CN114943367A - 基于bp神经网络模型的非侵入式负荷识别方法 - Google Patents
基于bp神经网络模型的非侵入式负荷识别方法 Download PDFInfo
- Publication number
- CN114943367A CN114943367A CN202210403125.3A CN202210403125A CN114943367A CN 114943367 A CN114943367 A CN 114943367A CN 202210403125 A CN202210403125 A CN 202210403125A CN 114943367 A CN114943367 A CN 114943367A
- Authority
- CN
- China
- Prior art keywords
- value
- neural network
- load
- sample
- values
- 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
- 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
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/242—Home appliances
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于BP神经网络模型的非侵入式负荷识别方法,涉及电力技术领域,包括以下步骤:A、特征分析样本的获取,B、特征样本集的获取,C、BP神经网络的优化和D、输出负荷识别结果四个步骤。本发明通过电能表计量芯采集不同家用负荷运行数据,提取家用负荷的暂态和稳态变化过程为负荷特征,结合BP神经网络模型实现家用负荷的辨识,从而提高居民侧负荷辨识的准确性和可靠性。
Description
技术领域
本发明涉及电力技术领域,尤其涉及一种基于BP神经网络模型的非侵入式负荷识别方法。
背景技术
负荷识别方法主要有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,但是由于成本高等原因不太受欢迎。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。NILM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。负荷识别需要解决的问题是,建立已知用电设备的特征库和从采集数据中提取出来的负荷特征与已知特征库进行对比,识别总负荷的成分,实现负荷辨识。基于模式识别的负荷识别,实质是通过学习各种用电设备的负荷特征(暂态,稳态等),来达到辨识负荷的目标。基于模式识别的负荷识别算法众多,包括鸡群算法、隐形马尔科夫模型、支持向量机等,但该类算法处理负荷种类较为简单,而采用BP神经网络模型能够在复杂场景下进行多种电器负荷的辨识,应用前景良好。
发明内容
本发明要解决的技术问题是提供一种基于BP神经网络模型的非侵入式负荷识别方法,对用户的用电状况进行分析,加强居民用户负荷侧的预测和管理,唤醒用户侧沉睡的调节能力,合理引导与激励居民用户积极参与电力需求侧响应,提高电能使用的效率,达到削峰填谷的目的,提升新型电力系统的可靠性,灵活性和经济性。
为解决上述技术问题,本发明采用的技术方案是:包括以下步骤:
A、特征分析样本的获取:A.1、实时采集用电入户端的电压瞬时值和电流瞬时值得到电压数据集合U s i 和电流数据集合I s i ;A.2、对电压数据集合U s i 和电流数据集合I s i 进行处理得到负荷的有功功率瞬时值集合P s i 和无功功率瞬时值集合Q s i ;A.3、根据有功功率瞬时值集合P s i 和无功功率瞬时值集合Q s i 进行数据截取获取特征分析样本;
B、特征样本集的获取:B.1、对有功功率瞬时值集合P s i 和无功功率瞬时值集合Q s i 进行时域特征值和频域特征值的处理形成由特征值组成的特征数据集;B.2、采用聚类分析法对获取的特征数据集进行特征量相似性度量分类并得到由最优负荷特征值组成的特征样本集;
C、BP神经网络的优化:通过特征样本集对BP神经网络进行训练,并通过最速下降法对训练结果进行优化;
D、输出负荷识别结果:对于待识别的负荷,将待识别的负荷中的最优负荷特征值输入至优化后的BP神经网络模型,获取负荷识别结果。
本发明的有益技术效果是:通过电能表计量芯采集不同家用负荷运行数据,提取家用负荷的暂态和稳态变化过程为负荷特征,结合BP神经网络模型实现家用负荷的辨识,从而提高居民侧负荷辨识的准确性和可靠性。
下面结合附图对本发明进行详细说明。
附图说明
图1是本发明的训练流程图;
图2是本发明的识别流程图。
参见附图1和2,本发明提供了一种基于BP神经网络模型的非侵入式负荷识别方法,包括以下步骤。
A、特征分析样本的获取。
A.1、实时采集用电入户端的电压瞬时值和电流瞬时值得到电压数据集合U s i 和电流数据集合I s i 。
A.2、对电压数据集合U s i 和电流数据集合I s i 进行处理得到负荷的有功功率瞬时值集合P s i 和无功功率瞬时值集合Q s i 。
具体地,采用窗口滑差的方式分别对电压数据集合U s i 和电流数据集合I s i 每周期内的数据进行FFT变换得到每个采集周波下的电压的基波的初始相位Øu和电流信号的基波的初始相位Øi,根据公式
分别计算有功功率的瞬时值集合P s i 和无功功率的瞬时值集合Q s i 。
A.3、根据有功功率瞬时值集合P s i 和无功功率瞬时值集合Q s i 进行数据截取获取特征分析样本。
具体地,根据有功功率瞬时值集合P s i 和无功功率瞬时值集合Q s i ,采用逐差法查找并截取包含有暂态启动的3个周期的有功功率和无功功率的时间段作为一个样本并通过滑动窗口以及双边CUSUM变点检测法对样本进行优化。通过滑动窗口以及双边CUSUM变点检测法对样本进行优化包括:采用滑差法对集合P s i 和Q s i 进行按周期数滑差分组,周期为T,滑差窗口为N,计算每组的均值S i ,如果在连接时间t内均有∆η i ≥H,则此时间段内该负荷处于启动状态并截取该时间段内3个周期的有功功率和无功功率数据作为一个样本,其中,∆η i = S i -S i-1 ,H为最小功率变化差值,其值为经验值。
B、特征样本集的获取。
B.1、对有功功率瞬时值集合P s i 和无功功率瞬时值集合Q s i 进行时域特征值和频域特征值的处理形成由特征值组成的特征数据集。
具体地,在步骤B.1中特征数据集包括时域下特征和频域下特征。所述时域下特征包括最大值、最小值、平均值、峰-峰值、绝对值平均值、方差、标准值、峭度、偏度、均方根、波形因子、峰值因子、脉冲因子和裕度因子。所述频域下特征包括频率均值、重心频率、频率均方根、频率标准差、基波相位和幅值、1、2、3、4、5次谐波相位和幅值。
B.2、采用聚类分析法对获取的特征数据集进行特征量相似性度量分类并得到由最优负荷特征值组成的特征样本集。
记特征值Nj的取值
可以将Nj与Nk两特征量的相关系数作为两特征量之间的相似性度。
具体地,通过
计算Nj与Nk特征量间的相似度,其中,对于一切j,k,|r jk |≤1,r jk =r kj 。
|r jk |越接近1,Nj与Nk越相关或越相似。|r jk |越接近零,Nj与Nk的相似性越弱。
获得各特征之间的相关系数进一步的进行聚类,由聚类结果选取基波幅值、1、2、3、4、5次谐波幅值以及波形因子和裕度因子组成特征样本集。
变量集合聚类分析中,在此使用最大系数法定义两类变量的距离为
这时,R(G1,G2)等于两类中最相似的两变量间的相似度量值。
C、BP神经网络的优化:通过特征样本集对BP神经网络进行训练,并通过最速下降法对训练结果进行优化。
具体地,BP神经网络模型的激活函数选取sigmoid 函数,其形式为:
α>0,可控制其斜率;神经网络输出单元状态Q s i (i=1,2,…n)为
其中,m为所选取的隐单元层的神经元个数,w ij 为从中间层到输出层的权, v jk 为从输入层到中间层的权,W s 为神经网络的输入层,取值为I s k (k=1,2,…8),8为每个样本选取的特征个数,s为所有的负荷的特征样本总个数,i,j,k分别对应着输出层、中间层以及输入层。
输出单元Q s i 与理想输出T s i 的差异记为:
其中,X为任意一组权值w ij 和v jk 的ρ纬向量解,使用最速下降迭代算法求E达到极小值时对应的权w ij 和权v jk 。
D、输出负荷识别结果:对于待识别的负荷,将待识别的负荷中的最优负荷特征值输入至优化后的BP神经网络模型,获取负荷识别结果。
以采集几种家庭常用电器作为样本训练库,并使用该训练模型随机识别某种电器设备类别为例。所包括的训练电器分别包括:电磁炉、热水器、热水壶、空调、电饭煲、微波炉、洗衣机7种电器。所识别的电气为这7种电器的随机组合运行状态。
步骤1:特征分析样本的获取。
1-1:分别单独采集电磁炉、热水器、热水壶、空调制冷、空调制热(由于空调制冷和制热两种状态差异较大,在此视为两种电器)、电饭煲、微波炉、洗衣机7种电器从启动-稳态运行-关闭时间段内的瞬时电压值和瞬时电流值,并记为U s i 和I s i 。(其中s为1-8,分别代表上述采集的几种样本状态,i为每种电器的总采样点;采集频率为6.4k,即每个周期128个采集点)。
1-2:对步骤1-1得到的U s i 和I s i ,采用窗口滑差方式,窗口为1,对每个周波(128个数据点)进行FFT变换得到该周波下的电压的基波初始相位Øu和电流的基波的初始相位Øi,根据公式
分别计算出上述8种电器的有功功率瞬时值集合P s i 和无功功率的瞬时值集合Q s i (其中T为每个周期的采样点,在此为128) 。
1-3:通过集合P s i 和Q s i 分别该电器的启动时间段:首先分别将集合P s i 和Q s i 按周期数进行滑窗方式分组,窗口为5,周期数为128,并计算分组平均值Si,当判断在连续时间t内均有∆η i ≥H时(其中,∆η i =S i -S i-1 ,H为最小功率变化差值,其值为经验值),则此时间段内该电气处于启动暂态,截取集合P s i 和Q s i 在该时间段内3个周期的数据作为一个特征样本。最终得到新的有功功率瞬时值集合P s j 和无功功率的瞬时值集合Q s j (其中j∈i;为启动的3个周期的时间段)。
步骤2:特征样本集的获取。
2-1:将1-3种得到的P s j 和Q s j 按照128的周期,分别计算每个电器的时域下特征:最大值、最小值、平均值、峰-峰值、绝对值平均值、方差、标准值、峭度、偏度、均方根、波形因子、峰值因子、脉冲因子和裕度因子;以及频域下特征:频率均值、重心频率、频率均方根、频率标准差、基波相位和幅值、1、2、3、4、5次谐波相位和幅值。
2-2:优化负荷特征样本集:采用变量据类分析,分别计算上述2-1中所计算的每两种特征值之间的相似度距离(采用最大系数定义两类特征之间的距离:R(G1,G2)=max{rjk}),计算方法为:
|r jk |越接近1,Nj与Nk越相关或越相似。|r jk |越接近零,Nj与Nk的相似性越弱(N为特征量集合)。
由聚类结果选取具有代表性的特征值,在此选择基波幅值、1、2、3、4、5次谐波幅值以及波形因子和裕度因子进一步的组建最终的特征样本集P s j 和Q s j (其中P s j 和Q s j ,s为1-8种电器类型;j为每种电器类型所组建的最终样本总数,而每种电器的每个样本都为8维向量,代表该样本的8个特征)。
步骤3:根据步骤2-2中最终得到的样本特征集采用BP神经网络建模优化,并且使用最速下降法进行训练优化。在此选取sigmoid函数作为神经网络模型的激活函数,其函数形式如下:
α>0,可控制其斜率;
神经网络输出单元状态Q s i (i=1,2,…n)为:
其中,m为所选取的隐单元层的神经元个数,在此取隐层神经元个数为20 w ij 为从中间层到输出层的权, v jk 为从输入层到中间层的权,W s 为神经网络的输入层,取值为I s k (k=1,2,…8),k为每个样本选取的特征个数,s为所有的负荷的特征样本总个数,i,j,k分别对应着输出层、中间层以及输入层。
输出单元Q s i 与理想输出T s i 的差异记为:
其中,X为任意一组权值w ij 和v jk 的ρ纬向量解,使用最速下降迭代算法求E达到极小值时对应的权w ij 和权v jk 。
步骤4:使用BP神经网络模型进行电器种类判别。
4-1:根据步骤1得到某未知电器的一段运行时间内的有功功率瞬时值集合P s j 和无功功率的瞬时值集合Q s j ,由步骤2得到P s j 和Q s j 的基波幅值、1、2、3、4、5次谐波幅值以及波形因子和裕度因子进一步的组建最终的特征样本集P 终 s j 和Q 终 s j 。将最终得到样本集合输入至步骤3优化过的BP神经网络模型中,输出结果。令识别结果中h>0.7为识别为对应某类电器,h<0.7为非该电器。(其中h为识别结果中该未知电器分别对应8个训练电器种类的识别结果,0<h<1)。
本发明通过SPI通信从电能表计量芯实时取样用户不同家用负荷的电压和电流暂态或者稳态波形数据并发送至负荷辨识模块,负荷辨识模块对采取的多个周波的采样数据进行算法处理,以此作为聚类和训练的数据集,生成特征库结合BP神经网络模型实现家用负荷的辨识,从而提高居民侧负荷辨识的准确性和可靠性。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制;尽管参照较佳实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换;而不脱离本发明技术方案的精神,其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (7)
1.一种基于BP神经网络模型的非侵入式负荷识别方法,其特征在于,包括以下步骤:
A、特征分析样本的获取:
A.1、实时采集用电入户端的电压瞬时值和电流瞬时值得到电压数据集合U s i 和电流数据集合I s i ;
A.2、对电压数据集合U s i 和电流数据集合I s i 进行处理得到负荷的有功功率瞬时值集合P s i 和无功功率瞬时值集合Q s i ;
A.3、根据有功功率瞬时值集合P s i 和无功功率瞬时值集合Q s i 进行数据截取获取特征分析样本;
B、特征样本集的获取:
B.1、对有功功率瞬时值集合P s i 和无功功率瞬时值集合Q s i 进行时域特征值和频域特征值的处理形成由特征值组成的特征数据集;
B.2、采用聚类分析法对获取的特征数据集进行特征量相似性度量分类并得到由最优负荷特征值组成的特征样本集;
C、BP神经网络的优化:通过特征样本集对BP神经网络进行训练,并通过最速下降法对训练结果进行优化;
D、输出负荷识别结果:对于待识别的负荷,将待识别的负荷中的最优负荷特征值输入至优化后的BP神经网络模型,获取负荷识别结果。
3.根据权利要求1所述的基于BP神经网络模型的非侵入式负荷识别方法,其特征在于,在步骤A.3中根据有功功率瞬时值集合P s i 和无功功率瞬时值集合Q s i ,采用逐差法查找并截取包含有暂态启动的3个周期的有功功率和无功功率的时间段作为一个样本并通过滑动窗口以及双边CUSUM变点检测法对样本进行优化。
4.根据权利要求3所述的基于BP神经网络模型的非侵入式负荷识别方法,其特征在于,通过滑动窗口以及双边CUSUM变点检测法对样本进行优化包括:采用滑差法对集合P s i 和Q s i 进行按周期数滑差分组,周期为T,滑差窗口为N,计算每组的均值S i ,如果在连接时间t内均有∆η i ≥H,则此时间段内该负荷处于启动状态并截取该时间段内3个周期的有功功率和无功功率数据作为一个样本,其中,∆η i =S i -S i-1 ,H为最小功率变化差值,其值为经验值。
5.根据权利要求1所述的基于BP神经网络模型的非侵入式负荷识别方法,其特征在于,在步骤B.1中特征数据集包括时域下特征和频域下特征,
所述时域下特征包括最大值、最小值、平均值、峰-峰值、绝对值平均值、方差、标准值、峭度、偏度、均方根、波形因子、峰值因子、脉冲因子和裕度因子;
所述频域下特征包括频率均值、重心频率、频率均方根、频率标准差、基波相位和幅值、1、2、3、4、5次谐波相位和幅值。
7.根据权利要求1所述的基于BP神经网络模型的非侵入式负荷识别方法,其特征在于,在步骤C中BP神经网络模型的激活函数选取sigmoid 函数,其形式为:
α>0,可控制其斜率;
神经网络输出单元状态Q s i (i=1,2,…n) 为
其中,m为所选取的隐单元层的神经元个数,w ij 为从中间层到输出层的权, v jk 为从输入层到中间层的权,W s 为神经网络的输入层,取值为I s k (k=1,2,…8),8为每个样本选取的特征个数,s为所有的负荷的特征样本总个数,i,j,k分别对应着输出层、中间层以及输入层;
输出单元Q s i 与理想输出T s i 的差异记为:
其中,X为任意一组权值w ij 和v jk 的ρ纬向量解,使用最速下降迭代算法求E达到极小值时对应的权w ij 和权v jk 。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210403125.3A CN114943367A (zh) | 2022-04-18 | 2022-04-18 | 基于bp神经网络模型的非侵入式负荷识别方法 |
PCT/CN2022/093723 WO2023201820A1 (zh) | 2022-04-18 | 2022-05-19 | 基于bp神经网络模型的非侵入式负荷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210403125.3A CN114943367A (zh) | 2022-04-18 | 2022-04-18 | 基于bp神经网络模型的非侵入式负荷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114943367A true CN114943367A (zh) | 2022-08-26 |
Family
ID=82907171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210403125.3A Pending CN114943367A (zh) | 2022-04-18 | 2022-04-18 | 基于bp神经网络模型的非侵入式负荷识别方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114943367A (zh) |
WO (1) | WO2023201820A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115982576A (zh) * | 2023-03-17 | 2023-04-18 | 石家庄科林电气股份有限公司 | 一种恶性负载的识别方法、装置及电能表 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016079229A1 (en) * | 2014-11-21 | 2016-05-26 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
CN106093630B (zh) * | 2016-06-02 | 2019-01-15 | 华北电力大学 | 一种非侵入式家用电器辨识方法 |
CN111401425A (zh) * | 2020-03-11 | 2020-07-10 | 北京慧飒科技有限责任公司 | 一种非侵入式电气集群负载电气性能自主学习处理方法 |
CN113033775B (zh) * | 2021-03-10 | 2023-08-18 | 南方电网数字电网研究院有限公司 | 一种基于有监督学习的非侵入式负荷识别网络架构 |
CN113050486B (zh) * | 2021-03-12 | 2022-06-17 | 南京工程学院 | 基于工控机的电力系统边缘计算及数据分发装置 |
-
2022
- 2022-04-18 CN CN202210403125.3A patent/CN114943367A/zh active Pending
- 2022-05-19 WO PCT/CN2022/093723 patent/WO2023201820A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115982576A (zh) * | 2023-03-17 | 2023-04-18 | 石家庄科林电气股份有限公司 | 一种恶性负载的识别方法、装置及电能表 |
Also Published As
Publication number | Publication date |
---|---|
WO2023201820A1 (zh) | 2023-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Devlin et al. | Non-intrusive load monitoring and classification of activities of daily living using residential smart meter data | |
Kang et al. | Household appliance classification using lower odd-numbered harmonics and the bagging decision tree | |
CN108616120B (zh) | 一种基于rbf神经网络的非侵入式电力负荷分解方法 | |
CN111830347B (zh) | 一种基于事件的两阶段非侵入式负荷监测方法 | |
Ghosh et al. | Artificial bee colony optimization based non-intrusive appliances load monitoring technique in a smart home | |
Andrean et al. | A hybrid method of cascade-filtering and committee decision mechanism for non-intrusive load monitoring | |
CN109840691B (zh) | 基于深度神经网络的非侵入式分项电量估计方法 | |
de Paiva Penha et al. | Convolutional neural network applied to the identification of residential equipment in non-intrusive load monitoring systems | |
CN109470957B (zh) | 一种基于弗雷歇距离的非侵入式电器识别方法 | |
CN112580471A (zh) | 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法 | |
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 | |
CN111242276B (zh) | 一种用于负荷电流信号识别的一维卷积神经网络构建方法 | |
CN109613362B (zh) | 非侵入式电器数量识别方法 | |
Park et al. | Appliance identification algorithm for a non-intrusive home energy monitor using cogent confabulation | |
CN114943367A (zh) | 基于bp神经网络模型的非侵入式负荷识别方法 | |
CN110309984A (zh) | 一种非侵入式负荷识别与短期用户行为预测方法 | |
Luo et al. | A generalizable method for practical non-intrusive load monitoring via metric-based meta-learning | |
CN113193654A (zh) | 一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测方法 | |
Bier et al. | Smart meter systems detection & classification using artificial neural networks | |
CN115563583A (zh) | 基于多物理量融合的非侵入式负荷监测方法 | |
CN114492671A (zh) | 基于改进fcm聚类算法与mlp神经网络的非侵入式家庭负荷识别方法 | |
CN115828091A (zh) | 基于端-云协同的非侵入式负荷辨识方法与系统 | |
CN114239762A (zh) | 基于结构化负荷特征图谱的非侵入式负荷辨识方法及系统 | |
Yang et al. | Mining the big data of residential appliances in the smart grid environment | |
CN113922361A (zh) | 一种基于非侵入式配用电信息分解的安全隐患及故障保护方法 |
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 |