数据被完全遍历,得到目标用电器Ai在整个总量测数据时间范围内的分解功率输出结果
8.5)令i=i+1,重复步骤8.2)-8.4),得到每个目标用电器Ai在整个总量测数据时间范围内的分解功率输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810745695.4A CN109116100B (zh) | 2018-07-09 | 2018-07-09 | 一种基于编码-解码结构的电力负荷用电分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810745695.4A CN109116100B (zh) | 2018-07-09 | 2018-07-09 | 一种基于编码-解码结构的电力负荷用电分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109116100A true CN109116100A (zh) | 2019-01-01 |
CN109116100B CN109116100B (zh) | 2019-09-27 |
Family
ID=64862043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810745695.4A Active CN109116100B (zh) | 2018-07-09 | 2018-07-09 | 一种基于编码-解码结构的电力负荷用电分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109116100B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829579A (zh) * | 2019-01-22 | 2019-05-31 | 平安科技(深圳)有限公司 | 最短路线计算方法、装置、计算机设备和存储介质 |
CN110146758A (zh) * | 2019-05-28 | 2019-08-20 | 四川长虹电器股份有限公司 | 基于交叉熵的非侵入式电器识别方法 |
CN110376457A (zh) * | 2019-06-28 | 2019-10-25 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
CN111126700A (zh) * | 2019-12-25 | 2020-05-08 | 远景智能国际私人投资有限公司 | 用能预测方法、装置、设备及存储介质 |
CN111382789A (zh) * | 2020-03-06 | 2020-07-07 | 云南电网有限责任公司电力科学研究院 | 基于机器学习的电力负荷识别方法及系统 |
CN111753968A (zh) * | 2020-07-07 | 2020-10-09 | 苏州联电能源发展有限公司 | 非侵入式负荷监测智能电表和电量分解方法 |
CN112001486A (zh) * | 2020-08-28 | 2020-11-27 | 河北工业大学 | 一种基于深度学习的负荷分解方法 |
CN116759042A (zh) * | 2023-08-22 | 2023-09-15 | 之江实验室 | 一种基于环形一致性的反事实医疗数据生成系统及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009047694A (ja) * | 2007-08-14 | 2009-03-05 | General Electric Co <Ge> | コグニティブ電力メータ |
CN102930284A (zh) * | 2012-09-13 | 2013-02-13 | 杭州电子科技大学 | 基于经验模态分解和分形的表面肌电信号模式识别方法 |
CN105429135A (zh) * | 2015-12-08 | 2016-03-23 | 河南许继仪表有限公司 | 一种非侵入式电力负荷分解的辨识决策方法及系统 |
CN106022645A (zh) * | 2016-06-07 | 2016-10-12 | 李祖毅 | 非侵入式在线实时电力负荷识别方法及识别系统 |
CN205961137U (zh) * | 2016-08-11 | 2017-02-15 | 广西师范大学 | 一种电域编解码的二维ocdma发送和接收装置 |
CN106707099A (zh) * | 2016-11-30 | 2017-05-24 | 国网上海市电力公司 | 基于异常用电检测模型的监测定位方法 |
CN107367647A (zh) * | 2017-06-22 | 2017-11-21 | 上海理工大学 | 基于eemd‑som的电网谐波源检测与定位方法 |
CN107392391A (zh) * | 2017-08-10 | 2017-11-24 | 天津求实智源科技有限公司 | 一种基于深度学习的电力负荷用电分解方法 |
CN108054749A (zh) * | 2017-11-27 | 2018-05-18 | 华北电力大学 | 一种非侵入式电力负荷分解方法及装置 |
CN108052863A (zh) * | 2017-11-10 | 2018-05-18 | 华北电力大学(保定) | 基于最大方差展开法的电能质量扰动识别方法 |
CN108229660A (zh) * | 2017-12-30 | 2018-06-29 | 天津求实智源科技有限公司 | 基于深度学习的经背景筛选的电能分解方法 |
CN108256676A (zh) * | 2017-12-29 | 2018-07-06 | 国网江苏省电力有限公司检修分公司 | 一种计及负荷波动不对称特性的电力负荷预测方法 |
-
2018
- 2018-07-09 CN CN201810745695.4A patent/CN109116100B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009047694A (ja) * | 2007-08-14 | 2009-03-05 | General Electric Co <Ge> | コグニティブ電力メータ |
CN102930284A (zh) * | 2012-09-13 | 2013-02-13 | 杭州电子科技大学 | 基于经验模态分解和分形的表面肌电信号模式识别方法 |
CN105429135A (zh) * | 2015-12-08 | 2016-03-23 | 河南许继仪表有限公司 | 一种非侵入式电力负荷分解的辨识决策方法及系统 |
CN106022645A (zh) * | 2016-06-07 | 2016-10-12 | 李祖毅 | 非侵入式在线实时电力负荷识别方法及识别系统 |
CN205961137U (zh) * | 2016-08-11 | 2017-02-15 | 广西师范大学 | 一种电域编解码的二维ocdma发送和接收装置 |
CN106707099A (zh) * | 2016-11-30 | 2017-05-24 | 国网上海市电力公司 | 基于异常用电检测模型的监测定位方法 |
CN107367647A (zh) * | 2017-06-22 | 2017-11-21 | 上海理工大学 | 基于eemd‑som的电网谐波源检测与定位方法 |
CN107392391A (zh) * | 2017-08-10 | 2017-11-24 | 天津求实智源科技有限公司 | 一种基于深度学习的电力负荷用电分解方法 |
CN108052863A (zh) * | 2017-11-10 | 2018-05-18 | 华北电力大学(保定) | 基于最大方差展开法的电能质量扰动识别方法 |
CN108054749A (zh) * | 2017-11-27 | 2018-05-18 | 华北电力大学 | 一种非侵入式电力负荷分解方法及装置 |
CN108256676A (zh) * | 2017-12-29 | 2018-07-06 | 国网江苏省电力有限公司检修分公司 | 一种计及负荷波动不对称特性的电力负荷预测方法 |
CN108229660A (zh) * | 2017-12-30 | 2018-06-29 | 天津求实智源科技有限公司 | 基于深度学习的经背景筛选的电能分解方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829579A (zh) * | 2019-01-22 | 2019-05-31 | 平安科技(深圳)有限公司 | 最短路线计算方法、装置、计算机设备和存储介质 |
CN110146758A (zh) * | 2019-05-28 | 2019-08-20 | 四川长虹电器股份有限公司 | 基于交叉熵的非侵入式电器识别方法 |
CN110146758B (zh) * | 2019-05-28 | 2021-02-09 | 四川长虹电器股份有限公司 | 基于交叉熵的非侵入式电器识别方法 |
CN110376457A (zh) * | 2019-06-28 | 2019-10-25 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
CN110376457B (zh) * | 2019-06-28 | 2020-10-02 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
CN111126700B (zh) * | 2019-12-25 | 2023-09-15 | 远景智能国际私人投资有限公司 | 用能预测方法、装置、设备及存储介质 |
CN111126700A (zh) * | 2019-12-25 | 2020-05-08 | 远景智能国际私人投资有限公司 | 用能预测方法、装置、设备及存储介质 |
CN111382789A (zh) * | 2020-03-06 | 2020-07-07 | 云南电网有限责任公司电力科学研究院 | 基于机器学习的电力负荷识别方法及系统 |
CN111382789B (zh) * | 2020-03-06 | 2023-11-14 | 云南电网有限责任公司电力科学研究院 | 基于机器学习的电力负荷识别方法及系统 |
CN111753968A (zh) * | 2020-07-07 | 2020-10-09 | 苏州联电能源发展有限公司 | 非侵入式负荷监测智能电表和电量分解方法 |
CN111753968B (zh) * | 2020-07-07 | 2023-08-08 | 苏州联电能源发展有限公司 | 非侵入式负荷监测智能电表和电量分解方法 |
CN112001486B (zh) * | 2020-08-28 | 2022-07-22 | 河北工业大学 | 一种基于深度学习的负荷分解方法 |
CN112001486A (zh) * | 2020-08-28 | 2020-11-27 | 河北工业大学 | 一种基于深度学习的负荷分解方法 |
CN116759042A (zh) * | 2023-08-22 | 2023-09-15 | 之江实验室 | 一种基于环形一致性的反事实医疗数据生成系统及方法 |
CN116759042B (zh) * | 2023-08-22 | 2023-12-22 | 之江实验室 | 一种基于环形一致性的反事实医疗数据生成系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109116100B (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109116100B (zh) | 一种基于编码-解码结构的电力负荷用电分解方法 | |
CN111079977B (zh) | 基于svd算法的异构联邦学习矿井电磁辐射趋势跟踪方法 | |
CN109685314B (zh) | 一种基于长短期记忆网络的非侵入负荷分解方法和系统 | |
CN107392391A (zh) | 一种基于深度学习的电力负荷用电分解方法 | |
CN108899892A (zh) | 一种基于cnn非侵入式用电负荷分解方法 | |
CN108448610A (zh) | 一种基于深度学习的短期风功率预测方法 | |
CN109389244A (zh) | 一种基于gru的多因素感知短期景区内游客人数预测方法 | |
CN109461025A (zh) | 一种基于机器学习的电能替代潜在客户预测方法 | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN103020459A (zh) | 一种多维度用电行为的感知方法及系统 | |
CN108197425B (zh) | 一种基于非负矩阵分解的智能电网数据分解方法 | |
CN108170885A (zh) | 一种配电网中多谐波源识别方法 | |
CN109840691A (zh) | 基于深度神经网络的非侵入式分项电量估计方法 | |
CN109596942A (zh) | 一种基于深度置信网络的电压暂降原因识别方法 | |
CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN111325485A (zh) | 计及物联带宽约束的轻量级梯度提升机电能质量扰动识别方法 | |
CN115659255A (zh) | 一种基于时频域建模与特征选择的路灯故障诊断方法 | |
CN108229660A (zh) | 基于深度学习的经背景筛选的电能分解方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN105205534B (zh) | 一种三值fprm电路面积与功耗最佳极性搜索方法 | |
CN112132334A (zh) | 一种用于城市生活垃圾产量的预测方法 | |
Li et al. | Adaptive Fusion Feature Transfer Learning Method For NILM | |
CN115130830B (zh) | 基于级联宽度学习和麻雀算法的非侵入式负荷分解方法 | |
CN110321389A (zh) | 一种基于时间序列聚类的电能表设备类别识别方法 | |
Gao et al. | A prediction approach on energy consumption for public buildings using mind evolutionary algorithm and bp neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |