CN113158134A - 非侵入式负荷辨识模型的构建方法、装置和存储介质 - Google Patents
非侵入式负荷辨识模型的构建方法、装置和存储介质 Download PDFInfo
- Publication number
- CN113158134A CN113158134A CN202110372296.XA CN202110372296A CN113158134A CN 113158134 A CN113158134 A CN 113158134A CN 202110372296 A CN202110372296 A CN 202110372296A CN 113158134 A CN113158134 A CN 113158134A
- Authority
- CN
- China
- Prior art keywords
- singular value
- matrix
- vector matrix
- new
- value vector
- 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 title claims abstract description 29
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 163
- 239000013598 vector Substances 0.000 claims abstract description 102
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/08—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (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)
- Image Analysis (AREA)
Abstract
本发明公开了非侵入式负荷辨识模型的构建方法、装置和存储介质,将负荷信号特征矩阵进行奇异值分解获得奇异值对角向量矩阵、左奇异值向量矩阵和右奇异值向量矩阵;保留所述奇异值对角向量矩阵中高于预设奇异值门限的奇异值;从左奇异值向量矩阵和右奇异值向量矩阵选取更新后的奇异值对角向量矩阵对应的左右奇异值向量,构建成新的左奇异值向量矩阵和新的右奇异值向量矩阵;确定新的左奇异值向量矩阵和新的右奇异值向量矩阵对应的克罗内克积并进行特征矩阵;将重构后的负荷信号特征矩阵输入到卷积神经网络模型进行训练。基于奇异值特征矩阵重构的方法对信号进行预处理,降低了数据的纬度,将数据特征进行重新分布,缩短训练时间,降低网络复杂度。
Description
技术领域
本发明属于非侵入式负荷分析技术领域,具体涉及非侵入式负荷辨识模型的构建方法、装置和存储介质。
背景技术
在电力物联网的建设中,非侵入式负荷分析能够提供极大的便利。通过利用该方法,电网管理人员能够准确有效的获取用电用户的用电行为分析,为电网的智能化管理奠定坚实的基础。同时,非侵入式负荷辨识因其实施成本低且对用户干扰小,通过非侵入式负荷辨识,电网公司能够预测各类负荷曲线,协助电网调度工作,而用电用户也可通过非侵入式负荷辨识,详细掌握工厂或家庭的用电情况,提升用电的智能程度,因此具有广泛的应用前景。
传统的非侵入式负荷辨识方法,通过模式识别的方法对负荷特征进行学习和训练,过程繁琐,需要的样本也较大,存在着模型所需的完备负荷特征库在实际中难以获得而部分特征往往不满足叠加或进行数学运算的要求,从而难以求解并准确辨识负荷。
发明内容
本发明旨在针对传统的非侵入式负荷辨识方法难以求解并准确辨识负荷的问题,提供一种非侵入式负荷辨识模型的构建方法。
本发明为了实现上述技术目的,采用以下技术方案。
一方面,本发明提供了非侵入式负荷辨识模型的构建方法,包括以下步骤:
针对采集到的负荷信号的数据特征建立负荷信号特征矩阵,将负荷信号特征矩阵进行奇异值分解获得奇异值对角向量矩阵、左奇异值向量矩阵和右奇异值向量矩阵;保留所述奇异值对角向量矩阵中高于预设奇异值门限的奇异值,获得新的奇异值对角向量矩阵;从左奇异值向量矩阵和右奇异值向量矩阵选取更新后的奇异值对角向量矩阵对应的左右奇异值向量,构建成新的左奇异值向量矩阵和新的右奇异值向量矩阵;
确定新的左奇异值向量矩阵和新的右奇异值向量矩阵对应的克罗内克积并进行特征矩阵重构获得重构后的负荷信号特征矩阵;
负荷信号特征矩阵将重构后的负荷信号特征矩阵输入到卷积神经网络模型,将卷积神经网络模型的输出值与目标值之间的误差,当误差等于或小于预设误差期望值时结束训练。
进一步地,确定新的左奇异值向量矩阵和新的右奇异值向量矩阵对应的克罗内克积并进行特征矩阵重构的具体方法包括如下:
其中Σk表示新的奇异值对角向量矩阵,vec()表示将矩阵向量化。
负荷信号特征矩阵再进一步地,奇异值门限K的取值表示为:K=η*sum(Σ),其中η为常数,sum(Σ)是对奇异值对角向量矩阵Σ的对角元素进行求和。
进一步地,所述卷积神经网络模型采用如下的误差函数计算误差:
其中m为样本个数,i为第i个样本,x(i)为系统的第i个输入,hθ(x(i))为通过卷积网络后的输出即预测分类结果,y(i)为理想输出即训练集的实际分类结果。
第二方面,本发明提供了非侵入式负荷辨识模型的构建装置,包括:奇异值分解模块、特征矩阵重构模块和卷积神经网络模型构建和训练模块;
所述奇异值分解模块,用于针对采集到的负荷信号的数据特征建立负荷信号特征矩阵,将负荷信号特征矩阵进行奇异值分解获得奇异值对角向量矩阵、左奇异值向量矩阵和右奇异值向量矩阵;保留所述奇异值对角向量矩阵中高于预设奇异值门限的奇异值,获得新的奇异值对角向量矩阵;从左奇异值向量矩阵和右奇异值向量矩阵选取更新后的奇异值对角向量矩阵对应的左右奇异值向量,构建成新的左奇异值向量矩阵和新的右奇异值向量矩阵;
负荷信号特征矩阵所述特征矩阵重构模块用于确定新的左奇异值向量矩阵和新的右奇异值向量矩阵对应的克罗内克积并进行特征矩阵重构获得重构后负荷信号特征矩阵;
所述卷积神经网络模型构建和训练模块,用于将所述特征矩阵重构模块重构后的负荷信号特征矩阵输入到卷积神经网络模型,计算卷积神经网络模型的输出值与目标值之间的误差,当误差等于或小于预设误差期望值时结束训练。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任意一种实施方式提供的非侵入式负荷辨识模型的构建方法的的步骤。
本发明所取得的有益技术效果:本发明针对采集到的负荷信号的数据特征,结合卷积神经网络对数据加权卷积的运算结构特点,将负荷信号特征矩阵进行奇异值分解,并根据实际情况设置门限,并选取奇异值大于门限值的奇异值对角向量矩阵,依据克罗内克积的特性进行特征矩阵重构,减少冗余数据对估计的影响;
本发明提供的方法使用基于奇异值特征矩阵重构的方法对信号进行预处理,降低了数据的纬度,将数据特征进行重新分布,有利于缩短训练时间,降低网络复杂度,提高训练精度,并能够有效剔除信号中的噪声与其他干扰信息,并保留信号的特征信息。利用卷积神经网络算法对重构的特征矩阵进行深度学习,实现负荷特征的获取与识别,能够有效提高识别的效率和准确率。
附图说明
图1为本发明具体实施例提供的非侵入式负荷辨识模型的构建方法流程示意图。
具体实施方式
以下结合具体实施方式对本发明做进一步说明。
本发明的基本思想是利用奇异值分解和信号的结构特征,将大量典型家电的运行电流数据转换成重构特征矩阵,并建立能够处理重构特征矩阵数据的卷积神经网络模型,实现辨识负荷特征的目的。
实施例一、非侵入式负荷辨识模型的构建方法,如图1所示,包括以下步骤:
负荷信号特征矩阵负荷信号特征矩阵本实施例中首先根据采集到的负荷信号的频率、电压等特征,对数据进行分包,并完成数据标准化等操作,将采集到的数据形成标准化的负荷信号特征矩阵;
使用奇异值分解对采集到的混合信号进行负荷分离,即X(t)=UΣV*,其中X(t)为处理前负荷信号特征矩阵,Σ为奇异值对角向量矩阵,U为左奇异值向量矩阵,V为右奇异值向量矩阵。设定奇异值门限K=η*sum(Σ),其中η为常数,根据信号特征确定,sum(Σ)是对奇异值对角向量矩阵Σ的对角元素进行求和。
保留大于门限K的奇异值,构建对应的新的奇异值对角向量矩阵Σk,从左奇异值向量矩阵U和右奇异值向量矩阵V选取新的奇异值对角矩阵Σk对应的左右奇异值向量,构建成新的左奇异值向量矩阵Uk和右奇异值向量矩阵Vk。
将大量典型家电的运行电流数据转换成重构特征矩阵的形式,并使用卷积神经网络模型进行训练,设定卷积神经网络的结构为6个卷积层,2个池化层和3个全连接层,然后通过已知特征的重构特征矩阵数据,训练对应的卷积神经网络模型,从未知特征的重构特征矩阵中提取负荷特征。
卷积神经网络输出的结果是分类的结果,即输入的信号包含哪几种负荷特征,具体种类的数量有训练集的种类数量决定。
卷积神经网络采用以下误差函数计算误差。误差函数为:
其中m为样本个数,i为第i个样本,x(i)为第i个系统输入,hθ(x(i))为通过卷积网络后的输出即预测值(即预测分类结果),y (i)为理想输出即训练集的实际种类(即实际分类结果)。通过随机梯度下降算法来减小误差,逼近分类目标。
求出网络的输出值与目标值之间的误差,当误差大于我们的期望值时,将误差传回网络中,依次求得全连接层,下采样层,卷积层的误差;求得误差进行权值更新,并从重构的特征矩阵中提取独立负荷特征,当误差等于或小于设定的期望值时,结束训练,进而建立能够处理重构特征矩阵数据的卷积神经网络模型;
本发明提供的方法使用基于奇异值特征矩阵重构的方法对信号进行预处理,能够有效剔除信号中的噪声与其他干扰信息,并保留信号的特征信息;利用卷积神经网络算法对重构的特征矩阵进行深度学习,实现负荷特征的获取与识别,能够有效提高识别的效率和准确率。
与以上实施例相对应的,本发明提供了非侵入式负荷辨识模型的构建装置,包括:特征矩阵重构模块和卷积神经网络模型构建和训练模块;
所述奇异值分解模块,用于针对采集到的负荷信号的数据特征建立负荷信号特征矩阵,将负荷信号特征矩阵进行奇异值分解获得奇异值对角向量矩阵、左奇异值向量矩阵和右奇异值向量矩阵;保留所述奇异值对角向量矩阵中高于预设奇异值门限的奇异值,获得新的奇异值对角向量矩阵;从左奇异值向量矩阵和右奇异值向量矩阵选取更新后的奇异值对角向量矩阵对应的左右奇异值向量,构建成新的左奇异值向量矩阵和新的右奇异值向量矩阵;
所述特征矩阵重构模块用于确定新的左奇异值向量矩阵和新的右奇异值向量矩阵对应的克罗内克积并进行特征矩阵重构;
所述卷积神经网络模型构建和训练模块,用于将所述特征矩阵重构模块重构后的特征矩阵输入到卷积神经网络模型,计算卷积神经网络模型的输出值与目标值之间的误差,当误差等于或小于预设误差期望值时结束训练。
需要说明的是,本实施例中各个模块实现的具体方法如以上实施例一一对应,本实施例中不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (7)
1.非侵入式负荷辨识模型的构建方法,其特征在于,包括以下步骤:
针对采集到的负荷信号的数据特征建立负荷信号特征矩阵,将负荷信号特征矩阵进行奇异值分解获得奇异值对角向量矩阵、左奇异值向量矩阵和右奇异值向量矩阵;保留所述奇异值对角向量矩阵中高于预设奇异值门限的奇异值,获得新的奇异值对角向量矩阵;从左奇异值向量矩阵和右奇异值向量矩阵选取更新后的奇异值对角向量矩阵对应的左右奇异值向量,构建成新的左奇异值向量矩阵和新的右奇异值向量矩阵;
确定新的左奇异值向量矩阵和新的右奇异值向量矩阵对应的克罗内克积并进行特征矩阵重构获得重构后的负荷信号特征矩阵;
将重构后的负荷信号特征矩阵输入到卷积神经网络模型,计算卷积神经网络模型的输出值与目标值之间的误差,当误差等于或小于预设误差期望值时结束训练。
3.根据权利要求1所述的非侵入式负荷辨识模型的构建方法,其特征在于,奇异值门限K的取值表示为:K=η*sum(Σ),其中η为常数,sum(Σ)是对奇异值对角向量矩阵Σ的对角元素进行求和。
4.根据权利要求1所述的非侵入式负荷辨识模型的构建方法,其特征在于,所述卷积神经网络模型包括6个卷积层、2个池化层和3个全连接层。
6.非侵入式负荷辨识模型的构建装置,其特征在于包括:奇异值分解模块、特征矩阵重构模块和卷积神经网络模型构建和训练模块;
所述奇异值分解模块,用于针对采集到的负荷信号的数据特征建立负荷信号特征矩阵,将负荷信号特征矩阵进行奇异值分解获得奇异值对角向量矩阵、左奇异值向量矩阵和右奇异值向量矩阵;保留所述奇异值对角向量矩阵中高于预设奇异值门限的奇异值,获得新的奇异值对角向量矩阵;从左奇异值向量矩阵和右奇异值向量矩阵选取更新后的奇异值对角向量矩阵对应的左右奇异值向量,构建成新的左奇异值向量矩阵和新的右奇异值向量矩阵;
负荷信号特征矩阵所述特征矩阵重构模块用于确定新的左奇异值向量矩阵和新的右奇异值向量矩阵对应的克罗内克积并进行特征矩阵重构后的负荷信号特征矩阵;
所述卷积神经网络模型构建和训练模块,用于将所述特征矩阵重构模块重构后的负荷信号特征矩阵输入到卷积神经网络模型,计算卷积神经网络模型的输出值与目标值之间的误差,当误差等于或小于预设误差期望值时结束训练。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~5任意一项权利要求所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110372296.XA CN113158134B (zh) | 2021-04-07 | 2021-04-07 | 非侵入式负荷辨识模型的构建方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110372296.XA CN113158134B (zh) | 2021-04-07 | 2021-04-07 | 非侵入式负荷辨识模型的构建方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113158134A true CN113158134A (zh) | 2021-07-23 |
CN113158134B CN113158134B (zh) | 2024-02-27 |
Family
ID=76888566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110372296.XA Active CN113158134B (zh) | 2021-04-07 | 2021-04-07 | 非侵入式负荷辨识模型的构建方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158134B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341616A (zh) * | 2022-11-11 | 2023-06-27 | 南京工程学院 | 基于矩阵重构二维卷积网络的电力负载信息获取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170351288A1 (en) * | 2016-06-07 | 2017-12-07 | Shenzhen Zhidian Energy Technology LTD | Non-invasive online real-time electric load identification method and identification system |
CN108918930A (zh) * | 2018-09-11 | 2018-11-30 | 广东石油化工学院 | 一种负荷分解中功率信号自适应重构方法 |
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 |
CN111612074A (zh) * | 2020-05-22 | 2020-09-01 | 王彬 | 非侵入式负荷监测用电设备的辨识方法、装置及相关设备 |
CN112348096A (zh) * | 2020-11-11 | 2021-02-09 | 合肥工业大学 | 非侵入式负荷分解方法及系统 |
-
2021
- 2021-04-07 CN CN202110372296.XA patent/CN113158134B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170351288A1 (en) * | 2016-06-07 | 2017-12-07 | Shenzhen Zhidian Energy Technology LTD | Non-invasive online real-time electric load identification method and identification system |
CN108918930A (zh) * | 2018-09-11 | 2018-11-30 | 广东石油化工学院 | 一种负荷分解中功率信号自适应重构方法 |
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 |
CN111612074A (zh) * | 2020-05-22 | 2020-09-01 | 王彬 | 非侵入式负荷监测用电设备的辨识方法、装置及相关设备 |
CN112348096A (zh) * | 2020-11-11 | 2021-02-09 | 合肥工业大学 | 非侵入式负荷分解方法及系统 |
Non-Patent Citations (1)
Title |
---|
高彩亮;: "基于奇异值分解和支持向量机的负荷预测新方法", 科技广场, no. 03 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341616A (zh) * | 2022-11-11 | 2023-06-27 | 南京工程学院 | 基于矩阵重构二维卷积网络的电力负载信息获取方法 |
CN116341616B (zh) * | 2022-11-11 | 2023-10-17 | 南京工程学院 | 基于矩阵重构二维卷积网络的电力负载信息获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113158134B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN112651290A (zh) | 一种水电机组振动趋势预测方法和系统 | |
CN112418482A (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN111008693A (zh) | 一种基于数据压缩的网络模型构建方法、系统和介质 | |
CN111553510A (zh) | 一种短期风速预测方法 | |
CN114297912A (zh) | 基于深度学习的刀具磨损预测方法 | |
CN114358216B (zh) | 基于机器学习框架的量子聚类方法及相关装置 | |
CN116843083A (zh) | 基于混合神经网络模型的碳排放预测系统及方法 | |
CN113158134B (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
CN108073442B (zh) | 基于深度模糊栈式自编码的仿真请求执行时间预测方法 | |
CN111831955A (zh) | 一种锂离子电池剩余寿命预测方法及系统 | |
CN116502774A (zh) | 一种基于时间序列分解和勒让德投影的时间序列预测方法 | |
CN110610140A (zh) | 人脸识别模型的训练方法、装置、设备及可读存储介质 | |
CN115358473A (zh) | 基于深度学习的电力负荷预测方法及预测系统 | |
CN115907000A (zh) | 一种用于电力系统最优潮流预测的小样本学习方法 | |
CN111476408B (zh) | 一种电力通信设备状态预测方法及系统 | |
CN112016684B (zh) | 一种深度并行柔性发射网络的电力终端指纹识别方法 | |
Ogawa et al. | PV output forecasting by deep Boltzmann machines with SS‐PPBSO | |
CN113297540A (zh) | 在边缘物联代理服务下的app资源需求预测方法、装置及系统 | |
CN113592064A (zh) | 环抛机工艺参数预测方法、系统、应用、终端及介质 | |
CN112667394A (zh) | 一种计算机资源利用率优化方法 | |
CN114363951B (zh) | 一种多小区间流量协同预测方法及装置 | |
CN112070200A (zh) | 一种谐波群优化方法及其应用 |
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 |