CN113887912A - 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法 - Google Patents

一种深度学习下面向嵌入式设备的非侵入式负荷识别方法 Download PDF

Info

Publication number
CN113887912A
CN113887912A CN202111130252.2A CN202111130252A CN113887912A CN 113887912 A CN113887912 A CN 113887912A CN 202111130252 A CN202111130252 A CN 202111130252A CN 113887912 A CN113887912 A CN 113887912A
Authority
CN
China
Prior art keywords
load
sequence
value
current
power
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
Application number
CN202111130252.2A
Other languages
English (en)
Inventor
杨桂兴
姚红雨
郭小龙
王维庆
亢朋朋
宋朋飞
樊国伟
袁铁江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Xinjiang University
State Grid Xinjiang Electric Power Co Ltd
Original Assignee
Dalian University of Technology
Xinjiang University
State Grid Xinjiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology, Xinjiang University, State Grid Xinjiang Electric Power Co Ltd filed Critical Dalian University of Technology
Priority to CN202111130252.2A priority Critical patent/CN113887912A/zh
Publication of CN113887912A publication Critical patent/CN113887912A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/70—Load identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种深度学习下面向嵌入式设备的非侵入式负荷识别方法，该方法在用户电力入口处采集电压电流等负荷信息，采用CUSUM算法检测功率变点，经过负荷投切稳定判据判稳后得到负荷的电压，电流特征序列。由FFT获得电流谐波特征，由移相法获得负荷功率特征，将V‑I图像特征转化为序列表示。由CNN提取负荷的V‑I序列特征做第一次负荷识别，得到属于每种负荷类别的概率值。融合负荷的谐波特征，功率特征共同作为单隐藏层神经网络的输入做第二次识别。在减小计算量的同时，又保证了负荷识别的准确率。该方法数据处理简单，识别网络参数量少，能够在嵌入式设备上部署。

Description

一种深度学习下面向嵌入式设备的非侵入式负荷识别方法
技术领域
本发明涉及非侵入式负荷识别技术领域，尤其涉及一种深度学习下面向嵌入式设备的非侵入式负荷识别方法。
背景技术
构建新型电力系统，提高新能源装机比例，用户侧负荷调控需要追随新能源的出力特点。因此，掌握用户侧不同负荷的时空分布特性，从而调节用户用电行为尤为重要。非侵入式负荷识别是在电流出户时对电流，功率等负荷的电气特征进行辨识,侵入式负荷识别是指在每一种用电器接口处安装识别装置。由于侵入式负荷识别装置的安装，维护等操作很难实现，因此非侵入式负荷识别(NILM)得到了广泛的认可。
现阶段的NILM可分为两种，一种是构建负荷的特征模板库，利用遗传算法，计算用户投切负荷与每种模板库的电气距离，认定电器距离越小相似度越高。另一种是利用机器学习方法，不需构建特征模板库，由负荷特征数据训练识别网络，提高识别时间。但是，利用遗传算法进行负荷特征比对要构建特征模板库，当负荷种类增加时，既要储存特征模板库又要计算当前特征量与模板库中每一种特征量的电气距离，这在计算受限的嵌入式设备上很难实现。对于机器学习方法，现有的识别精度较好的算法需要识别图像特征，无论是对采集数据的处理还是识别算法，都需要极大的计算量，难于在计算受限的嵌入式设备上实现。
发明内容
本发明针对该问题提出一种深度学习下面向嵌入式设备的非侵入式负荷识别方法，先由CNN提取负荷的V-I特征做第一次负荷识别，得到属于每种负荷类别的概率值。融合负荷稳态电流的各次谐波值，有功功率，无功功率共同作为单隐藏层神经网络的输入进行二次决策。在减小计算量的同时，又保证了负荷识别的准确率。
本发明采用的技术方案具体如下：一种深度学习下面向嵌入式设备的非侵入式负荷识别方法，包括以下步骤：
步骤1：由采样装置在用户电力入口处采集电气信息，包括电压、电流；
步骤2：利用Cusum算法检测用户功率变点，上下添加10W的滑动窗口，检测负荷投切事件；
步骤3：设定判断负荷投切稳定判据：连续五个周期的功率的最大值与最小值之差小于3W负荷投切稳定；
步骤4：根据监测点前的电流采样数据与负荷投切稳定后的电流采样数据做差，得到负荷的电气特征；
步骤5：由电气特征序列值计算负荷无功功率，有功功率，视在功率作为负荷的功率特征，FFT对电流采样值做分解，得到谐波特征，由电压电流采样值一同获取V-I序列特征；
步骤6：由一维卷积神经网络识别V-I序列特征做第一次负荷识别，得到第一次属于每种负荷的概率值；由一维卷积神经网络识别的结果结合负荷功率特征，谐波特征在单隐藏层的神经网络中做第二次识别，识别结果即为整个识别网络的最终结果。
进一步的，步骤2中，利用Cusum算法，检测负荷的投切事件，具体如下：
在功率时间线上设置两个滑动窗口及阈值，计算两个窗口的差值，当差值大于阈值时，保存前一窗口对应的电压，电流采样值，等待负荷投切稳定后计算电气特征；
同样在功率时间线上设置两个滑动窗口及阈值，计算滑动窗口的差值，当连续五次相邻周期的功率差值均小于阈值时，认为负荷投切稳定。
进一步的，所述步骤4，根据监测点前的电流采样数据与负荷投切稳定后的电流采样数据做差，得到负荷的电气特征，具体为：
保存当前周期的电压电流值，与前一步保存采样值各自做差，即为当前投切负荷的电气特征。
进一步的，步骤5中，由电压电流采样值一同获得序列特征，是将将负荷V-I图像特征转换为序列特征，转换方法为：
(5.1)：搜索电压序列中的最小值或最大值所对应的索引值；
(5.2)：将电流序列以该索引值为中心点展开成两条序列；
(5.3)：将两条序列逆序做差，得到初始序列特征Isc；
(5.4)：对初始序列做数据标准化，设得到的电流序列中最大，最小的电流采样值分别为Imax，Imin，则电流跨度为Imax-Imin，得到新的序列特征Tsc计算方法为：
Figure BDA0003280179700000021
进一步的，所述步骤5中，FFT对电流采样值做分解，得到谐波特征，是利用FFT获取电流采样序列的谐波特征，得到基波，以及第1，2，3，4，5次谐波的占有率，由移相法计算负荷的功率特征，计算方法如下：
有功功率P：
Figure BDA0003280179700000031
n为采样点，Vi、Ii分别为第i个采样点对应的电压、电流；
由电压电流的采样序列计算无功功率Q，将电流序列滞后四分之一周期，前四分之一周期的序列值补充到序列尾部，得到新的电流序列：
Figure BDA0003280179700000032
IQi为第i个采样点的无功功率电流值；
无功功率计算：
Figure BDA0003280179700000033
视在功率：
Figure BDA0003280179700000034
进一步的，所述步骤6中的整个识别网络是一种串行连接的网络，第一次识别由一维卷积神经网络提取V-I序列特征后，利用flatten层将由多个卷积核提取的多个一维特征序列转化为一条序列，最后以全链接层作为输出层，激活函数选用SoftMax，输出的结果为该特征属于每个类的概率值，由第一次识别结果融合功率特征，谐波特征，一同作为单隐藏层神经网络的输入，做第二次识别。
有益效果：
本发明将负荷的V-I图像特征转化为序列特征，利用一维CNN提取该序列特征，融合了谐波特征，功率特征，极大减小了数据处理以及识别网络的计算量。在Pycharm编译环境，Python3.7解释器，训练和保存模型。借助ST公司的Cube.ai开发工具，将训练好的识别网络转化为可在STM32单片机上运行的C#代码。本文Plaid数据集将整个网络保存后共302KB，不需压缩，仅转换为C#代码，在嵌入式系统上运行需要的最小flash为50.86KB，最小的RAM为11.26KB。该需求在STM32F3系列单片机上即可满足。且一片该系列芯片大致在1.5美元到2美元，折合人民币10-20元，同样满足经济条件。
附图说明
图1为本发明的方法流程图；
图2为本发明负荷投切事件检测示意图；
图3为本发明Plaid数据集上某些负荷V-I图像特征；
图4为本发明Plaid数据集上某种负荷的V-I特征序列构建示意图；
图5为本发明中一维CNN示意图；
图6为本发明中单隐藏层神经网络示意图；
图7为本发明中所使用Plaid数据集的数据介绍；
图8为本发明中Plaid数据集识别结果；
图9为本发明中Blued数据集识别结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
根据本发明的实施例，结合附图以及在Plaid，Blued数据集上的识别结果来解释本发明，具体实施步骤如下：
本发明提出了一种深度学习下面向嵌入式设备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：
步骤1：利用智能电表采集用户电力入口处的电流电压值；
步骤2：由电流电压采样值计算有功功率P,计算公式如下：
Figure BDA0003280179700000041
步骤3：如图2所示，由Cusum算法监测功率变点。记录变点前的电压、电流一周期内的采样值Vback(n)，Iback(n)。当满足负荷投切稳定条件时，记录当前电压电流一周期内的采样值Vnew(n)，Inew(n)。得到负荷的电气特征：
Figure BDA0003280179700000042
由前后功率差值的正负判断负荷投入还是切除，当前后功率差值大于0时认为发生负荷投入事件，反之认为发生负荷切除事件。
步骤4：由电器特征序列值计算负荷无功功率，有功功率，视在功率作为负荷的功率特征，FFT对电流采样值做分解，得到谐波特征。由电压电流采样值一同获取V-I序列特征。其中功率特征的计算采用移相法，由采样获得的一周期内电压离散值设为Vload(n)，对应的负荷电流采样序列设为Iload(n)，则有功功率P的计算公式：
Figure BDA0003280179700000051
将电流序列滞后四分之一周期，前四分之一周期的序列值补充到序列尾部，得到新的电流序列。无功功率计算公式：
Figure BDA0003280179700000052
如图3所示，为本发明Plaid数据集上某些负荷V-I图像特征；
对于V-I特征序列，如图4所示，搜索电压序列中的最小值(最大值)所对应的索引值，电流序列以该索引值为中心点展开成两条序列。将两条序列逆序做差，得到初始序列特征Isc(n)。对初始序列做数据标准化，设得到的电流序列中最大，最小的电流采样值分别为Imax，Imin。则电流跨度为Imax-Imin，得到新的序列特征Tsc(n)计算方法为：
Figure BDA0003280179700000053
步骤5：图5为本发明中一维CNN示意图，训练识别网络方法如下：将得到的V-I序列特征作为数据集训练一维卷积神经网络。在plaid数据集中额外准备一周期数据，得到一维CNN的预测值，结合该预测值与谐波特征，功率特征一同作为单隐藏层神经网络的数据集，训练单隐藏层神经网络。将训练好的两个模型保存。图6为本发明中单隐藏层神经网络示意图；图7为本发明中所使用Plaid数据集的数据介绍；图8为本发明中Plaid数据集识别结果；图9为本发明中Blued数据集识别结果。
借助ST公司的Cube.ai开发工具，将训练好的识别网络转化为可在STM32单片机上运行的C#代码。并部署在STM32F407单片机上，与智能电表的采样装置相“连接”。将识别的结果保存为用户负荷投切日志的形式，即可发送到云端服务器做实时的负荷监测，也可以保存在只能电表内部以便日后做数据分析。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，且应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (6)

1.一种深度学习下面向嵌入式设备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：由采样装置在用户电力入口处采集电气信息，包括电压、电流；
步骤2：利用Cusum算法检测用户功率变点，上下添加10W的滑动窗口，检测负荷投切事件；
步骤3：设定判断负荷投切稳定判据：连续五个周期的功率的最大值与最小值之差小于3W负荷投切稳定；
步骤4：根据监测点前的电流采样数据与负荷投切稳定后的电流采样数据做差，得到负荷的电气特征；
步骤5：由电气特征序列值计算负荷无功功率，有功功率，视在功率作为负荷的功率特征，FFT对电流采样值做分解，得到谐波特征，由电压电流采样值一同获取V-I序列特征；
步骤6：由一维卷积神经网络识别V-I序列特征做第一次负荷识别，得到第一次属于每种负荷的概率值；由一维卷积神经网络识别的结果结合负荷功率特征，谐波特征在单隐藏层的神经网络中做第二次识别，识别结果即为整个识别网络的最终结果。
2.根据权利要求1所述的一种深度学习下面向嵌入式设备的非侵入式负荷识别方法，其特征在于，步骤2中，利用Cusum算法，检测负荷的投切事件，具体如下：
在功率时间线上设置两个滑动窗口及阈值，计算两个窗口的差值，当差值大于阈值时，保存前一窗口对应的电压，电流采样值，等待负荷投切稳定后计算电气特征；
同样在功率时间线上设置两个滑动窗口及阈值，计算滑动窗口的差值，当连续五次相邻周期的功率差值均小于阈值时，认为负荷投切稳定。
3.根据权利要求1所述的一种深度学习下面向嵌入式设备的非侵入式负荷识别方法，其特征在于，所述步骤4，根据监测点前的电流采样数据与负荷投切稳定后的电流采样数据做差，得到负荷的电气特征，具体为：
保存当前周期的电压电流值，与前一步保存采样值各自做差，即为当前投切负荷的电气特征。
4.根据权利要求1所述的一种深度学习下面向嵌入式设备的非侵入式负荷识别方法，其特征在于，步骤5中，由电压电流采样值一同获得序列特征，是将将负荷V-I图像特征转换为序列特征，转换方法为：
(5.1)：搜索电压序列中的最小值或最大值所对应的索引值；
(5.2)：将电流序列以该索引值为中心点展开成两条序列；
(5.3)：将两条序列逆序做差，得到初始序列特征Isc；
(5.4)：对初始序列做数据标准化，设得到的电流序列中最大，最小的电流采样值分别为Imax，Imin，则电流跨度为Imax-Imin，得到新的序列特征Tsc计算方法为：
Figure FDA0003280179690000021
5.根据权利要求1所述的一种深度学习下面向嵌入式设备的非侵入式负荷识别方法，其特征在于，所述步骤5中，FFT对电流采样值做分解，得到谐波特征，是利用FFT获取电流采样序列的谐波特征，得到基波，以及第1，2，3，4，5次谐波的占有率，由移相法计算负荷的功率特征，计算方法如下：
有功功率P：
Figure FDA0003280179690000022
n为采样点，Vi、Ii分别为第i个采样点对应的电压、电流；
由电压电流的采样序列计算无功功率Q，将电流序列滞后四分之一周期，前四分之一周期的序列值补充到序列尾部，得到新的电流序列：
Figure FDA0003280179690000023
IQi为第i个采样点的无功功率电流值；
无功功率计算：
Figure FDA0003280179690000024
视在功率：
Figure FDA0003280179690000025
6.根据权利要求1所述的一种深度学习下面向嵌入式设备的非侵入式负荷识别方法，其特征在于，所述步骤6中的整个识别网络是一种串行连接的网络，第一次识别由一维卷积神经网络提取V-I序列特征后，利用flatten层将由多个卷积核提取的多个一维特征序列转化为一条序列，最后以全链接层作为输出层，激活函数选用SoftMax，输出的结果为该特征属于每个类的概率值，由第一次识别结果融合功率特征，谐波特征，一同作为单隐藏层神经网络的输入，做第二次识别。
CN202111130252.2A 2021-09-26 2021-09-26 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法 Pending CN113887912A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111130252.2A CN113887912A (zh) 2021-09-26 2021-09-26 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111130252.2A CN113887912A (zh) 2021-09-26 2021-09-26 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法

Publications (1)

Publication Number Publication Date
CN113887912A true CN113887912A (zh) 2022-01-04

Family

ID=79006803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111130252.2A Pending CN113887912A (zh) 2021-09-26 2021-09-26 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法

Country Status (1)

Country Link
CN (1) CN113887912A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114970633A (zh) * 2022-06-07 2022-08-30 西安电子科技大学 一种基于lstm的非侵入式用电器识别方法、系统及设备
CN115204529A (zh) * 2022-09-15 2022-10-18 之江实验室 一种基于时间注意力机制的非侵入式负荷监测方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114970633A (zh) * 2022-06-07 2022-08-30 西安电子科技大学 一种基于lstm的非侵入式用电器识别方法、系统及设备
CN115204529A (zh) * 2022-09-15 2022-10-18 之江实验室 一种基于时间注意力机制的非侵入式负荷监测方法及装置

Similar Documents

Publication Publication Date Title
CN113887912A (zh) 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法
CN110956220B (zh) 一种非侵入式家用电器负荷识别方法
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
CN111830347B (zh) 一种基于事件的两阶段非侵入式负荷监测方法
CN109345409A (zh) 一种基于宽带载波的居民用户综合能效管理方法
CN111242161B (zh) 一种基于智能学习的非侵入式非居民用户负荷辨识方法
WO2022141330A1 (en) A non-intrusive load identification method based on fingerprint characteristics of load power
CN111563827A (zh) 基于电器物理特性及居民用电行为的负荷分解方法
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
CN114970633A (zh) 一种基于lstm的非侵入式用电器识别方法、系统及设备
CN115456034A (zh) 一种电动自行车充电自动识别监测方法及系统
Chen et al. Non-intrusive load monitoring based on feature extraction of change-point and xgboost classifier
Li et al. Forecasting of wind capacity ramp events using typical event clustering identification
CN115169719A (zh) 一种基于模糊聚类和bp神经网络的台区状态预测模型
Gurbuz et al. Comprehensive non-intrusive load monitoring process: Device event detection, device feature extraction and device identification using KNN, random forest and decision tree
CN112989133B (zh) 一种电器设备的图数据建模电力指纹识别方法、存储介质及系统
CN116995734B (zh) 面向电网的分布式能源电能质量监测控制评价系统
CN113762355A (zh) 一种基于非侵入式负荷分解的用户异常用电行为检测方法
CN113036754A (zh) 一种基于改进dag-svms的非侵入式负荷辨识方法
CN113010985A (zh) 一种基于并行aann的非侵入式负荷识别方法
CN111506636A (zh) 一种基于自回归和近邻算法的居民用电行为分析的系统及方法
Guohua et al. Research on non-intrusive load monitoring based on random forest algorithm
CN115112989B (zh) 基于低频数据的非侵入式负荷监测方法
CN111239484A (zh) 一种非居民用户非侵入式负荷用电信息采集方法
CN115828091A (zh) 基于端-云协同的非侵入式负荷辨识方法与系统

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