CN112001486A - 一种基于深度学习的负荷分解方法 - Google Patents

一种基于深度学习的负荷分解方法 Download PDF

Info

Publication number
CN112001486A
CN112001486A CN202010886932.6A CN202010886932A CN112001486A CN 112001486 A CN112001486 A CN 112001486A CN 202010886932 A CN202010886932 A CN 202010886932A CN 112001486 A CN112001486 A CN 112001486A
Authority
CN
China
Prior art keywords
network
layer
load
data
cnn
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
CN202010886932.6A
Other languages
English (en)
Other versions
CN112001486B (zh
Inventor
郭志涛
孙本亮
王宝珠
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.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202010886932.6A priority Critical patent/CN112001486B/zh
Publication of CN112001486A publication Critical patent/CN112001486A/zh
Application granted granted Critical
Publication of CN112001486B publication Critical patent/CN112001486B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于深度学习的负荷分解方法，涉及利用GRU‑CNN融合网络将家庭用电总负荷进行分解，得到特定用电器的负荷数据。该方法包括：使用滑动窗口捕获家庭用电总负荷的时间序列数据，构建GRU‑CNN融合网络，并利用该网络并行提取输入序列的长距离特征和短距离特征，融合两种特征得到特定用电器的用电负荷。本发明充分发挥了深度学习的特征提取能力，有效结合了GRU网络对输入序列的长距离特征捕获能力和CNN网络对输入序列的短距离特征捕获能力，避免了单一网络提取输入序列特征的局限性，使本发明方法的适应能力更强、适用范围更大，准确率更高。

Description

一种基于深度学习的负荷分解方法
技术领域
本发明属于智能电网技术领域，涉及一种基于深度学习的GRU-CNN融合网络对家庭用电总负荷的负荷分解方法。
背景技术
负荷分解问题作为能源领域方面的一个重要分支，是一个单通道盲源问题。负荷分解的目的是将多个用电器的总负荷分解为单个用电器的用电负荷，这样人们就可以了解到自己用电的详细情况，而不仅仅靠每月的电费获得用电反馈。研究表明，负荷分解能帮助一个家庭节约5％到15％的用电。此外，通过负荷分解还能察觉到用电器的非正常运行，达到及时发现电力故障的效果。
传统的负荷分解方法如组合优化算法、隐马尔科夫模型、支持向量机等算法比较依赖于超参数的设置，自主学习特征的能力较差，在负荷分解上有一定的局限性。
发明内容
为解决现有技术的不足，本发明提供了一种基于深度学习的负荷分解方法，将GRU的长距离特征捕获能力和CNN短距离特征捕获能力结合在一起，充分发挥深度学习自动提取特征的能力，可以减少网络训练过程中特征信息的遗漏，提高分解准确率和深度网络模型在不同种类用电器上的适应能力。
为了方便说明，首先引入如下概念：
负荷分解：将不同用电器在时间上的负荷聚合数据分解为单个用电器的负荷，家庭用电总负荷数据就是一种负荷聚合数据。
滑动窗口：一个数据截取器，用以捕获特定长度的时间序列数据。
门控循环单元网络GRU：长短时记忆网络(LSTM)能够抑制循环神经网络(RNN)处理长序列时的梯度消失和梯度爆炸问题，但是LSTM的训练速度很慢，于是推出了LSTM的变体—GRU网络，其能够在抑制RNN存在的梯度消失和梯度崩溃问题的同时还保持较快的训练速度。
卷积神经网络CNN：相较于前馈神经网络，卷积神经网络拥有局部感受野和权值共享的特点，能够极大地减少训练参数和提高训练速度，是一种对短距离特征敏感的多层感知器。
批标准化网络BN：在深度网络模型的训练过程中，一般会使用小批次的数据并行训练，BN网络层能综合同一批次的所有数据进行标准化，有加快网络训练和收敛的速度、防止梯度消失和爆炸的作用，能够减少对初始权重和Dropout网络层的依赖，改善网络对正则化的需求。
数据集UK_DALE：UK_DALE来自于英国能源研究中心，采集的是英国的5个家庭的用电负荷数据，采集时间是从2013开始，采样周期是6s。
本发明具体采用如下技术方案：
提出了一种基于深度学习的负荷分解方法，其特征在于：
1、采用CNN网络、GRU网络混合网络提取输入序列的长距离特征；
2、采用CNN网络提取输入序列的短距离特征；
3、采用BN网络层分别处理输入序列的两部分特征，再通过特征融合层在一维上融合成新的特征；
4、采用全连接层学习新的特征，得到GRU-CNN融合网络模型；
该方法主要包括以下步骤：
A：GRU-CNN融合网络模型的训练，其具体包括：
A1：采用滑动窗口捕获家庭用电总负荷数据的时间序列数据，作为网络的输入序列；在对应时间轴上采用相同大小的滑动窗口对目标用电器的用电负荷数据进行时间序列数据捕获，并将所得的时间序列数据的中点的负荷值作为上述输入序列的标签；以上操作在公开的能源数据集UK_DALE上进行，选取其中至少2个家庭的用电负荷数据分别执行上述操作，得到打好标签的训练数据集；
A2：将步骤A1中得到的训练数据集分别输入到CNN网络、GRU网络混合网络以及CNN网络中，提取输入序列的长距离特征和短距离特征，然后使用BN网络层分别处理两部分特征，再通过特征融合层在一维上融合成新的特征，并将新的特征输入到全连接层，完成整个GRU-CNN融合网络模型的训练，保存训练好的网络模型。损失函数选择均方误差(MAE)，优化器选择自适应矩估计优化器(Adam)；
B：利用训练好的GRU-CNN融合网络模型进行负荷分解：
B1：选取余下的至少一个家庭的用电总负荷数据并采用相同的滑动窗口进行时间序列数据捕获，得到测试数据集；
B2：将步骤B1得到的测试数据集输入到步骤A2中保存的网络模型里，获得目标用电器的负荷分解结果。
与现有技术相比，本发明的有益效果是：本发明负荷分解方法采用GRU-CNN融合网络模型，通过滑动窗口捕获时间序列数据作为网络的输入序列，结合了GRU提取长距离特征和CNN提取短距离特征的能力，增加了特征的多样性；通过BN层标准化中间特征，使得特征在融合时分布相似，减少了相互之间的干扰，同时提高了网络模型的训练和收敛速度；并对提取的长距离特征、短距离特征经特征融合层在一维上进行特征融合，保留了两部分特征各自的独特性，使得分解结果准确性更好，且在不同种类用电器上的应用均具有较好的效果。
附图说明
图1为本发明基于深度学习的负荷分解方法一种实施例的步骤流程图；
图2为本发明基于深度学习的负荷分解方法一种实施例的GRU-CNN融合网络模型示意图；
图3为分别采用CNN网络模型、GRU网络模型与本发明GRU-CNN融合网络模型的负荷分解方法所得负荷分解结果与目标用电器负荷的真实值进行平均绝对误差和均方根误差计算的结果；目标用电器为微波炉、洗衣机、冰箱、洗碗机四种，滑动窗口大小依次分别是200、200、50、100；其中，图3(a)为四种目标用电器采用三种负荷分解方法所得的平均绝对误差，图3(b)为四种目标用电器采用三种负荷分解方法分别所得的均方根误差。
具体实施方式
下面通过实例对本发明做进一步的详细说明，但并非是对本发明保护范围的限制，所属领域研究者根据本发明做出的非实质性的改进和调整，应仍属于本发明的保护范围。
本发明提供一种基于深度学习的负荷分解方法(简称负荷分解方法)，具体包括以下步骤：
1)数据预处理
采用数据集UK_DALE中House1、House2中的数据来获得用电总负荷训练数据集，采用House5中的数据来获得用电总负荷测试数据集；目标用电器选择微波炉、洗衣机、冰箱、洗碗机四种，对应的滑动窗口大小依次是200、200、50、100；滑动窗口大小根据目标用电器类型来选择，滑动窗口大小所代表的时间长度在5分钟到20分钟不等，也可以结合具体情况来选择其它大小的滑动窗口；在采用滑动窗口处理数据之前，将所有的用电总负荷数据除以最大用电总负荷值，将所有的目标用电器的用电负荷除以对应的用电负荷的最大值，使全部数据缩小至0和1之间；
将House1、House2中的总用电负荷数据以及一种目标用电器的用电负荷数据采用相同大小的滑动窗口进行时间序列数据捕获，获得总用电负荷的时间序列数据集，以及目标用电器的用电负荷的时间序列数据集，将每一个目标用电器的用电负荷的时间序列数据的中点负荷值作为对应时间轴上的总用电负荷的时间序列数据的标签，对总用电负荷的时间序列数据集进行标签标注，得到打好标签的训练数据集；采用相同大小的滑动窗口对House5中的总用电负荷数据进行时间序列数据捕获，得到测试数据集；经过上述处理步骤，得到一组用于目标用电器负荷分解的训练数据集和测试数据集；上述四种目标用电器需要经过四次上述操作，得到与四个目标用电器一一对应的四组数据集；
2)GRU-CNN融合网络模型的训练
步骤2.1：输入序列的长距离特征提取
将一种目标用电器的训练数据集输入到一维卷积层进行一次特征提取，然后使用两层连续的双向门控循环单元网络层分别做编码、解码功能，提取输入序列的长距离特征，再用BN网络层进行标准化，最后用ReLU函数进行非线性变化；
步骤2.2：输入序列的短特征提取
将一种目标用电器的训练数据集经过四层一维卷积层，提取输入序列的短距离特征，在每一层一维卷积层之后加入Dropout层(丢弃层)用于泛化网络，接着将提取的特征经展平层展平后输入到全连接层；全连接层输出的特征大小同步骤2.1中输出特征大小一致，再用BN网络层进行标准化，最后用ReLU函数进行非线性变化；
步骤2.3：将步骤2.1和步骤2.2得到的输出特征经过特征融合层在一维上进行融合，得到新的特征，并使用全连接层学习新的特征，得到训练好的GRU-CNN融合网络模型；损失函数选择均方误差(MSE)，优化器选择自适应矩估计优化器(Adam)。
3)负荷分解
将对应的测试数据集输入到步骤2.3中训练好的GRU-CNN融合网络模型中，获得目标用电器的负荷分解结果。
一维卷积层是CNN网络的一种表现形式，主要用于处理序列数据。所述步骤2.1中的一维卷积层的滤波器数量为16，卷积窗口长度为4，卷积步长为1，激活函数为ReLU。激活函数ReLU是对输入的所有元素进行计算，ReLU函数的公式如下：
ReLU(x)＝max(0,x)
所述步骤2.1中的双向门控循环单元网络层是使用GRU网络分别对输入序列进行前向和后向计算，再将计算结果连接；所述步骤2.1中的两层连续的双向门控循环单元网络层中的第一层的输入维度为64，激活函数为ReLU，返回输出序列的全部序列；其第二层的输入维度为64，无激活函数，返回输出序列的最后一个序列。
所述步骤2.2中的四层一维卷积层，其中第一层的滤波器数量为30，卷积窗口长度为10，卷积步长为1，激活函数为ReLU；第二层的滤波器数量为40，卷积窗口长度为8，卷积步长为1，激活函数为ReLU；；第三层的滤波器数量为50，卷积窗口长度为6，卷积步长为1，激活函数为ReLU；；第四层的滤波器数量为50，卷积窗口长度为5，卷积步长为1，激活函数为ReLU；每一层一维卷积层之后的Dropout层的丢弃率为0.5。
所述步骤2.2中的全连接层的输出维度为128，无激活函数。
所述BN网络层的移动均值和移动方差的动量均为0.8。
所述步骤2.3中的特征融合层的融合维度为一维。
所述步骤2.3中的全连接层为两层，其第一层的输出维度为128，激活函数为ReLU；其第二层的输出维度为1，无激活函数。
选择平均绝对误差(MAE)和均方根误差(RMSE)来评价上述负荷分解方法的可靠性。
MAE、RMSE的计算公式如下：
Figure BDA0002655857560000071
Figure BDA0002655857560000072
其中，ypt是t时刻采用上述负荷分解方法所得的目标用电器的负荷分解结果，yt是t时刻目标用电器负荷的真实值，T是样本总数。
在本实施例中，目标用电器负荷的真实值为House5中的对应目标用电器的负荷值。
同时将分别采用CNN网络模型、GRU网络模型与本发明GRU-CNN融合网络模型的负荷分解方法所得负荷分解结果与目标用电器负荷的真实值进行平均绝对误差与均方根误差计算，得到图3所示结果。通过对四种目标用电器的处理结果可以看到，本发明GRU-CNN融合网络模型的负荷分解方法所得负荷分解结果具有较好的准确性，且具有广泛的适用性。
本发明未述及之处适用于现有技术。

Claims (10)

1.一种基于深度学习的负荷分解方法，其特征在于：
（1）采用CNN网络、GRU网络混合网络提取输入序列的长距离特征；
（2）采用CNN网络提取输入序列的短距离特征；
（3）采用BN网络层分别处理输入序列的两部分特征，再通过特征融合层在一维上融合成新的特征；
(4) 采用全连接层学习新的特征，得到GRU-CNN融合网络模型；
该方法主要包括以下步骤：
A：GRU-CNN融合网络模型的训练，其具体包括：
A1：采用滑动窗口捕获家庭用电总负荷数据的时间序列数据，作为网络的输入序列；在对应时间轴上采用相同大小的滑动窗口对目标用电器的用电负荷数据进行时间序列数据捕获，并将所得的时间序列数据的中点的负荷值作为上述输入序列的标签；以上操作在公开的能源数据集UK_DALE上进行，选取其中至少2个家庭的用电负荷数据分别执行上述操作， 得到打好标签的训练数据集；
A2：将步骤A1中得到的训练数据集分别输入到CNN网络、GRU网络混合网络以及CNN网络中，提取输入序列的长距离特征和短距离特征，然后使用BN网络层分别处理两部分特征，再通过特征融合层在一维上融合成新的特征，并将新的特征输入到全连接层，完成整个GRU-CNN融合网络模型的训练，保存训练好的网络模型；损失函数选择均方误差，优化器选择自适应矩估计优化器；
B：利用训练好的GRU-CNN融合网络模型进行负荷分解：
B1：选取余下的至少一个家庭的用电总负荷数据并采用相同的滑动窗口进行时间序列数据捕获，得到测试数据集；
B2：将步骤B1得到的测试数据集输入到步骤A2中保存的网络模型里，获得目标用电器的负荷分解结果。
2.根据权利要求1所述的一种基于深度学习的负荷分解方法，其特征在于，在采用滑动窗口处理数据之前，将所有的用电总负荷数据除以最大用电总负荷值，将所有的目标用电器的用电负荷数据除以对应的用电负荷的最大值，使全部数据缩小至0和1之间。
3.根据权利要求1所述的一种基于深度学习的负荷分解方法，其特征在于，滑动窗口大小所代表的时间长度在5分钟到20分钟。
4.根据权利要求1所述的一种基于深度学习的负荷分解方法，其特征在于，所述CNN网络、GRU网络混合网络包含一个一维卷积层和两个连续的双向门控循环单元网络层。
5.根据权利要求1所述的一种基于深度学习的负荷分解方法，其特征在于，用于提取输入序列的短距离特征的CNN网络包含四层一维卷积层，每一层一维卷积层之后加入Dropout层用于泛化网络；接着将提取的特征经展平层展平后输入到全连接层，再用BN网络层进行标准化；所述全连接层的输出维度为128，无激活函数。
6.根据权利要求1所述的一种基于深度学习的负荷分解方法，其特征在于，使用BN网络层分别处理输入序列的长距离特征和短距离特征之后，先分别用ReLU函数进行非线性变化，再通过特征融合层融合成新的特征； BN网络层的移动均值和移动方差的动量均为0.8。
7.根据权利要求4所述的一种基于深度学习的负荷分解方法，其特征在于，所述的一维卷积层的滤波器数量为16，卷积窗口长度为4，卷积步长为1，激活函数为ReLU。
8.根据权利要求4所述的一种基于深度学习的负荷分解方法，其特征在于，所述双向门控循环单元网络层是使用GRU网络分别对输入序列进行前向和后向计算，再将计算结果连接；所述的两层连续的双向门控循环单元网络层中的第一层的输入维度为64，激活函数为ReLU，返回输出序列的全部序列；其第二层的输入维度为64，无激活函数，返回输出序列的最后一个序列。
9.根据权利要求5所述的一种基于深度学习的负荷分解方法，其特征在于，所述的四层一维卷积层，其中第一层的滤波器数量为30，卷积窗口长度为10，卷积步长为1，激活函数为ReLU；第二层的滤波器数量为40，卷积窗口长度为8，卷积步长为1，激活函数为ReLU；第三层的滤波器数量为50，卷积窗口长度为6，卷积步长为1，激活函数为ReLU；；第四层的滤波器数量为50，卷积窗口长度为5，卷积步长为1，激活函数为ReLU；每一层一维卷积层之后的Dropout层的丢弃率为0.5。
10.根据权利要求1所述的一种基于深度学习的负荷分解方法，其特征在于，特征融合层之后的全连接层为两层，其第一层的输出维度为128，激活函数为ReLU；其第二层的输出维度为1，无激活函数。
CN202010886932.6A 2020-08-28 2020-08-28 一种基于深度学习的负荷分解方法 Active CN112001486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010886932.6A CN112001486B (zh) 2020-08-28 2020-08-28 一种基于深度学习的负荷分解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010886932.6A CN112001486B (zh) 2020-08-28 2020-08-28 一种基于深度学习的负荷分解方法

Publications (2)

Publication Number Publication Date
CN112001486A true CN112001486A (zh) 2020-11-27
CN112001486B CN112001486B (zh) 2022-07-22

Family

ID=73466348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010886932.6A Active CN112001486B (zh) 2020-08-28 2020-08-28 一种基于深度学习的负荷分解方法

Country Status (1)

Country Link
CN (1) CN112001486B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598303A (zh) * 2020-12-28 2021-04-02 宁波迦南智能电气股份有限公司 基于1d卷积神经网络和lstm结合的非侵入式负荷分解方法
CN113837499A (zh) * 2021-11-24 2021-12-24 中国电建集团江西省电力设计院有限公司 一种超短期风电功率预测方法及系统
CN113858566A (zh) * 2021-09-27 2021-12-31 乐创达投资(广东)有限公司 一种基于机器学习的注塑机能耗预测方法及系统
CN113920408A (zh) * 2021-09-10 2022-01-11 天津理工大学 一种基于cnn-rnn并行融合的光子晶体透射光谱序列特征提取方法
CN115330553A (zh) * 2022-06-22 2022-11-11 四川大学 一种基于设备特征多层优选的非侵入式负荷分解方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109116100A (zh) * 2018-07-09 2019-01-01 清华大学 一种基于编码-解码结构的电力负荷用电分解方法
CN109711620A (zh) * 2018-12-26 2019-05-03 浙江大学 一种基于gru神经网络和迁移学习的短期电力负荷预测方法
CN109934392A (zh) * 2019-02-28 2019-06-25 武汉大学 一种基于深度学习的微电网短期负荷预测方法
CN110136810A (zh) * 2019-06-12 2019-08-16 上海移视网络科技有限公司 心肌缺血冠脉血流储备的分析方法
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
CN110555479A (zh) * 2019-09-05 2019-12-10 北京工业大学 基于1dcnn与gru融合的故障特征学习与分类方法
CN111091247A (zh) * 2019-12-24 2020-05-01 天津相和电气科技有限公司 基于深度神经网络模型融合的电力负荷预测方法、装置
CN111260030A (zh) * 2020-01-13 2020-06-09 润联软件系统(深圳)有限公司 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109116100A (zh) * 2018-07-09 2019-01-01 清华大学 一种基于编码-解码结构的电力负荷用电分解方法
CN109711620A (zh) * 2018-12-26 2019-05-03 浙江大学 一种基于gru神经网络和迁移学习的短期电力负荷预测方法
CN109934392A (zh) * 2019-02-28 2019-06-25 武汉大学 一种基于深度学习的微电网短期负荷预测方法
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
CN110136810A (zh) * 2019-06-12 2019-08-16 上海移视网络科技有限公司 心肌缺血冠脉血流储备的分析方法
CN110555479A (zh) * 2019-09-05 2019-12-10 北京工业大学 基于1dcnn与gru融合的故障特征学习与分类方法
CN111091247A (zh) * 2019-12-24 2020-05-01 天津相和电气科技有限公司 基于深度神经网络模型融合的电力负荷预测方法、装置
CN111260030A (zh) * 2020-01-13 2020-06-09 润联软件系统(深圳)有限公司 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LIZHEN WU ET AL: ""A Short-Term Load Forecasting Method Based on GRU-CNN Hybrid Neural Network Model"", 《HINDAWI MATHEMATICAL PROBLEMS IN ENGINEERING》 *
MUHAMMAD SAJJAD ET AL: ""A Novel CNN-GRU-Based Hybrid Approach for Short-Term Residential Load Forecasting"", 《IEEE ACCESS》 *
姚程文 等: ""基于CNN-GRU混合神经网络的负荷预测方法"", 《电网技术》 *
庞昊 等: ""基于多神经网络融合的短期负荷预测方法"", 《电力自动化设备》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598303A (zh) * 2020-12-28 2021-04-02 宁波迦南智能电气股份有限公司 基于1d卷积神经网络和lstm结合的非侵入式负荷分解方法
CN113920408A (zh) * 2021-09-10 2022-01-11 天津理工大学 一种基于cnn-rnn并行融合的光子晶体透射光谱序列特征提取方法
CN113920408B (zh) * 2021-09-10 2024-07-09 天津理工大学 一种基于cnn-rnn并行融合的光子晶体透射光谱序列特征提取方法
CN113858566A (zh) * 2021-09-27 2021-12-31 乐创达投资(广东)有限公司 一种基于机器学习的注塑机能耗预测方法及系统
CN113858566B (zh) * 2021-09-27 2023-08-08 乐创达投资(广东)有限公司 一种基于机器学习的注塑机能耗预测方法及系统
CN113837499A (zh) * 2021-11-24 2021-12-24 中国电建集团江西省电力设计院有限公司 一种超短期风电功率预测方法及系统
CN115330553A (zh) * 2022-06-22 2022-11-11 四川大学 一种基于设备特征多层优选的非侵入式负荷分解方法

Also Published As

Publication number Publication date
CN112001486B (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN112001486B (zh) 一种基于深度学习的负荷分解方法
Liu et al. Accurate prediction scheme of water quality in smart mariculture with deep Bi-S-SRU learning network
CN112887145A (zh) 一种基于分布式的网络切片故障检测方法
CN112257911B (zh) 基于并行时空注意力机制的tcn多元时间序列预测方法
CN113283175A (zh) 一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法
CN113094822A (zh) 一种机械设备剩余寿命预测方法和系统
CN115859792A (zh) 基于注意力机制的中期电力负荷预测方法及系统
CN113902207A (zh) 一种基于tcn-lstm的短期负荷预测方法
CN116484299A (zh) 基于梯度提升树与多层感知机融合的充电桩故障诊断方法
CN116050504A (zh) 一种基于深度学习的风电功率短期预测模型
CN117688362A (zh) 基于多元数据特征增强的光伏功率区间预测方法及装置
CN115800274B (zh) 一种5g配电网馈线自动化自适应方法、装置及存储介质
CN116774089A (zh) 基于特征融合的卷积神经网络电池健康状态估计方法及系统
CN117347867A (zh) 一种基于Transformer组合模型预测电池SOH方法
CN116609678A (zh) 基于改进混合模型的锂离子电池剩余寿命预测方法
Xiang et al. An improved multiple imputation method based on chained equations for distributed photovoltaic systems
CN115423646A (zh) 基于自监督学习的非侵入式负荷分解方法
Zhao et al. Capacity prediction and remaining useful life diagnosis of lithium-ion batteries using CNN-LSTM hybrid neural network
Xu et al. Short-term gas load forecast based on tcn-bigru
Wan et al. Capturing Spatial-Temporal Correlations with Attention Based Graph Convolutional Networks for Network Traffic Prediction
Liu et al. A PV fault diagnosis framework based on asynchronous federated learning
Li et al. A Short-Term Load Forecasting Method for Large-Scale Power Distribution Systems Based on a Novel Spatio-Temporal Neural Network
Zheng et al. Machine learning-based quality evaluation of 5G wireless network in Smart Grid
Qin et al. Generative Adversarial Networks-based Distribution Network Operation Scenario Generation
Qian et al. Improved Attention-based AE-LSTM for Short-term Power Load Forecasting

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