CN113033775A - 一种基于有监督学习的非侵入式负荷识别网络架构 - Google Patents
一种基于有监督学习的非侵入式负荷识别网络架构 Download PDFInfo
- Publication number
- CN113033775A CN113033775A CN202110261752.3A CN202110261752A CN113033775A CN 113033775 A CN113033775 A CN 113033775A CN 202110261752 A CN202110261752 A CN 202110261752A CN 113033775 A CN113033775 A CN 113033775A
- Authority
- CN
- China
- Prior art keywords
- server
- load
- neural network
- supervised learning
- network 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.)
- Granted
Links
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims description 50
- 238000012360 testing method Methods 0.000 claims description 22
- 210000004027 cell Anatomy 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G06N3/044—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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (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)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于有监督学习的非侵入式负荷识别网络架构,该构架包括:监督学习单元、识别单元和云端;本发明采用监督学习的方法,即在可以识别的样本小区或者用户处增加设备监控设备即随电器,可以跟踪设备的整个运行周期,然后再经过神经网络算法,得到隐含层的权值,用以在新的判断中进行实时设备识别。由于神经网络有很强的判断学习能力,可以识别很多相识设备,应用范围广,识别效果佳。
Description
技术领域
本发明涉及智能电网智能电表领域,更具体地,涉及基于有监督学习的非侵入式负荷识别网络架构。
背景技术
如今随着科技的进步,侵入式负荷识别成为识别居民用户负荷,有效指导用电的方案之一,但是侵入式负荷识别无法在设备处进行安装,目前的解决方案是随电器,即在电器设备电源前端加上可以识别电压电流的设备,但是这种方案实施困难成本高。另一种方案是在居民电表端并入负荷识别设备。目前这种方案主要依赖设备本身的计算能力,智能识别一部分设备。对于新设备无法识别,需要更新特征库。
同时,如果多个设备同时启动这种方案的识别成功率也不高,而且多个设备的设备特征组合成千上万一一由识别单元自己识别出来也不现实,所以必须要引入新的识别方法来解决。
发明内容
本发明的目的是针对目前用电设备识别中所存在的问题,提出一种基于有监督学习的非侵入式负荷识别网络架构。
本发明的技术方案是:
本发明提供一种基于有监督学习的非侵入式负荷识别网络架构,该构架包括:监督学习单元、识别单元和云端;
所述的监督学习单元设置在监督学习测试小区,包括随电器、电能表、特征服务器和监督学习服务器,所述的随电器用于获取各用电设备的用电信息,并且通过电能表发送至特征服务器,所述的特征服务器用于提取用电设备的负荷特征并且发送至监督学习服务器,所述的监督学习服务器基于BP神经网络模型进行样本负荷特征的学习,与样本用电设备匹配,优化BP神经网络模型,且将样本用电设备与负荷特征的对应关系存储至识别单元的中继服务器,将BP神经网络模型存储至云端;
所述的识别单元包括智能电表和中继服务器,所述的智能电表为各家庭配置,包括计量芯片,所述的计量芯片用于采集用电设备的负荷特征;所述的中继服务器配置有识别库,能够进行数据匹配,并且能够与云端进行通信;
所述的云端具有综合运行服务器,该综合运行服务器配置有BP神经网络模型,能够对中继服务器上传的数据进行识别,获取用电设备组合,并将结果发送至电表的中继服务器,更新识别库。
进一步地,本构架基于监督学习测试小区,在测试小区或实验中心为所有用电设备配置随电器,获取用电信息和负荷特征,该设备会在云端的综合运行服务器上进行备案存储;存储信息包括:设备名称、厂家、型号、额定功率以及最大功率。
进一步地,所述的特征服务器用于记录用电设备的负荷特征,包括启动特征和运行特征;所述的启动特征包括:启动的谐波情况,有功,无功功率,时序关系和相位信息。
进一步地,所述的监督学习服务器用于分析可监督学习的随电设备,通过学习已知的设备,对带有随电计量设备并未登记在案的设备进行自我学习和分类。
一种基于有监督学习的非侵入式负荷识别网络架构的识别方法,该方法包括以下步骤:
S1、监督学习步骤:
S1-1、采用随电器获取各用电设备的用电信息,并且通过电能表发送至特征服务器;
S1-2、采用特征服务器提取用电设备的负荷特征并且发送至监督学习服务器;
S1-3、采用监督学习服务器基于BP神经网络模型进行样本负荷特征的学习,与样本用电设备匹配,优化BP神经网络模型,且将样本用电设备与负荷特征的对应关系存储至识别单元的中继服务器,将优化后的BP神经网络模型更新至云端;
S2、识别步骤:
S2-1、采用智能电表的计量芯片采集用电设备的负荷特征,发送至中继服务器;
S2-2、中继服务器根据识别库中存储的数据,与实时负荷特征进行匹配,如果能够匹配,则得到用电设备;否则,中继服务器将数据发送至云端的综合运行服务器;
S2-3、云端的综合运行服务器通过BP神经网络模型进行识别,获取用电设备组合结果,并且更新至中继服务器。
进一步地,监督学习服务器执行如下操作:
1)对于用电信息,将输入的电压和电流信号相乘得到实时功率信息,该信息中包含有相位和谐波;将其作为BP神经网络模型的输入信号Xj,根据数据的长度,将实时数据截取成帧,每帧大小为W个数据,共n组数据,W*n为采集信号的数据输入长度;
2)记录测试数据,包括m个设备的信息组合;
3)设置BP神经网络模型,隐含层神经元个数定义为W个,权值初值全部定义为1,输出单元为Ai个已知可识别的负荷设备;
4)将样本通过BP神经网络模型,得到Ai个输出,训练测试样本;使其识别结果与已知测试数据的误差在阈值内,得到BP神经网络模型各层配置的权值,结束训练结束,更新将BP神经网络模型至云端的综合运行服务器。
进一步地,当监督学习测试小区中有新的设备接入时,重新训练BP神经网络模型。
进一步地,中继服务器中具有识别库,该识别库中存储有BP神经网络模型训练时获取的用电设备组合与负荷特征的匹配数据;
中继服务器对智能电表获取的用电信息进行匹配,如果在本地有匹配信息,则直接给出匹配结果;反之转发用电信息至云端的综合运行服务器;通过BP神经网络模型进行识别,得到可能的匹配结果。
本发明的有益效果:
本发明采用监督学习的方法,即在可以识别的样本小区或者用户处增加设备监控设备即随电器,可以跟踪设备的整个运行周期,然后再经过神经网络算法,得到隐含层的权值,用以在新的判断中进行实时设备识别。由于神经网络有很强的判断学习能力,可以识别很多相识设备,应用范围广,识别效果佳。
本发明采用神经网络监督学习的方法提取负荷设备运行稳态和暂态特征,将设备运行的终身情况都进行了监控,并实时的通过服务器来识别跟踪其他无监督学习的用电设备;同时,通过中继服务器来缓冲网络数据冲击,将一部分匹配结果放在中继服务器上进行匹配,有效的降低了硬件性能要求,并提高了负荷识别的准确性。
本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了本发明的系统构架示意图。
图2示出了本发明的系统构架识别流程图。
图3示出了本发明中BP神经网络模型示意图。
图4示出了本发明中监督学习的流程图。
具体实施方式
下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
本技术方法的核心是引入了网络云端和可监督的负荷识别网络;通过可监督网络,可实时记录设备特征,并可以通过大量的时间学习,找出设备的运行特征,获取BP神经网络模型,并且将运行特征发给中继服务器,从而解决设备识别难题,下面介绍网络构架的组成和各部分的主要功能,包括:监督学习单元、识别单元和云端;
所述的监督学习单元设置在监督学习测试小区,包括随电器、电能表、特征服务器和监督学习服务器,所述的随电器用于获取各用电设备的用电信息,并且通过电能表发送至特征服务器,所述的特征服务器用于提取用电设备的负荷特征并且发送至监督学习服务器,所述的监督学习服务器基于BP神经网络模型进行样本负荷特征的学习,与样本用电设备匹配,优化BP神经网络模型,且将样本用电设备与负荷特征的对应关系存储至识别单元的中继服务器,将BP神经网络模型存储至云端;
所述的识别单元包括智能电表和中继服务器,所述的智能电表为各家庭配置,包括计量芯片,所述的计量芯片用于采集用电设备的负荷特征;所述的中继服务器配置有识别库,能够进行数据匹配,并且能够与云端进行通信;
所述的云端具有综合运行服务器,该综合运行服务器配置有BP神经网络模型,能够对中继服务器上传的数据进行识别,获取用电设备组合,并将结果发送至电表的中继服务器,更新识别库。
本构架基于监督学习测试小区,在测试小区或实验中心为所有用电设备配置随电器,获取用电信息和负荷特征,该设备会在云端的综合运行服务器上进行备案存储;存储信息包括:设备名称、厂家、型号、额定功率以及最大功率。
特征服务器用于记录用电设备的负荷特征,包括启动特征和运行特征;所述的启动特征包括:启动的谐波情况,有功,无功功率,时序关系和相位信息。
监督学习服务器用于分析可监督学习的随电设备,通过学习已知的设备更新BP神经网络,并且能够对带有随电计量设备并未登记在案的设备进行自我学习和分类。
云端综合运行服务器(针对未安装随电计量的测试区进行分析),该服务器负责对未安装随电计量设备的用户的非浸入式负荷识别设备进行数据分析与统计。由于识别单元中的中继服务器会有无法正确识别设备的情况,当无法正确识别设备时,将当前记录的谐波,有功无功电度等信息发给云端综合运行服务器,服务器收到信息后,开始根据特征服务器中的运行记录来进行BP神经网络识别,找出最佳匹配结果,再将该结果发送给中继服务器记录在本地,以便于后续自我分析。
中继服务器:由于用户在增多的情况下,负荷识别应用单元需要上传很大的识别记录信息,会对服务器造成巨大压力,为了缓解运行压力,增加中继服务器,该服务器用于存放匹配结果,中继服务器如果在本地有匹配信息,则不在向运行服务器发出申请。反之转发负荷识别单元信息;通过BP神经网络算法进行网络卷积运算,得到可能的匹配结果。
针对匹配信息的说明:负荷识别上传记录信息包括启动时间、电压电流幅值相位,谐波幅值相位,当前有功,无功、监控时段内的电能、负荷曲线,负荷识别单元预判信息(可能负荷1可能负荷2…)。
中继服务器针对记录信息与本地预存的信息做相似性比对,相似性的方法为:①记录信息全部相同或部分相同(如谐波,有功无功信息相同)。②负荷曲线存在相关,相关性的计算方法采用信号与系统中信号相关定理求出两个负荷曲线的信号相关性,再根据幅值相位信息给定的判断阈值判断是否相关。
在判定过程中存在记录相似性的检索问题。可根据先判定发生时间和电压电流幅值相位做初步匹配,由于负荷识别的方法是通过暂态、稳定态两个方面综合考虑的,所以检索时可以根据暂态(谐波信息)和稳态(电压电流功率信息)做筛选。
一种基于有监督学习的非侵入式负荷识别网络架构的识别方法,该方法包括以下步骤:
S1、监督学习步骤:
S1-1、采用随电器获取各用电设备的用电信息,并且通过电能表发送至特征服务器;
S1-2、采用特征服务器提取用电设备的负荷特征并且发送至监督学习服务器;
S1-3、采用监督学习服务器基于BP神经网络模型进行样本负荷特征的学习,与样本用电设备匹配,优化BP神经网络模型,且将样本用电设备与负荷特征的对应关系存储至识别单元的中继服务器,将优化后的BP神经网络模型更新至云端;
S2、识别步骤:
S2-1、采用智能电表的计量芯片采集用电设备的负荷特征,发送至中继服务器;
S2-2、中继服务器根据识别库中存储的数据,与实时负荷特征进行匹配,如果能够匹配,则得到用电设备;否则,中继服务器将数据发送至云端的综合运行服务器;
S2-3、云端的综合运行服务器通过BP神经网络模型进行识别,获取用电设备组合结果,并且更新至中继服务器。
进一步地,监督学习服务器执行如下操作:
1)对于用电信息,将输入的电压和电流信号相乘得到实时功率信息,该信息中包含有相位和谐波;将其作为BP神经网络模型的输入信号Xj,根据数据的长度,将实时数据截取成帧,每帧大小为W个数据,共n组数据,W*n为采集信号的数据输入长度;
2)记录测试数据,包括m个设备的信息组合;
3)设置BP神经网络模型,隐含层神经元个数定义为W个,权值初值全部定义为1,输出单元为Ai个已知可识别的负荷设备;
4)将样本通过BP神经网络模型,得到Ai个输出,训练测试样本;使其识别结果与已知测试数据的误差在阈值内,得到BP神经网络模型各层配置的权值,结束训练结束,更新将BP神经网络模型至云端的综合运行服务器;
5)当监督学习测试小区中有新的设备接入时,重新训练BP神经网络模型。
进一步地,中继服务器中具有识别库,该识别库中存储有BP神经网络模型训练时获取的用电设备组合与负荷特征的匹配数据;
中继服务器对智能电表获取的用电信息进行匹配,如果在本地有匹配信息,则直接给出匹配结果;反之转发用电信息至云端的综合运行服务器;通过BP神经网络模型进行识别,得到可能的匹配结果。
本发明采用监督学习的方法,即在可以识别的样本小区或者用户处增加设备监控设备即随电器,可以跟踪设备的整个运行周期,然后再经过神经网络算法,得到隐含层的权值,用以在新的判断中进行实时设备识别。由于神经网络有很强的判断学习能力,可以识别很多相识设备,应用范围广,识别效果佳。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (8)
1.一种基于有监督学习的非侵入式负荷识别网络架构,其特征在于,该构架包括:监督学习单元、识别单元和云端;
所述的监督学习单元设置在监督学习测试小区,包括随电器、电能表、特征服务器和监督学习服务器,所述的随电器用于获取各用电设备的用电信息,并且通过电能表发送至特征服务器,所述的特征服务器用于提取用电设备的负荷特征并且发送至监督学习服务器,所述的监督学习服务器基于BP神经网络模型进行样本负荷特征的学习,与样本用电设备匹配,优化BP神经网络模型,且将样本用电设备与负荷特征的对应关系存储至识别单元的中继服务器,将BP神经网络模型存储至云端;
所述的识别单元包括智能电表和中继服务器,所述的智能电表为各家庭配置,包括计量芯片,所述的计量芯片用于采集用电设备的负荷特征;所述的中继服务器配置有识别库,能够进行数据匹配,并且能够与云端进行通信;
所述的云端具有综合运行服务器,该综合运行服务器配置有BP神经网络模型,能够对中继服务器上传的数据进行识别,获取用电设备组合,并将结果发送至电表的中继服务器,更新识别库。
2.根据权利要求1所述的基于有监督学习的非侵入式负荷识别网络架构,其特征在于,本构架基于监督学习测试小区,在测试小区或实验中心为所有用电设备配置随电器,获取用电信息和负荷特征,该设备会在云端的综合运行服务器上进行备案存储;存储信息包括:设备名称、厂家、型号、额定功率以及最大功率。
3.根据权利要求1所述的基于有监督学习的非侵入式负荷识别网络架构,其特征在于,所述的特征服务器用于记录用电设备的负荷特征,包括启动特征和运行特征;所述的启动特征包括:启动的谐波情况,有功,无功功率,时序关系和相位信息。
4.根据权利要求1所述的基于有监督学习的非侵入式负荷识别网络架构,其特征在于,所述的监督学习服务器用于分析可监督学习的随电设备,通过学习已知的设备,对带有随电计量设备并未登记在案的设备进行自我学习和分类。
5.一种基于权利要求1-5之一所述有监督学习的非侵入式负荷识别网络架构的识别方法,其特征在于,该方法包括以下步骤:
S1、监督学习步骤:
S1-1、采用随电器获取各用电设备的用电信息,并且通过电能表发送至特征服务器;
S1-2、采用特征服务器提取用电设备的负荷特征并且发送至监督学习服务器;
S1-3、采用监督学习服务器基于BP神经网络模型进行样本负荷特征的学习,与样本用电设备匹配,优化BP神经网络模型,且将样本用电设备与负荷特征的对应关系存储至识别单元的中继服务器,将优化后的BP神经网络模型更新至云端;
S2、识别步骤:
S2-1、采用智能电表的计量芯片采集用电设备的负荷特征,发送至中继服务器;
S2-2、中继服务器根据识别库中存储的数据,与实时负荷特征进行匹配,如果能够匹配,则得到用电设备;否则,中继服务器将数据发送至云端的综合运行服务器;
S2-3、云端的综合运行服务器通过BP神经网络模型进行识别,获取用电设备组合结果,并且更新至中继服务器。
6.根据权利要求5所述的基于有监督学习的非侵入式负荷识别网络架构,其特征在于,监督学习服务器执行如下操作:
1)对于用电信息,将输入的电压和电流信号相乘得到实时功率信息,该信息中包含有相位和谐波;将其作为BP神经网络模型的输入信号Xj,根据数据的长度,将实时数据截取成帧,每帧大小为W个数据,共n组数据,W*n为采集信号的数据输入长度;
2)记录测试数据,包括m个设备的信息组合;
3)设置BP神经网络模型,隐含层神经元个数定义为W个,权值初值全部定义为1,输出单元为Ai个已知可识别的负荷设备;
4)将样本通过BP神经网络模型,得到Ai个输出,训练测试样本;使其识别结果与已知测试数据的误差在阈值内,得到BP神经网络模型各层配置的权值,结束训练结束,更新将BP神经网络模型至云端的综合运行服务器。
7.根据权利要求5所述的基于有监督学习的非侵入式负荷识别网络架构,其特征在于,当监督学习测试小区中有新的设备接入时,按照权利要求6的步骤,重新训练BP神经网络模型。
8.根据权利要求1所述的基于有监督学习的非侵入式负荷识别网络架构,其特征在于,中继服务器中具有识别库,该识别库中存储有BP神经网络模型训练时获取的用电设备组合与负荷特征的匹配数据;
中继服务器对智能电表获取的用电信息进行匹配,如果在本地有匹配信息,则直接给出匹配结果;反之转发用电信息至云端的综合运行服务器;通过BP神经网络模型进行识别,得到可能的匹配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110261752.3A CN113033775B (zh) | 2021-03-10 | 2021-03-10 | 一种基于有监督学习的非侵入式负荷识别网络架构 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110261752.3A CN113033775B (zh) | 2021-03-10 | 2021-03-10 | 一种基于有监督学习的非侵入式负荷识别网络架构 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033775A true CN113033775A (zh) | 2021-06-25 |
CN113033775B CN113033775B (zh) | 2023-08-18 |
Family
ID=76469649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110261752.3A Active CN113033775B (zh) | 2021-03-10 | 2021-03-10 | 一种基于有监督学习的非侵入式负荷识别网络架构 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033775B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023201820A1 (zh) * | 2022-04-18 | 2023-10-26 | 石家庄科林电气股份有限公司 | 基于bp神经网络模型的非侵入式负荷识别方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110144819A1 (en) * | 2009-12-16 | 2011-06-16 | Robert Bosch Gmbh | Method for non-intrusive load monitoring using a hybrid systems state estimation approach |
CN103026246A (zh) * | 2010-06-04 | 2013-04-03 | 胜赛斯美国公司 | 一种用于非侵入式负载监测和处理的系统和方法 |
CN106655160A (zh) * | 2016-10-27 | 2017-05-10 | 国家电网公司 | 一种非侵入式电力负荷分解的辨识决策方法及系统 |
CN107294092A (zh) * | 2017-07-18 | 2017-10-24 | 国网山东省电力公司潍坊供电公司 | 一种基于三级协调的缓解配电网降损系统及方法 |
CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
CN108054749A (zh) * | 2017-11-27 | 2018-05-18 | 华北电力大学 | 一种非侵入式电力负荷分解方法及装置 |
CN109508908A (zh) * | 2018-12-25 | 2019-03-22 | 深圳市城市公共安全技术研究院有限公司 | 非侵入式负荷识别模型训练方法、负荷监测方法及装置 |
CN109598451A (zh) * | 2018-12-27 | 2019-04-09 | 东北大学 | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 |
CN110991818A (zh) * | 2019-11-14 | 2020-04-10 | 广西电网有限责任公司电力科学研究院 | 一种融合事件检测和神经网络的负荷识别方法 |
CN111242161A (zh) * | 2019-12-27 | 2020-06-05 | 国网山西省电力公司大同供电公司 | 一种基于智能学习的非侵入式非居民用户负荷辨识方法 |
CN111985824A (zh) * | 2020-08-25 | 2020-11-24 | 安徽南瑞中天电力电子有限公司 | 一种智能电表箱的非侵入式负荷监测方法及其监测设备 |
CN112180193A (zh) * | 2020-09-28 | 2021-01-05 | 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 |
CN112396098A (zh) * | 2020-11-12 | 2021-02-23 | 天津天大求实电力新技术股份有限公司 | 非嵌入式公寓电器负荷识别分析方法、系统及应用 |
-
2021
- 2021-03-10 CN CN202110261752.3A patent/CN113033775B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110144819A1 (en) * | 2009-12-16 | 2011-06-16 | Robert Bosch Gmbh | Method for non-intrusive load monitoring using a hybrid systems state estimation approach |
CN103026246A (zh) * | 2010-06-04 | 2013-04-03 | 胜赛斯美国公司 | 一种用于非侵入式负载监测和处理的系统和方法 |
JP2013528876A (ja) * | 2010-06-04 | 2013-07-11 | センサス ユーエスエー インク. | 非侵入型負荷監視及び処理方法並びにシステム |
CN106655160A (zh) * | 2016-10-27 | 2017-05-10 | 国家电网公司 | 一种非侵入式电力负荷分解的辨识决策方法及系统 |
CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
CN107294092A (zh) * | 2017-07-18 | 2017-10-24 | 国网山东省电力公司潍坊供电公司 | 一种基于三级协调的缓解配电网降损系统及方法 |
CN108054749A (zh) * | 2017-11-27 | 2018-05-18 | 华北电力大学 | 一种非侵入式电力负荷分解方法及装置 |
CN109508908A (zh) * | 2018-12-25 | 2019-03-22 | 深圳市城市公共安全技术研究院有限公司 | 非侵入式负荷识别模型训练方法、负荷监测方法及装置 |
CN109598451A (zh) * | 2018-12-27 | 2019-04-09 | 东北大学 | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 |
CN110991818A (zh) * | 2019-11-14 | 2020-04-10 | 广西电网有限责任公司电力科学研究院 | 一种融合事件检测和神经网络的负荷识别方法 |
CN111242161A (zh) * | 2019-12-27 | 2020-06-05 | 国网山西省电力公司大同供电公司 | 一种基于智能学习的非侵入式非居民用户负荷辨识方法 |
CN111985824A (zh) * | 2020-08-25 | 2020-11-24 | 安徽南瑞中天电力电子有限公司 | 一种智能电表箱的非侵入式负荷监测方法及其监测设备 |
CN112180193A (zh) * | 2020-09-28 | 2021-01-05 | 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 |
CN112396098A (zh) * | 2020-11-12 | 2021-02-23 | 天津天大求实电力新技术股份有限公司 | 非嵌入式公寓电器负荷识别分析方法、系统及应用 |
Non-Patent Citations (7)
Title |
---|
何恒靖等: "基于Bi-LSTM算法的非侵入式负荷监测模型", 《南方电网技术》 * |
何恒靖等: "基于Bi-LSTM算法的非侵入式负荷监测模型", 《南方电网技术》, no. 02, 20 February 2019 (2019-02-20) * |
朱桂川: "基于神经网络的用电行为监测技术的研究" * |
朱桂川: "基于神经网络的用电行为监测技术的研究", 《杭州电子科技大学硕士学位论文》, 1 March 2017 (2017-03-01), pages 1 - 64 * |
朱桂川: "基于神经网络的用电行为监测技术的研究", pages 1 - 64 * |
郭陆阳: "基于深度学习的非侵入式负荷监测技术研究", 《天津大学硕士学位论文》 * |
郭陆阳: "基于深度学习的非侵入式负荷监测技术研究", 《天津大学硕士学位论文》, 1 June 2020 (2020-06-01), pages 1 - 78 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023201820A1 (zh) * | 2022-04-18 | 2023-10-26 | 石家庄科林电气股份有限公司 | 基于bp神经网络模型的非侵入式负荷识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113033775B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956220B (zh) | 一种非侵入式家用电器负荷识别方法 | |
CN111612651B (zh) | 一种基于长短期记忆网络的异常电量数据检测方法 | |
CN112434799B (zh) | 基于全卷积神经网络的非侵入式负荷识别方法 | |
CN112580471A (zh) | 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法 | |
CN112198385A (zh) | 一种非侵入式负荷监测方法 | |
Himeur et al. | Appliance identification using a histogram post-processing of 2d local binary patterns for smart grid applications | |
CN111932051A (zh) | 一种基于非侵入式电力终端时序监测的恶意行为检测方法 | |
Chen et al. | Non-intrusive load monitoring based on feature extraction of change-point and xgboost classifier | |
CN113033775A (zh) | 一种基于有监督学习的非侵入式负荷识别网络架构 | |
CN113076354A (zh) | 一种基于非侵入式负荷监测的用户用电数据分析方法和装置 | |
CN113010985A (zh) | 一种基于并行aann的非侵入式负荷识别方法 | |
Zhao et al. | Anomaly detection and classification of household electricity data: a time window and multilayer hierarchical network approach | |
CN115112989B (zh) | 基于低频数据的非侵入式负荷监测方法 | |
CN116756575A (zh) | 基于bgain-dd网络的非侵入式负荷分解方法 | |
CN117829203A (zh) | 一种非侵入式负荷分解方法及系统 | |
CN116466164A (zh) | 基于微型机器学习的非侵入式用电负荷分解方法及系统 | |
CN115825602A (zh) | 一种综合多元信息相似性分析的负荷辨识方法及系统 | |
CN113193654A (zh) | 一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测方法 | |
Liu et al. | Nonintrusive load disaggregation combining with external attention mechanism and Seq2Piont | |
CN114662576A (zh) | 基于有监督分类的非侵入式电瓶车充电检测方法及系统 | |
CN113033076A (zh) | 基于多链分解方法的非侵入式负荷监测方法及装置 | |
Xiong et al. | Research on Industrial Load Decomposition Based on Correlation Analysis and DNN | |
Precioso et al. | Thresholding methods in non-intrusive load monitoring to estimate appliance status | |
Sun et al. | Online Frequency Prediction of Renewable Energy Power System Based on DPGMM-LSTM | |
Qian et al. | An improved temporal convolutional network for non-intrusive load monitoring |
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 |