CN115526265A - 一种基于递进式学习结构的非侵入式负荷分解方法 - Google Patents

一种基于递进式学习结构的非侵入式负荷分解方法 Download PDF

Info

Publication number
CN115526265A
CN115526265A CN202211269012.5A CN202211269012A CN115526265A CN 115526265 A CN115526265 A CN 115526265A CN 202211269012 A CN202211269012 A CN 202211269012A CN 115526265 A CN115526265 A CN 115526265A
Authority
CN
China
Prior art keywords
network
power
data
layer
electric appliance
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
CN202211269012.5A
Other languages
English (en)
Inventor
赵剑锋
董坤
孙睿晨
毛妍纯
王琚珩
刘东升
金扬
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202211269012.5A priority Critical patent/CN115526265A/zh
Publication of CN115526265A publication Critical patent/CN115526265A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/08—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
    • G06Q10/06—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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

Landscapes

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

Abstract

本发明公开了一种基于递进式学习结构的非侵入式负荷分解方法，包括以下步骤：采集房屋总有功功率和各目标电器有功功率数据；对数据进行预处理，构建数据集；利用所构建的数据集训练基于递进式学习结构的非侵入式负荷分解算法模型；将未知房屋的总有功功率输入基于递进式学习结构的非侵入式负荷分解算法模型，分解得到目标电器的功率消耗序列。本发明通过采用递进式学习结构和时间戳嵌入方法，增强了模型的特征提取能力，且丰富了模型的输入，显著提高了非侵入式负荷分解算法的准确度和泛化能力。

Description

一种基于递进式学习结构的非侵入式负荷分解方法
技术领域
本发明涉及一种基于递进式学习结构的非侵入式负荷分解方法，属于电力技术与人工智能技术领域，
背景技术
现代电力系统的发展催生了电器级细粒度的数据需求，电器消耗数据可用于计算需求响应资源、帮助识别设备故障、生成详细的电费账单以及构建电力画像标签系统等。获取电器功率消耗最为直观的方法是在目标电器上直接安装电表，这种侵入式的负荷监测方法能够得到精确的结果，但是智能电表设备的大规模部署成本过高。非侵入式负荷分解技术(Non-Intrusive Load Monitoring,NILM)因充分利用现有设施，能够用软件算法大大降低硬件成本，成为了研究的主流。非侵入式负荷分解的整个过程只依赖于单点测量，以总电表记录的功率、电压、电流为特征，识别单个电器的运行状态，估计其功率消耗。与侵入式方法相比，非侵入式负荷分解成本显著降低，且软件算法灵活性高，具有很大的应用潜力。
非侵入式负荷分解问题可拆分为两个子任务：一是判断设备的开关状态，二是拟合设备开启期间的具体功率消耗情况。现存的基于深度学习的非侵入式负荷分解算法通常将这两个复杂任务交由一个网络完成，因此模型预测的准确度受到了一定的限制。另外，目前绝大多数的非侵入式负荷分解方法仅依赖总功率与目标电器功率的映射关系来实现分解，忽略了电器运行的周期性，无法学习到呈现明显规律性的用电习惯特征。
发明内容
本发明提供了一种基于递进式学习结构的非侵入式负荷分解方法，将负荷分解问题中拆解出的两个子任务递进地通过两部分网络完成，并利用时间信息辅助模型做出功率预测，旨在提高负荷分解的准确性和泛化能力。
一种基于递进式学习结构的非侵入式负荷分解方法，包括：
采集房屋总有功功率和各目标电器有功功率数据；
对数据进行预处理，构建数据集；
利用所构建的数据集训练基于递进式学习结构的非侵入式负荷分解算法模型；
将未知房屋的总有功功率输入基于递进式学习结构的非侵入式负荷分解算法模型，分解得到目标电器的功率消耗序列。
进一步地，所述数据预处理步骤包括：
对功率数据以T为间隔进行重新采样；
对少于t时间的数据缺失通过前向填充来补值，对超过t时间的数据缺失用0填充；
删除总功率低于Pthres的数据；
给数据集添加状态标记，若电器功率大于开启阈值，则设备开启，状态值标记为1，若电器功率小于开启阈值，则标记为0。
进一步地，所述基于递进式学习结构的非侵入式负荷分解算法模型包括网络I和网络Ⅱ，所述网络I负责判断目标电器的开关状态，所述网络Ⅱ基于网络I的分解结果精确还原目标电器的功率曲线；
所述网络I的输入为总功率信号和时间戳数据，输出为初步预测功率序列；
所述网络Ⅱ的输入为总功率信号、时间戳数据和网络I初步预测的目标电器状态序列，输出为最终预测功率序列。
进一步地，所述网络I和网络Ⅱ均包括信息嵌入层、核心分解层和输出层；所述网络I的核心分解层与所述网络Ⅱ的核心分解层结构完全相同，所述网络I的输出层与所述网络Ⅱ的输出层结构完全一样，所述网络I的信息嵌入层与所述网络Ⅱ的信息嵌入层因输入信息的不同而有所差异。
进一步地，所述信息嵌入层包括聚合功率数据嵌入、状态数据嵌入和时间信息嵌入；
对于每一种输入序列数据，采用卷积层对序列进行特征提取，同时增加维度，然后通过池化层缩短序列长度，最后以求和计算融合多种嵌入信息。
进一步地，所述时间信息嵌入中的时间信息编码步骤包括：
获取时间戳数据；
对每个时间戳提取一天中的小时数、一周中的星期数、一年中的月份数这三个特征；
将这三个特征分别线性编码为[-0.5,0.5]区间内的值。
进一步地，所述核心分解层包括两层编码器，每层编码器网络由多头自注意力网络和前馈神经网络构成。
进一步地，所述输出层包含一层反卷积和两层全连接网络。
进一步地，所述网络I和网络Ⅱ的损失函数包括：
均方误差
Figure BDA0003894350790000031
推土距离误差
Figure BDA0003894350790000032
骰子损失
Figure BDA0003894350790000033
平均绝对误差
Figure BDA0003894350790000034
其中，
Figure BDA0003894350790000035
和yt分别表示t时刻模型预测的电器功率和实际的电器功率；
Figure BDA0003894350790000036
和st分别表示t时刻模型预测的电器状态和实际的电器状态；T是序列点总个数；
Figure BDA0003894350790000037
和y分别代表模型预测电器功率和实际电器功率序列所在分布，
Figure BDA0003894350790000038
是×上的一组分布，其边际分别是
Figure BDA0003894350790000039
和y，u和v为积分变量；O为电器实际开启或状态预测错误的时序点；
根据两个网络侧重任务的不同，网络I和网络Ⅱ的损失函数计算公式如下：
Figure BDA00038943507900000310
其中，λ为平均绝对误差损失项的权重。
进一步地，所述分解得到目标电器的功率消耗序列后，使用四类指标对基于递进式学习结构的非侵入式负荷分解算法模型效果进行评价，所述评价包括准确度、F1分数、平均绝对误差和平均相对误差。
本发明提供的非侵入式负荷分解方法，至少包括如下有益效果：
本发明负荷分解算法利用两部分网络递进地解决判断电器开关状态与预测功率值两个子问题，使单个网络能够专注于单个任务，因此对于两任务的完成效果均有提升。另外，本发明在信息嵌入层引入时间信息，提高模型对用电习惯特征的捕捉能力。在REDD数据集中选取微波炉、洗衣机、洗碗机、冰箱作为研究对象，以2、3、4、5、6号房屋作为训练集，以1号房屋作为测试集，在Python编程平台中使用Pytorch深度学习框架进行模型的训练和测试。本发明模型在分类指标准确率和F1指标与回归指标平均绝对误差和平均相对误差上的表现均优于其他四种基于深度学习的非侵入式负荷分解算法，尤其能够显著降低平均绝对误差。本发明负荷分解算法对新鲜样本具有一定泛化能力，在跨家庭测试上表现良好。
附图说明
图1为本发明提供的基于递进式学习结构的非侵入式负荷分解方法一种实施例的流程图；
图2为本发明提出的递进式学习结构图；
图3为本发明中单个网络结构图；
图4为本发明提供的时间戳描述方法示意图。
具体实施方式
为了更清晰地说明技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细描述。
本发明提供了一种基于递进式学习结构的非侵入式负荷分解方法，将负荷分解问题中拆解出的两个子任务递进地通过两部分网络完成，并利用时间信息辅助模型做出功率预测，提高负荷分解的准确性。
参考图1，在一些实施例中，提供一种基于递进式学习结构的非侵入式负荷分解方法，包括：
S1、利用采样装置收集房屋总有功功率和各目标电器有功功率数据；
S2、对数据进行预处理，构建数据集；
S3、利用所构建的数据集训练基于递进式学习结构的非侵入式负荷分解算法模型；
S4、将未知房屋的总有功功率输入模型，分解得到目标电器的功率消耗序列。
所述功率采样为低频采样，保证了采样设备的低成本性。
所述数据预处理步骤包括：
S2.1、对功率数据以T为间隔进行重新采样；
S2.2、对少于t时间的数据缺失通过前向填充来补值，对超过t时间的数据缺失用0填充；
S2.3、删除总功率低于Pthres的数据，认为没有电器开启，无分解必要；
S2.4、给数据集添加状态标记。若电器功率大于开启阈值，则认为设备开启，状态值标记为1，否则标记为0。
所述基于递进式学习结构的非侵入式负荷分解算法模型包括两部分网络，将前一网络的输出特征与原始特征一并送入下一个网络，可提高系统的特征提取和拟合能力。参考图2，网络I主要负责判断目标电器的开关状态，网络Ⅱ基于网络I的分解结果精确还原目标电器的功率曲线。网络I的输入为总功率信号和时间戳数据，输出为初步预测功率序列；网络Ⅱ的输入为总功率信号、时间戳数据和网络I初步预测的目标电器状态序列，输出为最终预测功率序列。
进一步地，参考图3，网络I和网络Ⅱ均包括信息嵌入层、核心分解层和输出层三个部分。两个网络的核心分解层与输出层结构完全一样，信息嵌入层因输入信息的不同而有所差异。
进一步地，所述信息嵌入层包括聚合功率数据嵌入、状态数据嵌入和时间信息嵌入；
对于每一种输入序列数据，采用卷积层对长度为L的序列进行特征提取，同时将维度增加为H，然后通过池化层将序列长度缩短至L/2，最后以求和计算融合多种嵌入信息。
参考图4，在一些实施例中，所述时间信息编码步骤包括：
获取时间戳数据；
对每个时间戳提取一天中的小时数、一周中的星期数、一年中的月份数这三个特征；
将这三个特征分别线性编码为一[-0.5,0.5]区间内的值。
进一步地，所述核心分解层包括两层编码器，每个编码器网络由多头自注意力网络和前馈神经网络构成。其中，多头自注意力网络头数为2；前馈神经网络使用两层全连接和GELU激活处理输入元素，之后利用残差连接防止网络退化和梯度消失，然后进行层归一化以稳定前向输入分布。
进一步地，输出层部分将核心分解层所提取的特征映射为与总功率序列长度相同的单个电器功率序列。反卷积操作将数据长度扩展为L，两个全连接层将特征矩阵转换为长度为L的一维数据。
网络I和网络Ⅱ的损失函数包括：
均方误差
Figure BDA0003894350790000061
推土距离误差
Figure BDA0003894350790000062
骰子损失
Figure BDA0003894350790000063
平均绝对误差
Figure BDA0003894350790000064
其中，
Figure BDA0003894350790000065
和yt分别表示模型预测的电器功率和实际的电器功率；
Figure BDA0003894350790000066
和s分别表示模型预测的电器状态和实际的电器状态；T是序列点总个数；
Figure BDA0003894350790000067
是×上的一组分布，其边际分别是
Figure BDA0003894350790000068
和yt；O为电器实际开启或状态预测错误的时序点。
网络Ⅰ对最终输出的贡献主要在于向网络Ⅱ提供较为准确的分类信息，因此其损失函数由均方误差、推土距离误差和骰子损失三项组成，骰子损失发挥主要作用，引导网络对目标电器的开关状态做出正确的判断。在获得电器状态信息的基础上，网络Ⅱ需拟合出电器运行的功率曲线，因此其损失函数由均方误差、推土距离误差和平均绝对误差三项组成，平均绝对误差损失项对设备开启时的功率值进行校正。网络I和网络Ⅱ的损失函数计算公式可表示为：
Figure BDA0003894350790000069
其中，λ为平均绝对误差损失项的权重。
本实施例提供的非侵入式负荷分解模型的训练过程使用Adam优化器加速梯度下降。
进一步地，分解得到目标电器的功率消耗序列后，使用四类指标对模型效果进行评价，包括：准确度(accuracy)、F1分数(F1-score)、平均绝对误差(MAE)和平均相对误差(MRE)。计算公式如下：
Figure BDA0003894350790000071
Figure BDA0003894350790000072
Figure BDA0003894350790000073
Figure BDA0003894350790000074
Figure BDA0003894350790000075
Figure BDA0003894350790000076
其中，TP、FP、FN分别表示电器实际开启且分解结果也为开启、电器实际关闭而分解结果为开启、电器关闭且分解结果也为关闭结果的数量，P和N分别表示电器实际开启和关闭的数量；
Figure BDA0003894350790000077
和yt分别表示模型预测的电器功率和实际的电器功率；T是序列点总个数。
本发明提出算法，使用REDD数据集中的低频数据上进行测试，每项评价指标的平均值均优于四种基准模型，在大部分电器上单独测试时，综合性能也具有优势。尤其是平均绝对误差指标，所提方法在每个电器上均优于其他算法。
本发明在信息嵌入层引入时间信息，提高模型对用电习惯特征的捕捉能力。
本发明负荷分解算法对新鲜样本具有一定泛化能力，在跨家庭测试上表现良好。
本发明负荷分解算法利用两部分网络递进地解决判断电器开关状态与预测功率值两个子问题，使单个网络能够专注于单个任务，因此对于两任务的完成效果均有提升。另外，本发明在信息嵌入层引入时间信息，提高模型对用电习惯特征的捕捉能力。在REDD数据集中选取微波炉、洗衣机、洗碗机、冰箱作为研究对象，以2、3、4、5、6号房屋作为训练集，以1号房屋作为测试集，在Python编程平台中使用Pytorch深度学习框架进行模型的训练和测试。本发明模型在分类指标准确率和F1指标与回归指标平均绝对误差和平均相对误差上的表现均优于其他四种基于深度学习的非侵入式负荷分解算法，尤其能够显著降低平均绝对误差。本发明负荷分解算法对新鲜样本具有一定泛化能力，在跨家庭测试上表现良好。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于递进式学习结构的非侵入式负荷分解方法，其特征在于，包括：
采集房屋总有功功率和各目标电器有功功率数据；
对数据进行预处理，构建数据集；
利用所构建的数据集训练基于递进式学习结构的非侵入式负荷分解算法模型；
将未知房屋的总有功功率输入基于递进式学习结构的非侵入式负荷分解算法模型，分解得到目标电器的功率消耗序列。
2.根据权利要求1所述的基于递进式学习结构的非侵入式负荷分解方法，其特征在于，所述数据预处理步骤包括：
对功率数据以T为间隔进行重新采样；
对少于t时间的数据缺失通过前向填充来补值，对超过t时间的数据缺失用0填充；
删除总功率低于Pthres的数据；
给数据集添加状态标记，若电器功率大于开启阈值，则设备开启，状态值标记为1，若电器功率小于开启阈值，则标记为0。
3.根据权利要求1所述的方法，其特征在于，所述基于递进式学习结构的非侵入式负荷分解算法模型包括网络I和网络Ⅱ，所述网络I负责判断目标电器的开关状态，所述网络Ⅱ基于网络I的分解结果精确还原目标电器的功率曲线；
所述网络I的输入为总功率信号和时间戳数据，输出为初步预测功率序列；
所述网络Ⅱ的输入为总功率信号、时间戳数据和网络I初步预测的目标电器状态序列，输出为最终预测功率序列。
4.根据权利要求3所述的基于递进式学习结构的非侵入式负荷分解方法，其特征在于，所述网络I和网络Ⅱ均包括信息嵌入层、核心分解层和输出层；所述网络I的核心分解层与所述网络Ⅱ的核心分解层结构完全相同，所述网络I的输出层与所述网络Ⅱ的输出层结构完全一样，所述网络I的信息嵌入层与所述网络Ⅱ的信息嵌入层因输入信息的不同而有所差异。
5.根据权利要求4所述的基于递进式学习结构的非侵入式负荷分解方法，其特征在于，所述信息嵌入层包括聚合功率数据嵌入、状态数据嵌入和时间信息嵌入；
对于每一种输入序列数据，采用卷积层对序列进行特征提取，同时增加维度，然后通过池化层缩短序列长度，最后以求和计算融合多种嵌入信息。
6.根据权利要求5所述的基于递进式学习结构的非侵入式负荷分解方法，其特征在于，所述时间信息嵌入中的时间信息编码步骤包括：
获取时间戳数据；
对每个时间戳提取一天中的小时数、一周中的星期数、一年中的月份数这三个特征；
将这三个特征分别线性编码为[-0.5,0.5]区间内的值。
7.根据权利要求4所述的方法，其特征在于，所述核心分解层包括两层编码器，每层编码器网络由多头自注意力网络和前馈神经网络构成。
8.根据权利要求4所述的基于递进式学习结构的非侵入式负荷分解方法，其特征在于，所述输出层包含一层反卷积和两层全连接网络。
9.根据权利要求3所述的基于递进式学习结构的非侵入式负荷分解方法，其特征在于，所述网络I和网络Ⅱ的损失函数包括：
均方误差
Figure FDA0003894350780000021
推土距离误差
Figure FDA0003894350780000022
骰子损失
Figure FDA0003894350780000023
平均绝对误差
Figure FDA0003894350780000024
其中，
Figure FDA0003894350780000025
和yt分别表示t时刻模型预测的电器功率和实际的电器功率；
Figure FDA0003894350780000026
和st分别表示t时刻模型预测的电器状态和实际的电器状态；T是序列点总个数；
Figure FDA0003894350780000027
和y分别代表模型预测电器功率和实际电器功率序列所在分布，
Figure FDA0003894350780000028
是×上的一组分布，其边际分别是
Figure FDA0003894350780000029
和y，u和v为积分变量；O为电器实际开启或状态预测错误的时序点；
根据两个网络侧重任务的不同，网络I和网络Ⅱ的损失函数计算公式如下：
Figure FDA0003894350780000031
其中，λ为平均绝对误差损失项的权重。
10.根据权利要求1所述的基于递进式学习结构的非侵入式负荷分解方法，其特征在于，所述分解得到目标电器的功率消耗序列后，使用四类指标对基于递进式学习结构的非侵入式负荷分解算法模型效果进行评价，所述评价包括准确度、F1分数、平均绝对误差和平均相对误差。
CN202211269012.5A 2022-10-17 2022-10-17 一种基于递进式学习结构的非侵入式负荷分解方法 Pending CN115526265A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211269012.5A CN115526265A (zh) 2022-10-17 2022-10-17 一种基于递进式学习结构的非侵入式负荷分解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211269012.5A CN115526265A (zh) 2022-10-17 2022-10-17 一种基于递进式学习结构的非侵入式负荷分解方法

Publications (1)

Publication Number Publication Date
CN115526265A true CN115526265A (zh) 2022-12-27

Family

ID=84704345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211269012.5A Pending CN115526265A (zh) 2022-10-17 2022-10-17 一种基于递进式学习结构的非侵入式负荷分解方法

Country Status (1)

Country Link
CN (1) CN115526265A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116756575A (zh) * 2023-08-17 2023-09-15 山东科技大学 基于bgain-dd网络的非侵入式负荷分解方法
CN117477771A (zh) * 2023-10-30 2024-01-30 国网浙江省电力有限公司杭州市临平区供电公司 非侵入式宿舍用电安全监测方法、系统和存储介质
CN117559450A (zh) * 2024-01-12 2024-02-13 吉林大学 一种基于反馈模型提升非介入式负荷监测精度的方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116756575A (zh) * 2023-08-17 2023-09-15 山东科技大学 基于bgain-dd网络的非侵入式负荷分解方法
CN116756575B (zh) * 2023-08-17 2023-11-03 山东科技大学 基于bgain-dd网络的非侵入式负荷分解方法
CN117477771A (zh) * 2023-10-30 2024-01-30 国网浙江省电力有限公司杭州市临平区供电公司 非侵入式宿舍用电安全监测方法、系统和存储介质
CN117559450A (zh) * 2024-01-12 2024-02-13 吉林大学 一种基于反馈模型提升非介入式负荷监测精度的方法
CN117559450B (zh) * 2024-01-12 2024-03-29 吉林大学 一种基于反馈模型提升非介入式负荷监测精度的方法

Similar Documents

Publication Publication Date Title
Chen et al. Short-term wind speed forecasting based on long short-term memory and improved BP neural network
CN115526265A (zh) 一种基于递进式学习结构的非侵入式负荷分解方法
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN111368890A (zh) 故障检测方法及装置、信息物理融合系统
CN110222991B (zh) 基于rf-gbdt的计量装置故障诊断方法
CN109818349B (zh) 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法
CN111339712A (zh) 质子交换膜燃料电池剩余寿命预测方法
CN113411821B (zh) 一种复杂网络的体系重构能力测评方法及系统
CN103971175B (zh) 一种多级变电站的短期负荷预测方法
CN116381517A (zh) 基于时间卷积注意力机制的锂电池剩余寿命概率预测方法
CN112257263B (zh) 基于自注意力机制的设备剩余寿命预测系统
CN112763967B (zh) 一种基于BiGRU的智能电表计量模块故障预测与诊断方法
CN111124852A (zh) 一种基于bmc健康管理模块的故障预测方法及系统
CN107944612A (zh) 一种基于arima和相空间重构svr的母线净负荷预测方法
CN115580446A (zh) 一种基于去中心化联邦学习的非侵入式负荷检测方法
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN114330642A (zh) 一种用于多采样时间的建筑电力负荷预测方法
CN117977536A (zh) 一种智能电网负荷辨识方法
CN115883424B (zh) 一种高速骨干网间流量数据预测方法及系统
CN114510469B (zh) 电力系统不良数据辨识方法、装置、设备及介质
CN115217152B (zh) 一种沉管隧道管节接头张合变形的预测方法及装置
CN116131255A (zh) 基于时间序列概念漂移的电站未来发电量预测方法及装置
CN115619028A (zh) 一种基于聚类算法融合的电力负荷精准预测方法
Gong et al. Autoencoder-Based Anomaly Detection for Time Series Data in Complex Systems
CN118673966B (zh) 基于Transformer模型和迁移学习的非侵入式负荷监测方法和设备

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