CN111242276A - 一种用于负荷电流信号识别的一维卷积神经网络构建方法 - Google Patents

一种用于负荷电流信号识别的一维卷积神经网络构建方法 Download PDF

Info

Publication number
CN111242276A
CN111242276A CN201911377565.0A CN201911377565A CN111242276A CN 111242276 A CN111242276 A CN 111242276A CN 201911377565 A CN201911377565 A CN 201911377565A CN 111242276 A CN111242276 A CN 111242276A
Authority
CN
China
Prior art keywords
neural network
load
dimensional
construction method
convolutional neural
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
Application number
CN201911377565.0A
Other languages
English (en)
Other versions
CN111242276B (zh
Inventor
陈伟
赵国伟
李慧
姚志芳
姚泽宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Datong Power Supply Co of State Grid Shanxi Electric Power Co Ltd
Original Assignee
North China Electric Power University
Datong Power Supply Co of State Grid Shanxi Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University, Datong Power Supply Co of State Grid Shanxi Electric Power Co Ltd filed Critical North China Electric Power University
Priority to CN201911377565.0A priority Critical patent/CN111242276B/zh
Publication of CN111242276A publication Critical patent/CN111242276A/zh
Application granted granted Critical
Publication of CN111242276B publication Critical patent/CN111242276B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Neurology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种用于负荷电流信号识别的一维卷积神经网络构建方法，包括以下步骤：步骤S1：采集用户负荷数据作为训练集和测试集；步骤S2：搭建一维卷积神经网络模型；步骤S3：通过训练集训练搭建好的一维卷积神经网络辨识模型；步骤S4：将测试集输入经过训练的一维卷积神经网络中进行识别，获得负荷识别结果。本发明在传统卷积神经网络模型进行改进，采用一维卷积神经网络通过降低算法复杂度使负荷辨识效率得到提高；利用卷积核作为观察窗在信号上滑动保证了信号的时变性和频带的相关性。通过卷积核自动的提取时序特征，提高了负荷识别的准确率。

Description

一种用于负荷电流信号识别的一维卷积神经网络构建方法
技术领域
本发明属于电力负荷识别技术领域，具体涉及一种用于负荷电流信号识别的一维卷积神经网络构建方法。
背景技术
非侵入式负荷监测方式是依靠一种安装、维护方便，且高效率的监测工具，将总的用电数据反馈给数据处理中心，并实时传送给电网，使电网可以获得住宅用户的电能配置和消耗，从而制定出更合理的输配电方案。随着生活的多样性需求和电器种类的多样性发展，非侵入式负荷监测的研究也在不断深入和扩展。
传统的侵入式负荷监测方法，在每个负荷处装设硬件传感器，通过载波传输将采集到的用电信息送至处理中心。这种方法优点是计量较为准确，缺点是当被监测系统内的用电设备数量较多时，传统的负荷检测方式不仅成本高，并且在传感器装置的安装和系统维护方面也很不方便。非侵入式负荷检测不需要安装传感器在每一个监测负荷处，而是在进户总干线上提取所有电器消耗的用电数据，尽量小的影响到被监测设备，提取相应用电信息。而目前的监测设施中对电力负荷监测不具备储存和自学功能，为非入侵式电力负荷监测带来困难。
发明内容
本发明为了解决上述技术问题，本发明解决了对非入侵式电力负荷的监测困难，自学功能差的问题，实现智能化技术效果。
具体而言本发明提供了一种用于负荷电流信号识别的一种用于负荷电流信号识别的一维卷积神经网络构建方法，其特征在于，所述神经网络构建方法包括以下步骤：
步骤S1：采集用户负荷数据作为训练集和测试集；
步骤S2：搭建一维卷积神经网络模型；
步骤S3：通过训练集训练搭建好的一维卷积神经网络辨识模型；
步骤S4：将测试集输入经过训练的一维卷积神经网络中进行识别，获得负荷识别结果。
更进一步地，在步骤S1中，所述用户负荷数据是多种单个负荷电流数据，当前时刻电流与上一时刻的电流信号和新投入的所述单个负荷电流可表示为：
Figure BDA0002341399800000021
其中，I(t)是当前时刻电流，I′(t)为上一时刻的电流，Im(t)为新投入运行的单个负荷电流，n(t)为噪声，m表示用户家中用电器个数。
更进一步地，步骤S1中，所述用户负荷数据按2：1的比例分为所述训练集和所述测试集。
更进一步地，步骤S2中，所述一维卷积神经网络中序列数据经一维卷积运算映射为卷积层，生成的特征图为：
Figure BDA0002341399800000022
f(z)＝max(z，0)
式中：X表示输入的序列数据，*表示一维卷积运算，
Figure BDA0002341399800000023
表示由卷积核
Figure BDA0002341399800000024
生成的j个特征图，j∈[1,nc]，nc表示卷积核个数，b为偏置，f(z)为激活函数，所述激活函数采用ReLu函数加速模型收敛。
更进一步地，步骤S2中，所述生成的特征图进行最大值抽样，所述最大值抽样模型可表示为：
Figure BDA0002341399800000031
其中，
Figure BDA0002341399800000032
是特征图中最大的抽样值，2k是特征图长度。
更进一步地，步骤S2中，所述一维卷积神经网络中最后一次采用池化运算时，采用全局最大池化，捕获最有用全局时序信息，所述特征图长度缩减为1；全局最大池化模型可表示为：
Figure BDA0002341399800000033
式中：
Figure BDA0002341399800000034
表示最后一次得到的最大抽样值。
更进一步地，步骤S2中，所述一维卷积神经网络中全连接层分类结果输出可表示为：
Figure BDA0002341399800000035
Figure BDA0002341399800000036
其中，Wfc为全连接层的权值矩阵，afc是全连接层时序特征序列，激活函数fσ(z)为sigmoid函数，z是全连接层的输出序列，z取值范围是(-∞，+∞)；最终输出分类结果
Figure BDA0002341399800000037
表示属于不同类别的概率。
本发明的有益效果是：
本发明相对于传统机器学习，一维卷积神经网络通过降低算法复杂度，负荷辨识效率得到提高；利用卷积核作为观察窗在信号上滑动保证了信号的时变性和频带的相关性。通过卷积核自动的提取时序特征，提高了负荷识别的准确率。
附图说明
图1是本发明实施例提供的一种用于负荷电流信号识别的一维卷积神经网络构建方法的流程示意图；
图2是本发明实施例提供的一种用于负荷电流信号识别的一维卷积神经网络构建方法中一维卷积神经网络非侵入式负荷辨识模型的示意图。
具体实施方式
下面通过实施例，并结合附图1-2，对本发明的技术方案作进一步具体的说明。
如附图1所示，本申请的实施例提供了一种用于负荷电流信号识别的一维卷积神经网络构建方法，包括以下步骤：
步骤S1：采集用户负荷数据作为训练集和测试集；
步骤S2：搭建一维卷积神经网络模型；
步骤S3：通过训练集训练搭建好的一维卷积神经网络辨识模型；
步骤S4：将测试集输入经过训练的一维卷积神经网络中进行识别，获得负荷识别结果。
在步骤S1中，在用户电表上安装传感器采集用户电压、电流、功率信息。然后利用负荷分解算法对采集得到的混合数据进行分解，得到单个负荷数据并进行存储，将各个负荷数据作为训练集和测试集。
具体的，根据用户实际中对负荷的操作习惯，同一时间绝对同步地开启或关闭两种负荷的可能性非常小，必然存在大小不一的时间差，即负荷投切是顺序进行的。因此，当前时刻电流与上一时刻的电流信号和新投入的单个负荷电流可表示为：
Figure BDA0002341399800000041
其中，I(t)是当前时刻电流，I′(t)为上一时刻的电流，Im(t)为新投入运行的单个负荷电流，n(t)为噪声，m表示用户家中用电器个数。
通过求解上述所示的欠定方程，在每一输出时间间隔分离出两路信号，一路为当前新投入运行的负荷电流信号，另一路为上一时刻的混合电流信号，对得到新投入的负荷数据Im(t)进行存储，作为单个负荷数据。将单个负荷数据构建负荷数据库，并对负荷数据进行事件检测、负荷分解、负荷分簇和利用生活习惯等先验数据对负荷进行识别，并将每种负荷数据进行存储，建立负荷数据库。用户的所有信号单个负荷数据构成该用户的专属负荷数据库。同时，负荷数据库实时根据用户新增的电器更新数据库。虽然采样保证了负荷特征数据库的实时更新，但是在现实生活中，一旦完成了负荷数据库的建立，在短时间内就很少有新的负荷加入。因此，负荷数据库将每天定时更新，而这一过程将不会在其他时间执行以节省时间。
将负荷数据库中的负荷数据按2：1的比例分为训练集和测试集；其中，训练集中包含负荷种类信息，测试集中不包含负荷种类信息。
在步骤2中，对进行负荷辨识的一维卷积神经网络模型进行搭建。
一维卷积神经网络中的输入是一维向量,所以网络内部的卷积核、特征图也都是一维的。序列数据经一维卷积运算映射为卷积层，生成的特征图为：
Figure BDA0002341399800000051
f(z)＝max(z，0)
式中：X表示输入的序列数据，*表示一维卷积运算，
Figure BDA0002341399800000052
表示由卷积核
Figure BDA0002341399800000053
生成的j个特征图，j∈[1,nc]，nc表示卷积核个数(多个卷积核可生成多个特征图，并联后构成卷积层)，b为偏置，f(z)为激活函数，激活函数采用ReLu函数加速模型收敛，增强模型的稀疏表示。
池化层仅需要在上一层的一维特征图上进行均值抽样或者最大值抽样。池化运算可将序列长度减半，最大池化模型可表示为：
Figure BDA0002341399800000054
其中，
Figure BDA0002341399800000055
是特征图中最大的抽样值，2k是特征图长度。
当最后一次采用池化运算时，采用全局最大池化，捕获最有用全局时序信息，特征图长度缩减为1。全局最大池化模型可表示为：
Figure BDA0002341399800000061
其中，
Figure BDA0002341399800000062
表示最后一次得到的最大抽样值。
全连接层对上一层进行拼接时不再需要将特征图重置成一维向量，因为在一维网络结构中，所有特征图都是一维结构，直接前后连接即可.全连接层对全局时序特征进一步组合可表示为：
afc＝f(ap,lastWfc+b)
其中，Wfc为全连接层的权值矩阵，afc是全连接层时序特征序列。激活函数f(z)同样为ReLu。对于二分类问题，输出单元数为1，经过全连接层分类结果输出可表示为：
Figure BDA0002341399800000063
Figure BDA0002341399800000064
激活函数fσ(z)为sigmoid函数，
Figure BDA0002341399800000065
为分类结果，z是全连接层的输出序列，z取值范围是(-∞，+∞)。最终输出分类结果
Figure BDA0002341399800000066
表示属于不同类别的概率。
在步骤S3中，将步骤S1中得到的训练集数据输入搭建好的神经网络中进行训练，通过损失函数不断迭代调整神经网络模型的参数，直至准确率大于设定阈值。根据输出较高的识别准确率，得到比较完善的一维卷积神经网络负荷辨识模型。
在步骤S4中，将步骤S1中得到的测试集数据输入经过训练的一维卷积神经网络中进行识别，最终获得负荷识别结果。
虽然本发明已经以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。

Claims (7)

1.一种用于负荷电流信号识别的一维卷积神经网络构建方法，其特征在于，所述神经网络构建方法包括以下步骤：
步骤S1：采集用户负荷数据作为训练集和测试集；
步骤S2：搭建一维卷积神经网络模型；
步骤S3：通过训练集训练搭建好的一维卷积神经网络辨识模型；
步骤S4：将测试集输入经过训练的一维卷积神经网络中进行识别，获得负荷识别结果。
2.根据权利要求1所述神经网络构建方法，其特征在于，在步骤S1中，所述用户负荷数据是多种单个负荷电流数据，当前时刻电流与上一时刻的电流信号和新投入的所述单个负荷电流可表示为：
Figure FDA0002341399790000011
其中，I(t)是当前时刻电流，I′(t)为上一时刻的电流，Im(t)为新投入运行的单个负荷电流，n(t)为噪声，m表示用户家中用电器个数。
3.根据权利要求1所述神经网络构建方法，其特征在于，步骤S1中，所述用户负荷数据按2∶1的比例分为所述训练集和所述测试集。
4.根据权利要求1所述神经网络构建方法，其特征在于，步骤S2中，所述一维卷积神经网络中序列数据经一维卷积运算映射为卷积层，生成的特征图为：
Figure FDA0002341399790000012
f(z)＝max(z，0)
式中：X表示输入的序列数据，*表示一维卷积运算，
Figure FDA0002341399790000013
表示由卷积核
Figure FDA0002341399790000014
生成的j个特征图，j∈[1，nc]，nc表示卷积核个数，b为偏置，f(z)为激活函数，所述激活函数采用ReLu函数加速模型收敛。
5.根据权利要求4所述神经网络构建方法，其特征在于，步骤S2中，所述生成的特征图进行最大值抽样，所述最大值抽样模型可表示为：
Figure FDA0002341399790000021
其中，
Figure FDA0002341399790000022
是特征图中最大的抽样值，2k是特征图长度。
6.根据权利要求5所述神经网络构建方法，其特征在于，步骤S2中，所述一维卷积神经网络中最后一次采用池化运算时，采用全局最大池化，捕获最有用全局时序信息，所述特征图长度缩减为1；全局最大池化模型可表示为：
Figure FDA0002341399790000023
式中：
Figure FDA0002341399790000024
表示最后一次得到的最大抽样值。
7.根据权利要求6所述神经网络构建方法，其特征在于，步骤S2中，所述一维卷积神经网络中全连接层分类结果输出可表示为：
Figure FDA0002341399790000025
Figure FDA0002341399790000026
其中，Wfc为全连接层的权值矩阵，afc是全连接层时序特征序列，激活函数fσ(z)为sigmoid函数，z是全连接层的输出序列，z取值范围是(-∞，+∞)；最终输出分类结果
Figure FDA0002341399790000027
表示属于不同类别的概率。
CN201911377565.0A 2019-12-27 2019-12-27 一种用于负荷电流信号识别的一维卷积神经网络构建方法 Active CN111242276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911377565.0A CN111242276B (zh) 2019-12-27 2019-12-27 一种用于负荷电流信号识别的一维卷积神经网络构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911377565.0A CN111242276B (zh) 2019-12-27 2019-12-27 一种用于负荷电流信号识别的一维卷积神经网络构建方法

Publications (2)

Publication Number Publication Date
CN111242276A true CN111242276A (zh) 2020-06-05
CN111242276B CN111242276B (zh) 2023-08-25

Family

ID=70865600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911377565.0A Active CN111242276B (zh) 2019-12-27 2019-12-27 一种用于负荷电流信号识别的一维卷积神经网络构建方法

Country Status (1)

Country Link
CN (1) CN111242276B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435142A (zh) * 2020-12-16 2021-03-02 北京航空航天大学 一种用电负荷识别方法及其负荷用电设施知识库构建方法
CN113393121A (zh) * 2021-06-15 2021-09-14 贵州电网有限责任公司 一种基于负荷电力指纹特征的非侵入式负荷识别方法
CN113469228A (zh) * 2021-06-18 2021-10-01 国网山东省电力公司淄博供电公司 一种基于数据流时空特征的电力负荷异常值辨识方法
CN113607068A (zh) * 2021-07-19 2021-11-05 华中科技大学 一种光声测量信号特征的识别模型建立方法及提取方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018171109A1 (zh) * 2017-03-23 2018-09-27 北京大学深圳研究生院 基于卷积神经网络的视频动作检测方法
US20180357542A1 (en) * 2018-06-08 2018-12-13 University Of Electronic Science And Technology Of China 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method
CN109325395A (zh) * 2018-04-28 2019-02-12 二十世纪空间技术应用股份有限公司 图像的识别方法、卷积神经网络模型的训练方法及装置
CN110135227A (zh) * 2018-02-09 2019-08-16 电子科技大学 一种基于机器学习的激光点云室外场景自动分割方法
CN110398369A (zh) * 2019-08-15 2019-11-01 贵州大学 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法
CN110458189A (zh) * 2019-06-29 2019-11-15 天津大学 压缩感知和深度卷积神经网络电能质量扰动分类方法
CN110597240A (zh) * 2019-10-24 2019-12-20 福州大学 一种基于深度学习的水轮发电机组故障诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018171109A1 (zh) * 2017-03-23 2018-09-27 北京大学深圳研究生院 基于卷积神经网络的视频动作检测方法
CN110135227A (zh) * 2018-02-09 2019-08-16 电子科技大学 一种基于机器学习的激光点云室外场景自动分割方法
CN109325395A (zh) * 2018-04-28 2019-02-12 二十世纪空间技术应用股份有限公司 图像的识别方法、卷积神经网络模型的训练方法及装置
US20180357542A1 (en) * 2018-06-08 2018-12-13 University Of Electronic Science And Technology Of China 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method
CN110458189A (zh) * 2019-06-29 2019-11-15 天津大学 压缩感知和深度卷积神经网络电能质量扰动分类方法
CN110398369A (zh) * 2019-08-15 2019-11-01 贵州大学 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法
CN110597240A (zh) * 2019-10-24 2019-12-20 福州大学 一种基于深度学习的水轮发电机组故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱锡祥等: "基于一维卷积神经网络的车载语音识别研究", 《微电子学与计算机》 *
顾鑫等: "基于深度CNN和ELM的滚动轴承故障诊断研究", 《兵器装备工程学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435142A (zh) * 2020-12-16 2021-03-02 北京航空航天大学 一种用电负荷识别方法及其负荷用电设施知识库构建方法
CN113393121A (zh) * 2021-06-15 2021-09-14 贵州电网有限责任公司 一种基于负荷电力指纹特征的非侵入式负荷识别方法
CN113469228A (zh) * 2021-06-18 2021-10-01 国网山东省电力公司淄博供电公司 一种基于数据流时空特征的电力负荷异常值辨识方法
CN113607068A (zh) * 2021-07-19 2021-11-05 华中科技大学 一种光声测量信号特征的识别模型建立方法及提取方法
CN113607068B (zh) * 2021-07-19 2022-08-05 华中科技大学 一种光声测量信号特征的识别模型建立方法及提取方法

Also Published As

Publication number Publication date
CN111242276B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN111242276A (zh) 一种用于负荷电流信号识别的一维卷积神经网络构建方法
CN108899892A (zh) 一种基于cnn非侵入式用电负荷分解方法
CN110288113A (zh) 一种非侵入式负荷智能识别系统
CN112598303A (zh) 基于1d卷积神经网络和lstm结合的非侵入式负荷分解方法
CN110136024A (zh) 获取用户的用电特征、用电习惯及用电量预测值的方法及装置
Zu et al. A simple gated recurrent network for detection of power quality disturbances
CN106680621A (zh) 一种基于电流信号分离的居民负荷用电识别方法
CN115100466A (zh) 一种非侵入式负荷监测方法、装置及介质
CN116523681A (zh) 电动汽车的负荷分解方法、装置、电子设备及存储介质
CN117272230A (zh) 一种基于多任务学习模型的非侵入式负荷监测方法和系统
CN115130788B (zh) 基于大数据分析的用电预测系统
CN116714469A (zh) 充电桩健康监测方法、装置、终端及存储介质
CN116961805A (zh) 一种基于时空图神经网络的短波预测方法
CN116298576A (zh) 一种考虑时间分段的可扩展非侵入式负荷监测方法
Zhao et al. Anomaly detection and classification of household electricity data: a time window and multilayer hierarchical network approach
CN113673846B (zh) 一种电力物联网架构下的需量态势感知方法
CN115902557A (zh) 开关柜故障诊断处理方法、装置及非易失性存储介质
CN115545240A (zh) 一种低压配电网台区异常线损诊断方法、系统、设备及介质
CN115062686A (zh) 基于多角度特征的多元kpi时序异常检测方法和系统
Liu et al. Wind power prediction based on LSTM-CNN optimization
CN114861993A (zh) 基于联邦学习与深度神经网络的区域光伏发电预测方法
CN114462306A (zh) 基于变权重时域卷积网络的非侵入式用电负荷分解方法
CN114186631A (zh) 一种基于非侵入式智能终端的负荷识别方法
Wang et al. Real-time fault diagnosis method for low-voltage power line carrier communication network based on network topology
CN113009869A (zh) 智慧电力维护管理系统

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