CN113537327A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113537327A CN113537327A CN202110763505.3A CN202110763505A CN113537327A CN 113537327 A CN113537327 A CN 113537327A CN 202110763505 A CN202110763505 A CN 202110763505A CN 113537327 A CN113537327 A CN 113537327A
- Authority
- CN
- China
- Prior art keywords
- load
- voltage
- current
- characteristic diagram
- track characteristic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 238000010586 diagram Methods 0.000 claims abstract description 46
- 239000003086 colorant Substances 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 9
- 230000004069 differentiation Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000012549 training Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000033182 PLCG2-associated antibody deficiency and immune dysregulation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (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
本发明公开了电力负荷识别技术领域的一种基于Alexnet神经网络和颜色编码的非侵入式负荷识别方法及系统；包括：采集负荷的运行数据，并构建负荷的电压‑电流轨迹特征图；基于SVM聚类算法对负荷的运行数据进行初步识别，获取初步负荷识别结果；对电压‑电流轨迹特征图以及初步负荷识别结果采用RGB颜色进行区分，构建带有颜色区分的电压‑电流轨迹特征图；基于训练好的Alexnet神经网络，对带有颜色区分的电压‑电流轨迹特征图进行识别，获取负荷识别结果。具有识别准确度高，占用计算空间小等特点。
Description
技术领域
本发明属于电力负荷识别技术领域，具体涉及一种基于Alexnet神经网络和颜色编码的非侵入式负荷识别方法及系统。
背景技术
目前，在非侵入式负荷识别方面，传统的方法有：采用K-means，SVM等简单的分类方法，随着人工智能以及深度学习的发展，卷积神经网络CNN以及孪生网络等的崛起，在非侵入式负荷识别方面其应用越来越广泛，在负荷特征方面有负荷的有功功率、无功功率、以及电压-电流波形轨迹特征。在采用负荷的功率走作为特征时，虽然能够快速的得到分类结果，但是分类的准确性不够，当采用电压-电流波形轨迹特征进行分类时，虽然能够识别大部分负荷，但是对于负荷特征相似的电压-电流轨迹特征，其识别的准确性仍有待提高，且现有的负荷识别过程在计算时需要占用大量的计算空间，不易推广使用。
发明内容
为解决现有技术中的不足，本发明提供一种基于Alexnet神经网络和颜色编码的非侵入式负荷识别方法及系统，具有识别准确度高，占用计算空间小等特点。
为达到上述目的，本发明所采用的技术方案是：
第一方面，提供一种非侵入式负荷识别方法，包括：采集负荷的运行数据，并构建负荷的电压-电流轨迹特征图；基于SVM聚类算法对负荷的运行数据进行初步识别，获取初步负荷识别结果；对电压-电流轨迹特征图以及初步负荷识别结果采用RGB颜色进行区分，构建带有颜色区分的电压-电流轨迹特征图；基于训练好的Alexnet神经网络，对带有颜色区分的电压-电流轨迹特征图进行识别，获取负荷识别结果。
进一步地，所述采集负荷的运行数据，并构建负荷的电压-电流轨迹特征图，包括：采集负荷的运行数据，通过以下公式将运行数据中的电压、电流进行归一化处理，然后将归一化的数据乘以构建的轨迹特征图的像素的个数n并向下取整，得到一组小于n的电压、电流的整数：
im_n＝floor(im×n) (3)
vm_n＝floor(vm×n) (4)
其中，floor表示向下取整函数，imin表示一个周期内电流的最小值，imax表示一个周期内电流的最大值，vmin表示一个周期内电压的最小值，vmax表示一个周期内电压的最大值；
将得到的一组小于n的电压、电流的整数分别作为矩阵的行和列，构建一个n×n的零矩阵，并在相应的电压、电流位置将0赋值为1，从而构建负荷的电压-电流轨迹特征图。
进一步地，所述对电压-电流轨迹特征图以及初步负荷识别结果采用RGB 颜色进行区分，构建带有颜色区分的电压-电流波形特性轨迹图，包括：以负荷的有功功率与视在功率的比值作为RGB颜色区分的R矩阵值，具体为：
其中，Pnonactive表示无功功率，Papparent表示视在功率，Vrms表示电压的有效值， Irms表示电流的有效值；
以负荷的电流与电压的变化比值的反正切值作为G矩阵值，具体为：
其中，argtan表示反正切函数；
以负荷在稳定周期之前的轨迹变化的平均值作为B矩阵值，具体为：
其中，M表示负荷从非稳定到稳定过程的周期数，W表示一个周期内电压- 电流波形轨迹的矩阵0-1值。
进一步地，所述训练好的Alexnet神经网络，其输出层的个数与负荷类型的个数相同。
进一步地，所述采集负荷的运行数据，包括：计算负荷的有功功率、无功功率和无功电流。
第二方面，提供一种非侵入式负荷识别系统，包括：数据采集模块，用于采集负荷的运行数据，并构建负荷的电压-电流轨迹特征图；第一识别模块，用于基于SVM聚类算法对负荷的运行数据进行初步识别，获取初步负荷识别结果； RGB颜色区分模块，用于对电压-电流轨迹特征图以及初步负荷识别结果采用 RGB颜色进行区分，构建带有颜色区分的电压-电流轨迹特征图；第二识别模块，用于基于训练好的Alexnet神经网络，对带有颜色区分的电压-电流轨迹特征图进行识别，获取负荷识别结果。
与现有技术相比，本发明所达到的有益效果：本发明通过将负荷的电压-电流轨迹特征图添加RGB颜色特征作为神经网络的辨识特征；先采用SVM聚类算法进行初步识别，对电压-电流轨迹相同的特征做进一步的RGB颜色区分，实现了快速准确的负荷识别效果，具有识别准确度高，识别过程占用计算空间小等特点。
附图说明
图1是本发明实施例提供的一种基于Alexnet神经网络和颜色编码的非侵入式负荷识别方法的主要流程示意图；
图2是本发明实施例提供的Alexnet神经网络的结构图；
图3是本发明实施例提供的电压-电流波形轨迹图进行颜色编码的过程图；
图4是本发明实施例提供的电压-电流轨迹特征未经过颜色编码并通过 Alexnet神经网络训练识别后的混淆矩阵；
图5是本发明实施例提供的电压-电流轨迹特征经过颜色编码并通过Alexnet 神经网络训练识别后的混淆矩阵。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
如图1、图2所示，一种基于Alexnet神经网络和颜色编码的非侵入式负荷识别方法，包括：采集负荷的运行数据，并构建负荷的电压-电流轨迹特征图；基于SVM聚类算法对负荷的运行数据进行初步识别，获取初步负荷识别结果；对电压-电流轨迹特征图以及初步负荷识别结果采用RGB颜色进行区分，构建带有颜色区分的电压-电流轨迹特征图；基于训练好的Alexnet神经网络，对带有颜色区分的电压-电流轨迹特征图进行识别，获取负荷识别结果。
步骤一：采集负荷的运行数据，并构建负荷的电压-电流轨迹特征图，包括：采集负荷的运行数据，计算负荷的有功功率、无功功率和无功电流。通过以下公式将运行数据中的电压、电流进行归一化处理，然后将归一化的数据乘以构建的轨迹特征图的像素的个数n并向下取整，得到一组小于矩阵维度n的电压、电流的整数：
im_n＝floor(im×n) (3)
vm_n＝floor(vm×n) (4)
其中，floor表示向下取整函数，imin表示一个周期内电流的最小值，imax表示一个周期内电流的最大值，vmin表示一个周期内电压的最小值，vmax表示一个周期内电压的最大值；
将得到的一组小于矩阵维度n的电压、电流的整数分别作为矩阵的行和列，构建一个n×n的零矩阵，并在相应的电压、电流位置将0赋值为1，从而构建负荷的电压-电流轨迹特征图。
步骤二：基于SVM聚类算法对负荷的运行数据进行初步识别，获取初步负荷识别结果；运用电压-电流的轨迹特征波形对SVM卷积神经网络进行训练和测试，并根据负荷的种类调整神经网络的相关参数，包括输出层的个数由原始的1000个改为负荷类型的个数。
步骤三：对电压-电流轨迹特征图以及初步负荷识别结果采用RGB颜色进行区分，构建带有颜色区分的电压-电流轨迹特征图，包括：
以负荷的有功功率与视在功率的比值作为RGB颜色区分的R矩阵值，具体为：
其中，Pnonactive表示无功功率，Papparent表示视在功率，Vrms表示电压的有效值， Irms表示电流的有效值；
以负荷的电流与电压的变化比值的反正切值作为G矩阵值，具体为：
其中，argtan表示反正切函数；
以负荷在稳定周期之前的轨迹变化的平均值作为B矩阵值，具体为：
其中，M表示负荷从非稳定到稳定过程的周期数，W表示一个周期内电压- 电流波形轨迹的矩阵0-1值。
对电压-电流的颜色区分的构建过程如附图3所示，图3中(a)是R通道灰度图，(b)是G通道灰度图，c)是B通道灰度图，(d)是RGB合成图。
步骤四：基于训练好的Alexnet神经网络，对带有颜色区分的电压-电流轨迹特征图进行识别，获取负荷识别结果；采用步骤二中相同参数设置的Alexnet 卷积神经网络对经过颜色区分的电压-电流波形轨迹进行训练和测试，训练好的 Alexnet神经网络，其输出层的个数与负荷类型的个数相同。对比两种负荷特下的识别提升效果，验证该发明的有效性。
本实施例以公共数据集PLAID进行测试，首先对数据进行预处理，分析计算并得到其负荷类型有11类。
在对负荷的波形进行电压-电流波形轨迹的构建，并将其作为负荷的特征标识导入卷进神经网络进行训练和测试，其分类器的结果如图4所示；通过对初步分类结果进行总结可知，在电压-电流负荷轨迹相似的负荷加热器、空调、风扇等其负荷的识别准确率不高，为了对此作出改善，本实施例对其轨迹特征做进一步的颜色区分。增加颜色标识之后采用相同的参数设置对其做进一步的网络训练，其训练结果如图5所示，观察发现通过增加颜色空间之后，其总体的识别准确率有了一定的提升，而且对于电压-电流轨迹特征相似的负荷其识别准确率增加的更为明显，可见该发明对于提升电压-电流轨迹特征相似的负荷的准确率具有明显的作用。
本实施例将负荷的电压-电流的轨迹波形添加RGB颜色特征作为神经网络辨识的特征。利用Alexnet神经网络作为训练的模型，并利用训练后的混淆矩阵作为以及训练过程所用的时间作为评判该方法的有效性，实现了快速准确的负荷识别效果，主要包括：(1)SVM对负荷的功率进行初步分类识别；(2)运用负荷的电压-电流的轨迹特征作为下一步识别的标识；(3)对电压-电流轨迹相同的特征做进一步的RGB颜色区分；(4)利用Alexnet神经网络进行下一步的识别。
采用负荷的电压、有功电流、无功电流作为构建电压-电流轨迹特征的相关参数，并采用无功功率的变化率作为RGB颜色特征的构建的参数。负荷的初步识别由SVM完成，精细化识别由Alexnet神经网络完成。
本实施例将电压-电流轨迹特征进行RGB颜色区分并采用Alexnet神经网络进行训练和分类。利用负荷的电压、电流建立电压-电流轨迹波形，然后利用负荷的无功电流的变化率以及负荷稳定周期和非稳定周期内的电流、电压的比值作为颜色编码RGB的不同矩阵值，包括：(1)利用电压、有功电流建立电压- 电流轨迹特征波形；(2)计算负荷的无功电流以及稳定周期内无功电流和电压的变化率的比值；(3)利用(2)计算的值对(1)的轨迹波形进行颜色区分处理；(4)调整卷积神经网络的结构以适应负荷的结构类型；(5)运用卷积神经网络对提取的负荷进行训练和测试。
本实施例与传统的电压-电流作为轨迹特征的负荷的标识进行辨识的时，增加了颜色维度的标识，对于电压-电流轨迹特征相近的负荷有很好的区分度，在一定程度上提高了负荷辨识的准确率，具有识别准确度高，占用计算空间小等特点。
实施例二：
基于实施例一所述的基于Alexnet神经网络和颜色编码的非侵入式负荷识别方法，本实施例提供一种非侵入式负荷识别系统，包括：数据采集模块，用于采集负荷的运行数据，并构建负荷的电压-电流轨迹特征图；第一识别模块，用于基于SVM聚类算法对负荷的运行数据进行初步识别，获取初步负荷识别结果； RGB颜色区分模块，用于对电压-电流轨迹特征图以及初步负荷识别结果采用 RGB颜色进行区分，构建带有颜色区分的电压-电流轨迹特征图；第二识别模块，用于基于训练好的Alexnet神经网络，对带有颜色区分的电压-电流轨迹特征图进行识别，获取负荷识别结果。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种非侵入式负荷识别方法，其特征是，包括：
采集负荷的运行数据，并构建负荷的电压-电流轨迹特征图；
基于SVM聚类算法对负荷的运行数据进行初步识别，获取初步负荷识别结果；
对电压-电流轨迹特征图以及初步负荷识别结果采用RGB颜色进行区分，构建带有颜色区分的电压-电流轨迹特征图；
基于训练好的Alexnet神经网络，对带有颜色区分的电压-电流轨迹特征图进行识别，获取负荷识别结果。
2.根据权利要求1所述的非侵入式负荷识别方法，其特征是，所述采集负荷的运行数据，并构建负荷的电压-电流轨迹特征图，包括：
采集负荷的运行数据，通过以下公式将运行数据中的电压、电流进行归一化处理，然后将归一化的数据乘以构建的轨迹特征图的像素的个数n并向下取整，得到一组小于n的电压、电流的整数：
im_n＝floor(im×n) (3)
vm_n＝floor(vm×n) (4)
其中，floor表示向下取整函数，imin表示一个周期内电流的最小值，imax表示一个周期内电流的最大值；vmin表示一个周期内电压的最小值、vmax表示一个周期内电压的最大值；
将得到的一组小于n的电压、电流的整数分别作为矩阵的行和列，构建一个n×n的零矩阵，并在相应的电压、电流位置将0赋值为1，从而构建负荷的电压-电流轨迹特征图。
3.根据权利要求1所述的非侵入式负荷识别方法，其特征是，所述对电压-电流轨迹特征图以及初步负荷识别结果采用RGB颜色进行区分，构建带有颜色区分的电压-电流波形特性轨迹图，包括：
以负荷的有功功率与视在功率的比值作为RGB颜色区分的R矩阵值，具体为：
其中，Pnonactive表示无功功率、Papparent表示视在功率，Vrms表示电压的有效值，、Irms表示电流的有效值；
以负荷的电流与电压的变化比值的反正切值作为G矩阵值，具体为：
其中，argtan表示反正切函数；
以负荷在稳定周期之前的轨迹变化的平均值作为B矩阵值，具体为：
其中，M表示负荷从非稳定到稳定过程的周期数，W表示一个周期内电压-电流波形轨迹的矩阵0-1值。
4.根据权利要求1所述的非侵入式负荷识别方法，其特征是，所述训练好的Alexnet神经网络，其输出层的个数与负荷类型的个数相同。
5.根据权利要求1所述的非侵入式负荷识别方法，其特征是，所述采集负荷的运行数据，包括：计算负荷的有功功率、无功功率和无功电流。
6.一种非侵入式负荷识别系统，其特征是，包括：
数据采集模块，用于采集负荷的运行数据，并构建负荷的电压-电流轨迹特征图；
第一识别模块，用于基于SVM聚类算法对负荷的运行数据进行初步识别，获取初步负荷识别结果；
RGB颜色区分模块，用于对电压-电流轨迹特征图以及初步负荷识别结果采用RGB颜色进行区分，构建带有颜色区分的电压-电流轨迹特征图；
第二识别模块，用于基于训练好的Alexnet神经网络，对带有颜色区分的电压-电流轨迹特征图进行识别，获取负荷识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110763505.3A CN113537327A (zh) | 2021-07-06 | 2021-07-06 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110763505.3A CN113537327A (zh) | 2021-07-06 | 2021-07-06 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113537327A true CN113537327A (zh) | 2021-10-22 |
Family
ID=78126865
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110763505.3A Pending CN113537327A (zh) | 2021-07-06 | 2021-07-06 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537327A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114372979A (zh) * | 2022-02-23 | 2022-04-19 | 吉林化工学院 | 可迁移的电力指纹深度辨识方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105743126A (zh) * | 2016-04-14 | 2016-07-06 | 华南理工大学 | 一种实现负荷管理的微电网能量管理系统 |
| WO2019128843A1 (zh) * | 2017-12-26 | 2019-07-04 | 江苏智臻能源科技有限公司 | 一种基于混合判据的非侵入式ih电饭煲运行辨识方法 |
| 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 |
| CN110443302A (zh) * | 2019-08-02 | 2019-11-12 | 天津相和电气科技有限公司 | 基于特征融合与深度学习的负荷辨识方法及其应用 |
| 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 |
| 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 |
| 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 |
-
2021
- 2021-07-06 CN CN202110763505.3A patent/CN113537327A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105743126A (zh) * | 2016-04-14 | 2016-07-06 | 华南理工大学 | 一种实现负荷管理的微电网能量管理系统 |
| WO2019128843A1 (zh) * | 2017-12-26 | 2019-07-04 | 江苏智臻能源科技有限公司 | 一种基于混合判据的非侵入式ih电饭煲运行辨识方法 |
| 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 |
| 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 |
| CN110443302A (zh) * | 2019-08-02 | 2019-11-12 | 天津相和电气科技有限公司 | 基于特征融合与深度学习的负荷辨识方法及其应用 |
| 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 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 王守相 等: "基于特征融合与深度学习的非侵入式负荷辨识算法", 电力系统自动化, no. 9, pages 139 - 147 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114372979A (zh) * | 2022-02-23 | 2022-04-19 | 吉林化工学院 | 可迁移的电力指纹深度辨识方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111864896B (zh) | 一种电力负荷监测方法及系统 | |
| CN110726898B (zh) | 一种配电网故障类型识别方法 | |
| CN110119545B (zh) | 一种基于栈式自编码器的非侵入式电力负荷识别方法 | |
| CN110399821A (zh) | 基于人脸表情识别的顾客满意度获取方法 | |
| CN104361096B (zh) | 一种基于特征富集区域集合的图像检索方法 | |
| CN111738367B (zh) | 一种基于图像识别的零件分类方法 | |
| CN101833667A (zh) | 一种基于分组稀疏表示的模式识别分类方法 | |
| CN111461025A (zh) | 一种自主进化的零样本学习的信号识别方法 | |
| CN108288048A (zh) | 基于改进头脑风暴优化算法的面部情绪识别特征选择方法 | |
| Gao et al. | Vacl: Variance-aware cross-layer regularization for pruning deep residual networks | |
| CN110458240A (zh) | 一种三相桥式整流器故障诊断方法、终端设备及存储介质 | |
| CN109753969A (zh) | 一种基于形状特征和图像分割的绝缘子识别和定位方法 | |
| CN111915101A (zh) | 基于lpp-hmm方法的复杂装备故障预测方法及系统 | |
| CN113537327A (zh) | 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 | |
| CN113505856B (zh) | 一种高光谱影像无监督自适应分类方法 | |
| CN113033345B (zh) | 基于公共特征子空间的v2v视频人脸识别方法 | |
| CN112507881A (zh) | 一种基于时间卷积神经网络的sEMG信号分类方法及系统 | |
| CN117435992A (zh) | 一种用于盾构机液压推进系统的故障预测方法及系统 | |
| CN107578446A (zh) | 一种遥感影像道路提取方法及装置 | |
| CN116778272A (zh) | 基于多通道信息融合的水电机组小样本工况辨识方法 | |
| CN111126173A (zh) | 一种高精度人脸检测方法 | |
| CN111666984A (zh) | 一种基于迁移学习的过电压智能识别方法 | |
| CN113361628B (zh) | 一种多任务学习下的cnn绝缘子老化光谱分类方法 | |
| CN113496440B (zh) | 一种用户异常用电检测方法及系统 | |
| CN114936947A (zh) | 基于gadf-vgg16的高压直流输电线路故障诊断方法 |
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 |