CN111415270A - 一种基于lstm学习的电力负荷智能识别方法 - Google Patents

一种基于lstm学习的电力负荷智能识别方法 Download PDF

Info

Publication number
CN111415270A
CN111415270A CN202010138462.5A CN202010138462A CN111415270A CN 111415270 A CN111415270 A CN 111415270A CN 202010138462 A CN202010138462 A CN 202010138462A CN 111415270 A CN111415270 A CN 111415270A
Authority
CN
China
Prior art keywords
stm
classification
network
load
model
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.)
Pending
Application number
CN202010138462.5A
Other languages
English (en)
Inventor
高平航
邬永强
李兆刚
陈晨
陈炎
章为昆
丁剑飞
贾天有
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.)
Zhejiang Wellsun Intelligent Technology Co Ltd
Original Assignee
Zhejiang Wellsun Intelligent Technology 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 Zhejiang Wellsun Intelligent Technology Co Ltd filed Critical Zhejiang Wellsun Intelligent Technology Co Ltd
Priority to CN202010138462.5A priority Critical patent/CN111415270A/zh
Publication of CN111415270A publication Critical patent/CN111415270A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于LSTM学习的电力负荷智能识别方法，获取原始电压电流数据，并进行归一化处理，建立负荷分类LSTM网络模型，调整网络内部超参数，将所述归一化处理后的数据输入所述负荷分类LSTM网络模型进行模型训练，并设定两个网络训练终止指标，直至两个所述网络训练终止指标值都满足要求，完成模型训练，将获取的实时采样数据输入到训练完成的所述负荷分类LSTM网络模型进行负荷预测和分类，提高识别的准确率。

Description

一种基于LSTM学习的电力负荷智能识别方法
技术领域
本发明涉及智能用电及负荷识别技术领域，尤其涉及一种基于LSTM学习的电力负荷智能识别方法。
背景技术
非侵入式负荷监测技术由Hart教授于20世纪80年代提出，负荷监测技术包括侵入式和非侵入式。侵入式负荷监测(Intrusive load monitoring，ILM)是在用户家庭内部的每个电器都安装传感器从而记录其用电习惯，缺点是安装与维护困难、推广成本高、用户接受程度不一；而非侵入式电力负荷监测系统(Non-intrusive load monitoring，NILM)，仅在用户入口处安装监测设备，通过分析用户入口处的用电，得到用户内部各个电器的使用情况，具有投入成本低、实用性强、维护简单、用户易接受等特点，目前电力负荷识别方法分为两大类：传统负荷识别方法和智能负荷识别方法。传统负荷识别方法主要是提取各类电器的特征值建立负荷特征库，通过模板匹配、最邻近和决策树等算法进行识别，其存在误判率较高、对小功率电器和多状态电器的识别精度不高等问题；智能负荷识别方法主要有遗传算法、隐式马可夫算法、支持向量机、卷积神经网络算法和bp神经网络等，这些算法都需要大量的训练数据，导致识别的准确率较低等缺点。
发明内容
本发明的目的在于提供一种基于LSTM学习的电力负荷智能识别方法，提高识别的准确率。
为实现上述目的，本发明提供了一种基于LSTM学习的电力负荷智能识别方法，包括：
获取原始电压电流数据，并进行归一化处理；
建立负荷分类LSTM网络模型，调整网络内部超参数；
将所述归一化处理后的数据输入所述负荷分类LSTM网络模型进行训练，并判断网络训练终止指标是否达到要求；
将获取的实时采样数据输入到训练完成的所述负荷分类LSTM网络模型进行负荷预测和分类。
其中，所述获取原始电压电流数据，并进行归一化处理，包括：
获取原始电压电流数据，得到原始采样序列，并对所述原始采样序列中的数据进行归一化处理。
其中，所述建立负荷分类LSTM网络模型，调整网络内部超参数，包括：
根据所述原始电压电流数据，建立负荷分类LSTM网络模型，经过输入层的格式转换后，传输至LSTM层进行LSTM网络训练，依次经过全连接层和softmax层后，由分类输出层输出分类结果。
其中，所述建立负荷分类LSTM网络模型，调整网络内部超参数，还包括：
按照设定值调整学习率和迭代次数，获取输入权重、循环权重和偏差，并分别利用门激活函数和状态激活函数调整对应的传入门、遗忘门、备选门和输出门的超参数。
其中，将所述归一化处理后的数据输入所述负荷分类LSTM网络模型进行训练，并判断网络训练终止指标是否达到要求，包括：
将所述归一化处理后得到的数据通过所述输入层输入所述负荷分类LSTM网络模型中进行模型训练，并设定两个网络训练终止指标，并判断两个所述网络训练终止指标值与设定值是否相等。
其中，判断两个所述网络训练终止指标值与设定值是否相等，包括：
若两个所述网络训练终止指标值都大于或等于设定值，则完成模型训练；
若两个所述网络训练终止指标值中任意一个小于设定值，则重新调整网络内部超参数进行模型训练，直至两个所述网络训练终止指标值都大于或等于设定值。
其中，将获取的实时采样数据输入到训练完成的所述负荷分类LSTM网络模型进行负荷预测和分类，包括：
将获取的实时采样数据输入到训练完成的所述负荷分类LSTM网络模型中进行负荷预测和分类，并设置召回率、准确度、平衡分数和准确率对结果进行评价。
本发明的一种基于LSTM学习的电力负荷智能识别方法，获取原始电压电流数据，并进行归一化处理，建立负荷分类LSTM网络模型，调整网络内部超参数，将所述归一化处理后的数据输入所述负荷分类LSTM网络模型进行模型训练，并设定两个网络训练终止指标，直至两个所述网络训练终止指标值都满足要求，完成模型训练，将获取的实时采样数据输入到训练完成的所述负荷分类LSTM网络模型进行负荷预测和分类，提高识别的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于LSTM学习的电力负荷智能识别方法的步骤示意图。
图2是本发明提供的一种基于LSTM学习的电力负荷智能识别方法的流程示意图。
图3是本发明提供的负荷分类LSTM网络模型图。
图4是本发明提供的LSTM网络单元图。
1-数据采集层、2-数据处理层、3-输入层、4-LSTM层、5-dropout层、6-全连接层、7-softmax层、8-分类输出层。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
请参阅图1至图4，本发明提供一种基于LSTM学习的电力负荷智能识别方法，包括：
S101、获取原始电压电流数据，并进行归一化处理。
具体的，获取各个家用电器运行时的原始电压电流数据，得到原始采样序列St＝{xt(1),xt(2),…,xt(T)},xt∈{U,I}，然后对所述原始采样序列进行归一化处理，计算公式为：
Figure BDA0002398159530000051
其中，T＝fs/f,fs为采样频率，f为工频50Hz，t为采样周波数。
S102、建立负荷分类LSTM网络模型，调整网络内部超参数。
具体的，根据所述原始电压电流数据，建立负荷分类LSTM网络模型，参见图3，所述负荷分类LSTM网络模型包括数据采集层1、数据处理层2、输入层3、LSTM层4、dropout层5、全连接层6、softmax层7和分类输出层8，其中，所述数据采集层1，用于采集家用电器设备的原始电压电流数据，所述数据处理层2，用于对所述数据采集层1采集的原始电压电流数据进行归一化处理，所述输入层3，用于将归一化处理后的数据转换为网络输入的格式，所述LSTM层4，用于LSTM网络训练，所述dropout层5，用于防止网络过拟合，最后经过全连接层6、softmax层7和分类输出层8，输出电器识别的分类结果，并按照设定值调整学习率和迭代次数，获取输入权重W、循环权重R和偏差b，并分别利用门激活函数和状态激活函数调整对应的传入门i、遗忘门f、备选门g和输出门o的超参数，参见图4，网络内部学习权重为：
W＝[Wi,Wf,Wg,Wo]T
R＝[Ri,Rf,Rg,Ro]T
b＝[bi,bf,bg,bo]T
所述负荷分类LSTM网络模型一次迭代的过程为：
Figure BDA0002398159530000061
其中，其中σg为门激活函数，使用sigmoid函数，即σ(x)＝(1+e-x)-1，σc为状态激活函数，使用tanh函数，ct,ht为网络单元经过一次计算的输出值，所述LSTM网络包括所述网络内部超参数设置如表1所示，
表1网络内部超参数设置表
Figure BDA0002398159530000062
Figure BDA0002398159530000071
S103、将所述归一化处理后的数据输入所述负荷分类LSTM网络模型进行训练，并判断网络训练终止指标是否达到要求。
具体的，将所述归一化处理后得到的数据通过所述输入层3输入所述负荷分类LSTM网络模型中进行模型训练，并设定两个网络训练终止指标acc和Loss，若两个所述网络训练终止指标acc和Loss的值都大于或等于设定值，则完成模型训练，若两个所述网络训练终止指标acc和Loss的值中任意一个小于设定值，则重新调整网络内部超参数进行模型训练，直至两个所述网络训练终止指标值都满足要求，其中，所述网络训练终止指标的计算公式为：
Figure BDA0002398159530000081
其中，TP为工作的设备中被模型准确识别的结果数；TN为未工作的设备中被模型准确识别的结果数；P为实际工作的设备数；N为未工作的设备数。
Figure BDA0002398159530000082
其中，N是输入特征的数量，K是电器种类，tij是第i个特征属于第j种电器的个数，yij是第j种电器的特征i的输出，Loss具体指的是输入的第i个特征与电器种类j相关联的概率，值越小相关性越大。
S104、将获取的实时采样数据输入到训练完成的所述负荷分类LSTM网络模型进行负荷预测和分类。
具体的，将获取的实时采样数据输入到训练完成的所述负荷分类LSTM网络模型中进行负荷预测和分类，并设置召回率recall、准确度precision、平衡分数F1和准确率accuracy对结果进行评价，其中，召回率recall、准确度precision、平衡分数F1和准确率accuracy的具体计算公式为：
Figure BDA0002398159530000083
Figure BDA0002398159530000084
Figure BDA0002398159530000085
Figure BDA0002398159530000086
其中，TP为工作的设备中被模型准确识别的结果数；TN为未工作的设备被模型准确识别的结果数；FP为设备实际工作却没有被模型识别的个数；FN为设备未工作却被模型误判为工作的个数；P为实际工作的设备数；N为未工作的设备数。
举例来说，选取了五种居民家庭常用电器冰箱、电吹风、电磁炉、电风扇和热水壶。其中冰箱和电风扇属于小功率电器，电吹风、电风扇和电磁炉属于多状态电器，热水壶属于开关电器。采集其运行数据并经过上述LSTM网络训练后得到的负荷识别分类模型，并将实际运行数据的进行测试结果如表2所示：
表2五种家庭常用电器测试结果
Figure BDA0002398159530000091
LSTM网络衡量指标结果如表3所示：
表3LSTM网络衡量指标结果
Figure BDA0002398159530000101
结果表明，本发明提出的方法不仅能有效识别电器负荷类型，而且能够识别小功率电器和多状态电器，且识别准确率较高和网络稳定性较好。
本发明的一种基于LSTM学习的电力负荷智能识别方法，获取原始电压电流数据，并进行归一化处理，建立负荷分类LSTM网络模型，调整网络内部超参数，将所述归一化处理后的数据输入所述负荷分类LSTM网络模型进行模型训练，并设定两个网络训练终止指标，直至两个所述网络训练终止指标值都满足要求，完成模型训练，将获取的实时采样数据输入到训练完成的所述负荷分类LSTM网络模型进行负荷预测和分类，提高识别的准确率。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (7)

1.一种基于LSTM学习的电力负荷智能识别方法，其特征在于，包括：
获取原始电压电流数据，并进行归一化处理；
建立负荷分类LSTM网络模型，调整网络内部超参数；
将所述归一化处理后的数据输入所述负荷分类LSTM网络模型进行训练，并判断网络训练终止指标是否达到要求；
将获取的实时采样数据输入到训练完成的所述负荷分类LSTM网络模型进行负荷预测和分类。
2.如权利要求1所述的一种基于LSTM学习的电力负荷智能识别方法，其特征在于，所述获取原始电压电流数据，并进行归一化处理，包括：
获取原始电压电流数据，得到原始采样序列，并对所述原始采样序列中的数据进行归一化处理。
3.如权利要求2所述的一种基于LSTM学习的电力负荷智能识别方法，其特征在于，所述建立负荷分类LSTM网络模型，调整网络内部超参数，包括：
根据所述原始电压电流数据，建立负荷分类LSTM网络模型，经过输入层的格式转换后，传输至LSTM层进行LSTM网络训练，依次经过全连接层和softmax层后，由分类输出层输出分类结果。
4.如权利要求3所述的一种基于LSTM学习的电力负荷智能识别方法，其特征在于，所述建立负荷分类LSTM网络模型，调整网络内部超参数，还包括：
按照设定值调整学习率和迭代次数，获取输入权重、循环权重和偏差，并分别利用门激活函数和状态激活函数调整对应的传入门、遗忘门、备选门和输出门的超参数。
5.如权利要求4所述的一种基于LSTM学习的电力负荷智能识别方法，其特征在于，将所述归一化处理后的数据输入所述负荷分类LSTM网络模型进行训练，并判断网络训练终止指标是否达到要求，包括：
将所述归一化处理后得到的数据通过所述输入层，输入所述负荷分类LSTM网络模型中进行模型训练，并设定两个网络训练终止指标，并判断两个所述网络训练终止指标值与设定值是否相等。
6.如权利要求5所述的一种基于LSTM学习的电力负荷智能识别方法，其特征在于，判断两个所述网络训练终止指标值与设定值是否相等，包括：
若两个所述网络训练终止指标值都大于或等于设定值，则完成模型训练；
若两个所述网络训练终止指标值中任意一个小于设定值，则重新调整网络内部超参数进行模型训练，直至两个所述网络训练终止指标值都大于或等于设定值。
7.如权利要求6所述的一种基于LSTM学习的电力负荷智能识别方法，其特征在于，将获取的实时采样数据输入到训练完成的所述负荷分类LSTM网络模型进行负荷预测和分类，包括：
将获取的实时采样数据输入到训练完成的所述负荷分类LSTM网络模型中进行负荷预测和分类，并设置召回率、准确度、平衡分数和准确率对结果进行评价。
CN202010138462.5A 2020-03-03 2020-03-03 一种基于lstm学习的电力负荷智能识别方法 Pending CN111415270A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010138462.5A CN111415270A (zh) 2020-03-03 2020-03-03 一种基于lstm学习的电力负荷智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010138462.5A CN111415270A (zh) 2020-03-03 2020-03-03 一种基于lstm学习的电力负荷智能识别方法

Publications (1)

Publication Number Publication Date
CN111415270A true CN111415270A (zh) 2020-07-14

Family

ID=71494058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010138462.5A Pending CN111415270A (zh) 2020-03-03 2020-03-03 一种基于lstm学习的电力负荷智能识别方法

Country Status (1)

Country Link
CN (1) CN111415270A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613542A (zh) * 2020-12-14 2021-04-06 国网甘肃省电力公司营销服务中心 一种基于双向lstm的企业除污设备负荷辨识方法
CN113033596A (zh) * 2020-12-30 2021-06-25 国网河南省电力公司南阳供电公司 用户用电行为类别和典型用电模式精细化辨识方法
CN113050486A (zh) * 2021-03-12 2021-06-29 南京工程学院 基于工控机的电力系统边缘计算及数据分发装置
CN113269261A (zh) * 2021-05-31 2021-08-17 国网福建省电力有限公司电力科学研究院 一种配网波形智能分类方法
CN114118571A (zh) * 2021-11-24 2022-03-01 西安西热电站信息技术有限公司 一种基于lstm深度学习的供暖热负荷预测方法
CN114970633A (zh) * 2022-06-07 2022-08-30 西安电子科技大学 一种基于lstm的非侵入式用电器识别方法、系统及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122790A (zh) * 2017-03-15 2017-09-01 华北电力大学 基于混合神经网络和集成学习的非侵入式负荷识别算法
CN108170529A (zh) * 2017-12-26 2018-06-15 北京工业大学 一种基于长短期记忆网络的云数据中心负载预测方法
CN109245099A (zh) * 2018-10-29 2019-01-18 南方电网科学研究院有限责任公司 一种电力负荷辨识方法、装置、设备及可读存储介质
CN109636017A (zh) * 2018-11-29 2019-04-16 深圳昆腾信息科技有限公司 一种金融交易价格预测方法、装置、介质及设备
CN110134947A (zh) * 2019-04-17 2019-08-16 中国科学院计算技术研究所 一种基于不平衡多源数据的情感分类方法及系统
CN110188826A (zh) * 2019-05-31 2019-08-30 湖南科技大学 基于智能电表数据的家用电器运行状态非侵入式检测方法
CN110738182A (zh) * 2019-10-21 2020-01-31 四川隧唐科技股份有限公司 一种用于高精度识别中标金额的lstm模型单元训练方法及装置
CN110852655A (zh) * 2019-11-29 2020-02-28 湖南科技大学 带有太阳能供电系统的家庭用电负荷分解系统与分解方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122790A (zh) * 2017-03-15 2017-09-01 华北电力大学 基于混合神经网络和集成学习的非侵入式负荷识别算法
CN108170529A (zh) * 2017-12-26 2018-06-15 北京工业大学 一种基于长短期记忆网络的云数据中心负载预测方法
CN109245099A (zh) * 2018-10-29 2019-01-18 南方电网科学研究院有限责任公司 一种电力负荷辨识方法、装置、设备及可读存储介质
CN109636017A (zh) * 2018-11-29 2019-04-16 深圳昆腾信息科技有限公司 一种金融交易价格预测方法、装置、介质及设备
CN110134947A (zh) * 2019-04-17 2019-08-16 中国科学院计算技术研究所 一种基于不平衡多源数据的情感分类方法及系统
CN110188826A (zh) * 2019-05-31 2019-08-30 湖南科技大学 基于智能电表数据的家用电器运行状态非侵入式检测方法
CN110738182A (zh) * 2019-10-21 2020-01-31 四川隧唐科技股份有限公司 一种用于高精度识别中标金额的lstm模型单元训练方法及装置
CN110852655A (zh) * 2019-11-29 2020-02-28 湖南科技大学 带有太阳能供电系统的家庭用电负荷分解系统与分解方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姜波: "基于深度学习的非侵入式住宅用电负荷分解方法" *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613542A (zh) * 2020-12-14 2021-04-06 国网甘肃省电力公司营销服务中心 一种基于双向lstm的企业除污设备负荷辨识方法
CN112613542B (zh) * 2020-12-14 2024-01-12 国网甘肃省电力公司营销服务中心 一种基于双向lstm的企业除污设备负荷辨识方法
CN113033596A (zh) * 2020-12-30 2021-06-25 国网河南省电力公司南阳供电公司 用户用电行为类别和典型用电模式精细化辨识方法
CN113050486A (zh) * 2021-03-12 2021-06-29 南京工程学院 基于工控机的电力系统边缘计算及数据分发装置
CN113050486B (zh) * 2021-03-12 2022-06-17 南京工程学院 基于工控机的电力系统边缘计算及数据分发装置
CN113269261A (zh) * 2021-05-31 2021-08-17 国网福建省电力有限公司电力科学研究院 一种配网波形智能分类方法
CN113269261B (zh) * 2021-05-31 2024-03-12 国网福建省电力有限公司电力科学研究院 一种配网波形智能分类方法
CN114118571A (zh) * 2021-11-24 2022-03-01 西安西热电站信息技术有限公司 一种基于lstm深度学习的供暖热负荷预测方法
CN114970633A (zh) * 2022-06-07 2022-08-30 西安电子科技大学 一种基于lstm的非侵入式用电器识别方法、系统及设备

Similar Documents

Publication Publication Date Title
CN111415270A (zh) 一种基于lstm学习的电力负荷智能识别方法
CN110188826A (zh) 基于智能电表数据的家用电器运行状态非侵入式检测方法
CN109598451B (zh) 一种基于pca与lstm神经网络的非侵入式负荷辨识方法
CN110991263B (zh) 一种抗背景负荷干扰的非入侵式负荷识别方法及系统
CN109345409A (zh) 一种基于宽带载波的居民用户综合能效管理方法
CN108846530A (zh) 一种基于“聚类-回归”模型的短期负荷预测方法
CN110119545B (zh) 一种基于栈式自编码器的非侵入式电力负荷识别方法
CN111563827B (zh) 基于电器物理特性及居民用电行为的负荷分解方法
CN110011618B (zh) 基于模糊c均值聚类神经网络的光伏阵列故障的诊断装置
CN111242161B (zh) 一种基于智能学习的非侵入式非居民用户负荷辨识方法
CN106093565A (zh) 一种基于稳态特征波形匹配的电能分项计量方法及装置
CN114037178A (zh) 基于无监督预训练神经网络的非侵入式负荷分解方法
CN112909923A (zh) 一种基于dtw算法的非侵入式家居负荷行为识别的装置
CN107609790A (zh) 智能电网综合效益评估方法、装置、介质及计算机设备
CN114236234A (zh) 一种基于基波和谐波混合判据的电器特征辨识方法
CN114118592B (zh) 一种智能电网用电端短期能耗预测系统
CN113361454B (zh) 一种基于非监督优化的深度学习非侵入式负荷监测方法
CN114330642A (zh) 一种用于多采样时间的建筑电力负荷预测方法
CN112508254B (zh) 变电站工程项目投资预测数据的确定方法
CN116951780A (zh) 一种智能中央热水器管理方法和系统
CN117455724A (zh) 基于多级网络节点的建筑能耗分析方法及系统
CN116599036A (zh) 一种基于TCN和Informer的两阶段非侵入式负荷分解方法
CN116502149A (zh) 基于电流特征传导的低压配电网户变关系识别方法及系统
CN109767037A (zh) 一种夏季日最大负荷的预测方法
CN115963401A (zh) 基于微控制器设备和嵌入式稠密神经网络的电池循环性预测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200714

RJ01 Rejection of invention patent application after publication