CN113191253A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113191253A CN113191253A CN202110469299.5A CN202110469299A CN113191253A CN 113191253 A CN113191253 A CN 113191253A CN 202110469299 A CN202110469299 A CN 202110469299A CN 113191253 A CN113191253 A CN 113191253A
- Authority
- CN
- China
- Prior art keywords
- load
- feature
- current
- voltage
- similarity
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了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,该方法通过对获取到引起投切事件的负荷电压电流数据进行处理;其中,对电流数据进行快速傅里叶变换得到频谱特征,构造7维的特征向量;对电压和电流数据转换为电压‑电流轨迹特征图利用自编码器神经网络得到32维特征向量;最后利用TOPSIS法计算两个向量与特征库里每个负荷特征向量之间的相似度与阈值比较进行负荷识别。本发明具有准确识别未知负荷的能力,识别到未知负荷的时候,可以将未知负荷的特征向量添加到特征库中进行标记即可更新特征库。本发明可以在STM32MP1为核心的嵌入式Linux系统下,利用Tensorflow Lite工具的嵌入式AI来完成,可以提高整个系统的实时性。
Description
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,尤其涉及一种边缘机器学习下基于特征融合的非侵入式负荷识别方法。
背景技术
智能用电管理系统是智能电网建设的重要组成部分,而负荷识别技术是构造智能用电管理系统的关键技术之一。负荷识别一般分为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、难以安装等原因不太受欢迎。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。
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,而且都很难识别未知负荷。有些负荷识别方法只利用到电流频谱特征,或者只利用到电压-电流轨迹特征。一些方法把两个特征结合起来进行负荷识别,但是没有能识别未知负荷的功能,只针对已知的负荷起作用,而且依靠服务器的算力支持。
发明内容
本发明针对该问题提出了在嵌入式Linux系统和利用Tensorflow Lite工具的嵌入式AI下将电流特征和电压-电流轨迹特征融合的方式,结合卷积自编码器神经网络和TOPSIS法进行负荷识别。
本发明采用的技术方案具体如下:
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,包括以下步骤:
步骤1,实时采集用电入户端的电压和电流数据;
步骤2,通过电器设备投切事件判断获得引起该事件负荷的电压电流数据,若没有投切事件则返回步骤1;
步骤3,对投切后的电流数据进行快速傅里叶变换得到频谱特征,提取频谱特征中表示电流波形的特征数据构成K维特征向量;
步骤4,对投切后的电压电流数据进行归一化处理,得到电压-电流轨迹特征图。
步骤5,将轨迹特征图输入到训练好的卷积神经网络构造的特征提取网络中,获得编码的M维特征向量。
步骤6,通过TOPSIS法将步骤3、4得到的两个特征向量与特征库里的特征向量进行比较,计算相似度。所述特征库中包含多个已知负荷的K维特征向量和M维特征向量;对于两个相似度进行权重处理并得到最终负荷与特征库里每个负荷之间的相似度。当相似度大于阈值时,表示负荷识别成功。当相似度小于阈值时,表示该负荷是未知负荷。
其中,电器设备投切事件可以通过cusum算法进行识别判断,具体如下:
设置两个滑动窗口,在每个窗口中去掉最大值和最小值。
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。阈值根据该投切事件发生的电压、电流值进行确定。
进一步地,所述步骤3中,表示电流波形的特征数据包括电流最大值、有效值、谐波含有率以及一次、三次、五次、七次谐波分量中的至少一种。
进一步地,所述步骤4中得到电压-电流轨迹特征图的方法为:
步骤4.1,设置每个像素点的初始值为0;
步骤4.2,计算负荷稳态电压、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,N为正整数,2N×2N为轨迹图的大小。
步骤4.4,对于每个采样点的(Uj,Ij)(0<j≤Sample,Sample为一个周期里采样点数),计算Xj=N+int(Uj/Δu),Yj=N+int(Ij/Δi)作为要具体设置的电压-电流轨迹图像素点坐标,并设该像素点的值为1。
进一步地,所述步骤5中,卷积神经网络构造的特征提取网络的训练方法为:
从已有的公共数据集,获取大量的电压-电流轨迹特征图,对卷积神经网络构造的特征提取网络进行训练,直至损失率满足要求完成训练并冻结网络参数,其中,卷积神经网络构造的特征提取网络采用卷积自编码器,训练完成后只保留编码器部分。
进一步地,所述步骤6中,通过TOPSIS法将步骤3、4得到的两个特征向量与特征库里的特征向量进行比较。计算相似度时,需要设置每个特征的权重,对于K维特征向量,电流最大值、有效值以及一次谐波分量的权重取值范围为0.2~0.25,谐波含有率以及三次、五次、七次谐波分量的权重取值范围为0.05~0.1。对于电压-电流轨迹的M维特征向量,利用熵权法设置每个特征的权重。
进一步地,所述步骤6中,还包括以下步骤:
对于未知负荷,将该负荷的两个特征向量添加到负荷特征库里,同时用户进行标记更新负荷特征库,当该负荷再次出现时,从而能够被成功识别。
本发明的有益效果是:本发明将电流特征和V-I轨迹特征作为负荷特征进行负荷识别,所以可以互补每个特征的缺点,提高识别效率。而且本发明可以准确识别未知负荷,可以实时更新负荷特征库。同时,本发明中的整个运算在STM32MP1为核心的嵌入式Linux系统下,利用Tensorflow Lite工具的嵌入式AI下完成,提高整个系统的实时性。
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自编码器神经网络模型结构示意图(左:编码器,右:解码器);
图3为本发明实施例中BLUED数据集上一些负荷V-I轨迹以及通卷积自编码器神经网络得到的轨迹(上:输入,下:输出);
图4为本发明实施例中PLAID数据集上的一些负荷V-I轨迹以及通过卷积自编码器神经网络得到的轨迹(上:输入,下:输出);
图5为本发明实施例中PLAID数据集上的一些负荷V-I轨迹以及通过卷积自编码器中的编码器得到的32维特征向量(上:输入,下:输出)。
具体实施方式
结合附图以及利用BLUED、PLAID公共数据集的实施方式来解释本发明,具体实施步骤如下:
本发明提供了一种边缘机器学习下基于特征融合的非侵入式负荷识别方法,如图1所示,其实施步骤具体包括:
S1:构造卷积自编码器神经网络:
从BLUED数据集中提取7种家用电器设备,然后得到大量的电压-电流轨迹特征图。构造卷积自编码器神经网络并进行训练,其具体的结构如图2所示,编码器和解码器各包括三个卷积层、三个采样层以及三个全连接层。图3表示该卷积自编码器神经网络的输入和输出,也就是负荷V-I轨迹图,上面是输入,下面是利用32维特征向量还原的轨迹。通过最小化输出与输入的差异训练自编码器,训练完成后本发明后只保留左边的编码部分作为特征提取网络模型。
利用PLAID公共数据集构建特征库并测试本发明方法效果:
S2:对电流数据进行快速傅里叶变换得到频谱特征。本实施例中根据提取的电流最大值、有效值以及谐波含有率、一次、三次、五次、七次谐波分量等特征构成7维的特征向量;本实施例中的PLAID公共数据集的电压电流采样频率为30KHz,功率值频率为60Hz,每个周期包含500个采样点。PLAID数据集中提取11种电器设备。假设其中的6个设备是已知的,也就是特征库里已经有这6个设备的电流频谱图和V-I轨迹图中提取的两种特征向量,即表示电流频谱特征波形的7维特征向量和表示负荷V-I轨迹图特征的32维特征向量,其他5个设备是未知的,特征库里没有这五个设备的特征向量。
S3:将PLAID公共数据集的负荷的稳态电压电流数据转换为大小为2N*2N的V-I轨迹特征图。本实施例中,N为16;具体包括如下步骤:
(1)首先每个像素点的初始值设置为0。
计算Δu=Umax/N和Δi=Imax/N。
对于每个采样点(Uj,Ij)(0<j≤500)计算Xj=N+int(Uj/Δu),Yj=N+int(Ij/Δi)。(Xj,Yj)坐标的像素值设置为1。图3表示本实施例中的几个电器设备的电压-电流轨迹特征图。
S4:将S3得到的电压-电流轨迹特征图输入到步骤S1训练好的卷积自编码器神经网络得到32维的特征向量。因为PLAID数据集上的电压-电流轨迹没有参加自编码器的训练,所以该卷积自编码器神经网络无法完全还原输入轨迹,如图4所示,因此利用电压-电流轨迹特征图的识别方法对于未参与训练的负荷识别准确率低。但是每个负荷经过编码器网络得到的32维特征向量是有所不同的,如图5所示。
S5:通过TOPSIS法将S2、S4得到的两个特征向量与特征库里的特征向量进行比较,计算相似度。TOPSIS法计算过程中需要设置每个特征的权重。对于7维特征向量,给电流最大值、有效值以及基波值设置比较大的权重,给其他特征设置比较小的权重。本实施例中的权重为(0.2,0.2,0.2,0.1,0.1,0.1,0.1)。对于电压-电流轨迹的32维特征向量,利用熵权法设置每个特征的权重。
S6:通过权重处理得到负荷与特征库里每个负荷的相似度。本实施例中7维向量的权重设置为0.75,32维轨迹特征向量的权重设置为0.25。
S7:求相似度最大的负荷,然后与之前设定的阈值进行对比。当相似度大于阈值时,表示负荷识别成功。当相似度小于阈值时,表示该负荷是未知负荷。其中阈值根据每种负荷多个样本相似度的最小值进行选取,一般为0.9~0.98之间。对于未知负荷,将该负荷的两个特征向量添加到负荷特征库里。因为本发明同时利用电流频谱特征以及电压-电流轨迹特征,所以识别效果比只使用V-I轨迹或者频谱特征的方法好很多。对比结果如表1、2、3所示。表1是仅用到电流频谱特征时的识别结果,表2是仅用到电压-电流轨迹特征时的识别结果,表3是两个特征一起用到时的识别结果。从表可知,基于特征融合的方法可以弥补仅用到一个特征时的缺点,不仅可以提高负荷识别率而且可以准确的识别到未知的负荷。
另外,本发明方法步骤S1获得的特征提取网络模型经过模型转换在嵌入式Linux系统下运行,步骤S2~S7在STM32MP1为核心的嵌入式Linux系统下,也可以利用基于Tensoflow Lite的嵌入式AI完成,因而可以提高整个系统的实时性。
表1:仅利用电流信号的频谱特征时的识别结果
负荷名称 | 阈值 | 样本数 | 正确次数 | 错误次数 | 准确率 |
节能灯 | 0.98 | 100 | 100 | 0 | 100% |
吹风器 | 0.98 | 100 | 100 | 0 | 100% |
微波炉 | 0.98 | 100 | 100 | 0 | 100% |
空调 | 0.98 | 100 | 100 | 0 | 100% |
笔记本电脑 | 0.98 | 100 | 100 | 0 | 100% |
吸尘器 | 0.98 | 100 | 100 | 0 | 100% |
白炽灯(未知) | 100 | 0 | 100 | 0% | |
洗衣机(未知) | 100 | 100 | 0 | 100% | |
风扇(未知) | 100 | 100 | 0 | 100% | |
加热器(未知) | 100 | 100 | 0 | 100% | |
冰箱)未知) | 100 | 25 | 75 | 25% |
表2:仅利用轨迹特征向量时的识别结果
负荷名称 | 阈值 | 样本数 | 正确次数 | 错误次数 | 准确率 |
节能灯 | 0.95 | 100 | 100 | 0 | 100% |
吹风器 | 0.95 | 100 | 97 | 3 | 97% |
微波炉 | 0.95 | 100 | 100 | 0 | 100% |
空调 | 0.95 | 100 | 97 | 3 | 97% |
笔记本电脑 | 0.95 | 100 | 81 | 19 | 81% |
吸尘器 | 0.95 | 100 | 100 | 0 | 100% |
白炽灯(未知) | 100 | 100 | 0 | 100% | |
洗衣机(未知) | 100 | 100 | 0 | 100% | |
风扇(未知) | 100 | 100 | 0 | 100% | |
加热器(未知) | 100 | 1 | 99 | 1% | |
冰箱(未知) | 100 | 100 | 0 | 100% |
表3:基于特征融合的识别结果
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)
1.一种边缘机器学习下基于特征融合的非侵入式负荷识别方法,其特征在于,包括以下步骤:
步骤1,实时采集用电入户端的电压和电流数据;
步骤2,通过电器设备投切事件判断获得引起该事件负荷的电压电流数据,若没有投切事件则返回步骤1;
步骤3,对投切后的电流数据进行快速傅里叶变换得到频谱特征,提取频谱特征中表示电流波形的特征数据构成K维特征向量;
步骤4,对投切后的电压电流数据进行归一化处理,得到电压-电流轨迹特征图。
步骤5,将轨迹特征图输入到训练好的卷积神经网络构造的特征提取网络中,获得编码的M维特征向量。
步骤6,通过TOPSIS法将步骤3、4得到的两个特征向量与特征库里的特征向量进行比较,计算相似度。所述特征库中包含多个已知负荷的K维特征向量和M维特征向量;对于两个相似度进行权重处理并得到最终负荷与特征库里每个负荷之间的相似度。当相似度大于阈值时,表示负荷识别成功。当相似度小于阈值时,表示该负荷是未知负荷。
2.根据权利要求1所述的基于特征融合的非侵入式负荷识别方法,其特征在于,所述步骤3中,表示电流波形的特征数据包括电流最大值、有效值、谐波含有率以及一次、三次、五次、七次谐波分量中的至少一种。
3.根据权利要求1所述的基于特征融合的非侵入式负荷识别方法,其特征在于,所述步骤4中得到电压-电流轨迹特征图的方法为:
步骤4.1,设置每个像素点的初始值为0;
步骤4.2,计算负荷稳态电压、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,N为正整数,2N×2N为轨迹图的大小。
步骤4.4,对于每个采样点的(Uj,Ij)(0<j≤Sample,Sample为一个周期里采样点数),计算Xj=N+int(Uj/Δu),Yj=N+int(Ij/Δi)作为要具体设置的电压-电流轨迹图像素点坐标,并设该像素点的值为1。
4.根据权利要求1所述的基于特征融合的非侵入式负荷识别方法,其特征在于,所述步骤5中,卷积神经网络构造的特征提取网络的训练方法为:
从已有的公共数据集,获取大量的电压-电流轨迹特征图,对卷积神经网络构造的特征提取网络进行训练,直至损失率满足要求完成训练并冻结网络参数,其中,卷积神经网络构造的特征提取网络采用卷积自编码器,训练完成后只保留编码器部分。
5.根据权利要求1所述的基于特征融合的非侵入式负荷识别方法,其特征在于,所述步骤6中,通过TOPSIS法将步骤3、4得到的两个特征向量与特征库里的特征向量进行比较。计算相似度时,需要设置每个特征的权重,对于K维特征向量,电流最大值、有效值以及一次谐波分量的权重取值范围为0.2~0.25,谐波含有率以及三次、五次、七次谐波分量的权重取值范围为0.05~0.1。对于电压-电流轨迹的M维特征向量,利用熵权法设置每个特征的权重。
6.根据权利要求1所述的边缘机器学习下基于特征融合的非侵入式负荷识别方法,其特征在于,所述步骤6中,还包括以下步骤:
对于未知负荷,将该负荷的两个特征向量添加到负荷特征库里,同时用户进行标记更新负荷特征库,当该负荷再次出现时,从而能够被成功识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110469299.5A CN113191253A (zh) | 2021-04-28 | 2021-04-28 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110469299.5A CN113191253A (zh) | 2021-04-28 | 2021-04-28 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191253A true CN113191253A (zh) | 2021-07-30 |
Family
ID=76980180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110469299.5A Pending CN113191253A (zh) | 2021-04-28 | 2021-04-28 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191253A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332443A (zh) * | 2022-03-16 | 2022-04-12 | 北京智芯微电子科技有限公司 | 非侵入负荷识别装置、方法、存储介质及电子设备 |
CN114355275A (zh) * | 2022-03-21 | 2022-04-15 | 青岛鼎信通讯股份有限公司 | 电能表负荷监测方法、系统、装置及计算机可读存储介质 |
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 |
CN115563511A (zh) * | 2022-12-05 | 2023-01-03 | 广州水沐青华科技有限公司 | 一种基于机器学习的边缘侧电力指纹识别方法及装置 |
CN116595488A (zh) * | 2023-07-19 | 2023-08-15 | 青岛鼎信通讯股份有限公司 | 一种基于智能电表的非侵入式负荷识别方法 |
CN116780537A (zh) * | 2023-08-24 | 2023-09-19 | 国网天津市电力公司宝坻供电分公司 | 非侵入式负荷监测方法、装置、存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832705A (zh) * | 2017-11-08 | 2018-03-23 | 天津大学 | 一种基于典型相关分析的非侵入式负荷识别方法 |
CN111027408A (zh) * | 2019-11-19 | 2020-04-17 | 广西电网有限责任公司电力科学研究院 | 一种基于支持向量机和v-i曲线特征的负荷识别方法 |
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 |
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 |
CN112418722A (zh) * | 2020-12-08 | 2021-02-26 | 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 |
CN112580471A (zh) * | 2020-12-11 | 2021-03-30 | 浙江大学 | 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法 |
-
2021
- 2021-04-28 CN CN202110469299.5A patent/CN113191253A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832705A (zh) * | 2017-11-08 | 2018-03-23 | 天津大学 | 一种基于典型相关分析的非侵入式负荷识别方法 |
CN111027408A (zh) * | 2019-11-19 | 2020-04-17 | 广西电网有限责任公司电力科学研究院 | 一种基于支持向量机和v-i曲线特征的负荷识别方法 |
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 |
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 |
CN112418722A (zh) * | 2020-12-08 | 2021-02-26 | 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 |
CN112580471A (zh) * | 2020-12-11 | 2021-03-30 | 浙江大学 | 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法 |
Non-Patent Citations (1)
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 (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332443A (zh) * | 2022-03-16 | 2022-04-12 | 北京智芯微电子科技有限公司 | 非侵入负荷识别装置、方法、存储介质及电子设备 |
CN114332443B (zh) * | 2022-03-16 | 2022-06-24 | 北京智芯微电子科技有限公司 | 非侵入负荷识别装置、方法、存储介质及电子设备 |
CN114355275A (zh) * | 2022-03-21 | 2022-04-15 | 青岛鼎信通讯股份有限公司 | 电能表负荷监测方法、系统、装置及计算机可读存储介质 |
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 |
CN115563511A (zh) * | 2022-12-05 | 2023-01-03 | 广州水沐青华科技有限公司 | 一种基于机器学习的边缘侧电力指纹识别方法及装置 |
CN115563511B (zh) * | 2022-12-05 | 2023-03-10 | 广州水沐青华科技有限公司 | 一种基于机器学习的边缘侧电力指纹识别方法及装置 |
CN116595488A (zh) * | 2023-07-19 | 2023-08-15 | 青岛鼎信通讯股份有限公司 | 一种基于智能电表的非侵入式负荷识别方法 |
CN116595488B (zh) * | 2023-07-19 | 2023-11-14 | 青岛鼎信通讯股份有限公司 | 一种基于智能电表的非侵入式负荷识别方法 |
CN116780537A (zh) * | 2023-08-24 | 2023-09-19 | 国网天津市电力公司宝坻供电分公司 | 非侵入式负荷监测方法、装置、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109389180A (zh) | 一款基于深度学习的电力设备图像识别方法及巡查机器人 | |
CN109598451B (zh) | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 | |
CN112699913A (zh) | 一种台区户变关系异常诊断方法及装置 | |
CN110504679B (zh) | 一种基于km匹配算法的非侵入式负荷辨识方法 | |
CN112415414A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN111159638B (zh) | 基于近似低秩矩阵补全的配电网负荷缺失数据恢复方法 | |
CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及系统 | |
CN112580471A (zh) | 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法 | |
CN112632794B (zh) | 基于交叉熵参数子集模拟优化的电网可靠性评估方法 | |
CN117411189B (zh) | 一种微电网协调控制器的监测数据增强方法 | |
CN116008714B (zh) | 一种基于智能量测终端的反窃电分析方法 | |
CN111949707A (zh) | 一种基于影场的隐马尔可夫模型的非侵入式负荷分解方法 | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN115100466A (zh) | 一种非侵入式负荷监测方法、装置及介质 | |
CN113627289A (zh) | 一种基于深度学习的电力设备识别方法及其装置 | |
CN109388845B (zh) | 基于反向学习与增强复杂进化的光伏阵列参数提取方法 | |
CN115932435A (zh) | 一种基于低频采集信号的居民非侵入式负荷监测方法 | |
CN113408622A (zh) | 计及特征量信息表达差异的非侵入式负荷辨识方法及系统 | |
CN112327046A (zh) | 基于模糊聚类和支持向量回归的非侵入式负荷监测方法 | |
El Marghichi | A Solar PV Model Parameter Estimation Based on the Enhanced Self-Organization Maps | |
CN112993993A (zh) | 基于改进型差分进化算法的非侵入式电力负荷感知识别方法 | |
CN112348700A (zh) | 一种结合som聚类与ifou方程的线路容量预测方法 | |
CN110738433A (zh) | 一种用电设备负荷识别方法和装置 | |
CN110889465A (zh) | 基于自适应谐振网络的电力需求侧设备辨识方法和系统 |
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: 20210730 |
|
RJ01 | Rejection of invention patent application after publication |