CN113807225A - 一种基于特征融合的负荷识别方法 - Google Patents
一种基于特征融合的负荷识别方法 Download PDFInfo
- Publication number
- CN113807225A CN113807225A CN202111045737.1A CN202111045737A CN113807225A CN 113807225 A CN113807225 A CN 113807225A CN 202111045737 A CN202111045737 A CN 202111045737A CN 113807225 A CN113807225 A CN 113807225A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- current
- load identification
- feature fusion
- 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
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于特征融合的负荷识别方法,首先使用一种基于电流时序信号的时频域特征融合的信号表示方法,对电流时序数据进行时间序列的图像编码,将电流数据转换为图像,获取了电流信号的时频域特征;然后通过基于二维卷积神经网络和门控循环单元构建的双流神经网络负荷识别模型进行负荷识别,通过本发明的方法提高了电器识别的准确率,尤其是针对家庭中小功率和多状态电器的精确识别。
Description
技术领域
本发明属于负荷识别技术领域,特别涉及一种基于特征融合的负荷识别方法。
背景技术
为了能够检测家电设备的能源使用情况,优化家庭能源消耗结构,从而实现家庭节能,家庭用电设备智能监测技术应运而生。现有研究表明,用户对家庭电器详细用电信息知情与否可以使电费开支相差5%-15%。因此,能够及时获取电网中每一用电设备的实时状态和能耗,已成为目前国内外智能电网建设中的重点和瓶颈问题。
在现有的用电设备监测技术中,非侵入式负载监测技术(NILM)具有部署简便、投资成本低、信息安全性强等优点,运用非侵入式用电目标监测方法只需对总能耗进行监测便可以将能耗分解到单负荷级,尤其适用于家庭用电设备智能监测。但因家庭用电设备中小功率电器和多状态电器占据了较大比重,存在大量的局部波形相似、波动特征不显著、不易区分等问题,对其精准进行负荷监测分解具有较大的难度。因此,对家庭中小功率和多状态电器识别准确率较低的问题亟待解决。虽然现有方法在家庭负荷监测中起到了一定的作用,但是对于相似波形的阻性电器和多状态电器的分类效果仍然很低,而且忽略了NILM中存在的类不平衡问题。
在NILM中,为了提高分类的准确率,采用了电力信号转换为图像表示的方式提取信号特征,最常见的是将电流电压轨迹和有功功率与无功功率等不同的信号形式组合在一起。这种信号形式的组合方法都有一个共同的缺点,即在分类时,不能充分利用电流数据时域和频域的所有信息。
因此,本发明针对在非侵入式用电目标监测中普遍存在的多状态和小功率电器识别问题,运用图像识别的相关知识,对电力信号转换为图像进行进一步研究。
发明内容
针对现有技术存在的不足,本发明提供一种基于特征融合的负荷识别方法,通过对电流时序数据进行时间序列的图像编码,获取了电流信号的时频域特征,然后通过深度神经网络得到了新的特征空间表示,最后使用了不同的网络模型对电器进行分类。为在家庭用电智能监测中进一步分离用电波动信号打下基础。
为了解决上述技术问题,本发明采用的技术方案是:
一种基于特征融合的负荷识别方法,首先使用一种基于电流时序信号的时频域特征融合的信号表示方法,将电流数据转换为图像;然后通过基于二维卷积神经网络和门控循环单元构建的双流神经网络负荷识别模型进行负荷识别,具体步骤如下:
步骤1、数据预处理及特征提取:提取原始电流数据中的稳态特征,并获得特征图;
步骤2、特征融合:将提取到的特征图进行特征融合;
步骤3、模型训练:将融合后的特征图作为双流神经网络负荷识别模型的输入,训练模型;
步骤4、分类输出:对不同的负荷进行分类,输出结果。
进一步的,步骤1中数据预处理及特征提取的方法是:采用将时间序列转换为二维图像的编码方式,将电流时序数据转换为二维图像表示,保留了电流时序数据的时间依赖性;分别是:通过GAF算法和MTF算法分别保存电流信号时域中的静态信息和动态信息,并生成电流频谱图CS,用于表示电流时序数据中的频域特征,增强图像中的频域信息。
进一步的,所述GAF算法中根据编码选取的角度的不同,分为GADF和GASF两种;GAF算法通过在极坐标中表示时间序列来构造图像,方法如下:先将使用的时间序列缩放到区间[-1,1]或[0,1],通过角余弦和半径分别表示时间序列的值及其对应的时间戳,从而实现时间序列到极坐标的转换;将重新标定的时间序列转换到极坐标系后,通过考虑各点之间的三角和、差来识别不同时间间隔内的时间相关性;
通过MTF算法保存时域内的信息,从而编码动态信息,方法如下:首先确定给定时间序列中的每个元素的分位数,通过计算沿时间轴的一阶马尔可夫链的转移来构造一个加权邻接矩阵W,将W归一化后得到马尔可夫转移矩阵;
电流频谱图是指和时间相关的傅立叶分析视图,是一种具有三维含义的二维频谱图,它表示电流频谱随时间变化的图形,纵轴是频率,横轴是时间,任意给定频率成分在给定时刻的强度大小用相应点的灰度图或色调的浓淡表示,颜色深,表示该点的电流强度越大。
进一步的,步骤2特征融合方法是:将相同大小的GASF、GADF、MTF生成的图片和电流频谱图CS结合起来构建一个四通道图像GASF-GADF-MTF-CS,用于结合嵌入在原始时间序列中的静态信息、动态信息以及频谱信息。
进一步的,步骤3所述双流神经网络负荷识别模型,一边将原始数据使用一维卷积神经网络提取特征后输入到门控循环单元中提取电流时序数据的时域特征,一边将融合后的图像输入到二维卷积神经网络中,并侧重从图像中提取时频域特征。
进一步的,在循环神经网络部分,输入数据为原始电流信号,选择单周期的电流数据作为一个样本,在循环神经网络前面使用3层卷积核大小为7、步长为1的一维卷积,对输入数据进行预处理,用于将长的输入序列转换为高级特征组成的短序列,之后输入到门控循环单元GRU层进一步提取特征;
在二维卷积部分,输入数据是由原始数据景步骤1、步骤2转换得到的大小为64*64的二维图像,采用三层二维卷积提取特征,使用大小为3、步长为1的卷积核,卷积核的数量依次增加。
进一步的,在模型训练时,选择将过采样和欠采样相结合方式来平衡样本:先使用SMOTE方法进行过采样,对少数类先过采样到多数类样本数的1.5倍后,再进行欠采样到相同样本数,欠采样时采用了一种选取中点欠采样的策略,即假设需要数据原始长度为n1,需要欠采样到长度为n2,那么就将原始数据平均分为n1-n2份,分别取每份的中点进行舍弃。
与现有技术相比,本发明优点在于:
(1)在数据预处理阶段,针对使用单一设备特征进行负荷辨识存在的局限性,本发明基于电流时序信号的时频域特征融合的特征提取方法,命名为Time Series ImageCoding in NILM(TSICN)方法,该方法可以将一维时间序列转换为二维图像并保留原始信号的全部时频域信息。
(2)针对NILM问题中出现的类别不平衡问题,设计了一种不均衡样本的处理方法,将过采样和欠采样相结合方式来平衡样本,在存在分类不平衡问题的家电分类中的整体性能优于现有模型。
(3)在分类时,本发明使用了二维卷积和循环神经网络相结合的双流的网络结构模型,侧重从图像中提取时频域特征,提高了电器识别的准确率,尤其是针对家庭中小功率和多状态电器的精确识别。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的负荷识别方法流程图;
图2为本发明的特征融合方法流程图;
图3为本发明的特征融合过程原理图;
图4为本发明的整体网络结构图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的说明。
在本发明中,首先使用了一种基于电流时序信号的时频域特征融合的信号表示方法,目标是将电流数据转换为包含尽可能多信息的图像,从而提高多状态和小功率电器的负荷识别的准确率。然后通过基于二维卷积神经网络和门控循环单元构建的双流神经网络负荷识别模型进行负荷识别,
结合图1所示的负荷识别流程图,具体步骤如下:
步骤1、数据预处理及特征提取:提取原始电流数据中的稳态特征,并获得特征图。
在数据预处理中,选择电流的稳态数据作为原始数据,从中提取电流的稳态特征,稳态特征是指电器运行状态稳定时所表现出的特征,是两种稳定运行状态某些特性分析差异的结果。稳态数据比暂态数据更易于采集和检测。
在数据预处理中,本发明采用将时间序列转换为二维图像的编码方式,将电流时序数据转换为二维图像表示,保留了电流时序数据的时间依赖性。分别是:通过GAF算法和MTF算法分别保存电流信号时域中的静态信息和动态信息,并生成电流频谱图CS,用于表示电流时序数据中的频域特征,增强图像中的频域信息。
需要说明的是,本发明采用的GAF算法和MTF算法生成二维图像的方法是采用现有技术,生成电流频谱图(CS)及四种图像的融合方法为创新,通过本发明的方法得到的电流频谱图首次用于用电识别。本发明的图像融合方法,即基于电流时序信号的时频域特征融合的方法,即命名为Time Series Image Coding in NILM(TSICN)方法,下面分别详细介绍不同编码方式:
(1)GAF图像编码
GAF算法中根据编码选取的角度的不同,分为GADF和GASF两种。GAF算法通过在极坐标中表示时间序列来构造图像,方法如下:先将使用的时间序列缩放到区间[-1,1]或[0,1]。通过角余弦和半径分别表示时间序列的值及其对应的时间戳,从而实现时间序列到极坐标的转换。将重新标定的时间序列转换到极坐标系后,通过考虑各点之间的三角和、差来识别不同时间间隔内的时间相关性。定义了Gramian Angular Summation Fields(GASF)和Gramian Angular Difference Fields(GADF):
GAF编码方式的优势在于它在一维时间序列和二维空间之间构造了一个双射映射,这样就不会丢失任何信息,并且可以通过r坐标保持时间依赖性。生成的类Gram矩阵保留了时间依赖性。由于时间随着位置从左上角到右下角的移动而增加,时间维度被编码到矩阵的几何结构中。类Gram矩阵的对角线由缩放后的时间序列的原始值构成,这意味着可以根据深度神经网络学习到的高层特征来近似重构时间序列。
(2)MTF图像编码
MTF算法通过连续表示马尔可夫转换概率的思想,保存时域内的信息,从而编码动态信息。方法如下:首先确定给定时间序列中的每个元素的分位数,通过计算沿时间轴的一阶马尔可夫链的转移来构造一个加权邻接矩阵W,将W归一化后得到马尔可夫转移矩阵。为了克服矩阵W中去除时间依赖性而导致的信息丢失,定义了MTF如下:
(3)电流频谱图像编码
由于不同的用电器的电路设计不同,产生的谐波也是不同的,因此谐波数据中包含有不同用电器独特的特征。通过傅里叶变换或小波变换可提取负荷电压或电流的谐波,进而实现对负荷的辨识。
本发明的电流频谱图是指和时间相关的傅里叶分析视图,是一种具有三维含义的二维频谱图,它表示电流频谱随时间变化的图形,纵轴是频率,横轴是时间,任意给定频率成分在给定时刻的强度大小用相应点的灰度图或色调的浓淡表示,颜色深,表示该点的电流强度越大。电流频谱图上因其不同的深浅程度形成了不同的纹路,它因用电设备的不同而不同,即不同用电设备的电谱图中的用电纹是不同的,因而可以用它来鉴定不同的用电设备。
步骤2、特征融合:将提取到的特征图进行特征融合,得到特征融合图。
由于单变量时间序列在某种程度上无法解释数据的共线和潜在状态,所以上述二维图像编码方式,能在不丢失原始数据时间信息的同时拥有更丰富的表示。GAF和MTF分别对电流时序数据中的静态信息和动态信息进行了编码,电流频谱图描述了电流时序数据的频域特征。从这个角度看,可以把它们看作四个“正交”的通道。比如RGBA图像空间的不同颜色和透明度,
因此,在本发明中,将相同大小的GASF、GADF、MTF生成的图片和电流频谱图(CS)结合起来构建一个四通道图像(GASF-GADF-MTF-CS),特征融合过程原理图如图3所示。这种图像融合方法能同时结合了嵌入在原始时间序列中的静态信息、动态信息以及频谱信息,提高分类性能。
结合图2所示的特征融合流程图,从数据集D(工频P_Hz)采集采样率D_Hz、采样时间t,数据集中单一负荷的电流数据I_value,数据集中类别个数N;然后计算单周期电流的采样点数:计算采样时间中包含的电流周期数:记录电器开关事件的时刻t,截图t时刻稳定后的t秒内电流数据I_value,利用for循环获取电流数据从0到N-1,将每SpNum个数据样本点分成一组,获取每组中的数据点;分别使用前面所述的GADF、GASF、MTF、CS算法将每组中的数据生成二维图像,获取四幅图中图像的灰度值,将其保存为R、G、B和A,并将A换转为介于0和1之间的值;通过上述本发明的方法将四种图像融合到四通道图像中。
步骤3、模型训练:将融合后的特征图作为双流神经网络负荷识别模型的输入,训练模型。
本发明的网络结构如图4所示,是二维卷积和循环神经网络相结合的双输入模型。一边将原始数据使用一维卷积神经网络提取特征后输入到门控循环单元中提取电流时序数据的时域特征,一边将通过本发明TSICN方法融合后的图像输入到二维卷积神经网络中,并侧重从图像中提取时频域特征。
具体的,在循环神经网络部分,输入数据为原始电流信号,选择单周期的电流数据作为一个样本,在循环神经网络前面使用一维卷积神经网络作为预处理步骤,卷积神经网络可以将长的输入序列转换为高级特征组成的短序列。然后提取的特征组成这些序列成为循环神经网络RNN的输入。这样就能结合一维卷积网络的速度和轻量和RNN的顺序敏感性。这里用到了3层卷积核大小为7、步长为1的一维卷积,对输入数据进行预处理,之后输入到门控循环单元GRU层进一步提取特征。
在二维卷积部分,输入数据是由原始数据景步骤1、步骤2转换得到的大小为64*64的二维图像,采用三层二维卷积提取特征,使用大小为3、步长为1的卷积核,卷积核的数量依次增加。
此外,需要说明的是,在模型训练时,针对负荷样本出现的类别不平衡问题,本发明选择将过采样和欠采样相结合方式来平衡样本:先使用SMOTE方法进行过采样,对少数类先过采样到多数类样本数的1.5倍后,再进行欠采样到相同样本数。欠采样时采用了一种选取中点欠采样的策略,即假设需要数据原始长度为n1,需要欠采样到长度为n2,那么就将原始数据平均分为n1-n2份,分别取每份的中点进行舍弃。这种策略可以在欠采样的同时保持原始数据的分布特征。
步骤4、分类输出:对不同的负荷进行分类,输出结果。
综上所述,本发明针对普遍存在的多状态和小功率电器识别问题,从提高负荷识别准确率和加快模型训练速度出发,基于二维卷积神经网络(2D-CNN)和门控循环单元(GRU)构建了双流神经网络负荷识别模型。在双流神经网络模型融合时,考虑两路特征之间的一致性或共享特性,通过确定不同特征的权重,以生成更具有区分性和鲁棒性的融合特征向量。针对电器样本出现的样本不平衡问题,采用了数据层面的处理方法,将过采样和欠采样相结合来解决分类问题,能够进一步提升模型的分类性能。本发明对家庭里具有相似功率的电器以及多状态电器的智能用电识别提供了图像识别领域的新数据处理方法,为在家庭用电智能监测中进一步分离用电波动信号打下基础。
当然,上述说明并非是对本发明的限制,本发明也并不限于上述举例,本技术领域的普通技术人员,在本发明的实质范围内,做出的变化、改型、添加或替换,都应属于本发明的保护范围。
Claims (7)
1.一种基于特征融合的负荷识别方法,其特征在于,首先使用一种基于电流时序信号的时频域特征融合的信号表示方法,将电流数据转换为图像;然后通过基于二维卷积神经网络和门控循环单元构建的双流神经网络负荷识别模型进行负荷识别,具体步骤如下:
步骤1、数据预处理及特征提取:提取原始电流数据中的稳态特征,并获得特征图;
步骤2、特征融合:将提取到的特征图进行特征融合;
步骤3、模型训练:将融合后的特征图作为双流神经网络负荷识别模型的输入,训练模型;
步骤4、分类输出:对不同的负荷进行分类,输出结果。
2.根据权利要求1所述的基于特征融合的负荷识别方法,其特征在于,步骤1中数据预处理及特征提取的方法是:采用将时间序列转换为二维图像的编码方式,将电流时序数据转换为二维图像表示,保留了电流时序数据的时间依赖性;分别是:通过GAF算法和MTF算法分别保存电流信号时域中的静态信息和动态信息,并生成电流频谱图CS,用于表示电流时序数据中的频域特征,增强图像中的频域信息。
3.根据权利要求2所述的基于特征融合的负荷识别方法,其特征在于,所述GAF算法中根据编码选取的角度的不同,分为GADF和GASF两种;GAF算法通过在极坐标中表示时间序列来构造图像,方法如下:先将使用的时间序列缩放到区间[-1,1]或[0,1],通过角余弦和半径分别表示时间序列的值及其对应的时间戳,从而实现时间序列到极坐标的转换;将重新标定的时间序列转换到极坐标系后,通过考虑各点之间的三角和、差来识别不同时间间隔内的时间相关性;
通过MTF算法保存时域内的信息,从而编码动态信息,方法如下:首先确定给定时间序列中的每个元素的分位数,通过计算沿时间轴的一阶马尔可夫链的转移来构造一个加权邻接矩阵W,将W归一化后得到马尔可夫转移矩阵;
电流频谱图是指和时间相关的傅立叶分析视图,是一种具有三维含义的二维频谱图,它表示电流频谱随时间变化的图形,纵轴是频率,横轴是时间,任意给定频率成分在给定时刻的强度大小用相应点的灰度图或色调的浓淡表示,颜色深,表示该点的电流强度越大。
4.根据权利要求3所述的基于特征融合的负荷识别方法,其特征在于,步骤2特征融合方法是:将相同大小的GASF、GADF、MTF生成的图片和电流频谱图CS结合起来构建一个四通道图像GASF-GADF-MTF-CS,用于结合嵌入在原始时间序列中的静态信息、动态信息以及频谱信息。
5.根据权利要求1-4任一项所述的基于特征融合的负荷识别方法,其特征在于,步骤3所述双流神经网络负荷识别模型,一边将原始数据使用一维卷积神经网络提取特征后输入到门控循环单元中提取电流时序数据的时域特征,一边将融合后的图像输入到二维卷积神经网络中,并侧重从图像中提取时频域特征。
6.根据权利要求5所述的基于特征融合的负荷识别方法,其特征在于,在循环神经网络部分,输入数据为原始电流信号,选择单周期的电流数据作为一个样本,在循环神经网络前面使用3层卷积核大小为7、步长为1的一维卷积,对输入数据进行预处理,用于将长的输入序列转换为高级特征组成的短序列,之后输入到门控循环单元GRU层进一步提取特征;
在二维卷积部分,输入数据是由原始数据景步骤1、步骤2转换得到的大小为64*64的二维图像,采用三层二维卷积提取特征,使用大小为3、步长为1的卷积核,卷积核的数量依次增加。
7.根据权利要求6所述的基于特征融合的负荷识别方法,其特征在于,在模型训练时,选择将过采样和欠采样相结合方式来平衡样本:先使用SMOTE方法进行过采样,对少数类先过采样到多数类样本数的1.5倍后,再进行欠采样到相同样本数,欠采样时采用了一种选取中点欠采样的策略,即假设需要数据原始长度为n1,需要欠采样到长度为n2,那么就将原始数据平均分为n1-n2份,分别取每份的中点进行舍弃。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111045737.1A CN113807225A (zh) | 2021-09-07 | 2021-09-07 | 一种基于特征融合的负荷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111045737.1A CN113807225A (zh) | 2021-09-07 | 2021-09-07 | 一种基于特征融合的负荷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113807225A true CN113807225A (zh) | 2021-12-17 |
Family
ID=78894809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111045737.1A Pending CN113807225A (zh) | 2021-09-07 | 2021-09-07 | 一种基于特征融合的负荷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807225A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252739A (zh) * | 2021-12-24 | 2022-03-29 | 国家电网有限公司 | 配电网单相接地故障判别方法、系统、设备和存储介质 |
CN114325072A (zh) * | 2022-03-14 | 2022-04-12 | 南昌航空大学 | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 |
CN114509604A (zh) * | 2022-04-18 | 2022-05-17 | 国网江西省电力有限公司电力科学研究院 | 一种gis壳体暂态地电位升波形频谱分析方法及系统 |
CN114511007A (zh) * | 2022-01-17 | 2022-05-17 | 上海梦象智能科技有限公司 | 一种基于多尺度特征感知的非侵入式电气指纹识别方法 |
WO2023123291A1 (zh) * | 2021-12-30 | 2023-07-06 | 深圳华大生命科学研究院 | 时间序列信号识别方法、装置与计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112435142A (zh) * | 2020-12-16 | 2021-03-02 | 北京航空航天大学 | 一种用电负荷识别方法及其负荷用电设施知识库构建方法 |
-
2021
- 2021-09-07 CN CN202111045737.1A patent/CN113807225A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112435142A (zh) * | 2020-12-16 | 2021-03-02 | 北京航空航天大学 | 一种用电负荷识别方法及其负荷用电设施知识库构建方法 |
Non-Patent Citations (3)
Title |
---|
DONGNING JIA 等: "Non-Intrusive Load Identification Using Reconstructed Voltage Current Images", 《IEEEACCESS》, pages 77349 - 77358 * |
KEXIN LI 等: "A Nonintrusive Load Identification Model Based on Time-Frequency Features Fusion", 《IEEEACCESS》, pages 1376 - 1387 * |
YING ZHANG 等: "Multi-State Household Appliance Identification Based on Convolutional Neural Networks and Clustering", 《ENERGIES》, pages 1 - 12 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252739A (zh) * | 2021-12-24 | 2022-03-29 | 国家电网有限公司 | 配电网单相接地故障判别方法、系统、设备和存储介质 |
CN114252739B (zh) * | 2021-12-24 | 2023-11-03 | 国家电网有限公司 | 配电网单相接地故障判别方法、系统、设备和存储介质 |
WO2023123291A1 (zh) * | 2021-12-30 | 2023-07-06 | 深圳华大生命科学研究院 | 时间序列信号识别方法、装置与计算机可读存储介质 |
CN114511007A (zh) * | 2022-01-17 | 2022-05-17 | 上海梦象智能科技有限公司 | 一种基于多尺度特征感知的非侵入式电气指纹识别方法 |
CN114511007B (zh) * | 2022-01-17 | 2022-12-09 | 上海梦象智能科技有限公司 | 一种基于多尺度特征感知的非侵入式电气指纹识别方法 |
CN114325072A (zh) * | 2022-03-14 | 2022-04-12 | 南昌航空大学 | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 |
CN114325072B (zh) * | 2022-03-14 | 2022-06-21 | 南昌航空大学 | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 |
CN114509604A (zh) * | 2022-04-18 | 2022-05-17 | 国网江西省电力有限公司电力科学研究院 | 一种gis壳体暂态地电位升波形频谱分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113807225A (zh) | 一种基于特征融合的负荷识别方法 | |
CN109614981A (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
CN110991818B (zh) | 一种融合事件检测和神经网络的负荷识别方法 | |
CN112435142B (zh) | 一种用电负荷识别方法及其负荷用电设施知识库构建方法 | |
CN110147760B (zh) | 一种高效电能质量扰动图像特征提取与识别新方法 | |
CN111639586B (zh) | 非侵入式负荷识别模型构建方法、负荷识别方法及系统 | |
CN112231305A (zh) | 一种基于数字孪生的数字电网系统及方法 | |
Peng et al. | Wind power prediction for wind farm clusters based on the multi-feature similarity matching method | |
CN115249332B (zh) | 基于空谱双分支卷积网络的高光谱图像分类方法及设备 | |
CN114692506A (zh) | 一种基于改进TimeGAN模型的小样本故障诊断方法 | |
CN109658347A (zh) | 一种同时生成多种图片风格的数据增强方法 | |
CN114037891A (zh) | 基于u型注意力控制网络的高分辨率遥感影像建筑物提取方法及装置 | |
CN112330562B (zh) | 一种异构遥感图像变换方法及系统 | |
CN114169435A (zh) | 一种基于特征可视化的非侵入式负荷识别方法 | |
CN113542180A (zh) | 一种无线电信号的频域识别方法 | |
CN110866840A (zh) | 基于知识图谱的电力负荷特征量训练的数据库建模方法 | |
CN115222018A (zh) | 非侵入式负荷分解方法及装置 | |
CN112560706B (zh) | 一种多源卫星图像水体目标识别方法及装置 | |
Yuan et al. | Image segmentation based on modified superpixel segmentation and spectral clustering | |
Jia et al. | Identification of electrical equipment based on two-dimensional time series characteristics of power | |
Wang et al. | Lcl: Light contactless low-delay load monitoring via compressive attentional multi-label learning | |
Wang et al. | Power Quality Disturbance Recognition Method in Park Distribution Network Based on One-Dimensional VGGNet and Multi-label Classification | |
Yan et al. | A clustering method for power time series curves based on improved self-organizing mapping algorithm | |
CN110501568B (zh) | 一种基于图信号处理的非侵入式设备负载监测方法 | |
Xu et al. | MSFEN-AM: A Non-intrusive Load Identification Method for Power Saving |
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 |