CN116341616B - 基于矩阵重构二维卷积网络的电力负载信息获取方法 - Google Patents
基于矩阵重构二维卷积网络的电力负载信息获取方法 Download PDFInfo
- Publication number
- CN116341616B CN116341616B CN202211412348.2A CN202211412348A CN116341616B CN 116341616 B CN116341616 B CN 116341616B CN 202211412348 A CN202211412348 A CN 202211412348A CN 116341616 B CN116341616 B CN 116341616B
- Authority
- CN
- China
- Prior art keywords
- sequence
- matrix
- reconstruction
- dynamic detection
- load information
- 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.)
- Active
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 108091026890 Coding region Proteins 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
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)
- Complex Calculations (AREA)
Abstract
本发明公开了基于矩阵重构二维卷积网络的电力负载信息获取方法,首先采集电器的总用电功率并作为输入序列y,再在输入序列y中加入余弦位置编码并得到编码序列ye,接着对编码序列ye进行滑窗截取并得到序列重构矩阵M,随后对输入序列y进行单位延时并得到延时序列y1,再求得动态检测序列yd,然后对序列重构矩阵M进行奇异值分解并得到分解重构子矩阵Mi,再对动态检测序列yd进行滑窗截取并得到动态检测重构矩阵Md;本发明通过采用将序列延时重构为矩阵的方法,能够充分利用序列的时序特性,并能在压缩网络参数量和训练时间的前提下增加网络层数,提升了负荷监测的精度,适合被广泛推广和使用。
Description
技术领域
本发明涉及电力负载信息获取技术领域,具体涉及基于矩阵重构二维卷积网络的电力负载信息获取方法。
背景技术
近年来,随着深度学习技术的兴起,非侵入式负荷监测得到了充分的发展,并在对负荷数据的采样窗口、深度学习算法的网络结构、负载的运行特征、实际工程应用等方面,取得了大量成果。其中,以序列到点、序列到子序列、序列到序列为代表的各类方法,都能够取得相比传统算法更高的准确率和估计精度。
目前,在实际应用中,非侵入式负荷监测方法通常需要加载在嵌入式系统和树莓派等监测终端上,但可以被加载的非侵入式负荷监测方法在网络结构和数据传输等方面都有所限制,且对数据做特征提取时,并没有充分利用序列中的时序及状态变化信息,这在一定程度上造成了资源的浪费;同时部分算法网络结构参数过多,限制了网络层数和网络结构的设计可能性,很难被应用在工程硬件上;因此,需要设计基于矩阵重构二维卷积网络的电力负载信息获取方法。
发明内容
本发明的目的是克服现有技术的不足,为更好的解决在对数据做特征提取时,并没有充分利用序列中的时序及状态变化信息,这在一定程度上造成了资源的浪费,同时部分算法网络结构参数过多,限制了网络层数和网络结构的设计可能性,很难被应用在工程硬件上的问题,提供了基于矩阵重构二维卷积网络的电力负载信息获取方法,其具有通过采用将序列延时重构为矩阵的方法,能够充分利用序列的时序特性,并能在压缩网络参数量和训练时间的前提下增加网络层数,提升了负荷监测的精度。
为了达到上述目的,本发明所采用的技术方案是:
基于矩阵重构二维卷积网络的电力负载信息获取方法,包括以下步骤,
步骤(A),采集电器的总用电功率并作为输入序列y,再在输入序列y中加入余弦位置编码,得到编码序列ye;
步骤(B),对编码序列ye进行滑窗截取,得到序列重构矩阵M;
步骤(C),对输入序列y进行单位延时,并得到延时序列y1,再求得动态检测序列yd;
步骤(D),对序列重构矩阵M进行奇异值分解,得到分解重构子矩阵Mi;
步骤(E),对动态检测序列yd进行滑窗截取,并得到动态检测重构矩阵Md;
步骤(F),将序列重构矩阵M、动态检测重构矩阵Md和分解重构子矩阵Mi拼接在一起,得到三维矩阵Mre;
步骤(G),将三维矩阵Mre输入至二维卷积神经网络,完成电力负载信息的获取作业。
优选的,步骤(A),采集电器的总用电功率并作为输入序列y,再在输入序列y中加入余弦位置编码,得到编码序列ye,其中余弦位置编码如公式(1)所示,而编码序列ye如公式(2)所示,
PEpos=cos(pos/100001/L) (1)
ye=y+PEpos (2)
其中,PEpos表示余弦位置编码。
优选的,步骤(B),对编码序列ye进行滑窗截取,得到序列重构矩阵M,其中设编码序列ye的长度为L、子窗口长度为m以及延时为s,则对长度为L的编码序列ye进行n次滑窗截取能得到序列重构矩阵M,且各参数满足关系如公式(3)所示,
L=m+s(n-1) (3)。
优选的,步骤(C),对输入序列y进行单位延时,并得到延时序列y1,再求得动态检测序列yd,具体步骤如下,
步骤(C1),对输入序列y进行单位延时,并得到延时序列y1,其具体内容是将输入序列y中的每个元素向后移动一位,并将第一个元素置零,再舍去最后一个元素,这样能得到长度不变的延时序列y1
步骤(C2),利用输入序列y和延时序列y1求得动态检测序列yd,如公式(4)所示,
yd=y1-y (4)。
优选的,步骤(D),对序列重构矩阵M进行奇异值分解,得到分解重构子矩阵Mi,其中每一组左奇异值向量、奇异值和右奇异值向量单独构成k个子矩阵,则第i个子矩阵如公式(5)所示,
Mi=uisivi T (5)。
优选的,步骤(E),对动态检测序列yd进行滑窗截取,并得到动态检测重构矩阵Md,其具体原理与采用编码序列ye进行滑窗截取并得到序列重构矩阵M相同。
优选的,步骤(F),将序列重构矩阵M、动态检测重构矩阵Md和分解重构子矩阵Mi拼接在一起,得到三维矩阵Mre,其中序列重构矩阵M、动态检测重构矩阵Md和分解重构子矩阵Mi是在第三个维度上拼接在一起。
优选的,步骤(G),将三维矩阵Mre输入至二维卷积神经网络,完成电力负载信息的获取作业,其中二维卷积神经网络由Conv模块、CSPcat模块和Estimate模块组成,其具体构建步骤如下,
步骤(G1),构建Conv模块,所述Conv模块采用Conv2d二维卷积、BathNorm2d二维批归一化和SiLU激活函数构成;
步骤(G2),构建CSPcat模块,所述CSPcat模块采用Conv模块、BathNorm2d二维批归一化和SiLU激活函数构成;
步骤(G3),构建Estimate模块,所述Estimate模块用于评估电器的开关状态和功率,且所述Estimate模块的评估原理如公式(6)所示,
xi-ture=xi⊙g(xi-on)+(1-g(xi-on))b (6)
其中,xi-ture表示信号的真实功率,xi表示信号的评估功率,xi-on表示电器的开关状态,b表示可训练的偏执加权;且g(x)的定义如公式(7)所示
本发明的有益效果是:
本发明能够同时估计电器的功率和开关状态,并综合利用数据的多维特征实现了能对用电负荷进行有效的监测,再通过利用序列延时重构矩阵及CSP-CNN网络结构能充分提取数据中的时序特征,并在有效缩减算法参数量的同时能增加网络层数,不仅提升了算法的估计精度,还使得算法能够更好的应用于实际应用中,这样用户就能够更加精准的掌握家庭或企业的用电状态,进而针对性的指导用户或企业合理和安全用电,并辅助电力供应部门完善电力调度工作,该方法具有科学合理、适用性强和效果佳等优点。
附图说明
图1是本发明的基于矩阵重构二维卷积网络的电力负载信息获取方法的整体流程图;
图2是本发明的矩阵重构结构示意图;
图3是本发明的二维卷积神经网络结构示意图;
图4是本发明的Conv模块示意图;
图5是本发明的CSPcat模块示意图;
图6是本发明的Estimate模块示意图。
具体实施方式
下面将结合说明书附图,对本发明作进一步的说明。
如图1和图2所示,本发明的基于矩阵重构二维卷积网络的电力负载信息获取方法,包括以下步骤,
步骤(A),采集电器的总用电功率并作为输入序列y,再在输入序列y中加入余弦位置编码,得到编码序列ye,其中余弦位置编码如公式(1)所示,而编码序列ye如公式(2)所示,
PEpos=cos(pos/100001/L) (1)
ye=y+PEpos (2)
其中,PEpos表示余弦位置编码。
步骤(B),对编码序列ye进行滑窗截取,得到序列重构矩阵M,其中设编码序列ye的长度为L、子窗口长度为m以及延时为s,则对长度为L的编码序列ye进行n次滑窗截取能得到序列重构矩阵M,且各参数满足关系如公式(3)所示,
L=m+s(n-1) (3)。
其中,该步骤利用了序列的时序特性;
步骤(C),对输入序列y进行单位延时,并得到延时序列y1,再求得动态检测序列yd,具体步骤如下,
其中,该步骤引入了目标检测原理;
步骤(C1),对输入序列y进行单位延时,并得到延时序列y1,其具体内容是将输入序列y中的每个元素向后移动一位,并将第一个元素置零,再舍去最后一个元素,这样能得到长度不变的延时序列y1
步骤(C2),利用输入序列y和延时序列y1求得动态检测序列yd,如公式(4)所示,
yd=y1-y (4)。
步骤(D),对序列重构矩阵M进行奇异值分解,得到分解重构子矩阵Mi,其中每一组左奇异值向量、奇异值和右奇异值向量单独构成k个子矩阵,则第i个子矩阵如公式(5)所示,
Mi=uisivi T (5)。
步骤(E),对动态检测序列yd进行滑窗截取,并得到动态检测重构矩阵Md,其具体原理与采用编码序列ye进行滑窗截取并得到序列重构矩阵M相同。
步骤(F),将序列重构矩阵M、动态检测重构矩阵Md和分解重构子矩阵Mi拼接在一起,得到三维矩阵Mre,其中序列重构矩阵M、动态检测重构矩阵Md和分解重构子矩阵Mi是在第三个维度上拼接在一起。
如图3所示,步骤(G),将三维矩阵Mre输入至二维卷积神经网络,完成电力负载信息的获取作业,其中二维卷积神经网络由Conv模块、CSPcat模块和Estimate模块组成,其具体构建步骤如下,
如图4所示,步骤(G1),构建Conv模块,所述Conv模块采用Conv2d二维卷积、BathNorm2d二维批归一化和SiLU激活函数构成;
如图5所示,步骤(G2),构建CSPcat模块,所述CSPcat模块采用Conv模块、BathNorm2d二维批归一化和SiLU激活函数构成;
如图6所示,步骤(G3),构建Estimate模块,所述Estimate模块用于评估电器的开关状态和功率,且所述Estimate模块的评估原理如公式(6)所示,
xi-ture=xi⊙g(xi-on)+(1-g(xi-on))b (6)
其中,xi-ture表示信号的真实功率,xi表示信号的评估功率,xi-on表示电器的开关状态,b表示可训练的偏执加权;且g(x)的定义如公式(7)所示
为进一步阐述本发明的使用效果,下面介绍本发明的一个具体实施例:
第一步,设输入序列y的时间窗口L=512,第i个电器的时间窗口子窗口长度为m=128,如图2所示,首先对1x1x512维度的输入序列信号进行位置编码,得到编码后的1x1x512编码序列ye;
第二步,利用序列的时序特性,以m=n=32为子窗口长度,s=16为延时,对长度为L=512的编码序列ye进行n次滑窗截取,并将1x1x512维度的编码序列ye重构为1x32x32维度的序列重构矩阵M;
第三步,对1x1x512维度的输入序列y进行单位延时,并获得1x1x512维度的动态检测序列yd;
第四步,对序列重构矩阵M进行奇异值分解,其中每一组左奇异值向量、奇异值、右奇异值向量单独构成32个子矩阵,共同组合成一个32x32x32维度的分解重构子矩阵Mi;
第五步,通过第二步的方法,将1x1x512维度的动态检测序列yd重构为1x32x32维度的动态检测重构矩阵Md;
第六步,将一个1x32x32维度的序列重构矩阵M、一个1x32x32维度的动态检测重构矩阵Md和一个32x32x32维度的分解重构子矩阵Mi进行拼接,并构建成了一个34x32x32维度的三维矩阵Mre;
第七步,将该三维矩阵Mre输入至对应的二维卷积神经网络,如图3所示,该网络Conv模块、CSPcat模块和Estimate模块组成,其具体结构如图4、图5和图6所示,最终获得两个分别代表功率和开关状态的1x1x128维度的向量,并获得最终的评估结果。
综上所述,本发明的基于矩阵重构二维卷积网络的电力负载信息获取方法,能同时估计电器的功率和开关状态,并综合利用数据的多维特征实现了能对用电负荷进行有效的监测,再通过利用序列延时重构矩阵及CSP-CNN网络结构能充分提取数据中的时序特征,并在有效缩减算法参数量的同时能增加网络层数,不仅提升了算法的估计精度,还使得算法能够更好的应用于实际应用中,这样用户就能够更加精准的掌握家庭或企业的用电状态,进而针对性的指导用户或企业合理和安全用电,并辅助电力供应部门完善电力调度工作。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.基于矩阵重构二维卷积网络的电力负载信息获取方法,其特征在于:包括以下步骤,
步骤(A),采集电器的总用电功率并作为输入序列y,再在输入序列y中加入余弦位置编码,得到编码序列ye;
步骤(B),对编码序列ye进行滑窗截取,得到序列重构矩阵M;
步骤(C),对输入序列y进行单位延时,并得到延时序列y1,再求得动态检测序列yd;
步骤(D),对序列重构矩阵M进行奇异值分解,得到分解重构子矩阵Mi;
步骤(E),对动态检测序列yd进行滑窗截取,并得到动态检测重构矩阵Md;
步骤(F),将序列重构矩阵M、动态检测重构矩阵Md和分解重构子矩阵Mi拼接在一起,得到三维矩阵Mre;
步骤(G),将三维矩阵Mre输入至二维卷积神经网络,完成电力负载信息的获取作业,其中二维卷积神经网络由Conv模块、CSPcat模块和Estimate模块组成,具体构建步骤如下,
步骤(G1),构建Conv模块,所述Conv模块采用Conv2d二维卷积、BathNorm2d二维批归一化和SiLU激活函数构成;
步骤(G2),构建CSPcat模块,所述CSPcat模块采用Conv模块、BathNorm2d二维批归一化和SiLU激活函数构成;
步骤(G3),构建Estimate模块,所述Estimate模块用于评估电器的开关状态和功率,且所述Estimate模块的评估原理如公式(6)所示,
xi-ture=xi⊙g(xi-on)+(1-g(xi-on))b (6)
其中,xi-ture表示信号的真实功率,xi表示信号的评估功率,xi-on表示电器的开关状态,b表示可训练的偏执加权;且g(x)的定义如公式(7)所示,
2.根据权利要求1所述的基于矩阵重构二维卷积网络的电力负载信息获取方法,其特征在于:步骤(A),采集电器的总用电功率并作为输入序列y,再在输入序列y中加入余弦位置编码,得到编码序列ye,其中余弦位置编码如公式(1)所示,而编码序列ye如公式(2)所示,
PEpos=cos(pos/100001/L) (1)
ye=y+EPpos (2)
其中,PEpos表示余弦位置编码。
3.根据权利要求2所述的基于矩阵重构二维卷积网络的电力负载信息获取方法,其特征在于:步骤(B),对编码序列ye进行滑窗截取,得到序列重构矩阵M,其中设编码序列ye的长度为L、子窗口长度为m以及延时为s,则对长度为L的编码序列ye进行n次滑窗截取能得到序列重构矩阵M,且各参数满足关系如公式(3)所示,
L=m+s(n-1) (3)。
4.根据权利要求3所述的基于矩阵重构二维卷积网络的电力负载信息获取方法,其特征在于:步骤(C),对输入序列y进行单位延时,并得到延时序列y1,再求得动态检测序列yd,具体步骤如下,
步骤(C1),对输入序列y进行单位延时,并得到延时序列y1,其具体内容是将输入序列y中的每个元素向后移动一位,并将第一个元素置零,再舍去最后一个元素,这样能得到长度不变的延时序列y1
步骤(C2),利用输入序列y和延时序列y1求得动态检测序列yd,如公式(4)所示,
yd=y1-y (4)。
5.根据权利要求4所述的基于矩阵重构二维卷积网络的电力负载信息获取方法,其特征在于:步骤(D),对序列重构矩阵M进行奇异值分解,得到分解重构子矩阵Mi,其中每一组左奇异值向量、奇异值和右奇异值向量单独构成k个子矩阵,则第i个子矩阵如公式(5)所示,
Mi=uisivi T (5)。
6.根据权利要求5所述的基于矩阵重构二维卷积网络的电力负载信息获取方法,其特征在于:步骤(E),对动态检测序列yd进行滑窗截取,并得到动态检测重构矩阵Md,其具体原理与采用编码序列ye进行滑窗截取并得到序列重构矩阵M相同。
7.根据权利要求6所述的基于矩阵重构二维卷积网络的电力负载信息获取方法,其特征在于:步骤(F),将序列重构矩阵M、动态检测重构矩阵Md和分解重构子矩阵Mi拼接在一起,得到三维矩阵Mre,其中序列重构矩阵M、动态检测重构矩阵Md和分解重构子矩阵Mi是在第三个维度上拼接在一起。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211412348.2A CN116341616B (zh) | 2022-11-11 | 2022-11-11 | 基于矩阵重构二维卷积网络的电力负载信息获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211412348.2A CN116341616B (zh) | 2022-11-11 | 2022-11-11 | 基于矩阵重构二维卷积网络的电力负载信息获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116341616A CN116341616A (zh) | 2023-06-27 |
CN116341616B true CN116341616B (zh) | 2023-10-17 |
Family
ID=86890411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211412348.2A Active CN116341616B (zh) | 2022-11-11 | 2022-11-11 | 基于矩阵重构二维卷积网络的电力负载信息获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341616B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116955993B (zh) * | 2023-08-24 | 2024-03-12 | 中国长江电力股份有限公司 | 一种混凝土性态多元时序监测数据补全方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108918928A (zh) * | 2018-09-11 | 2018-11-30 | 广东石油化工学院 | 一种负荷分解中功率信号自适应重构方法 |
CN108918930A (zh) * | 2018-09-11 | 2018-11-30 | 广东石油化工学院 | 一种负荷分解中功率信号自适应重构方法 |
CN111461201A (zh) * | 2020-03-30 | 2020-07-28 | 重庆大学 | 基于相空间重构的传感器数据分类方法 |
CN113158134A (zh) * | 2021-04-07 | 2021-07-23 | 国网江苏省电力有限公司信息通信分公司 | 非侵入式负荷辨识模型的构建方法、装置和存储介质 |
CN114692680A (zh) * | 2022-03-16 | 2022-07-01 | 北京航空航天大学 | 脑电信号特征处理方法及装置 |
CN114745299A (zh) * | 2022-03-16 | 2022-07-12 | 南京工程学院 | 基于序列延时重构csp卷积神经网络的非侵入式负荷监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11386326B2 (en) * | 2018-06-11 | 2022-07-12 | The Regents Of The University Of California | Training a machine learning model with limited training data |
-
2022
- 2022-11-11 CN CN202211412348.2A patent/CN116341616B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108918928A (zh) * | 2018-09-11 | 2018-11-30 | 广东石油化工学院 | 一种负荷分解中功率信号自适应重构方法 |
CN108918930A (zh) * | 2018-09-11 | 2018-11-30 | 广东石油化工学院 | 一种负荷分解中功率信号自适应重构方法 |
CN111461201A (zh) * | 2020-03-30 | 2020-07-28 | 重庆大学 | 基于相空间重构的传感器数据分类方法 |
CN113158134A (zh) * | 2021-04-07 | 2021-07-23 | 国网江苏省电力有限公司信息通信分公司 | 非侵入式负荷辨识模型的构建方法、装置和存储介质 |
CN114692680A (zh) * | 2022-03-16 | 2022-07-01 | 北京航空航天大学 | 脑电信号特征处理方法及装置 |
CN114745299A (zh) * | 2022-03-16 | 2022-07-12 | 南京工程学院 | 基于序列延时重构csp卷积神经网络的非侵入式负荷监测方法 |
Non-Patent Citations (5)
Title |
---|
Non-intrusive energy estimation using random forest based multi-label classification and integer linear programming;Y. Liu等;《Energy Reports》;283–291 * |
Non-intrusive load monitoring through coupling sequence matrix reconstruction and cross stage partial network;Zeng W等;《Measurement》;第220卷;1-9 * |
Tensor Sequence Component Analysis for Fault Detection in Dynamic Process;P Huang等;《The Canadian Journal of Chemical Engineering》(第1期);1-12 * |
一种基于运动目标ISAR像序列的三维重构方法;王俊等;《系统仿真学报》(第4期);223-230 * |
基于卷积神经网络与奇异值分解的水电机组故障诊断方法研究;唐拥军等;《中国农村水利水电》(第2期);175-181 * |
Also Published As
Publication number | Publication date |
---|---|
CN116341616A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116341616B (zh) | 基于矩阵重构二维卷积网络的电力负载信息获取方法 | |
CN102938649A (zh) | 基于压缩感知理论的电能质量数据自适应重构解压缩方法 | |
CN111242377B (zh) | 一种集成深度学习和数据去噪的短期风速预测方法 | |
CN110084862B (zh) | 基于多尺度小波变换与深度学习的图像压缩感知算法 | |
CN106981292B (zh) | 一种基于张量建模的多路空间音频信号压缩和恢复方法 | |
CN105427264A (zh) | 一种基于群稀疏系数估计的图像重构方法 | |
CN108918930B (zh) | 一种负荷分解中功率信号自适应重构方法 | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN107481293A (zh) | 基于多假设加权的差分图像压缩感知重构方法及智能终端 | |
CN107103909A (zh) | 帧错误隐藏 | |
CN108918928B (zh) | 一种负荷分解中功率信号自适应重构方法 | |
CN111681298A (zh) | 一种基于多特征残差网络的压缩感知图像重建方法 | |
CN114745299B (zh) | 基于序列延时重构csp卷积神经网络的非侵入式负荷监测方法 | |
CN116184224A (zh) | 一种基于收缩和空间交互网络的锂电池荷电状态估计方法 | |
CN114630207B (zh) | 基于降噪自编码器的多传感节点感知数据收集方法 | |
CN111695444A (zh) | 一种基于波原子变换的辐射源个体特征提取方法 | |
CN115549742B (zh) | 一种基于深度学习的csi压缩反馈方法 | |
CN115130732A (zh) | 基于序列到点和残差连接的非侵入式负荷分解方法 | |
CN113158134B (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
CN113627337B (zh) | 一种基于堆栈式自动编码的力触觉信号处理方法 | |
CN109067404A (zh) | 一种基于单比特量化的压缩感知信号盲重构方法 | |
Stefanoiu | A genetic matching pursuit algorithm | |
CN111010192B (zh) | 电力系统扰动信号重构方法、预处理方法、终端及系统 | |
CN103794219A (zh) | 一种基于m码字分裂的矢量量化码本生成方法 | |
CN115568856B (zh) | 一种基于协同映射重构的多手指力连续估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |