CN114841450A - 一种基于自适应递归矩阵的负荷识别方法 - Google Patents
一种基于自适应递归矩阵的负荷识别方法 Download PDFInfo
- Publication number
- CN114841450A CN114841450A CN202210537601.0A CN202210537601A CN114841450A CN 114841450 A CN114841450 A CN 114841450A CN 202210537601 A CN202210537601 A CN 202210537601A CN 114841450 A CN114841450 A CN 114841450A
- Authority
- CN
- China
- Prior art keywords
- load
- recursive matrix
- sequence
- matrix
- adaptive recursive
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims abstract description 7
- 238000012806 monitoring device Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000007906 compression Methods 0.000 claims description 21
- 230000006835 compression Effects 0.000 claims description 21
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000033182 PLCG2-associated antibody deficiency and immune dysregulation Diseases 0.000 description 1
- 241001104043 Syringa Species 0.000 description 1
- 235000004338 Syringa vulgaris Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于自适应递归矩阵的负荷识别方法,包括如下步骤:S1、利用非侵入式负荷监测装置获取用户负荷信息,并采用事件检测算法提取负荷事件;S2、从负荷事件的信息中提取出单负荷单周期电信号数据;S3、利用原始递归矩阵计算出自适应递归矩阵;S4、将负荷特征转换为热力图,放入深度学习网络中进行训练;S5、基于训练得到的深度模型进行实际环境搭建和部署、测试、实现负荷识别功能。本发明基于电压、电流的相关性提出了自适应递归矩阵,解决了非侵入式负荷识别中超参数对负荷识别结果影响较大且难制定的问题,且有效提高了负荷类间的区分度,类内相似度,进一步提高了负荷识别的准确率,相比于传统方法,普适性强等优点。
Description
技术领域
本发明属于非侵入式负荷分解技术领域,涉及到一种基于自适应递归矩阵的负荷识别方法。
背景技术
在智能电网中,非侵入式负荷监测(Non-intrusive Load Monitoring,NILM)技术属于高级量测体系技术领域,处于电网的配用电结合部,其目的是通过智能电表获取用户内部各个电器的用电信息,进而分析区域用户的用电习惯,调整供电方案,同时提高电器故障识别率,减少电气事故的发生。
典型的NILM系统技术体系通常由数据采集、事件检测、特征提取、负荷分解四大模块组成:数据采集模块主要作用是采集电源干路电信号,要求该模块效率高、精度高、抗干扰能力强;事件检测模块则是实现各类负荷启停、异常变化事件的精确识别;特征提取模块则是对负荷事件电信号内部高维特征进行提取或转换,滤除干扰信息,突出不同类别负荷事件的区别程度;负荷分解模块内包含负荷识别和功耗分解两部分,负荷识别是采用各类传统、机器学习、深度学习等方法对所提取的负荷特征进行分类识别,功率分解则是基于负荷识别的结果对功耗曲线进行拆分,令负荷耗能情况清晰化。
在上述体系中,负荷识别是其中重要的一环,众多学者针对所获取到的电信号,提出了各式各样的识别方法。近年来,得益于图像识别领域的飞速发展,将电信号提取、转换为图像,将负荷识别转换为图像识别问题成为了NILM领域热门的研究方向。然而,在进行负荷特征提取时,各类超参数的制定成了该类研究难以绕开问题,超参数对实验结果以及方法的普适性影响较大,通过实验所制定的超参数在实际应用中会带来一定的误差,从而导致负荷识别准确度低。
发明内容
本发明针对现有技术的不足,提供基于自适应递归矩阵的负荷识别方法,可实现自适应调整超参数,进而有效提高负荷识别准确度。
为了解决上述技术问题,本发明的技术方案为:
一种基于自适应递归矩阵的负荷识别方法,包括如下步骤:
S1、利用非侵入式负荷监测装置获取用户负荷信息,并采用高精准的事件检测算法提取负荷事件;
S2、从负荷事件的信息中提取出单负荷单周期电信号数据;
S3、利用原始递归矩阵计算出自适应递归矩阵;
S4、将负荷特征转换为热力图,放入深度学习网络中进行训练;
S5、基于训练得到的深度模型进行实际环境搭建和部署、测试、实现负荷识别功能。
作为优选,获取的所述用户负荷信息包括电流序列和电压序列。
作为优选,提取的所述负荷事件包括负荷启停的电信号序列段。
作为优选,所述单负荷单周期电信号数据包括电流特征和电压特征。
作为优选,所述步骤S2提取单负荷单周期电信号数据的方法为:
以电压序列为时序标准,获取负荷时间启停前W长度、启停后W长度得电压、电流时序序列,设L为该电信号周期长度,计算公式为:
L=fs/f
作为优选,所述步骤S3包括:
S3-1、计算原始递归矩阵;
S3-2、基于电压和电流序列相关度,得到递归矩阵压缩比例,计算出自适应递归矩阵。
作为优选,所述步骤S3-1种原始递归矩阵的计算方法如下:
获取电流特征Ik和电压特征Vk,进行特征转换,利用电流特征Ik计算原始递归矩阵OMk,计算公式如下:
LKk(i,j)=Ik(i)-Ik(j),(i,j=1,2,3,...L)
OMk(i,j)=||LKk(i,j)||
其中,||·||是一个范数,常用L1范数,L2范数及L∞范数。
作为优选,所述步骤S3-2中,计算自适应递归矩阵的方法如下:
利用电流特征Ik和电压特征Vk计算递归矩阵压缩比例,定义递归矩阵压缩比例为λk,其表达式如下:
其中cor(X,Y)表示计算X和Y序列的相关性系数;
之后基于递归矩阵压缩比例,对所求的原始递归矩阵OMk进行指数级压缩,得到负荷特征并形成自适应递归矩阵ARMk:
ARMk=OMk。
作为优选,所述步骤S4中采用Swin-transformer深度学习网络进行训练和识别,所述训练方法为:将单相的负荷特征转换为L×L×1大小的热力灰度图,作为Swin-transformer的输入特征;将三相的负荷特征中的每一个相位信号特征分别转换为L×L×1大小的热力灰度图,并将这三个灰度图分别对应R、G、B颜色通道合成单张彩图,即为L×L×3大小的热力彩图,作为Swin-transformer的输入特征。
作为优选,所述步骤S5中,对训练好后的swin-transformer进行负荷的非侵入式在线监测,通过非侵入式监测主机采集电信号,通过事件检测算法判断是否产生负荷变动事件;若发生,将对应时间段的电信号提取出来,标记事件发生时间点,进行如步骤S2、S3的负荷特征提取,获得自适应递归矩阵特征,基于电信号的相位数转换为热力灰度图或热力彩图,输入到训练好的swin-transformer模型中进行识别,最终实现非侵入式负荷在线监测功能。
本发明具有以下的特点和有益效果:
1、本发明根据非侵入式监测主机采集到的电信号信息,得到原始递归矩阵。由于常数类压缩比例过小会导致递归矩阵压缩后特征损失较多,不利于增加类间区分度;压缩比例过大又会降低类内相似度,两者均会影响负荷识别精度,因此本发明引入递归矩阵压缩比例λk作为超参数,基于电压、电流的相关性实现压缩比例的自适应调整,降低超参数制定难度,同时利用自然指数控制压缩比例变化范围,有效提高负荷识别准确度。
2、本发明基于电压、电流的相关性提出了自适应递归矩阵,解决了非侵入式负荷识别中超参数对负荷识别结果影响较大且难制定的问题,且有效提高了负荷类间的区分度,类内相似度,进一步提高了负荷识别的准确率,相比于传统方法,本发明有着负荷特征提取简便,区分明显,普适性强等优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的方法流程图。
图2为本发明实施例种不同λ取值所对应的ARM特征热力图呈现效果对比示意图。
图3为本发明实施例中应用四个场景不同的数据集(PLAID、WHITED、LILACD、SQL)通过四种方式(ARM、RP、V-I、FFT)特征提取后进行负荷识别,并采取三类评价指标(MCC、F1、KIA)进行验证的效果示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
本发明提供了一种基于自适应递归矩阵的负荷识别方法,如图1所示,包括如下步骤:
S1、利用非侵入式负荷监测装置获取用户负荷信息,其中获取的所述用户负荷信息包括电流序列和电压序列,并采用高精准的事件检测算法提取负荷事件,所述负荷事件包括负荷启停的电信号序列段;
需要说明的是,在非侵入式负荷识别领域里,事件检测算法是用于指代一类算法的。该类算法的目的是,在监测电信号时,可以准确地发现在某一时刻发生了负荷启停、状态切换的变化,属于非侵入式负荷识别领域里的常规手段,因此本实施例中不对其进行展开说明。
S2、从负荷事件的信息中提取出单负荷单周期电信号数据,所述单负荷单周期电信号数据包括电流特征和电压特征;
具体的,提取单负荷单周期电信号数据的方法为:
以电压序列为时序标准,获取负荷时间启停前W长度、启停后W长度得电压、电流时序序列,设L为该电信号周期长度,计算公式为:
L=fs/f
需要说明的是,由于实际采集到的信号中,电压信号周期性较为明显,故以电压序列为时序标准,从而确保负荷识别的精度。
S3、利用原始递归矩阵计算出自适应递归矩阵
进一步的,所述步骤S3包括:
S3-1、计算原始递归矩阵
具体的,原始递归矩阵的计算方法如下:
获取电流特征Ik和电压特征Vk,进行特征转换,利用电流特征Ik计算原始递归矩阵OMk,计算公式如下:
LKk(i,j)=Ik(i)-Ik(j),(i,j=1,2,3,...L)
OMk(i,j)=||LKk(i,j)||
其中,||·||是一个范数,常用L1范数,L2范数及L∞范数。
可以理解的,L1范数,L2范数为欧几里得范数,L∞范数为最大值范数。
S3-2、基于电压和电流序列相关度,得到递归矩阵压缩比例,计算出自适应递归矩阵。
具体的,计算自适应递归矩阵的方法如下:
利用电流特征Ik和电压特征Vk计算递归矩阵压缩比例,定义递归矩阵压缩比例为λk,其表达式如下:
其中cor(X,Y)表示计算X和Y序列的相关性系数;
进一步的,本实施例中,采取的是person相关性系数,计算公式为:
其中m为X、Y的序列长度。
之后基于递归矩阵压缩比例,对所求的原始递归矩阵OMk进行指数级压缩,得到负荷特征并形成自适应递归矩阵ARMk:
ARMk=OMk。
S4、将负荷特征转换为热力图,放入深度学习网络中进行训练;
具体的,得到负荷特征ARMk后,便可以采用常见的深度学习、机器学习算法来进行训练及识别,本实施例中采用Swin-transformer深度学习网络来实现这部分内容。Swin-transformer针对原有transformer网络架构产生的特征单一、且计算复杂度与图像大小成二次关系,训练时间长的缺点,引入分层结构,并利用分割图像的非重叠窗口内局部计算自我注意来将计算复杂度降低至于图像大小成线性关系,不仅维持原有架构特征挖掘程度深的特点,而且有效降低训练时长,同时可适应多尺度特征,拓展前景广阔。
为了适应单相、三相电信号数据,将提取得到单相负荷特征(即ARM1)转换为L×L×1大小的热力灰度图,作为Swin-transformer的输入特征;将三相负荷特征(即ARM1,2,3)中的每一个相位的负荷特征分别转换为L×L×1大小的热力灰度图,并将这三个灰度图分别对应R、G、B颜色通道合成单张彩图,即为L×L×3大小的热力彩图,作为Swin-transformer的输入特征。
进一步的,为了减小由于数据划分不合理带来的识别效果偏差,本实施例中采用交叉验证训练法,将原始数据集随机平均分成K(K=10)组,将每个子集数据分别作为验证集,其余的K-1组子集数据作为训练集,得到K个模型,用这K个模型的综合判定来最终确定负荷类别。
S5、基于训练得到的深度模型进行实际环境搭建和部署、测试、实现负荷识别功能。
具体的,对训练好后的swin-transformer进行负荷的非侵入式在线监测,通过非侵入式监测主机采集电信号,通过事件检测算法判断是否产生负荷变动事件;若发生,将对应时间段的电信号提取出来,标记事件发生时间点,进行如步骤S2、S3的负荷特征提取,获得自适应递归矩阵特征,基于电信号的相位数转换为热力灰度图或热力彩图,输入到训练好的swin-transformer模型中进行识别,最终实现非侵入式负荷在线监测功能。
通过图3可以看出,上述技术方案中,通过ARM特征提取后进行负荷识别,识别效果最佳。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式包括部件进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (10)
1.一种基于自适应递归矩阵的负荷识别方法,其特征在于,包括如下步骤:
S1、利用非侵入式负荷监测装置获取用户负荷信息,并采用事件检测算法提取负荷事件;
S2、从负荷事件的信息中提取出单负荷单周期电信号数据;
S3、利用原始递归矩阵计算出自适应递归矩阵
S4、将负荷特征转换为热力图,放入深度学习网络中进行训练;
S5、基于训练得到的深度模型进行实际环境搭建和部署、测试、实现负荷识别功能。
2.根据权利要求1所述的基于自适应递归矩阵的负荷识别方法,其特征在于,获取的所述用户负荷信息包括电流序列和电压序列。
3.根据权利要求2所述的基于自适应递归矩阵的负荷识别方法,其特征在于,提取的所述负荷事件包括负荷启停的电信号序列段。
4.根据权利要求3所述的基于自适应递归矩阵的负荷识别方法,其特征在于,所述单负荷单周期电信号数据包括电流特征和电压特征。
5.根据权利要求4所述的基于自适应递归矩阵的负荷识别方法,其特征在于,所述步骤S2提取单负荷单周期电信号数据的方法为:
以电压序列为时序标准,获取负荷时间启停前W长度、启停后W长度得电压、电流时序序列,设L为该电信号周期长度,计算公式为:
L=fs/f
6.根据权利要求5所述的基于自适应递归矩阵的负荷识别方法,其特征在于,所述步骤S3包括:
S3-1、计算原始递归矩阵;
S3-2、基于电压和电流序列相关度,得到递归矩阵压缩比例,计算出自适应递归矩阵。
7.根据权利要求6所述的基于自适应递归矩阵的负荷识别方法,其特征在于,所述步骤S3-1中,原始递归矩阵的计算方法如下:
获取电流特征Ik和电压特征Vk,进行特征转换,利用电流特征Ik计算原始递归矩阵OMk,计算公式如下:
LKk(i,j)=Ik(i)-Ik(j),(i,j=1,2,3,...L)
OMk(i,j)=||LKk(i,j)||
其中,||·||是一个范数,常用L1范数,L2范数及L∞范数。
9.根据权利要求8所述所述的基于自适应递归矩阵的负荷识别方法,其特征在于,所述步骤S4中采用Swin-transformer深度学习网络进行训练和识别,所述训练方法为:将单相的负荷特征转换为L×L×1大小的热力灰度图,作为Swin-transformer的输入特征;将三相的负荷特征中的每一个相位信号特征分别转换为L×L×1大小的热力灰度图,并将这三个灰度图分别对应R、G、B颜色通道合成单张彩图,即为L×L×3大小的热力彩图,作为Swin-transformer的输入特征。
10.根据权利要求9所述所述的基于自适应递归矩阵的负荷识别方法,其特征在于,所述步骤S5中,对训练好后的swin-transformer进行负荷的非侵入式在线监测,通过非侵入式监测主机采集电信号,通过事件检测算法判断是否产生负荷变动事件;若发生,将对应时间段的电信号提取出来,标记事件发生时间点,进行如步骤S2、S3的负荷特征提取,获得自适应递归矩阵特征,基于电信号的相位数转换为热力灰度图或热力彩图,输入到训练好的swin-transformer模型中进行识别,最终实现非侵入式负荷在线监测功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210537601.0A CN114841450A (zh) | 2022-05-18 | 2022-05-18 | 一种基于自适应递归矩阵的负荷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210537601.0A CN114841450A (zh) | 2022-05-18 | 2022-05-18 | 一种基于自适应递归矩阵的负荷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841450A true CN114841450A (zh) | 2022-08-02 |
Family
ID=82571189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210537601.0A Pending CN114841450A (zh) | 2022-05-18 | 2022-05-18 | 一种基于自适应递归矩阵的负荷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841450A (zh) |
-
2022
- 2022-05-18 CN CN202210537601.0A patent/CN114841450A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598451B (zh) | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 | |
CN109858522A (zh) | 一种基于数据挖掘的管理线损异常识别方法 | |
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 | |
CN109359665B (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
CN110991263B (zh) | 一种抗背景负荷干扰的非入侵式负荷识别方法及系统 | |
CN110569876A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
CN114359674A (zh) | 基于度量学习的非侵入式负荷识别方法 | |
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 | |
CN113203954A (zh) | 一种基于时频图像处理的电池故障诊断方法 | |
CN113920375A (zh) | 基于Faster R-CNN与SVM结合的融合特征典型负荷识别方法及系统 | |
Liu et al. | A novel dual-attention optimization model for points classification of power quality disturbances | |
CN114881077A (zh) | 一种基于时序轨迹特征的电压暂降源分类方法及系统 | |
CN114859169A (zh) | 一种配变出线负荷智能识别方法及系统、存储介质 | |
CN113076354A (zh) | 一种基于非侵入式负荷监测的用户用电数据分析方法和装置 | |
CN117200241A (zh) | 一种新能源并网智能调压系统 | |
CN114841450A (zh) | 一种基于自适应递归矩阵的负荷识别方法 | |
CN111199209A (zh) | 一种基于iwo-kfcm算法的轴承时频谱图识别方法 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
CN115374829A (zh) | 一种基于深度学习的轴承故障诊断方法及系统 | |
CN115169405A (zh) | 基于支持向量机的酒店客房设备故障诊断方法及系统 | |
CN115222018A (zh) | 非侵入式负荷分解方法及装置 | |
CN114186631A (zh) | 一种基于非侵入式智能终端的负荷识别方法 | |
He et al. | Application and comparative analysis of traditional machine learning and deep learning in transmission line fault classification | |
CN114397521A (zh) | 一种针对电子设备的故障诊断方法及系统 |
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 |