CN115563583A - 基于多物理量融合的非侵入式负荷监测方法 - Google Patents
基于多物理量融合的非侵入式负荷监测方法 Download PDFInfo
- Publication number
- CN115563583A CN115563583A CN202211403046.9A CN202211403046A CN115563583A CN 115563583 A CN115563583 A CN 115563583A CN 202211403046 A CN202211403046 A CN 202211403046A CN 115563583 A CN115563583 A CN 115563583A
- Authority
- CN
- China
- Prior art keywords
- convolution
- physical quantities
- data
- physical quantity
- self
- 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
- 238000000034 method Methods 0.000 title claims abstract description 90
- 230000004927 fusion Effects 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000017105 transposition Effects 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 13
- 230000006870 function Effects 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000000354 decomposition reaction Methods 0.000 description 10
- 230000005611 electricity Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009830 intercalation Methods 0.000 description 1
- 230000002687 intercalation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06N3/08—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种基于多物理量融合的非侵入式负荷监测方法,属于负荷监测技术领域,该方法包括:获取干线中电能数据的N种物理量;将N种物理量输入预先训练的全卷积自编码网络,得到目标设备的有功功率值;其中,全卷积自编码网络包括N个特征提取模块、特征融合模块和输出层;不同特征提取模块对应不同种物理量;特征提取模块基于自编码器建立;特征融合模块用于对N个特征提取模块输出的特征值进行融合,得到与输出层的数据尺寸匹配的特征序列;特征融合模块基于N个依次相连的转置卷积层建立;网络结构中不采用全连接层,采用卷积或转置卷积操作代替全连接操作对数据进行处理,可以减少模型的参数数量,节省计算资源、提高训练效率。
Description
技术领域
本申请涉及一种基于多物理量融合的非侵入式负荷监测方法,属于负荷监测技术领域。
背景技术
非侵入式负荷监测(Non-intrusive load monitoring,NILM)是指在用户的干线(或称总线)入口处安装一台监测设备,通过智能算法将所采集的总负荷电气量分解为各用电器的独立运行数据,并识别各个用电器工作状态以及分析用户用电行为。在当前已有的大部分关于非侵入式负荷监测问题的工作中,通常监测目的是了解住宅之中各种不同设备的耗电情况,利用非侵入式负荷监测技术辅助进行家庭能源管理。对居民住户来说,家庭能源管理系统最直接的一项好处就是可以帮助用户在保持居住条件舒适的同时,通过对各种家用电器进行实时监控和调度来达到减少家庭电能消耗的目的,减少用户电费支出。目前在进行非侵入式负荷分解算法研究时,由于期望从干线数据中分析出设备的有功功率情况,所以只利用了干线中的有功功率信息进行电量分析。
然而,除有功功率外,干线中的多种其他物理量信息也可以被作为输入信息用于能量分解。这其中包括无功功率、视在功率等。和只采用有功功率进行能量分解的方法相比,在推断设备的有功功率的过程中引入无功功率或其他物理量信息可以带来整体性能的提升。比如:申请号为202010643323.8的发明专利《非侵入式负荷监测智能电表和电量分解方法》公开了一种非侵入式负荷监测智能电表,其中电量分解模型为加入了注意力机制的序列到点模型,注意力机制用于为各个不同尺寸的滑动窗口以及包括有功功率、无功功率、电压在内的各种物理量加权值;加入了注意力机制的序列到点模型的输入为用电总量对应的序列数据,输出为各个设备的用电量。
上述方法中虽然提出了使用多种物理量计算各个设备的用电量,但是,电量分解模型使用序列到点(Sequence-to-point,Seq2point)模型,而序列到点模型的参数量为三百二十余万。导致Seq2point模型的参数量较大的原因是网络结构中全连接层的存在,Seq2point网络结构中将两层全连接层置于输出层之前,这两个全连接层中的参数数量占到了整个网络的93%。基于此,模型参数量大会导致模型占用的计算资源较大、且模型的训练效率较低的问题。
发明内容
本申请提供了一种基于多物理量融合的非侵入式负荷监测方法,可以在网络结构中不采用全连接层,采用卷积或转置卷积操作代替全连接操作对数据进行处理,可以极大地减少模型的参数数量,从而节省模型的计算资源、并提高模型的训练效率。本申请提供如下技术方案:
获取干线中电能数据的N种物理量,所述N为大于1的整数;
将所述N种物理量输入预先训练的全卷积自编码网络,得到目标设备的有功功率值;
其中,所述全卷积自编码网络包括N个特征提取模块、与N个特征提取模块相连的特征融合模块、和与所述特征融合模块相连的输出层;
每个特征提取模块用于对一种对应的物理量进行特征提取,不同特征提取模块对应不同种物理量;所述特征提取模块基于自编码器建立;
所述特征融合模块用于对N个特征提取模块输出的特征值进行融合,得到与所述输出层的数据尺寸匹配的特征序列;所述特征融合模块基于N个依次相连的转置卷积层建立;
所述输出层用于基于所述特征序列输出所述有功功率值。
可选地,所述自编码器包括编码器和与编码器相连的解码器;
所述编码器包括3个依次相连的一维卷积层,且输入至所述编码器的数据经过3个一维卷积层后,特征的尺寸依次减小;
所述解码器包括4个依次相连的一维转置卷积层,且输入至所述解码器的数据经过4个一维转置卷积层后,特征的尺寸依次恢复至输入至所述自编码器的数据的原始尺寸。
可选地,所述3个依次相连的一维卷积层的卷积核尺寸均为8,每层一维卷积层的卷积核数量为下一层一维卷积层的卷积核数量的1/2;每个一维卷积层均包括线性整流relu函数、且步长为1;
所述4个依次相连的一维转置卷积层的卷积核尺寸均为8,第一层一维转置卷积层的卷积核数量为第二层一维转置卷积层的卷积核数量的2倍;每个一维转置卷积层包括Sigmoid函数、且步长为1。
可选地,所述N个依次相连的转置卷积层中,每层转置卷积层中卷积核尺寸的时间方向上的尺寸不为1,且每层转置卷积层不采用激活函数;
每层转置卷积层的卷积核数量比下一层转置卷积层的卷积核数量多1个。
可选地,每层转置卷积层中卷积核尺寸为8,步长为1。
可选地,所述获取干线中电能数据的N种物理量之前,还包括:
确定所述N种物理量的类型。
可选地,所述确定所述N种物理量的类型,包括:
确定物理量的初始类型,所述初始类型包括有功功率、电流的有功分量、电流的无功分量、导纳和功率因数中的至少两种;
使用所述初始类型的物理量训练所述全卷积自编码网络,得到模型评价指标的第一结果值;
使用所述初始类型的物理量和其它类型的物理量再次训练所述全卷积自编码网络,得到模型评价指标的第二结果值;其中,其它类型与初始类型不同,且其它类型为能够从干线中采集到的数据类型,或者为能够基于从干线采集到的电能数据计算出的数据类型;
在所述第二结果值大于所述第一结果值的情况下,将所述其它类型加入所述初始类型,并再次执行所述使用所述初始类型的物理量和其它类型的物理量再次训练所述全卷积自编码网络,得到模型评价指标的第二结果值的步骤;
在所述第二结果值小于或等于所述第一结果值的情况下,将所述初始类型确定为所述N种物理量的类型。
可选地,所述确定所述N种物理量的类型,包括:
采集所述电能数据,得到第一物理量;
使用所述电能数据计算各个类型的第二物理量;
使用皮尔逊Pearson相关系数、卡方验证、互信息和最大信息系数以及距离相关系数对各个第一物理量和第二物理量进行评分;
将大于预设评分阈值的第一物理量和/或第二物理量的类型确定为所述N种物理量的类型。
可选地,所述确定所述N种物理量的类型,包括:
采集所述电能数据,得到第一物理量;
使用所述电能数据计算各个类型的第二物理量;
将所述第一物理量和所述第二物理量输入预先训练的权值计算模型,得到各个物理量的权值系数;
按照权值系数由大到小的顺序选择所述N种物理量的类型。
可选地,所述将所述N种物理量输入预先训练的全卷积自编码网络,得到目标设备的有功功率值,包括:
对所述N种物理量中的异常数据进行处理,所述异常数据是指超过所述正常范围的物理量,不同种物理量对应的正常范围不同;
对处理后的物理量进行标准化处理,得到N种标准化后的物理量;
将所述N种标准化后的物理量对应输入N个特征提取模块,以供所述全卷积自编码网络进行负荷监测计算,得到所述目标设备的有功功率值。
本申请的有益效果至少包括:通过设计了一个由卷积层和转置卷积层搭建而成的全卷积自编码网络。该网络由多个并行的特征提取模块和一个特征融合模块构成,该网络可通过干线中的多种不同物理量数据推断目标设备对应时间段的有功功率数据;可以解决传统的电量分解模型的模型参数较大,导致模型占用的计算资源较大、且模型的训练效率较低的问题;由于网络结构中不采用全连接层,采用卷积或转置卷积操作代替全连接操作对数据进行处理,可以极大地减少模型的参数数量,从而节省模型的计算资源、并提高模型的训练效率。
另外,通过从十余种物理量中挑选出了五种可大幅度提升模型性能的物理量,可以保证输入至模型中的物理量都是对预测有功功率值有贡献的物理量,既可以提高模型计算的准确性,还可以不浪费模型的计算资源。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
图1是本申请一个实施例提供的基于多物理量融合的非侵入式负荷监测方法的流程图;
图2是本申请一个实施例提供的全卷积自编码器网络的结构示意图;
图3是本申请一个实施例提供的特征提取模块的结构示意图;
图4是本申请一个实施例提供的特征融合模块的结构示意图;
图5是本申请一个实施例提供的输入不同种类的物理量对模型不同性能指标的影响的示意图。
具体实施方式
下面结合附图和实施例,对本申请的具体实施方式做进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
本申请提出了一种可综合利用多种物理量信息进行非侵入式负荷监测的方法。其主要采用全卷积自编码器网络(Full Convolution Auto Encoder Network Based onMulti Physical Quantity Fusion,FC-AE-MPQF)解决非侵入式负荷监测问题,该方法主要思想包括:首先利用卷积神经网络搭建自编码器特征提取模块对不同的物理量进行特征提取,随后利用卷积神经网络搭建特征融合模块对不同特征进行特征融合,最后利用融合后的特征推断目标设备的耗电情况。
可选地,本申请以各个实施例提供的基于多物理量融合的非侵入式负荷监测方法用于电子设备中为例进行说明,该电子设备为具有计算能力的终端或服务器,终端可以为与干线相连的智能电表、或者与该智能电表通信相连的计算机、平板电脑等,本实施例不对电子设备的类型作限定。
图1是本申请一个实施例提供的基于多物理量融合的非侵入式负荷监测方法的流程图,该方法至少包括以下几个步骤:
步骤101,获取干线中电能数据的N种物理量。
其中,N为大于1的整数。
一般而言,增加模型的输入数据种类数量,可以提高模型的性能,但需要注意的是,新加入的数据需为和任务以及原来的数据相关的数据,否则,在模型中新增和任务相关性不大的数据反而不利于模型的训练及收敛,会对模型性能造成损失。此外,当模型的输入信息种类比较多时,需要设计合适的网络结构将多种特征信息进行综合,使神经网路能够结合不同种类的数据获得其目标数据。
在负载监测场景中,居民的家庭用电大部分为交流电。基于此,电路系统中主要存在的物理量有以下几种:
1、有功功率(P)。当交流电路中存在电感、电容等储能元件时,储能元件可能会引起电路系统中能量流动方向发生周期性变化,在一个完整的循环周期当中,能量在一个方向上的净流量称为有功功率。
2、无功功率(Q)。一个完整循环周期中,在储能元件和电源之间往复的能量部分称为无功功率。
4、视在功率(S)。有功功率和无功功率向量和的模长称为视在功率,视在功率可以反映系统的总容量,是有功和无功两种功率的具体体现。
5、功率因数(PF)。功率因数是交流电力系统中的特有物理量,指的是有功功率对视在功率的比值,其值的范围为[0,1]。
6、导纳(Y)。非侵入式负荷监测任务的本质是通过干线数据分析电路系统的内部信息,这些信息包括电路中设备的类型和运行状态等。导纳是一种可以描述设备内部信息的物理量,它的物理含义是表征交流电通过电路或系统时的困难程度。导纳由电导(G)和电纳(B)两部分组成,电导表示导体传输电流能力的强弱程度;电纳是电抗的倒数,电抗用于描述电容及电感对电流的阻碍作用的大小。
上述物理量均可从不同方面表现整个电路系统的运行状态,这和电路中设备的运行状态以及功率有关,综合利用这些物理量信息可以从有限的数据中提取更多的有用的物理量信息。
当上述物理量均存在于同一电网系统中时,把交流电的瞬时电压记为u(t)、瞬时电流记为i(t)、瞬时功率记为p(t),正弦交流电中电压和电流的有效值分别记为Vrms和Irms,虚数单位记为j。电路中的物理量存在以下约束关系:
p(t)=u(t)i(t)
Y=G+jB
从上面的计算公式中可以看出,不同物理量之间存在一定的数学关系。实际电路中存在的物理量远不止上文所提到的这些,在电路中可通过直接采集或间接计算得到的有意义的物理量可达十余种。这些物理量可能存在信息冗余,一些物理量可能对非侵入式负荷监测任务并没有帮助。模型输入的物理量个数影响特征提取模块的个数和特征融合模块的层数,为了避免信息冗余导致网络模型过拟合,同时也为了避免模型的参数量过多,需要从十余种物理量中挑选出少量具有代表性的关键物理量(即本步骤中的N种物理量)作为模型的输入,即需要进行特征选择。特征选择的目的是寻找最优特征子集。通过特征选择可以剔除特征集中的冗余或不相关的特征,这样能够减少特征个数,可以达到提高模型性能,降低运行时间的目的。
基于此,本实施例中N种物理量的获取方式包括但不限于以下几种:
第一种:获取用户预设的与预测目标设备的有功功率相关的N种物理量。
第二种:在获取干线中电能数据的N种物理量之前,确定N种物理量的类型。
其中,确定N种物理量的类型的方式为:过滤法(Filter)、包装法(Wrapper)或者嵌入法(Embedded)。下面对各种确定方式分别进行介绍。
1、过滤法。即按照皮尔逊(Pearson)相关系数、卡方验证、互信息和最大信息系数以及距离相关系数等对特征进行评分,然后设定阈值或待选特征个数进行筛选。具体地,确定N种物理量的类型,包括:采集干线的电能数据,得到第一物理量;使用电能数据计算各个类型的第二物理量;使用Pearson相关系数、卡方验证、互信息和最大信息系数以及距离相关系数对各个第一物理量和第二物理量进行评分;将大于预设评分阈值的第一物理量和/或第二物理量的类型确定为N种物理量的类型。
其中,第二物理量是使用第一物理量直接计算得到的,或者是使用第一物理量计算出的结果进一步计算得到的,本实施例不对第二物理量的实现方式作限定。
2、包装法。即根据模型评价指标的结果值,每次从特征集中选择或剔除若干特征。具体地,确定N种物理量的类型,包括:确定物理量的初始类型;使用初始类型的物理量训练全卷积自编码网络,得到模型评价指标的第一结果值;使用初始类型的物理量和其它类型的物理量再次训练全卷积自编码网络,得到模型评价指标的第二结果值;其中,其它类型与初始类型不同,且其它类型为能够从干线中采集到的数据类型,或者为能够基于从干线采集到的电能数据计算出的数据类型;在第二结果值大于第一结果值的情况下,将其它类型加入初始类型,并再次执行使用初始类型的物理量和其它类型的物理量再次训练全卷积自编码网络,得到模型评价指标的第二结果值的步骤;在第二结果值小于或等于第一结果值的情况下,将初始类型确定为N种物理量的类型。
其中,初始类型包括有功功率、电流的有功分量、电流的无功分量、导纳和功率因数中的至少两种。
3、嵌入法。即首先通过特定的机器学习模型获得各个特征的权值系数,随后从大到小根据系数值选择特征,此方法和过滤法类似,不同点在于此方法中的特征权值系数通过模型训练方法获得。具体地,确定N种物理量的类型,包括:采集电能数据,得到第一物理量;使用电能数据计算各个类型的第二物理量;将第一物理量和第二物理量输入预先训练的权值计算模型,得到各个物理量的权值系数;按照权值系数由大到小的顺序选择N种物理量的类型。
其中,权值计算模型基于神经网络建立,且使用样本物理量和该样本物理量的权值系数标签训练得到。
步骤102,将N种物理量输入预先训练的全卷积自编码网络,得到目标设备的有功功率值。
假设当干线中共有N种物理量数据作为模型的输入时,将干线中的物理量集合记为Y,每种物理量数据分别记为Yj,则从1至T时间点的Yj数据可表示为:
目标设备的有功功率数据记为Xp,有:
本实施例提供的技术方案所需解决的问题是通过Y获得Xp,即通过干线中的多种物理量数据集合推断目标设备的有功功率值。基于此,一种基于多物理量融合的神经网络结构。同时,现有面向非侵入式负荷监测的深度学习方法存在的另一个问题是模型参数量过大,本实施例中是在网络结构中不采用全连接层,采用卷积或转置卷积操作代替全连接操作对数据进行处理,这样可以极大地减少模型的参数数量。基于上述原理,本实施例提出一种基于多物理量融合的全卷积自编码器网络用于解决非侵入式负荷监测问题。该模型设计过程中借鉴了自编码器和深度可分离卷积的思想,模型可以通过干线线路中的多种不同的物理量信息推断目标设备的有功功率数据值。
由于在对干线进行数据采集过程中,难免会因为传感器自身问题产生一些异常数据,如果不对原始数据进行处理,会影响模型对数据的分析,增大模型训练的难度和计算准确性。因此,在数据输入模型之前,首先需要对数据进行离群异常值点进行处理。
具体地,将N种物理量输入预先训练的全卷积自编码网络,得到目标设备的有功功率值,包括:对N种物理量中的异常数据进行处理,异常数据是指超过正常范围的物理量,不同种物理量对应的正常范围不同;对处理后的物理量进行标准化处理,得到N种标准化后的物理量;将N种标准化后的物理量对应输入N个特征提取模块,以供全卷积自编码网络进行负荷监测计算,得到目标设备的有功功率值。
其中,对N种物理量中的异常数据进行处理,包括:对干线数据和设备分线路上的数据进行采集,得到N种物理量的原始数据;分析设备正常运行状态和各种物理量的取值范围,随后将原始数据中超过最大值或最小值范围的数据分别用最大值或最小值进行替代。
在进行数据异常值去除操作之后,多物理量融合方法需要将不同物理量的数据通过卷积神经网络融合为一个数据,不同物理量数值范围不同,具有不同的量纲和量纲单位。若将属于不同物理量的数据直接通过卷积进行融合,会导致融合产生的数据更偏向于受数值较大的物理量数据的影响。为了消除量纲的影响,需要对数据进行标准化处理。
本实施例中,对处理后的物理量进行标准化处理,得到N种标准化后的物理量,包括:对处理后的物理量进行min-max标准化和Z-score标准化处理,得到N种标准化后的物理量。
其中,min-max标准化也称为离差标准化,目的是对数据进行线性变换使其映射为0至1的数,其转换函数为:
其中,对于每种处理后的物理量,min是处理后的物理量的最小值,max是处理后的物理量的最大值,x表示每个处理后的物理量。
Z-score标准化的目的是将数据转换为符合正态分布的数据,其转换函数为:
其中,对于每种处理后的物理量,μ是该种处理后的物理量的平均值,σ是该种处理后的物理量的标准差。
经过min-max标准化和Z-score标准化处理后,不同物理量的数据均被变换为最小值为0、最大值为1的符合正态分布的数据,各数据处于同一数量级,数据标准化可以提升模型的精度和加快模型的收敛速度。
本实施例中,参考图2,全卷积自编码网络整体为一个多输入单输出的结构,其输入为干线中各种不同的物理量信息,输出为目标设备的有功功率值。
参考图2,本实施例提供的非侵入式负荷监测方法的执行过程具体包括:首先,将干线线路中的不同物理量数据21进行预处理,随后将其分别输入不同的输入层22。紧接着输入层之后的是多个并行的特征提取模块23,特征提取模块的数量和模型输入的物理量种类数相同,特征提取模块的设计思想来源于自编码器,自编码的目的是对一组数据学习出一种表示,表示也称为表征或编码。关于特征提取模块中的具体网络设计,下文中进行详细说明。特征融合模块24连接在特征提取模块23之后,特征融合模块24的作用是将从不同物理量中提取出来的特征融合在一起,下文中对特征融合模块进行更为详尽地说明。网络中的最后一部分为输出层25,输出层25负责将融合后的特征进行处理转化为模型的输出,最后将模型的输出进行反归一化处理即可获得目标设备的有功功率值。
本实施例提出的基于多物理量融合的非侵入式负荷监测方法和其他只利用干线中的有功功率数据来推断目标设备耗电情况的方法相比,可充分利用干线中的多种物理量信息推断目标设备的耗电情况,比其他方法拥有更为全面的输入特征信息。此外,本方法对现有的网络结构进行了改进,提出了一种用于解决非侵入式负荷监测问题的全卷积神经网络。接下来的若干小节将对多物理量融合非侵入式负荷监测方法中的几个细节进行详细描述。
根据图2可知,本实施例提供的全卷积自编码网络包括N个特征提取模块、与N个特征提取模块相连的特征融合模块、和与特征融合模块相连的输出层。每个特征提取模块用于对一种对应的物理量进行特征提取,不同特征提取模块对应不同种物理量;特征提取模块基于自编码器建立;特征融合模块用于对N个特征提取模块输出的特征值进行融合,得到与输出层的数据尺寸匹配的特征序列;特征融合模块基于N个依次相连的转置卷积层建立;输出层用于基于特征序列输出有功功率值。
其中,特征提取模块的设计思想来源于降噪自编码器。从某种程度上来说,非侵入式负荷分解可以看作是一项去噪任务。典型的去噪任务包括从旧照片中移除颗粒点或者从录音当中移除混响。至于非侵入式负荷分解,可看作从干线中包含了“噪声”的“混合”数据当中恢复出目标设备“干净”的电力数据。自编码器是目前比较常用的一种用于降噪任务的人工神经网络。自编码器可以将输入信息作为需要学习的目标从而根据输入信息学习出一种编码。自编码器主要由编码器(Encoder)和解码器(Decoder)两部分组成。其中编码器用于将输入压缩编码为潜在空间表征,解码器的作用则是通过潜在空间表征重构输入信号。自编码器是一种典型的Encoder-Decoder结构,Encoder-Decoder作为一个通用框架可用于文字、语言、图像、视频等多种类型数据的处理任务。编码器和解码器可以分别采用不同的网络结构进行搭建,多物理量融合非侵入式负荷监测方法中所使用的特征提取模块的具体网络结构如图3所示。自编码器包括编码器31和与编码器相连的解码器32。
编码器31包括3个依次相连的一维卷积层,且输入至编码器的数据经过3个一维卷积层后,特征的尺寸依次减小。解码器32包括4个依次相连的一维转置卷积层,且输入至解码器的数据经过4个一维转置卷积层后,特征的尺寸依次恢复至输入至自编码器的数据的原始尺寸。
图3中,以3个依次相连的一维卷积层的卷积核尺寸均为8为例。每层一维卷积层的卷积核数量为下一层一维卷积层的卷积核数量的1/2,比如:第一层一维卷积层的卷积核数量为8、第二层一维卷积层的卷积核数量为16、第三层一维卷积层的卷积核数量为32。每个一维卷积层均包括线性整流(Rectified Linear Unit,relu)函数、且步长为1。
图3中,4个依次相连的一维转置卷积层的卷积核尺寸也为8,第一层层一维转置卷积层的卷积核数量为第二层一维转置卷积层的卷积核数量的2倍,比如:第一层一维转置卷积层的卷积核数量为16、第二层一维转置卷积层的卷积核数量为8。第三层一维转置卷积层的卷积核数量为1、且第四层一维转置卷积层的卷积核数量为1;每个一维转置卷积层包括Sigmoid函数、且步长为1。第三层一维卷积层的卷积核数量为第一层一维转置卷积层的卷积核数量的2倍,这样,3层一维卷积层和前2层一维转置卷积层的卷积核数量可以设置为:8、16、32、16、8,整体对称。
通过图3可知,卷积层和转置卷积层的参数设置是为了使编码器和解码器网络结构对称。非侵入式负荷监测任务的数据为时序数据,所以比较适合采用一维卷积对其进行操作。
可选地,本实施例中以3层一维卷积层中的激活函数为relu、4层一维转置卷积层的激活函数为Sigmoid函数为例,在实际实现时,二者激活函数也可以设置为相同的激活函数,本实施例不对激活函数的设置方式作限定。
参考图4,N个依次相连的转置卷积层中,每层转置卷积层中卷积核尺寸的时间方向上的尺寸不为1,且每层转置卷积层不采用激活函数;每层转置卷积层的卷积核数量比下一层转置卷积层的卷积核数量多1个。
示意性地,每层转置卷积层中卷积核尺寸为8,步长为1。
根据图4可知,N个转置卷积层的不同点在于它们的卷积核数量不同,卷积核数量从特征个数N逐个减少为1,通过这样的参数设置可以实现特征每经过一次转置卷积层,特征个数减一,经过多次一维转置卷积操作可以将不同特征逐步融合为单个特征。
多个并行的特征提取模块通过其中的编码器和解码器对不同的物理量数据进行处理之后,提取到了关于不同物理量的特征值。但此时,各个特征值之间还是彼此独立的,不存在关联,特征融合方法可以实现多个特征的优势互补,获得更加鲁棒和精确的结果。传统方法采用合并函数(concat)或相加函数(add)对特征进行操作后通过全连接层进行特征融合。和传统方法不同的是,本实施例采用转置卷积操作进行特征融合。采用转置卷积相比于采用全连接进行特征融合方法的优势在于,可以使计算量和参数量大大减小。深度可分离卷积主要分为逐通道卷积(Depthwise Convolution)和逐点卷积(PointwiseConvolution)两个过程。在逐通道卷积中,每个卷积核只负责一个通道,每个通道只被单独一个卷积核进行卷积操作。逐通道卷积运算对每个通道都进行了独立的卷积操作,不能有效利用相同通道在空间位置上的特征信息,所以需要通过逐点卷积操作将特征进行组合生成新的特征。逐点卷积和常规卷积操作运算是非常相似的,唯一的不同点在于,逐点卷积的卷积核尺寸为1×1×M,M为上一层的通道数量,逐点卷积操作会将逐通道卷积操作生成的特征进行加权组合,产生新的特征。
本实施例提供的非侵入式负荷监测方法中的每个特征提取模块也只对单独的物理量进行特征提取操作,无法有效利用特征在时间维度上的信息,特征提取模块和逐通道卷积的特点十分相似,所以可以通过逐点卷积的思想对已经提取到的特征进行特征融合。但是和逐点卷积操作不同的是,特征融合模块在对源自不同物理量的特征进行融合的同时,需要将因卷积操作而尺寸缩小的特征恢复为原始输入大小,这样才能使干线和设备分线的数据形成同时刻对应关系,满足序列到序列的要求,鉴于此,选用转置卷积进行特征融合操作。此外,特征融合模块中的卷积核尺寸也和逐点卷积中的有所不同。转置卷积的卷积核尺寸的第一个维度,也就是在时间方向上的尺寸不能为1,因为对物理量数据进行单个时间点上的转置卷积没有意义,将一个时间段中的数据纳入转置卷积的感受野中,才能挖掘出数据的变化程度等特征。因此,本章方法将转置卷积核尺寸大小设置为8。特征融合模块的目的是对特征提取模块提取到的特征进行组合,替代了Seq2Point中的全连接层,所以特征融合模块中的转置卷积层中不采用激活函数。
其中,全卷积自编码网络是使用训练数据对图2至图4所示的网络结构进行训练得到的。训练过程至少包括以下几个步骤:
步骤1,获取训练数据,其中,每条训练数据包括N种样本物理量和N种样本物理量对应的目标设备的有功功率标签值。
示意性地,训练数据从公开数据集中获取到的。比如:常用公开数据集如下表一所示。从表一中可以看到,大部分数据集里面干线数据中的物理量比分线线路中的更多。干线数据拥有较多物理量的数据集有AMPds2、BLUED和iAWE,三者中AMPds2数据集的采集持续时间最长,拥有的数据量最大,由于深度学习需要大量数据进行模型训练和验证,因此,本实施例以采用AMPds2作为训练数据为例。
表一:
AMPds2数据集包含了以一分钟为采样间隔的21个电表的一年测量数据。数据采集源是一座1955年建于温哥华地区房子。AMPds2包含从2012年月1日开始到2014年4月1日的两年的数据,其中分线路数据共有15种设备的数据。若将全部数据用于模型训练和测试,会导致模型训练时间过长,工作量过大。因此,本实施例中,只选取了洗衣机(ClothesWasher,CWE)、电冰箱(Kitchen Fridge,FGE)、干衣机(Clothes Dryer,CDE)、洗碗机(Dish Washer,DWE)和热泵(Heat Pump,HPE)五种典型设备作为目标设备。在实际实现时,目标设备可以更少或更多,或者还可以包括其它类型的用电设备,本实施例不对目标设备的类型作限定。比如:将2012年5月开始的10个月数据作为数据集,同时对10个月的数据集进行了划分,前6个月的数据作为训练集(训练数据)、中间2个月的数据作为验证集、最后两个月的数据作为测试集。除了数据集中所含有的直接采集获得的物理量外,在实验过程中,结合物理量之间的数学关系,还可以通过间接计算获得一些额外物理量数据。
步骤2,使用训练数据对全卷积神经网络进行迭代训练,得到全卷积自编码网络的初始参数。
步骤3,使用验证集对初始参数进行优化调整,得到训练后的全卷积自编码网络。
可选地,在得到训练后的全卷积自编码网络之后,还可以使用测试集对该全卷积自编码网络的性能进行测试。
本实施例中,全卷积自编码网络的性能评价指标包括但不限于:平均绝对误差(Mean Absolute Error,MAE)、信号聚合误差(signal aggregate error,SAE)和F1分数(F1-Score)。
在计算F1分数时,需要针对本实施例选用的数据集的设备特点,设定设备的上电阈值,比如本实施例中各个目标设备的上电阈值设定见表二。
表二:
在步骤101提到电路中可直接或间接获取的物理量种类较多,需要进行特征选择。假设通过手动特征选择将五种物理量作为模型的输入,对模型进行了性能测试,这五种物理量及选择的原因如下。
有功功率(P):由于模型输出的物理量是有功功率,将有功功率作为输入信息最为直观。
电流的有功分量(Ia),即有功功率与电压之比:在交流电系统中,由于电网的作用,电压会有一定的波动,以有功功率除以电压求比值,能尽量消除电压波动造成的影响。
电流的无功分量(Ir),即无功功率与电压之比:理由与电流的有功分量相同。
导纳(Y):导纳是一个与电压无关的特征量,其值仅取决于设备本身的性质。
功率因数(PF):功率因数的大小和电路中的负荷的性质密切相关,不同的电器内部具有不同的感性元件、容性元件和阻性元件。功率因数的值会因电路中存在的设备的不同而发生变化,比较适合用来分辨电路系统中所含设备的类别,较为适合作为非侵入式负荷分解的输入信息。
除上述物理量外,还选用了电压数据作为模型的输入信息,探究了电压(U)数据能否为提升模型性能带来帮助。在实验过程中,将洗衣机作为目标设备,分别将不同物理量组合作为模型的输入信息进行了模型训练和测试,选用MAE、SAE和F1-Score作为性能评价指标,得到的结果如图5所示。根据图5可知,除电压外,其余物理量均能不同程度的对提高模型性能提供帮助,输入的物理量种类越多,模型性能越好,不同的物理量信息对模型性能的提升程度不同。从实验结果可以看到,在模型输入中加入电压数据,导致模型性能出现了下降,说明电压数据对非侵入式负荷监测任务没有帮助,不适合将电压数据作为模型输入信息。
根据上文可知,本实施例提供的非侵入式负荷监测方法,一方面采用的输入信息为有功功率、导纳等多种物理量数据,并非只将单一的有功功率数据作为输入;另一方面网络结构采用全卷积神经网络,其中不含有全连接层。基于此,下面以上述性能评价指标,将本实施例提供的全卷积自编码网络与传统的两种非侵入式负荷监测方法进行对比。本实施例选取的传统的两种非侵入式负荷监测方法分别为:自回归模型(Autoregressive model,AR)-NILM和全卷积网络(Fully Convolutional Networks,FCN)-去噪自编码机(Denoisingautoencoders,dAE)。其中,选取AR-NILM的原因是:该传统方法将干线中的无功功率作为有功功率的一个附加特征提供给模型,可以方便的将此模型输入改为和本实施例方法相同的物理量输入,将该方法作为对比方法可以验证,在使用相同物理量信息的情况下,全卷积自编码网络是否具有更优的性能。选取FCN-dAE的原因是:该方法提出的神经网络均为全卷积神经网络,但该方法中模型的输入信息仅为单一的干线中有功功率信息,将该方法作为本申请中的方法的对比方法可以验证,在同样采用全卷积神经网络的情况下,模型输入为多物理量的方法是否比模型输入为单物理量的方法更加有效。
三种方法在AMPds2数据集上的实验结果对比参考下表三所示,从表三中可以看到,对于不同的设备和评价指标,本申请的方法在三种方法中表现出了最优性能。
表三:
本申请的方法相较于其它两种方法的性能优化结果参考下表四所示。在单个设备方面,本申请的方法也比FCN-dAE和ARNILM有不同程度的性能提升。通过本申请和FCN-dAE的对比结果可以说明,在同样采用全卷积神经网络的情况下,多物理量特征融合方法比只使用单物理量的方法具有更好的分解性能。通过本申请和AR-NILM的对比结果可以说明,在模型的输入信息相同,均为多种物理量信息的情况下,本申请方法中提出的网络结构比AR-NILM具有更优的性能。
表四:
综上所述,本实施例提供的基于多物理量融合的非侵入式负荷监测方法,通过设计了一个由卷积层和转置卷积层搭建而成的全卷积自编码网络。该网络由多个并行的特征提取模块和一个特征融合模块构成,该网络可通过干线中的多种不同物理量数据推断目标设备对应时间段的有功功率数据;可以解决传统的电量分解模型的模型参数较大,导致模型占用的计算资源较大、且模型的训练效率较低的问题;由于网络结构中不采用全连接层,采用卷积或转置卷积操作代替全连接操作对数据进行处理,可以极大地减少模型的参数数量,从而节省模型的计算资源、并提高模型的训练效率。
另外,通过从十余种物理量中挑选出了五种可大幅度提升模型性能的物理量,可以保证输入至模型中的物理量都是对预测有功功率值有贡献的物理量,既可以提高模型计算的准确性,还可以不浪费模型的计算资源。
可选地,本申请还提供有一种计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的基于多物理量融合的非侵入式负荷监测方法。
可选地,本申请还提供有一种计算机产品,该计算机产品包括计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的基于多物理量融合的非侵入式负荷监测方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于多物理量融合的非侵入式负荷监测方法,其特征在于,所述方法包括:
获取干线中电能数据的N种物理量,所述N为大于1的整数;
将所述N种物理量输入预先训练的全卷积自编码网络,得到目标设备的有功功率值;
其中,所述全卷积自编码网络包括N个特征提取模块、与N个特征提取模块相连的特征融合模块、和与所述特征融合模块相连的输出层;
每个特征提取模块用于对一种对应的物理量进行特征提取,不同特征提取模块对应不同种物理量;所述特征提取模块基于自编码器建立;
所述特征融合模块用于对N个特征提取模块输出的特征值进行融合,得到与所述输出层的数据尺寸匹配的特征序列;所述特征融合模块基于N个依次相连的转置卷积层建立;
所述输出层用于基于所述特征序列输出所述有功功率值。
2.根据权利要求1所述的方法,其特征在于,所述自编码器包括编码器和与编码器相连的解码器;
所述编码器包括3个依次相连的一维卷积层,且输入至所述编码器的数据经过3个一维卷积层后,特征的尺寸依次减小;
所述解码器包括4个依次相连的一维转置卷积层,且输入至所述解码器的数据经过4个一维转置卷积层后,特征的尺寸依次恢复至输入至所述自编码器的数据的原始尺寸。
3.根据权利要求2所述的方法,其特征在于,
所述3个依次相连的一维卷积层的卷积核尺寸均为8,每层一维卷积层的卷积核数量为下一层一维卷积层的卷积核数量的1/2;每个一维卷积层均包括线性整流relu函数、且步长为1;
所述4个依次相连的一维转置卷积层的卷积核尺寸均为8,第一层一维转置卷积层的卷积核数量为第二层一维转置卷积层的卷积核数量的2倍;每个一维转置卷积层包括Sigmoid函数、且步长为1。
4.根据权利要求1所述的方法,其特征在于,所述N个依次相连的转置卷积层中,每层转置卷积层中卷积核尺寸的时间方向上的尺寸不为1,且每层转置卷积层不采用激活函数;
每层转置卷积层的卷积核数量比下一层转置卷积层的卷积核数量多1个。
5.根据权利要求4所述的方法,其特征在于,每层转置卷积层中卷积核尺寸为8,步长为1。
6.根据权利要求1至5任一所述的方法,其特征在于,所述获取干线中电能数据的N种物理量之前,还包括:
确定所述N种物理量的类型。
7.根据权利要求6所述的方法,其特征在于,所述确定所述N种物理量的类型,包括:
确定物理量的初始类型,所述初始类型包括有功功率、电流的有功分量、电流的无功分量、导纳和功率因数中的至少两种;
使用所述初始类型的物理量训练所述全卷积自编码网络,得到模型评价指标的第一结果值;
使用所述初始类型的物理量和其它类型的物理量再次训练所述全卷积自编码网络,得到模型评价指标的第二结果值;其中,其它类型与初始类型不同,且其它类型为能够从干线中采集到的数据类型,或者为能够基于从干线采集到的电能数据计算出的数据类型;
在所述第二结果值大于所述第一结果值的情况下,将所述其它类型加入所述初始类型,并再次执行所述使用所述初始类型的物理量和其它类型的物理量再次训练所述全卷积自编码网络,得到模型评价指标的第二结果值的步骤;
在所述第二结果值小于或等于所述第一结果值的情况下,将所述初始类型确定为所述N种物理量的类型。
8.根据权利要求6所述的方法,其特征在于,所述确定所述N种物理量的类型,包括:
采集所述电能数据,得到第一物理量;
使用所述电能数据计算各个类型的第二物理量;
使用皮尔逊Pearson相关系数、卡方验证、互信息和最大信息系数以及距离相关系数对各个第一物理量和第二物理量进行评分;
将大于预设评分阈值的第一物理量和/或第二物理量的类型确定为所述N种物理量的类型。
9.根据权利要求6所述的方法,其特征在于,所述确定所述N种物理量的类型,包括:
采集所述电能数据,得到第一物理量;
使用所述电能数据计算各个类型的第二物理量;
将所述第一物理量和所述第二物理量输入预先训练的权值计算模型,得到各个物理量的权值系数;
按照权值系数由大到小的顺序选择所述N种物理量的类型。
10.根据权利要求1至5任一所述的方法,其特征在于,所述将所述N种物理量输入预先训练的全卷积自编码网络,得到目标设备的有功功率值,包括:
对所述N种物理量中的异常数据进行处理,所述异常数据是指超过所述正常范围的物理量,不同种物理量对应的正常范围不同;
对处理后的物理量进行标准化处理,得到N种标准化后的物理量;
将所述N种标准化后的物理量对应输入N个特征提取模块,以供所述全卷积自编码网络进行负荷监测计算,得到所述目标设备的有功功率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211403046.9A CN115563583A (zh) | 2022-11-10 | 2022-11-10 | 基于多物理量融合的非侵入式负荷监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211403046.9A CN115563583A (zh) | 2022-11-10 | 2022-11-10 | 基于多物理量融合的非侵入式负荷监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115563583A true CN115563583A (zh) | 2023-01-03 |
Family
ID=84770388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211403046.9A Pending CN115563583A (zh) | 2022-11-10 | 2022-11-10 | 基于多物理量融合的非侵入式负荷监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115563583A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116526459A (zh) * | 2023-04-28 | 2023-08-01 | 杭州戈虎达科技有限公司 | 一种非侵入式居民负荷监测方法及存储介质 |
-
2022
- 2022-11-10 CN CN202211403046.9A patent/CN115563583A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116526459A (zh) * | 2023-04-28 | 2023-08-01 | 杭州戈虎达科技有限公司 | 一种非侵入式居民负荷监测方法及存储介质 |
CN116526459B (zh) * | 2023-04-28 | 2024-02-20 | 杭州戈虎达科技有限公司 | 一种非侵入式居民负荷监测方法及存储介质 |
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 | |
AU2020101900A4 (en) | A method, device and equipment for detecting abnormal electric meter | |
CN110514889A (zh) | 一种非侵入式家庭用电负载识别的方法及系统 | |
CN113837894B (zh) | 基于残差卷积模块的非侵入式居民用户负荷分解方法 | |
CN112434799B (zh) | 基于全卷积神经网络的非侵入式负荷识别方法 | |
CN110956220A (zh) | 一种非侵入式家用电器负荷识别方法 | |
CN107392391A (zh) | 一种基于深度学习的电力负荷用电分解方法 | |
CN113902104A (zh) | 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 | |
CN109470957B (zh) | 一种基于弗雷歇距离的非侵入式电器识别方法 | |
CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
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 | |
CN106680621A (zh) | 一种基于电流信号分离的居民负荷用电识别方法 | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
CN115563583A (zh) | 基于多物理量融合的非侵入式负荷监测方法 | |
CN116008714B (zh) | 一种基于智能量测终端的反窃电分析方法 | |
CN111311434B (zh) | 用电设备负荷分离方法、装置、计算机设备和存储介质 | |
CN114444539A (zh) | 电力负荷识别方法、装置、设备、介质和程序产品 | |
Sykiotis et al. | Performance-aware NILM model optimization for edge deployment | |
CN111199014B (zh) | 一种基于时间序列的seq2point的NILM方法及装置 | |
CN115564046A (zh) | 基于多任务学习的非侵入式负荷监测方法 | |
CN112595918A (zh) | 一种低压集抄故障的检测方法及装置 | |
CN116523681A (zh) | 电动汽车的负荷分解方法、装置、电子设备及存储介质 | |
CN115983347A (zh) | 一种非侵入式负荷分解方法、装置及存储介质 | |
CN115828091A (zh) | 基于端-云协同的非侵入式负荷辨识方法与系统 | |
CN115825602A (zh) | 一种综合多元信息相似性分析的负荷辨识方法及系统 |
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 |