CN109633301B - 基于量子遗传优化的非侵入式电器负荷识别方法 - Google Patents
基于量子遗传优化的非侵入式电器负荷识别方法 Download PDFInfo
- Publication number
- CN109633301B CN109633301B CN201811467347.1A CN201811467347A CN109633301B CN 109633301 B CN109633301 B CN 109633301B CN 201811467347 A CN201811467347 A CN 201811467347A CN 109633301 B CN109633301 B CN 109633301B
- Authority
- CN
- China
- Prior art keywords
- current
- quantum
- data
- value
- chromosome
- 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
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/001—Measuring real or reactive component; Measuring apparent energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了基于量子遗传优化的非侵入式电器负荷识别方法,具体通过利用实测负荷电流及电压数据,获得电流有效值,并通过量子遗传算法进行对比寻优得出最优解,最终确定电器的具体负荷类型。本发明的在非侵入式电器负荷识别方法在遗传优化电器识别算法上,将量子遗传算法应用到非侵入式电器识别技术中,提高了寻找最优解的解空间数量,在识别结果上提升了多种设备同时运行的精准率,同时也降低了时间复杂度。
Description
技术领域
本发明涉及非侵入式电力负荷识别技术领域,特别涉及一种基于量子遗传优化的非侵入式电器负荷识别方法。
背景技术
随着智能电网的发展,电力负荷中居民用户用电负荷所占的比重越来越大,作为电力负荷的重要组成部分,居民用户域负荷日益引起社会的广泛关注。居民用户域的负荷在线监测是实现居民用户用电可视化的基础,它有助于用户了解家庭内不同时段各电器设备的具体能耗情况,据此来制定合理的用电计划,完善能源消费结构,促进能源有效利用,减少家庭电费开支。居民用户域负荷在线监测对推进整个社会的节能减排、缓解能源危机起着重要的作用。
传统的侵入式电力负荷监测系统需要在各个负载前加装传感器,综合成本高,施工非常复杂,对原有线路也造成破坏。而非侵入式电力负荷监测NILM系统仅需在住户进户线总开关处或者工业车间总线上安装一个传感器就能获知每个/类电器的使用情况,并且成本低,施工方便,不对用户造成用电干扰,有望发展成为新一代智能电表的核心技术,为电力用户和整个社会带来多方面的效益。
负荷辨识算法是NILM的核心内容,研究人员提出了很多不同的理论和算法。George.W.Hart教授首先提出了一种通过监测电力人口处所有用电设备总的有功功率和无功功率的变化量来辨识负荷的方法。Robertson等人采用小波变换技术,通过对几个未知的暂态信息进行分类的方法进行负荷辨识。由于负荷稳态特征存在局限性,利用暂态特征辨识成为研究重点。
上述方法均是通过对暂态特征量的提取、转化来实现负荷辨识,但由于切入点比较单一,考虑到实际环境下暂态特征的不确定性其准确度将受到影响,暂态、稳态特征结合的方法也受到了关注。且随着智能算法的发展,有研究者利用智能算法进行负荷辨识的研究。
发明内容
本发明的目的是基于上述背景技术,提供一种基于量子遗传优化的非侵入式电器负荷识别方法,利用实测负荷电流及电压数据,获得电流有效值,通过量子遗传算法寻优,寻找最优解,最终确定电器的具体负荷类型。
为了达到上述的技术效果,本发明采取以下技术方案:
基于量子遗传优化的非侵入式电器负荷识别方法,包括以下步骤:
A.采集电器设备电流及电压数据,并通过对采集的电流及电压数据进行预处理得到有效的电流数据;
具体的,在采集电器设备电流及电压数据前会预设一个采集周期N,则将对采集周期N时间段内的电器设备的电流及电压数据进行采集,一般具体的采集周期N的时长可根据具体需求而设定,如可设定为20秒或30秒等;
通过对采集的电流及电压数据进行预处理得到有效的电流数据即为该类电器设备的单个样本数据,其中,优选同一种类电器设备需采集多份电流及电压数据并求取其平均值,从而减小误差;
同时,步骤A中对采集的电流及电压数据进行预处理即是对采集到的直接数据进行计算处理得到需要的有效的数据,比如电流有效值,功率等需求的数据,不同的数据类型其计算方式不同,且各计算处理方式均为现有技术中已有的计算方法,此处不再赘述。
其中,在得到每种电器设备的有效电流数据后再通过电压相位对齐找到M域的电流起点,根据电流起点计算每类电器M域内的电流幅值的最大值,最小值等,具体的,M域就是采样周期中的数据波形进行相位对齐获取的一个波段,且该波段内获取的数据个数具体为m个。
B.配置量子遗传算法参数;
此步骤中配置的量子遗传算法参数至少包括种群大小、迭代次数Nmax、每类电器数量作为定义域的区间值、染色体长度;
其中,种群大小参数、迭代次数Nmax的具体数值可根据具体需求设定;
每类电器数量作为定义域的区间值具体通过居民家庭中各类电器的数量上限决定,如居民家庭的冰箱数量上限设置为2,则冰箱的区间值即为[0,2];
染色体长度具体是根据居民用电设备种类数来定义的,如可以定义为10或20等。
C.采用量子比特编码来初始化染色体矩阵;
步骤中采用量子比特编码进行初始化染色体矩阵时,编码初始化值设置为被初始化后的染色体矩阵具体如下:为2×n矩阵,其中,n为定义的家用电器种类数即染色体长度,此步骤C初始化是随机初始化【0,1】区间内的随机值,满足归一化原则即可,本发明中初始化为
D.计算解空间转换得到当前迭代中每类电器的数量;
具体是通过将步骤B中得到的每类电器数量作为定义域的区间值作为解空间转换的变量,进行解空间转换从而得到当前迭代中每类电器的数量,每次迭代通过解转换得到的当前迭代获得的每类电器的数量解具体的解空间转换公式如下:
其中为当前迭代解转换得到的第i类电器数量解,[mj,nj]表示第j种电器数量的区间值,表示第i条染色体的第j个量子位,根据步骤C设定的编码初始化值则具体的,i的取值范围为不小于1且不大于n,j的取值范围为不小于1且不大于m。
E.通过量子旋转门进行染色体更新及变异,计算适应度、记录最优解;
然后再进行实测数据的获取,得到各类电器设备的实测数据的电流幅值的最大值,最小值,以及对应M域内的m个点的电流数据列表,从而得到实测数据;
然后再根据步骤B中设定的迭代次数Nmax,启动量子遗传算法,通过量子遗传编码,解空间转换得到的设备数量列表,分别计算适应度函数值,并获取最优值(即适应度函数求解的最小值)作为下一代的更新及变异目标,然后按照上述的步骤进行旋转门转换及染色体变异更新染色体;
其中Qi表示实测数据中M域内的m个点的电流数据列表中第i个电流数据,Pij表示第j种电器的单个样本数据的对应的M域内的m个点的电流值中的第i个电流值,Nij表示第j种电器数量,表示第j种电器的权重,其中,Pkj表示第j种电器的单个样本数据的对应的M域内的m个点的电流值中的第k个电流值。
F.判断是否迭代完成,若完成则进入步骤G,否则返回步骤E;
判断迭代次数是否满足迭代次数Nmax,若满足则进入下一步,否则返回步骤E继续进行迭代;
G.获取最优解;
完成迭代后将得到Nmax个最优个体列表,求取最小值即为最后的最优解,即最后识别的电器种类和数量。
本发明与现有技术相比,具有以下的有益效果:
本发明的基于量子遗传优化的非侵入式电器负荷识别方法,是针对之前遗传优化的负荷识别算法进行分析,将量子遗传算法应用到负荷识别系统中,与遗传算法进行对比,从识别结果上有实际性的优化,可实现全局寻优,提高计算效率,较传统遗传算法上提升了一倍的解空间,更大提升了多种设备同时运行的识别精准率,也降低了迭代次数和时间复杂度,且在设备数量比较大时,量子遗传相对于遗传算法的优化更明显。
附图说明
图1是本发明的基于量子遗传优化的非侵入式电器负荷识别方法的示意图。
具体实施方式
下面结合本发明的实施例对本发明作进一步的阐述和说明。
实施例:
如图1所示,一种基于量子遗传优化的非侵入式电器负荷识别方法,具体包括以下步骤流程:
步骤一:安装非侵入式电力监测系统装置到需要监测和负荷识别的居民用户中;
步骤二:预设一个采集周期N,对采集周期N时间段内的电器设备的电流及电压数据进行采集,一般具体的采集周期N的时长可根据具体需求而设定,如本实施例中设定为20秒。
步骤三:对采集的电流及电压数据进行预处理即是对采集到的直接数据进行计算处理得到需要的有效的数据,比如电流有效值,功率等需求的数据,并在得到每种电器设备的有效电流数据后再通过电压相位对齐找到M域的电流起点,根据电流起点计算每类电器M域内的电流幅值的最大值,最小值等。
其中,M域就是采样周期中的数据波形进行相位对齐获取的一个波段,且该波段内获取的数据个数具体为m个。
步骤四:配置量子遗传算法参数;
量子遗传算法参数至少包括种群大小、迭代次数Nmax、每类电器数量作为定义域的区间值、染色体长度;
其中,种群大小参数、迭代次数Nmax的具体数值可根据具体需求设定,如可设定为300、400或500等,染色体长度具体是根据居民用电设备种类数来定义的,如可以定义为10或20等。
每类电器数量作为定义域的区间值具体通过居民家庭中各类电器的数量上限决定,比如居民家用电器有冰箱,微波炉,油烟机,空调,PC/TV,风扇等,居民家庭的冰箱数量上限设置为2,冰箱数量区间值即为[0,2],同样,微波炉数量区间值设置为[0,1],油烟机数量区间值设置为[0,1],空调数量区间值设置为[0,4],风扇数量区间值设置为[0,4],PC/TV数量区间值设置为[0,3]等;
步骤五:采用量子比特编码来初始化染色体矩阵;
具体的,采用量子比特编码进行初始化染色体矩阵时,编码初始化值设置为被初始化后的染色体矩阵具体如下:为2×n矩阵,其中,n为定义的家用电器种类数即染色体长度,此步骤的初始化是随机初始化【0,1】区间内的随机值,满足归一化原则即可,本发明中初始化值为
步骤六:计算解空间转换得到当前迭代中每类电器的数量;
具体是通过将步骤四中得到的每类电器数量作为定义域的区间值作为解空间转换的变量即解空间转换的定义域,进行解空间转换从而得到当前迭代中每类电器的数量,每次迭代通过解转换得到的当前迭代获得的每类电器的数量解,具体的解空间转换公式如下:
其中为当前迭代解转换得到的第i类电器数量解,[mj,nj]表示第j种电器数量的区间值,表示第i条染色体的第j个量子位,根据步骤五设定的编码初始化值,则具体的,i的取值范围为不小于1且不大于n,j的取值范围为不小于1且不大于m。
步骤七:通过量子旋转门进行染色体更新及变异,计算适应度、记录最优解;
步骤八:获取实测数据:
进行实测数据的获取,得到各类电器设备的实测数据的电流幅值的最大值,最小值,以及对应M域内的m个点的电流数据列表,从而得到实测数据;
然后再根据步骤四中设定的迭代次数Nmax,启动量子遗传算法,通过量子遗传编码,解空间转换得到的设备数量列表,分别计算适应度函数值,并获取最优值(即适应度函数求解的最小值)作为下一代的更新及变异目标,然后按照上述的步骤进行旋转门转换及染色体变异更新染色体,重复上面得到新一代的最优值;
其中,Qi表示实测数据中M域内的m个点的电流数据列表中第i个电流数据,Pij表示第j种电器的单个样本数据的对应的M域内的m个点的电流值中的第i个电流值,Nij表示第j种电器的电器数量,表示第j种电器的权重,其中,Pkj表示第j种电器的单个样本数据的对应的M域内的m个点的电流值中的第k个电流值。
H.判断是否迭代完成,若完成则进入步骤G,否则返回步骤E;
判断迭代次数是否满足迭代次数Nmax,若满足则进入下一步,否则返回步骤E继续进行迭代;
I.获取最优解;
完成迭代后将得到Nmax个最优个体列表,求取最小值即为最后的最优解,即最后识别的电器种类和数量
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (2)
1.基于量子遗传优化的非侵入式电器负荷识别方法,其特征在于,具体通过利用实测负荷电流及电压数据,获得电流有效值,并通过量子遗传算法进行对比寻优得出最优解,最终确定电器的具体负荷类型;
具体包括基于采集到的负荷的电压、电流数据,对采集到的数据进行预处理分析从而得到电流有效值,再通过配置量子遗传算法参数,采用量子比特编码初始化染色体,通过选择合适的量子旋转门来改变量子比特相位,更新量子位的概率幅来实现染色体的变异,并对负荷设备的数量边界值进行解空间转换,然后构造负荷运行状态的适应度函数,通过量子遗传算法寻找最优解,最终实现识别电器的种类和数量;
具体包括以下步骤:
A.采集电器设备电流及电压数据,并通过对采集的电流及电压数据进行预处理得到有效的电流数据;所述步骤A中在采集电器设备电流及电压数据前会预设一个采集周期N,且步骤A中具体是对采集周期N时间段内的电器设备的电流及电压数据进行采集;所述步骤A中通过预处理得到每种电器设备的有效电流数据后还包括通过电压相位对齐找到M域的电流起点,并根据电流起点计算每类电器M域内的电流幅值的最大值,最小值,其中,M域就是采样周期中的数据波形进行相位对齐获取的一个波段,且该波段内获取的数据个数具体为m个;
B.配置量子遗传算法参数,所述量子遗传算法参数至少包括种群大小、迭代次数Nmax、每类电器数量作为定义域的区间值、染色体长度;
C.采用量子比特编码来初始化染色体矩阵;所述步骤C中采用量子比特编码进行初始化染色体矩阵时,编码初始化值设置为被初始化后的染色体矩阵具体如下:为2×n矩阵,其中,n为定义的家用电器种类数即染色体长度;
D.以每类电器数量作为定义域的区间值作为解空间转换的变量,进行解空间转换从而得到当前迭代中每类电器的数量;所述步骤D中所用到的解空间转换公式具体为:
其中为当前迭代解转换得到的第i类电器数量解,[mj,nj]表示第j种电器数量的区间值,表示第i条染色体的第j个量子位,根据步骤C设定的编码初始化值则具体的,i的取值范围为不小于1且不大于n,j的取值范围为不小于1且不大于m;
其中,为染色体中第i个基因,为通过量子旋转门更新后的基因,R(θ)为量子旋转门;所述步骤E中还包括:进行实测数据的获取,得到各类电器设备的实测数据的电流幅值的最大值,最小值,以及对应M域内的m个点的电流数据列表,从而得到实测数据;然后再根据步骤B中设定的迭代次数Nmax,启动量子遗传算法,通过量子遗传编码,解空间转换得到的设备数量列表,分别计算适应度函数值,并获取最优值作为下一代的更新及变异目标,然后再通过量子旋转门进行染色体更新及变异;所述适应度函数具体为:
其中Qi表示实测数据中M域内的m个点的电流数据列表中第i个电流数据,Pij表示第j种电器的单个样本数据的对应的M域内的m个点的电流值中的第i个电流值,Nij表示第j种电器数量,表示第j种电器的权重,Pkj表示第j种电器的单个样本数据的对应的M域内的m个点的电流值中的第k个电流值;
F.根据迭代次数Nmax判断是否迭代完成,若完成则进入步骤G,否则返回步骤E;
G.获取最优解。
2.根据权利要求1所述的基于量子遗传优化的非侵入式电器负荷识别方法,其特征在于,所述步骤G具体为:完成迭代后将得到Nmax个最优个体列表,求取最小值即为最后的最优解,即最后识别的电器种类和数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811467347.1A CN109633301B (zh) | 2018-12-03 | 2018-12-03 | 基于量子遗传优化的非侵入式电器负荷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811467347.1A CN109633301B (zh) | 2018-12-03 | 2018-12-03 | 基于量子遗传优化的非侵入式电器负荷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109633301A CN109633301A (zh) | 2019-04-16 |
CN109633301B true CN109633301B (zh) | 2021-04-06 |
Family
ID=66070801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811467347.1A Active CN109633301B (zh) | 2018-12-03 | 2018-12-03 | 基于量子遗传优化的非侵入式电器负荷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109633301B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110414839A (zh) * | 2019-07-29 | 2019-11-05 | 四川长虹电器股份有限公司 | 基于量子遗传算法和svm模型的负荷识别方法及系统 |
CN110874672A (zh) * | 2019-11-08 | 2020-03-10 | 上海工程技术大学 | 基于量子遗传算法的farima模型电力负荷预测方法 |
CN111612052A (zh) * | 2020-05-12 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于改进遗传算法的非侵入式负荷分解方法 |
CN111859627B (zh) * | 2020-06-29 | 2023-09-22 | 珠海格力电器股份有限公司 | 一种元器件模型的参数优化方法及装置 |
CN112034238B (zh) * | 2020-09-11 | 2023-07-04 | 山东润一智能科技有限公司 | 一种用电设备识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279326A (zh) * | 2011-04-22 | 2011-12-14 | 华中科技大学 | 电器识别方法及应用该方法的家庭用户碳排放计量系统 |
CN103217603A (zh) * | 2013-03-22 | 2013-07-24 | 重庆大学 | 一种非侵入式家用电器用电状况在线监测的识别方法 |
CN103473464A (zh) * | 2013-09-17 | 2013-12-25 | 四川航天系统工程研究所 | 基于量子遗传算法的货物装载三维布局优化方法及系统 |
CN108429254A (zh) * | 2018-03-07 | 2018-08-21 | 国网四川省电力公司电力科学研究院 | 一种非侵入式用电负荷识别方法 |
-
2018
- 2018-12-03 CN CN201811467347.1A patent/CN109633301B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279326A (zh) * | 2011-04-22 | 2011-12-14 | 华中科技大学 | 电器识别方法及应用该方法的家庭用户碳排放计量系统 |
CN103217603A (zh) * | 2013-03-22 | 2013-07-24 | 重庆大学 | 一种非侵入式家用电器用电状况在线监测的识别方法 |
CN103473464A (zh) * | 2013-09-17 | 2013-12-25 | 四川航天系统工程研究所 | 基于量子遗传算法的货物装载三维布局优化方法及系统 |
CN108429254A (zh) * | 2018-03-07 | 2018-08-21 | 国网四川省电力公司电力科学研究院 | 一种非侵入式用电负荷识别方法 |
Non-Patent Citations (3)
Title |
---|
基于遗传优化的非侵入式居民负荷辨识算法;祁兵等;《电测与仪表》;20170910;第54卷(第17期);第11-17页 * |
祁兵等.基于遗传优化的非侵入式居民负荷辨识算法.《电测与仪表》.2017,第54卷(第17期), * |
量子遗传算法的研究与应用;权芳芳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140615;第I140-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109633301A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109633301B (zh) | 基于量子遗传优化的非侵入式电器负荷识别方法 | |
Fang et al. | Nonintrusive appliance identification with appliance-specific networks | |
CN105823948A (zh) | 一种非干预式居民负荷识别方法 | |
Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
CN111563827B (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
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 | |
Han et al. | Non‐intrusive load monitoring by voltage–current trajectory enabled asymmetric deep supervised hashing | |
Nambi et al. | Sustainable energy consumption monitoring in residential settings | |
Gurbuz et al. | A brief review of non-intrusive load monitoring and its impact on social life | |
CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
Zheng et al. | Non-intrusive load monitoring based on the graph least squares reconstruction method | |
CN116340753A (zh) | 一种考虑非电气特征量的分布式能源区域的能源监测方法 | |
CN115511218A (zh) | 基于多任务学习与深度学习的间歇型电器负荷预测方法 | |
Zhou et al. | Non-intrusive extraction and forecasting of residential electric vehicle charging load | |
CN115758188A (zh) | 一种非侵入式的负荷识别方法、装置、设备和介质 | |
Liu et al. | Nonintrusive load disaggregation combining with external attention mechanism and Seq2Piont | |
Buchhop et al. | Residential load identification based on load profile using artificial neural network (ANN) | |
CN110889465B (zh) | 基于自适应谐振网络的电力需求侧设备辨识方法和系统 | |
CN110146758B (zh) | 基于交叉熵的非侵入式电器识别方法 | |
CN109521296A (zh) | 一种稳态工况下的非侵入式电力负载识别优化算法 | |
Li et al. | Non-intrusive Load Monitoring Method Based on Transfer Learning and Sequence-to-point Model | |
CN111948446A (zh) | 一种自适应的负荷识别方法以及智能电能表 | |
Song et al. | Non-intrusive load decomposition method based on the factor hidden Markov model | |
Zhang et al. | Non-intrusive load decomposition of stacked hybrid recurrent neural networks |
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 |