CN112418722A - 基于v-i轨迹图和神经网络的非侵入式负荷识别方法 - Google Patents

基于v-i轨迹图和神经网络的非侵入式负荷识别方法 Download PDF

Info

Publication number
CN112418722A
CN112418722A CN202011443609.8A CN202011443609A CN112418722A CN 112418722 A CN112418722 A CN 112418722A CN 202011443609 A CN202011443609 A CN 202011443609A CN 112418722 A CN112418722 A CN 112418722A
Authority
CN
China
Prior art keywords
load
neural network
power
method based
voltage
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
CN202011443609.8A
Other languages
English (en)
Other versions
CN112418722B (zh
Inventor
陆玲霞
强柱成
于淼
王丙楠
包哲静
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 University ZJU
Original Assignee
Zhejiang University ZJU
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 University ZJU filed Critical Zhejiang University ZJU
Priority to CN202011443609.8A priority Critical patent/CN112418722B/zh
Publication of CN112418722A publication Critical patent/CN112418722A/zh
Application granted granted Critical
Publication of CN112418722B publication Critical patent/CN112418722B/zh
Priority to PCT/CN2021/134659 priority patent/WO2022121744A1/zh
Priority to US18/322,571 priority patent/US20230296654A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
    • 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
    • G01R21/003—Measuring reactive component
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G01R22/10—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods using digital 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G06N3/09—Supervised learning
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/242—Home appliances

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (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)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明申请了一种基于V‑I轨迹图和神经网络的非侵入式负荷识别方法，所述方法包括：实时采集入户的电压和电流数据以及有功功率数据；通过有功功率的变化来判断有无负荷投切事件以及负荷运行状态有没有达到稳定状态；根据事件前后的稳态电压电流数据获取负荷的电压电流数据以及功率数据；采用简单的图像处理技术把V‑I轨迹转换成包含电压电流相位差、功率等信息的RGB彩色图像。得到RGB彩色图像之后，进行归一化处理；通过事先训练好的卷积神经网络进行负荷识别。与现有技术相比，本发明通过卷积神经网络充分提取负荷的稳态特征，而且神经网络模型能够在嵌入式设备上直接运行，不需要依赖于服务器的运算支持。

Description

基于V-I轨迹图和神经网络的非侵入式负荷识别方法
技术领域
本发明涉及非侵入式负荷识别技术(non-intrusive load monitoring,NILM领域，尤其涉及一种基于V-I轨迹图和神经网络的非侵入式负荷识别方法。
背景技术
负荷识别方法主要有侵入式负荷识别和非侵入式负荷识别两大类。虽然侵入式负荷识别方法的识别结果较为准确，但是成本高等原因不太受欢迎。而非侵入式负荷识别方法(non-intrusive load monitoring,NILM成本低而且实用性强，所以NILM成为了当今电力系统智能计量领域的热点。通过在入户电表上安装嵌入式非侵入电力识别模块，然后通过负荷识别算法来检测建筑内的负荷工作情况。结合有效的电源管理，可以在不影响用户体验的情况下实现省电节能。
研究表明如果给消费者提供建筑内能耗的实际能耗，可以激发消费者节能的动力，据统计可以有效节能10％-20％。因此非侵入式负荷检测装置拥有广泛应用前景。
现阶段的NILM大部分方法都没有充分利用电器负荷的稳态特征，而且都把云服务器作为数据处理中心，很多识别运算都依赖于服务器。有些负荷识别方法利用负荷稳态时的V-I轨迹特征来进行负荷识别，没有充分利用到负荷的功率特征。还有些方法只利用稳态时的一些电流谐波分量以及负荷的功率特征，没有充分利用V-I轨迹特征。
发明内容
本发明针对现有技术的不足，提出了一种能够把V-I轨迹特征和功率特征都充分利用的负荷识别方法，采用的技术方案具体如下：
一种基于V-I轨迹图和神经网络的非侵入式负荷识别方法，包括如下步骤：
步骤1，实时采集用电入户端的电压和电流以及功率数据，并进行滤波处理；
步骤2，通过双边滑动窗口算法判断是否发生投切事件，若无投切事件发生则返回步骤1；
步骤3，若检测到发生投切事件，则待负荷运行状态达到稳定后，根据事件前后的稳态
数据获取负荷的稳态电压、电流以及功率数据；
步骤4，从步骤3得到的稳态电压、电流数据获得V-I轨迹，然后把V-I轨迹转换成大小为2N*2N的RGB图像；其中，功率表示为RGB图像的像素值。
步骤5，将步骤4得到的RGB图像进行归一化处理，并利用识别网络得到负荷识别结果。其中，所述识别网络由卷积神经网络构成，采用电器设备的历史运行数据及其构造的基于V-I轨迹特征的RGB彩色图作为真值进行训练。
进一步地，识别网络可以根据实际情况来设置。在STM32F7等以上的MCU上直接运行而提高系统实时性的话，可以根据实际情况自己构造简单的卷积神经网络模型，例如识别网络结构为图2所示，包括两层卷积层、两层池化层以及三层全连接层。或者利用电脑或服务器来提高识别效果，则可以稍微改动现有的神经网络模型比如Alexnet模型等。
进一步地，所述步骤2中，判断负荷投切事件的具体方法为：
步骤2.1，设置两个滑动窗口，在每个窗口中去掉最大值和最小值。
步骤2.2，计算两个窗口平均值之差，若差值大于设定的阈值则认为发生投切事件。
进一步地，所述步骤4中，把V-I轨迹转换成大小为2N*2N的RGB图像的方法为：
步骤4.1，首先设置每个像素点的初始值为(0,0,0)；
步骤4.2，根据获取的负荷的稳态电压、电流，获得电压电流绝对值的最大值Umax和Imax。
步骤4.3，计算Δu＝Umax/N和Δi＝Imax/N
步骤4.4，对于每个采样点的(Uj，Ij)(0<j≤sample，sample为每个周期里的采样点数)，计算
Figure BDA0002823447790000021
Yj＝N+int(Ij/Δi)作为要具体设置的RGB像素点坐标，不需要轨迹的连续化处理。
步骤4.5根据负荷有功功率大小，设置对应像素值的大小。
进一步地，所述步骤4.2中，对于大功率负荷，其Umax和Imax直接设置成固定值，所述固定值为大于大功率负荷中Umax或Imax的值。这样V-I轨迹能够把大部分的电流数据都能包含进去。
进一步地，为了在RGB图像中充分反映负荷的稳态特征，V-I轨迹分成三个阶段，然后每阶段里像素点的颜色信息设置得不一样。这样得到的V-I轨迹特征图很大程度上能够反映电压和电流的相位差、阻抗特征以及功率大小等特征。因为构成RGB特征图的时候，大功率和小功率的Umax设置不一样，所以很容易识别出大功率和小功率负荷。对于小功率负荷根据RGB特征图的形状和亮度(亮度包含功率信息)进行识别，对于大功率的负荷根据RGB特征图的形状(功率不一样的话，因为电流大小不一样，所以特征图的形状也不一样)可以进行识别。
本发明的有益效果是：本发明通过构建RGB图能够把V-I轨迹特征和功率特征都充分利用起来，进而进行负荷识别。该方法能够充分的识别出小功率负荷和大功率负荷。对于小功率负荷，功率类似的负荷根据负荷的轨迹形状来分别，形状类似的负荷根据负荷的功率值来分别。对于大功率负荷主要是根据负荷的轨迹形状来分别。整体的识别效果更好。
附图说明
图1为本发明方法流程图；
图2为本发明实施例中的卷积神经网络模型结构示意图；
图3为双边滑动窗口算法流程图；
图4为本发明实施例中一些负荷(左：空调，中：冰箱，右：电灯)的基于V-I轨迹的特征图。
图5为空调特征图中把R,G,B三个通道分别表示的灰色图(左：R通道，中：G通道，右：B通道)
具体实施方式
结合附图以及利用BLUED公共数据集的实施方式来解释本发明，具体实施步骤如下：
本发明提供了一种基于V-I轨迹图和神经网络的非侵入式负荷识别方法，如图1所示，其实施步骤包括：
S1：先从BLUED数据集提取5种家用电气设备，然后构造基于V-I轨迹特征的RGB彩色图并训练卷积神经网络模型作为识别网络，例如Alexnet模型等。在本实施例中的识别网络模型如图所示，为了能够在STM32F7以上的MCU上直接运行，搭建的识别网络模型并不复杂，包括两层卷积层、两层池化层以及三层全连接层，具体的结构如图2所示。
S2：实时采集用电入户端的电压和电流以及功率数据，对获得的电压电流数据进行滤波处理；本实施例中的BLUED公共数据集的电压电流采样频率为12KHz,功率值频率为60Hz，每个周期包含200个采样点。
S3：通过双边滑动窗口算法判断有没有发生投切事件。本实施例中的具体参数如下：设置窗口大小为5，5的两个滑动窗口，在每个窗口中去掉最大值和最小值。计算每个窗口的平均值，并计算平均值之差。然后跟事先设定好的阈值进行比较。若平均值之差大于设定的阈值则认为发生投切事件。该判断过程如图3所示。
S4：负荷连续3次达到稳态状态以后，获取负荷的稳态电压电流数据以及功率数据；
S5：从S4得到的稳态电压电流数据获得V-I轨迹，然后把V-I轨迹转换成大小为2N*2N的RGB图像，本实施例中，N为32；具体包括如下步骤：
(1)首先每个像素点的初始值设置为(0，0，0)。
(2)对小功率负荷求得电压电流绝对值的最大值Umax和Imax，对大功率负荷Imax直接设置固定值，使其能够让V-I轨迹包含所有电流信息。本实施例中将有功功率值小于510W的负荷看作小功率负荷，其他看作大功率负荷。对于大功率负荷设置Umax的固定值为400V，Imax的固定值为20A。这样V-I轨迹能够把大部分的电流数据都能包含进去。
(3)计算Δu＝Umax/N和Δi＝Imax/N。
(4)对于每个采样点(Uj，Ij)(0＜j≤200)计算
Figure BDA0002823447790000041
Yj＝N+int(Ij/Δi)，不需要轨迹的连续化处理。
(5)根据负荷有功功率大小，设置对应像素值的大小。有功功率P大于510W的时候，因为功率值比较大的电器设备特征比较明显，利用一般的V-I轨迹特征也可以正确识别出来，所以每个像素点的值直接设置color_value＝255。有功功率P小于510W的时候，设置color_value＝int(P/2)。
(6)为了在RGB图像中充分反映负荷的稳态特征，设置(Xj，Yj)像素点值的具体过程如下；
If 0＜j＜200/3：
(Xj，Yj)像素点的值设置为(color_value，0，0)
If 200/3＜j＜2*200/3：
(Xj，Yj)像素点的值设置为(0，color_value，0)
else：
(Xj，Yj)像素点的值设置为(0，0，color_value)
这样得到的V-I轨迹特征图就能够反映电压和电流的相位差、阻抗特征以及功率大小等负荷特征。下面的图4是本实施例中的一些负荷的轨迹特征图。从图4中大功率负荷和小功率负荷直接通过肉眼也可看出来，其中电灯的功率较小，因而对应的亮度较小。因为大功率负荷的Umax直接设置成400V，所以轨迹特征图比较集中于中间，小功率负荷的特征图覆盖整个区域。然后每个负荷轨迹特征图由红色，绿色和蓝色三种颜色组成(图5空调特征图中轨迹的R，G，B三个通道分开示意图)，而且具有方向，小功率负荷特征图的亮度也是按照功率大小不一样的。
S6：将S5得到的RGB图像进行归一化处理，输入到事先训练好的卷积神经网络，并得到识别结果。因为神经网络的输入端是一张图片，所以本实施例中的归一化处理很简单，直接每个像素点的值除以255就可以。本发明中的RGB图像已经包含了V-I轨迹特征、电压电流相位差、有功功率等信息，所以识别效果比单独使用V-I轨迹或者功率信息的方法好很多。而且所用到的卷积神经网络并不复杂，所以能够在嵌入式设备上直接运行，所以能提高实时性，不依赖于服务器的运算支持。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。

Claims (6)

1.一种基于V-I轨迹图和神经网络的非侵入式负荷识别方法，包括以下的步骤：
步骤1，实时采集用电入户端的电压和电流以及功率数据，并进行滤波处理；
步骤2，通过双边滑动窗口算法判断是否发生投切事件，若无投切事件发生则返回步骤1；
步骤3，若检测到发生投切事件，则待负荷运行状态达到稳定后，根据事件前后的稳态数据获取负荷的稳态电压、电流以及功率数据；
步骤4，从步骤3得到的稳态电压、电流数据获得V-I轨迹，然后把V-I轨迹转换成大小为2N*2N的RGB图像；其中，功率表示为RGB图像的像素值。
步骤5，将步骤4得到的RGB图像进行归一化处理，并利用识别网络得到负荷识别结果。其中，所述识别网络由卷积神经网络构成，采用电器设备的历史运行数据及其构造的基于V-I轨迹特征的RGB彩色图作为真值进行训练。
2.根据权利要求1所述的基于V-I轨迹图和神经网络的非侵入式负荷识别方法，其特征在于，所述识别网络结构由两层卷积层、两层池化层以及三层全连接层组成，在STM32F7等以上的MCU上直接运行。或者Alexnet模型等，在电脑或服务器中运行。
3.根据权利要求1所述的基于V-I轨迹图和神经网络的非侵入式负荷识别方法，其特征在于，所述步骤2中，判断负荷投切事件的具体方法为：
步骤2.1，设置两个滑动窗口，在每个窗口中去掉最大值和最小值。
步骤2.2，计算两个窗口平均值之差，若差值大于设定的阈值则认为发生投切事件。
4.根据权利要求1所述的基于V-I轨迹图和神经网络的非侵入式负荷识别方法，其特征在于，所述步骤4中，把V-I轨迹转换成大小为2N*2N的RGB图像的方法为：
步骤4.1，首先设置每个像素点的初始值为(0,0,0)；
步骤4.2，根据获取的负荷的稳态电压、电流，获得电压电流绝对值的最大值Umax和Imax。
步骤4.3，计算Δu＝Umax/N和Δi＝Imax/N
步骤4.4，对于每个采样点的(Uj，Ij)(0<j≤sample，sample为每个周期里的采样点数)，计算
Figure FDA0002823447780000011
j＝N+int(Ij/Δi)作为要具体设置的RGB像素点坐标。
步骤4.5，根据负荷有功功率大小，设置对应像素值的大小。
5.根据权利要求4所述的基于V-I轨迹图和神经网络的非侵入式负荷识别方法，其特征在于，所述步骤4.2中，对于大功率负荷，其Umax和Imax直接设置成固定值，所述固定值为大于大功率负荷中Umax或Imax的值。
6.根据权利要求4所述的基于V-I轨迹图和神经网络的非侵入式负荷识别方法，其特征在于，V-I轨迹分成三个阶段，然后将每阶段里像素点设置成三种不同的颜色。
CN202011443609.8A 2020-12-08 2020-12-08 基于v-i轨迹图和神经网络的非侵入式负荷识别方法 Active CN112418722B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011443609.8A CN112418722B (zh) 2020-12-08 2020-12-08 基于v-i轨迹图和神经网络的非侵入式负荷识别方法
PCT/CN2021/134659 WO2022121744A1 (zh) 2020-12-08 2021-11-30 基于v‐i轨迹图和神经网络的非侵入式负荷识别方法
US18/322,571 US20230296654A1 (en) 2020-12-08 2023-05-23 Non-intrusive load monitoring method based on v-i trajectory and neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011443609.8A CN112418722B (zh) 2020-12-08 2020-12-08 基于v-i轨迹图和神经网络的非侵入式负荷识别方法

Publications (2)

Publication Number Publication Date
CN112418722A true CN112418722A (zh) 2021-02-26
CN112418722B CN112418722B (zh) 2021-09-10

Family

ID=74775510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011443609.8A Active CN112418722B (zh) 2020-12-08 2020-12-08 基于v-i轨迹图和神经网络的非侵入式负荷识别方法

Country Status (3)

Country Link
US (1) US20230296654A1 (zh)
CN (1) CN112418722B (zh)
WO (1) WO2022121744A1 (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113036759A (zh) * 2021-03-31 2021-06-25 上海电力大学 一种电力用户负荷细粒度识别方法及识别系统
CN113191253A (zh) * 2021-04-28 2021-07-30 浙江大学 一种边缘机器学习下基于特征融合的非侵入式负荷识别方法
CN113255236A (zh) * 2021-07-07 2021-08-13 浙江大学 基于孪生网络的非侵入式负荷自适应识别方法
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
CN113537327A (zh) * 2021-07-06 2021-10-22 江阴长仪集团有限公司 基于Alexnet神经网络和颜色编码的非侵入式负荷识别方法及系统
CN113723479A (zh) * 2021-08-18 2021-11-30 南京工程学院 一种基于grnn与均值漂移算法的非侵入式负荷识别方法
CN113919578A (zh) * 2021-10-18 2022-01-11 四川大学 一种基于图神经网络的个人用户短期负载预测方法
CN114330461A (zh) * 2022-03-16 2022-04-12 北京智芯微电子科技有限公司 用于非侵入负荷识别的v-i轨迹生成方法、装置及神经网络
CN114325081A (zh) * 2021-12-29 2022-04-12 润建股份有限公司 一种基于多模态特征的非侵入式负荷识别方法
WO2022121744A1 (zh) * 2020-12-08 2022-06-16 浙江大学 基于v‐i轨迹图和神经网络的非侵入式负荷识别方法
CN114662624A (zh) * 2022-05-25 2022-06-24 浙江大学 基于可再训练孪生网络的非侵入式负荷识别方法及系统
CN115601603A (zh) * 2022-11-29 2023-01-13 北京志翔科技股份有限公司（Cn） 模型训练和用电器类别识别方法、设备及存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116359602B (zh) * 2023-03-07 2024-05-03 北京智芯微电子科技有限公司 非侵入式电动车充电识别方法、装置、介质和智能电表
CN117169657B (zh) * 2023-11-03 2024-01-12 山东和兑智能科技有限公司 一种基于人工智能的高压电缆状态监测方法及系统
CN117349639B (zh) * 2023-12-04 2024-03-08 国网江西省电力有限公司供电服务管理中心 电动自行车充电行为的辨识方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188771A (zh) * 2019-05-17 2019-08-30 湖南大学 基于图像处理的非侵入式电力负荷特征提取、识别方法、系统及介质
US20200184278A1 (en) * 2014-03-18 2020-06-11 Z Advanced Computing, Inc. System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform
CN111766462A (zh) * 2020-05-14 2020-10-13 中国计量大学 一种基于v-i轨迹的非侵入式负荷识别方法
CN111864896A (zh) * 2019-04-29 2020-10-30 清华大学 一种电力负荷监测方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9700712B2 (en) * 2009-01-26 2017-07-11 Arizona Board Of Regents, A Body Corporate Of The State Of Arizona Acting For And On Behalf Of Arizona State University Dipolar antenna system and related methods
CN112180193B (zh) * 2020-09-28 2021-11-02 华中科技大学 一种基于轨迹图像识别的非侵入式负荷识别系统及方法
CN112418722B (zh) * 2020-12-08 2021-09-10 浙江大学 基于v-i轨迹图和神经网络的非侵入式负荷识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200184278A1 (en) * 2014-03-18 2020-06-11 Z Advanced Computing, Inc. System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform
CN111864896A (zh) * 2019-04-29 2020-10-30 清华大学 一种电力负荷监测方法及系统
CN110188771A (zh) * 2019-05-17 2019-08-30 湖南大学 基于图像处理的非侵入式电力负荷特征提取、识别方法、系统及介质
CN111766462A (zh) * 2020-05-14 2020-10-13 中国计量大学 一种基于v-i轨迹的非侵入式负荷识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈小闽: "非侵入式负荷分解技术及应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022121744A1 (zh) * 2020-12-08 2022-06-16 浙江大学 基于v‐i轨迹图和神经网络的非侵入式负荷识别方法
CN113036759B (zh) * 2021-03-31 2023-09-26 上海电力大学 一种电力用户负荷细粒度识别方法及识别系统
CN113036759A (zh) * 2021-03-31 2021-06-25 上海电力大学 一种电力用户负荷细粒度识别方法及识别系统
CN113191253A (zh) * 2021-04-28 2021-07-30 浙江大学 一种边缘机器学习下基于特征融合的非侵入式负荷识别方法
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
CN113537327A (zh) * 2021-07-06 2021-10-22 江阴长仪集团有限公司 基于Alexnet神经网络和颜色编码的非侵入式负荷识别方法及系统
CN113255236A (zh) * 2021-07-07 2021-08-13 浙江大学 基于孪生网络的非侵入式负荷自适应识别方法
CN113723479A (zh) * 2021-08-18 2021-11-30 南京工程学院 一种基于grnn与均值漂移算法的非侵入式负荷识别方法
CN113919578A (zh) * 2021-10-18 2022-01-11 四川大学 一种基于图神经网络的个人用户短期负载预测方法
CN114325081A (zh) * 2021-12-29 2022-04-12 润建股份有限公司 一种基于多模态特征的非侵入式负荷识别方法
CN114330461A (zh) * 2022-03-16 2022-04-12 北京智芯微电子科技有限公司 用于非侵入负荷识别的v-i轨迹生成方法、装置及神经网络
CN114662624A (zh) * 2022-05-25 2022-06-24 浙江大学 基于可再训练孪生网络的非侵入式负荷识别方法及系统
CN114662624B (zh) * 2022-05-25 2022-09-13 浙江大学 基于可再训练孪生网络的非侵入式负荷识别方法及系统
CN115601603A (zh) * 2022-11-29 2023-01-13 北京志翔科技股份有限公司（Cn） 模型训练和用电器类别识别方法、设备及存储介质

Also Published As

Publication number Publication date
CN112418722B (zh) 2021-09-10
US20230296654A1 (en) 2023-09-21
WO2022121744A1 (zh) 2022-06-16

Similar Documents

Publication Publication Date Title
CN112418722B (zh) 基于v-i轨迹图和神经网络的非侵入式负荷识别方法
CN111864896B (zh) 一种电力负荷监测方法及系统
CN107730477B (zh) 变电站设备红外智能监测系统的监测图像特征提取方法
CN113036759B (zh) 一种电力用户负荷细粒度识别方法及识别系统
CN113191253A (zh) 一种边缘机器学习下基于特征融合的非侵入式负荷识别方法
CN112434799A (zh) 基于全卷积神经网络的非侵入式负荷识别方法
CN108710990A (zh) 基于同期数据的线变台户多级线损分析方法及系统
CN115696690B (zh) 一种分布式智慧建筑照明自适应节能控制方法
CN105718885A (zh) 一种人脸特征点跟踪方法
Huang et al. Obstacle distance measurement under varying illumination conditions based on monocular vision using a cable inspection robot
CN112131956A (zh) 一种基于差异哈希算法的电压暂降源分类方法
Kim et al. Color segmentation robust to brightness variations by using B-spline curve modeling
CN115601603B (zh) 模型训练和用电器类别识别方法、设备及存储介质
CN113537330B (zh) 一种非侵入式负荷识别方法
CN106094969A (zh) 一种光伏发电系统最大功率点追踪的图像辅助诊断技术
CN111223058A (zh) 一种图像增强方法
CN114818827A (zh) 基于seq2point网络的非侵入式负荷分解方法
CN102855843A (zh) 面向oled显示器的用于三维绘制的颜色集节能优化方法
CN111834999A (zh) 基于电压电流正交曲线的用电感知方法
CN110501568B (zh) 一种基于图信号处理的非侵入式设备负载监测方法
CN102800112B (zh) 一种基于概率密度估计的随机摆动区域检测方法
CN111797925B (zh) 一种电力系统视觉图像分类方法及装置
CN116681643A (zh) 一种gis隔离开关状态判别方法及装置
CN115169381A (zh) 一种低频信号非侵入式负荷状态辨识算法
CN116304573A (zh) 异常数据清洗方法、装置、电子设备及存储介质

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