CN115204529A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115204529A CN115204529A CN202211118482.1A CN202211118482A CN115204529A CN 115204529 A CN115204529 A CN 115204529A CN 202211118482 A CN202211118482 A CN 202211118482A CN 115204529 A CN115204529 A CN 115204529A
- Authority
- CN
- China
- Prior art keywords
- load
- load data
- data
- attention mechanism
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 230000007246 mechanism Effects 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 24
- 238000013135 deep learning Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 229940050561 matrix product Drugs 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 2
- 238000012806 monitoring device Methods 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 11
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—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
- 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
-
- 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
- G06Q90/00—Systems or methods specially adapted for administrative, commercial, financial, managerial or supervisory purposes, not involving significant data processing
-
- 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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
- H02J3/0012—Contingency detection
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能电网领域,提出了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,所述方法包括如下步骤:获取建筑某时段内的总负荷数据、设备负荷数据及对应采样时间;将总负荷数据、设备负荷数据分别与对应采样时间进行融合,得到增强的总负荷数据和设备负荷数据;利用滑动窗口法对增强的总负荷数据和设备负荷数据进行分割,构造深度学习训练数据集;构建神经网络模型,基于深度学习训练框架并利用得到的训练数据集对模型进行训练。本发明内容可有效提取负荷工作时间模式及其内在的依赖关系,从而提升负荷监测的准确性。
Description
技术领域
本发明涉及到智能电网领域与人工智能领域,具体为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。
背景技术
开展高效的需求侧响应是降低能源消耗、推进新能源体系建设的重要工作。目前,非侵入式负荷监测技术已被应用于由总负荷识别并分解出各设备负荷用电情况,进而用于负荷侧用能规划。考虑到传统基于开关动作检测及特征识别的负荷监测方法的适用性难以保证,目前基于深度学习技术的非侵入式负荷监测方法已被广泛运用。但现有深度学习方法多仅以有功功率、无功功率等电气量作为负荷辨识依据,未考虑负荷工作时间信息及不同负荷间工作模式的依赖关系,限制了负荷监测的准确性。换言之,如何在负荷监测过程中融入负荷运行时间信息,从而提升对于具有复杂工作模式设备的负荷监测效果,是实现其进一步参与需求侧响应的关键问题。
发明内容
本发明目的是为了解决电力负荷参与需求侧响应工作时存在的上述技术问题,提出了一种基于时间注意力机制的非侵入式负荷监测方法。
本发明的技术方案如下:
一种基于时间注意力机制的非侵入式负荷监测方法,包括如下步骤:
步骤1、获取建筑某时段内的总负荷数据、设备负荷数据及对应采样时间;
步骤2、将总负荷数据、设备负荷数据分别与对应采样时间进行融合,得到增强的总负荷数据和设备负荷数据;
步骤3、利用滑动窗口法对增强的总负荷数据和设备负荷数据进行分割,构造深度学习训练数据集;
步骤4、构建神经网络模型,基于深度学习训练框架并利用步骤3得到的训练数据集对模型进行训练。
进一步的,所述步骤1具体如下:
进一步的,所述步骤2具体如下:
进一步的,所述注意力机制采用神经网络实现,即
进一步的,所述步骤3具体如下:
进一步的,所述步骤4具体如下:
在步骤4.2中,设计如下输出层进行学习:
在步骤4.3中,设计如下损失函数对所构建深度学习神经网络模型进行训练:
进一步的,在模型训练完成后,应用于其他时间段的负荷监测,具体为:利用步骤2
所述方法对该建筑任意长度为时段内的有功、无功及视在功率数据进行增强,输入经训
练的神经网络模型,模型输出即为该建筑这一时段内的各设备用电情况。
一种基于时间注意力机制的非侵入式负荷监测装置,包括一个或多个处理器,用于实现所述的基于时间注意力机制的非侵入式负荷监测方法。
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现所述的基于时间注意力机制的非侵入式负荷监测方法。
与现有技术相比,本发明具有如下优点:
(1)在本发明中,针对现有基于深度学习的负荷监测方法仅以电压、电流及谐波等电气量作为负荷监测依据,未考虑负荷工作时间模式及其间依赖关系的问题,创新性地采用基于注意力机制的负荷数据增强技术,将负荷运行时间信息与其电气量进行融合,从而有效且充分地提取不同负荷的运行模式以作为负荷监测依据。
(2)在本发明中,通过将负荷工作时间信息与其电气量相融合以构成模型训练数据,使得所构建的深度学习神经网络可隐式地学习不同负荷的工作时间模式,间接提取其依赖关系,从而有效提升对于具有复杂工作模式设备的负荷监测效果。
附图说明
图1为本发明的基于时间注意力机制的非侵入式负荷监测方法流程图;
图2为本发明的基于时间注意力机制的非侵入式负荷监测装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细描述。应当理解,所描述的实施例仅仅属于本发明中的一部分,并不是全部实施例,所以实现本发明不应被阐述实施例所限制,而应该借助这些实施例进一步理解本发明的内容本质,能更好地服务于本领域的技术人员。
如图1所示,本发明的基于时间注意力机制的非侵入式负荷监测方法,包括以下步骤:
步骤1、获取建筑某时段内的总负荷数据、设备负荷数据及对应采样时间。
本实施例中,共获取了某建筑共计10台独立设备的负荷数据,采样时间包含78天,
采样间隔为1秒,即、;所获取负荷数据包括总负荷有功功率、
无功功率和视在功率,以及各设备在上述采样时间内的有功功率、无功功率和视在功率 ;其中设备编号的取值范围为[1,10]。
步骤2、将总负荷数据、设备负荷数据分别与对应采样时间进行融合,得到增强的总负荷数据和设备负荷数据;
本实施例中,注意力机制采用基于ReLU激活函数的单层神经网络实现,即
步骤3、利用滑动窗口法对增强的总负荷数据和设备负荷数据进行分割,构造深度学习训练数据集;
本实施例中,总负荷样本和各独立负荷样本可分别表示为
步骤4、构建神经网络模型,基于深度学习训练框架并利用步骤3得到的训练数据集对模型进行训练。
在步骤4.2中,设计如下输出层进行学习:
在步骤4.3中,设计如下损失函数对所构建深度学习神经网络模型进行训练:
本实施例中,预测偏差度量函数选择为均方误差MSE,则模型训练采用的损失函数可进一步表示为:
神经网络模型通过迭代优化上述训练损失函数进行训练,设置batch_size为1000、学习率为0.001,迭代次数为50次。
在模型训练完成后,可应用于其他时间段的负荷监测,具体为:利用步骤2所述方
法对该建筑任意长度为时段内的有功、无功及视在功率数据进行增强,输入经训练的神
经网络模型,模型输出即为该建筑这一时段内的设备用电情况。
本实施例中,采集同一建筑以时刻6739201为起点,长度为599的总负荷有功功率、无功功率和视在功率,并利用步骤2所述方法得
到增强的总负荷数据、和,进而得到总负荷样本 。将输入经训练的神经网络模型,模
型输出该建筑这一时段内各设备的用电情况,包括有功功率、无功功率及视在功率。
参见图2,本发明实施例提供的一种基于时间注意力机制的非侵入式负荷监测装置,包括一个或多个处理器,用于实现上述实施例中的基于时间注意力机制的非侵入式负荷监测方法。
本发明基于时间注意力机制的非侵入式负荷监测装置的实施例可以应用在任意具备数据处理能力的设备上,该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图2所示,为本发明基于时间注意力机制的非侵入式负荷监测装置所在任意具备数据处理能力的设备的一种硬件结构图,除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的基于时间注意力机制的非侵入式负荷监测方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述,仅为本发明的优选实施案例,并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明,对于熟悉本领域的人员来说,其依然可以对前述各实例记载的技术方案进行修改,或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于时间注意力机制的非侵入式负荷监测方法,其特征在于,包括如下步骤:
步骤1、获取建筑某时段内的总负荷数据、设备负荷数据及对应采样时间;
步骤2、将总负荷数据、设备负荷数据分别与对应采样时间进行融合,得到增强的总负荷数据和设备负荷数据;
步骤3、利用滑动窗口法对增强的总负荷数据和设备负荷数据进行分割,构造深度学习训练数据集;
步骤4、构建神经网络模型,基于深度学习训练框架并利用步骤3得到的训练数据集对模型进行训练。
8.一种基于时间注意力机制的非侵入式负荷监测装置,其特征在于,包括一个或多个处理器,用于实现权利要求1-7中任一项所述的基于时间注意力机制的非侵入式负荷监测方法。
9.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时,实现权利要求1-7中任一项所述的基于时间注意力机制的非侵入式负荷监测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211118482.1A CN115204529B (zh) | 2022-09-15 | 2022-09-15 | 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 |
US18/215,784 US11868869B1 (en) | 2022-09-15 | 2023-06-28 | Non-intrusive load monitoring method and device based on temporal attention mechanism |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211118482.1A CN115204529B (zh) | 2022-09-15 | 2022-09-15 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115204529A true CN115204529A (zh) | 2022-10-18 |
CN115204529B CN115204529B (zh) | 2022-12-20 |
Family
ID=83572696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211118482.1A Active CN115204529B (zh) | 2022-09-15 | 2022-09-15 | 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 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11868869B1 (zh) |
CN (1) | CN115204529B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117977576A (zh) * | 2024-03-28 | 2024-05-03 | 国网四川省电力公司电力科学研究院 | 一种基于多尺度历史负荷数据的台区负荷预测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096726A (zh) * | 2016-05-31 | 2016-11-09 | 华北电力大学 | 一种非侵入式负荷监测方法及装置 |
CN109508908A (zh) * | 2018-12-25 | 2019-03-22 | 深圳市城市公共安全技术研究院有限公司 | 非侵入式负荷识别模型训练方法、负荷监测方法及装置 |
CN111369120A (zh) * | 2020-02-27 | 2020-07-03 | 福州大学 | 一种基于设备迁移学习的非侵入式负荷监测方法 |
CN112434799A (zh) * | 2020-12-18 | 2021-03-02 | 宁波迦南智能电气股份有限公司 | 基于全卷积神经网络的非侵入式负荷识别方法 |
CN113361454A (zh) * | 2021-06-25 | 2021-09-07 | 东南大学 | 一种基于非监督优化的深度学习非侵入式负荷监测方法 |
CN113887912A (zh) * | 2021-09-26 | 2022-01-04 | 新疆大学 | 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 |
CN113890024A (zh) * | 2021-09-30 | 2022-01-04 | 清华大学 | 一种非侵入式负荷智能分解和优化控制方法 |
CN113902104A (zh) * | 2021-11-01 | 2022-01-07 | 南京工程学院 | 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法 |
CN113987913A (zh) * | 2021-09-22 | 2022-01-28 | 吉林化工学院 | 一种改进的非侵入式负荷分解模型 |
CN114529051A (zh) * | 2022-01-17 | 2022-05-24 | 杭州电子科技大学 | 基于层次残差自注意力神经网络的长期电力负荷预测方法 |
WO2022141330A1 (en) * | 2020-12-31 | 2022-07-07 | Guizhou Power Grid Company Limited | A non-intrusive load identification method based on fingerprint characteristics of load power |
CN114722873A (zh) * | 2022-04-14 | 2022-07-08 | 湘潭大学 | 一种基于残差卷积和注意力机制的非侵入式负荷分解方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11636356B2 (en) * | 2019-11-27 | 2023-04-25 | Oracle International Corporation | Non-intrusive load monitoring using machine learning and processed training data |
-
2022
- 2022-09-15 CN CN202211118482.1A patent/CN115204529B/zh active Active
-
2023
- 2023-06-28 US US18/215,784 patent/US11868869B1/en active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096726A (zh) * | 2016-05-31 | 2016-11-09 | 华北电力大学 | 一种非侵入式负荷监测方法及装置 |
CN109508908A (zh) * | 2018-12-25 | 2019-03-22 | 深圳市城市公共安全技术研究院有限公司 | 非侵入式负荷识别模型训练方法、负荷监测方法及装置 |
CN111369120A (zh) * | 2020-02-27 | 2020-07-03 | 福州大学 | 一种基于设备迁移学习的非侵入式负荷监测方法 |
CN112434799A (zh) * | 2020-12-18 | 2021-03-02 | 宁波迦南智能电气股份有限公司 | 基于全卷积神经网络的非侵入式负荷识别方法 |
WO2022141330A1 (en) * | 2020-12-31 | 2022-07-07 | Guizhou Power Grid Company Limited | A non-intrusive load identification method based on fingerprint characteristics of load power |
CN113361454A (zh) * | 2021-06-25 | 2021-09-07 | 东南大学 | 一种基于非监督优化的深度学习非侵入式负荷监测方法 |
CN113987913A (zh) * | 2021-09-22 | 2022-01-28 | 吉林化工学院 | 一种改进的非侵入式负荷分解模型 |
CN113887912A (zh) * | 2021-09-26 | 2022-01-04 | 新疆大学 | 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 |
CN113890024A (zh) * | 2021-09-30 | 2022-01-04 | 清华大学 | 一种非侵入式负荷智能分解和优化控制方法 |
CN113902104A (zh) * | 2021-11-01 | 2022-01-07 | 南京工程学院 | 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法 |
CN114529051A (zh) * | 2022-01-17 | 2022-05-24 | 杭州电子科技大学 | 基于层次残差自注意力神经网络的长期电力负荷预测方法 |
CN114722873A (zh) * | 2022-04-14 | 2022-07-08 | 湘潭大学 | 一种基于残差卷积和注意力机制的非侵入式负荷分解方法 |
Non-Patent Citations (3)
Title |
---|
SAYED SAEED HOSSEINIKODJO AGBOSSOUALBEN CARDENAS: "Non-intrusive load monitoring through home energy management systems: A comprehensive review", <RENEWABLE AND SUSTAINABLE ENERGY REVIEWS> * |
ZIYUE JIALINFENG YANGFANNIE KONG: "Sequence to point learning based on bidirectional dilated residual network for non-intrusive load monitoring", <INTERNATIONAL JOURNAL OF ELECTRICAL POWER & ENERGY SYSTEMS> * |
张顺淼等: "基于注意力机制与ConvBiLSTM的非侵入式负荷分解", 《福建工程学院学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115204529B (zh) | 2022-12-20 |
US11868869B1 (en) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110376457B (zh) | 基于半监督学习算法的非侵入式负荷监测方法及装置 | |
Chang et al. | Llm4ts: Two-stage fine-tuning for time-series forecasting with pre-trained llms | |
US20230049089A1 (en) | Method and Apparatus For Predicting Power Consumption, Device and Readiable Storage Medium | |
CN113568819B (zh) | 异常数据检测方法、装置、计算机可读介质及电子设备 | |
CN115201615B (zh) | 基于物理约束神经网络的非侵入式负荷监测方法及装置 | |
Sen et al. | Stock price prediction using deep learning models | |
CN115204529B (zh) | 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 | |
CN112766596A (zh) | 建筑能耗预测模型的构建方法、能耗预测方法及装置 | |
Babaie-Kafaki et al. | Two hybrid nonlinear conjugate gradient methods based on a modified secant equation | |
Ma et al. | Blind false data injection attacks in smart grids subject to measurement outliers | |
Wang et al. | User-level ultra-short-term load forecasting model based on optimal feature selection and bahdanau attention mechanism | |
Liu et al. | Memory-based transformer with shorter window and longer horizon for multivariate time series forecasting | |
Zhang et al. | Ensemble learning‐based modeling and short‐term forecasting algorithm for time series with small sample | |
CN116431816B (zh) | 一种文献分类方法、装置、设备和计算机可读存储介质 | |
Zhang et al. | Research on power load forecasting of wavelet neural network based on the improved genetic algorithm | |
CN115239889B (zh) | 3d重建网络的训练方法、3d重建方法、装置、设备和介质 | |
Paul et al. | On label languages of homogeneous variant of SNPSSP (HSNPSSP) | |
Wang | Machine learning applications in power systems | |
Zhou et al. | One fits all: Universal time series analysis by pretrained lm and specially designed adaptors | |
André et al. | High-Performance Computing for Climate Modeling | |
CN116316537A (zh) | 输电线路运行控制方法、装置、设备、介质和程序产品 | |
Song et al. | Personalized recommendation system of blended English teaching resources based on deep learning | |
Wei et al. | Using a model structure selection technique to forecast short-term wind speed for a wind power plant in North China | |
Jin et al. | Time series forecasting with llms: Understanding and enhancing model capabilities | |
CN111949867A (zh) | 跨app的用户行为分析模型训练方法、分析方法及相关设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |