CN116881804A - 一种基于gsp算法的电气指纹识别方法 - Google Patents

一种基于gsp算法的电气指纹识别方法 Download PDF

Info

Publication number
CN116881804A
CN116881804A CN202310685809.1A CN202310685809A CN116881804A CN 116881804 A CN116881804 A CN 116881804A CN 202310685809 A CN202310685809 A CN 202310685809A CN 116881804 A CN116881804 A CN 116881804A
Authority
CN
China
Prior art keywords
data
current
load
cnn model
vector
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
CN202310685809.1A
Other languages
English (en)
Inventor
张珊珊
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.)
Shanghai Mengxiang Intelligent Technology Co ltd
Original Assignee
Shanghai Mengxiang Intelligent Technology Co ltd
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 Shanghai Mengxiang Intelligent Technology Co ltd filed Critical Shanghai Mengxiang Intelligent Technology Co ltd
Priority to CN202310685809.1A priority Critical patent/CN116881804A/zh
Publication of CN116881804A publication Critical patent/CN116881804A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于电气指纹识别技术领域，具体一种基于GSP算法的电气指纹识别方法。本发明包括：以非入侵式负载监控方式获得瞬时电流数据，组织成一维向量数据；利用GSP算法对向量数据进行预处理，获取修正误差后的数据，作为当前时段采集数据的待识别特征；然后将待识别特征送入预先训练好的CNN模型，进行分类；根据分类结果获得当前正在运行的负载，实现电气指纹的识别；本发明可大幅提升模型训练数据的有效性，使得模型训练效果更好，从而获得更精确的识别结果，提高电气指纹识别的准确率，具有广泛的应用场景。

Description

一种基于GSP算法的电气指纹识别方法
技术领域
本发明属于电气指纹识别技术领域，具体涉及基于GSP算法的电气指纹识别方法。
背景技术
不同负载由于自身电阻，电感，电容等参数以及工作环境的不同，产生的电气参数，诸如电流，功率等也不同。这些对于不同负载来说独一无二的数据，正如人类的指纹一样，能够区分出不同的电气负载。通过非入侵式监控的方法，实时采集到电路中的电气数据，识别和记录电路中工作的电气负载，达到合理分配用电的目的。
现有的获取电气数据流程中，存在诸如数据采样丢失，采集设备引入噪声过大等问题，比如现有的REDD和UK-DALE数据集，就存在数据采样丢失等问题。这些不准确的数据直接用来训练模型，会导致最终模型收敛效果不好，在电气指纹识别的应用上，识别准确率就难以做到很高。现有的数据预处理手段中，往往是简单的用子序列的平均值作为该序列中点处的值(均值滤波)，以此处理整段数据，难以适应复杂数据场合。
发明内容
本发明的目的在于提供一种识别准确率高、能适应广泛数据预处理场景的基于GSP算法的电气指纹识别方法。
本发明提供的基于GSP算法的电气指纹识别方法，包括：以非入侵式负载监控方式获得瞬时电流数据，组织成一维向量数据；利用GSP算法对向量数据进行预处理，获取修正误差后的数据，作为当前时段采集数据的待识别特征；然后将待识别特征送入预先训练好的CNN模型，进行分类；根据分类结果获得当前正在运行的负载，实现电气指纹的识别；具体步骤如下：
步骤1：采集用于训练CNN模型的训练数据集，数据包括一系列单一电气负载开关机以及档位切换时的瞬时电流，每个负载每种状态采集100组数据，每组数据采集500个点；
步骤2：利用GSP算法对步骤1采集的电气数据进行预处理，修正误差，平滑数据；
步骤3：将步骤2中处理后的数据作为训练集，训练CNN模型；
步骤4：实时采集电路中的瞬时电流，组织成一维向量，先经过GSP算法修正误差，平滑数据，再输入训练好的CNN模型进行分类识别，得出目前电路中有哪些负载及负载运行状态。
下面对各个步骤作进一步的具体说明：
步骤1所述采集用于训练CNN模型的训练数据集，具体使用6个用于采集数据的负载，分别编号D1、D2、…、D6；在采集电气数据时，选定一个负载，从0时刻采集器开始采集，采集频率为1kHz，采集到的数据中，从t到(t+500ms)这一段时间中，获取到一个长度为500的电流向量。
获取用来训练CNN模型的目标负载状态数据时，以D1负载为例，D1的开机和关机都是需要检测的状态，在0ms处开始进行数据采集，在500ms处D1“打开”，1000ms处D1关闭，1500ms处停止采集，取[200,700]、[202,702]、[204,704]…[398,898](即从200ms开始，每隔2ms取一组500长度的数据)总共100个时段的电流作为D1开机时的初始样本数据，取[700,1200]，[702,1202]，[704,1204]…[898,1398]总共100个时段的电流作为D1关机时的初始样本数据。其他负载同理，如果负载存在多种运行状态，则每种状态都要按前述采集。
步骤2中所述利用GSP算法对步骤1采集的电气数据进行预处理，具体方式如下：
(1)将每个设备的每种状态的电流数据用一维向量表示，形如[I1，I2，I3…I500]，该向量看成一组图信号，向量中的每个分量对应一个节点，共有500个节点；
(2)图信号的总变差公式如下：
其中，S为图信号的总变差，表征图信号的全局平滑度；A为邻接矩阵，L为图的拉普拉斯矩阵，s为图信号向量，也就是原始电流向量；记si为图信号向量中第i个分量的值(即第i个节点的值)，也就是Ii，e表示边集合(即图信号中两个分量下标组成的集合，例如图信号中第i个分量和第j个分量看成图的两个顶点，它们之间看成有一条边相连，用(i,j)表示，所有这样的组合构成了边集合)；N为节点总数，具体为500；
(3)计算每个样本数据对应的拉普拉斯矩阵L，公式如下：
L＝D-A， (2)
邻接矩阵A中元素的计算公式如下：
其中，ρ的取值为0.05，D为度矩阵，是一个对角矩阵，其元素的计算公式如下：
M为D的维数，等于图信号向量中分量个数，比如具体为500，即M为500×500的对角矩阵；
(4)针对每一个原始样本，最小化其对应图信号的总变差，即求解如下问题：
求解得到的s即为修正后电流数据；
(5)将上述问题得到的解作为修正误差后的电流数据，与原始数据的标签对应，得到一个完整的带标签的特征向量，形如[label，I’ 1，I’ 2，I’ 3…I’ 500]，其中，Ii ’表示Ii处理后的电流数据；label为分类结果的数字映射，例如D1设备开机状态这一分类结果映射成0，D2设备关机这一分类结果映射成1，以此类推；
(6)将所有的初始样本数据进行上述处理后，就得到CNN模型的训练集。
步骤3中所述将步骤2中处理后的数据作为训练集，训练CNN模型；其中：
所述CNN模型的具体结构从输入到输出经过的模块依次为：1层一维卷积，relu，maxpooling，4个残差模块，relu，maxpooling，全连接层，softmax；
将训练集输入到CNN模型，根据模型的预测结果，结合输入数据的标签，利用交叉熵损失函数计算损失，并做梯度下降和误差反向传播来更新模型参数，直到模型收敛，即完成模型的训练。
步骤4中所述实时采集电路中的瞬时电流，组织成一维向量，先经过GSP算法修正误差，平滑数据，再输入训练好的CNN模型进行分类识别，具体过程为：
(1)根据实时检测要求，待检测电路的电流和电压以1kHz的频率进行采样，假定待检测电路在0毫秒时刻接通开始工作，则每当采集到的数据达到500个后，就将这500个数据作为一个块取出，采集器继续采集，直到攒够下一组500个数据后取出，持续循环处理，直至停止检测；
(2)每一个块取出后里边的数据是原始的电流数据，组织成一维向量形式，利用GSP算法预处理原始数据，获得修正误差后的数据，再送入重新训练好的CNN模型中进行分类，根据分类结果获得当前原始数据所包含的电气负载的标签；
(3)电气负载标签中包含负载名称以及运行状态，至此可以从采集的总电气参数中分离得到正在运行的负载及状态。
在非侵入式负载监控的场景下，本发明方法可以从数据源头修正误差，预防数据误差导致模型预测结果不准确，从而实时准确地识别出被监测电路中出现的负载类别，以达到合理分配用电和保障用电安全的目的。
本发明使用瞬时电流作为有效特征，将不同负载在不同状态下的特征信息映射到一维特征空间，降低了特征类别的区分难度，借助GSP算法，修正原始采集数据误差，提高数据准确性，从而保证模型分类识别的准确率。
本发明中利用GSP算法将数据预处理转化为求解最小总变差，相比均值滤波，有更强的数学逻辑关系，并大大提高数据的准确性，使得模型训练能收敛有更好的效果，从而提高模型识别准确率，能适应更广的数据预处理场景。
本发明与现有技术相比，利用更严格复杂的数学关系来处理原始数据中的误差，能适应更广泛的场景，同时高准确度地对电路中负载的工作状态进行识别，从而达到对电路进行监控、对危险用电进行警示等目的，为电能的合理分配以及用电安全提供了一种实时、高效、高准确率的技术方案。
附图说明
图1为本发明流程图。
具体实施方式
本发明包括原始数据预处理、CNN模型的训练，以及实时数据的采集和分类等内容。本方法需提前采集一定量的电气数据，用来形成模型的训练集，训练CNN模型。利用瞬时电流作为唯一特征，标识不同负载的不同状态。
下面以具体实施为例对本发明的技术方案作进一步详细描述。
实施例1
参阅图1，本发明以非侵入式负载监控方式获得瞬时电流，组织成一维向量，先利用GSP(图信号处理)算法对原始数据进行预处理，再送入训练好的CNN模型进行分类，从而识别电气负载及运行状态，其方法可分为如下几个步骤：
步骤1：采集用于训练CNN模型的一系列单一负载的电气数据。
此步骤需要采集本发明要检测的特定目标电器在特定状态(开关或切换档位)时的电气数据。本发明使用6个用于采集数据的电器，分别编号D1、D2、…、D6。获取用来训练CNN模型的目标负载状态切换数据的具体采集方法如下：
根据实时检测要求，本发明以1kHz的频率对待检测负载的电流进行采样，也就是每秒钟得到1000个电路中电流瞬时值。故而在电路开始正常工作后，本发明会以每秒钟1000组数据的速度接连不断的获取到当前电路中的电流数据。但是在实际的电气指纹检测过程中，为了方便检测，本发明将获取到的连续时序数据进行了分段，长度为500，即从0ms开始，每过500ms，本发明就获取到了500个电流数据，然后将这500个数据作为一个整体进行处理，也就是一个一维窗口向量。
取吸尘器作为一个目标负载时，吸尘器的开机和关机都是需要检测的状态变化，以吸尘器“打开”这一目标特征的形成为例子进行说明：假设吸尘器在400ms处打开开始工作，则本发明从2ms(包括)处开始，300毫秒(包括)处结束，窗口为500，每隔2ms取数据块，得到100个长度为500的电流数据块，这些窗口向量就是对应于“吸尘器打开”的原始数据。
本发明中实验的目标负载使用6个用于采集数据的电器，其对应的所有状态如下：
(1)吸尘器：开机+关机；
(2)吹风机：开机到1档+切换到2档+切换到1档+关机；
(3)小电锅：开机到1档+切换到2档+从1档关闭，开机到2档+关机；
(4)鼓风机：开机+关机；
(5)暖风机：开机+关机；
(6)电熨斗：开机+关机；
最终得到的特征库中特征数量为：100*17＝1700个。
步骤2：利用GSP算法对步骤1采集的电气数据进行预处理，获取修正误差后的数据，构成CNN模型的训练集，其处理方式如下：
(1)将每个设备的每种状态的电流数据用一维向量表示，形如[I1，I2，I3…I500]，该向量看成一组图信号，向量中的每个分量对应一个节点，共有500个节点；
(2)图信号的总变差公式如下：
公式中S即为图信号的总变差，表征图信号的全局平滑度；A为邻接矩阵，L为图的拉普拉斯矩阵，s为图信号向量，也就是原始电流向量；si为图信号向量中第i个分量的值(也即第i个节点的值)，也就是Ii；e表示边集合；
(3)计算每个样本数据对应的拉普拉斯矩阵，公式如下：
L＝D-A
A中元素的计算公式如下：
公式中ρ的取值为0.05，D为度矩阵，是一个对角矩阵，计算公式如下：
(4)针对每一个原始样本，最小化其对应图信号的总变差，即求解如下问题：
求解得到的s即为修正后电流数据；
(5)将上述问题得到的解作为修正误差后的电流数据，与原始数据的标签对应，得到一个完整的带标签的特征向量，形如[label，I’ 1，I’ 2，I’ 3…I’ 500]，其中I’表示处理后的电流数据；其中label为分类结果的数字映射，例如D1设备开机状态这一分类结果映射成0，D2设备关机这一分类结果映射成1，以此类推；
(6)将所有的初始样本数据进行上述处理后，就得到CNN模型的训练集。
步骤3：用步骤2中形成的训练集训练CNN模型。
构建初始的CNN模型，初始化学习率为0.001，将步骤2中的训练数据送入初始化后的网络来训练CNN模型，直到模型收敛。
步骤4：实时采集电路中的电流数据，形成一维特征向量，利用GSP算法预处理原始数据，再输入训练好的CNN模型进行识别分类：
(1)根据实时检测要求，待检测电路的电流和电压以1kHz的频率进行采样，假定待检测电路在0毫秒时刻接通开始工作，则每当采集到的数据达到500个后，就将这500个数据作为一个块取出，采集器继续采集，直到攒够下一组500个数据后取出，持续循环处理，直至停止检测；
(2)每一个块取出后里边的数据是原始的电流数据，组织成一维向量形式，利用GSP算法预处理原始数据，获得修正误差后的数据，再送入重新训练好的CNN模型中进行分类，根据分类结果获得当前原始数据所包含的电气负载的标签；
(3)电气负载标签中包含负载名称以及运行状态，至此可以从采集的总电气参数中分离得到正在运行的负载及状态。
本实施例中，通过实时检测的方式，对所有负载的所有状态进行了多次的模拟实验，状态切换共进行了约1000次，平均每个状态特征出现次数约100次，其实验结果详见下述表1。
表1，各负载检测准确率(％)
吹风机 吸尘器 小电锅 鼓风机 暖风机 电熨斗
开启/开启到1档 99 98 98 98 98 98
开启到2档/切换到2档 99 -- 98 -- -- --
从2档关闭/切换到1档 98 -- 98 -- -- --
关闭 99 98 99 98 97 99 平均准确率
均值 98.75 98.00 98.25 98.00 97.50 98.50 98.17
上述实验证明，本发明对6个负载状态切换特征检测的平均准确率有98.17％。

Claims (5)

1.一种基于GSP算法的电气指纹识别方法，其特征在于，包括：以非入侵式负载监控方式获得瞬时电流数据，组织成一维向量数据；利用GSP算法对向量数据进行预处理，获取修正误差后的数据，作为当前时段采集数据的待识别特征；然后将待识别特征送入预先训练好的CNN模型，进行分类；根据分类结果获得当前正在运行的负载，实现电气指纹的识别；具体步骤如下：
步骤1：采集用于训练CNN模型的训练数据集，数据包括一系列单一电气负载开关机以及档位切换时的瞬时电流，每个负载每种状态采集100组数据，每组数据采集500个点；
步骤2：利用GSP算法对步骤1采集的电气数据进行预处理，修正误差，平滑数据；
步骤3：将步骤2中处理后的数据作为训练集，训练CNN模型；
步骤4：实时采集电路中的瞬时电流，组织成一维向量，先经过GSP算法修正误差，平滑数据，再输入训练好的CNN模型进行分类识别，得出目前电路中有哪些负载及负载运行状态。
2.根据权利要求1所述的电气指纹识别方法，其特征在于，步骤1中所述采集用于训练CNN模型的训练数据集，具体使用6个用于采集数据的负载，分别编号D1、D2、…、D6；在采集电气数据时，选定一个负载，从0时刻采集器开始采集，采集频率为1kHz，采集到的数据中，从t到(t+500ms)这一段时间中，获取到一个长度为500的电流向量；
获取用来训练CNN模型的目标负载状态数据，对于负载D1，D1的开机和关机都是需要检测的状态，在0ms处开始进行数据采集，在500ms处D1“打开”，1000ms处D1关闭，1500ms处停止采集，取[200,700]、[202,702]、[204,704]…[398,898]，即从200ms开始，每隔2ms取一组500长度的数据)总共100个时段的电流作为D1开机时的初始样本数据，取[700,1200]，[702,1202]，[704,1204]…[898,1398]总共100个时段的电流作为D1关机时的初始样本数据；其他负载，同样处理。
3.根据权利要求2所述的电气指纹识别方法，其特征在于，步骤2中所述利用GSP算法对步骤1采集的电气数据进行预处理，具体方式如下：
(1)将每个设备的每种状态的电流数据用一维向量表示，形如[I1，I2，I3…I500]，该向量看成一组图信号，向量中的每个分量对应一个节点，共有500个节点；
(2)图信号的总变差公式如下：
其中，S为图信号的总变差，表征图信号的全局平滑度，A为邻接矩阵，L为图的拉普拉斯矩阵，s为图信号向量，也就是原始电流向量；记si为图信号向量中第i个分量的值，即第i个节点的值，也就是Ii，e表示边集合；N为节点总数，具体为500；
(3)计算每个样本数据对应的拉普拉斯矩阵L，公式如下：
L＝D-A， (2)
邻接矩阵A中元素的计算公式如下：
其中，ρ的取值为0.05，D为度矩阵，是一个对角矩阵，其元素的计算公式如下：
M为D的维数；
(4)针对每一个原始样本，最小化其对应图信号的总变差，即求解如下问题：
求解得到的s即为修正后电流数据；
(5)将上述问题得到的解作为修正误差后的电流数据，与原始数据的标签对应，得到一个完整的带标签的特征向量，形如[label，I’ 1，I’ 2，I’ 3…I’ 500]，其中，Ii ’表示Ii处理后的电流数据，label为分类结果的数字映射；
(6)将所有的初始样本数据进行上述处理后，就得到CNN模型的训练集。
4.根据权利要求3所述的电气指纹识别方法，其特征在于，步骤3中所述将步骤2中处理后的数据作为训练集，训练CNN模型；其中：
所述CNN模型的具体结构从输入到输出经过的模块依次为：1层一维卷积，relu，
maxpooling，4个残差模块，relu，maxpooling，全连接层，softmax；
将训练集输入到CNN模型，根据模型的预测结果，结合输入数据的标签，利用交叉熵损失函数计算损失，并做梯度下降和误差反向传播来更新模型参数，直到模型收敛，即完成模型的训练。
5.根据权利要求4所述的电气指纹识别方法，其特征在于，步骤4中所述实时采集电路中的瞬时电流，组织成一维向量，先经过GSP算法修正误差，平滑数据，再输入训练好的CNN模型进行分类识别，具体过程为：
(1)根据实时检测要求，待检测电路的电流和电压以1kHz的频率进行采样，假定待检测电路在0毫秒时刻接通开始工作，则每当采集到的数据达到500个后，就将这500个数据作为一个块取出，采集器继续采集，直到攒够下一组500个数据后取出，持续循环处理，直至停止检测；
(2)每一个块取出后里边的数据是原始的电流数据，组织成一维向量形式，利用GSP算法预处理原始数据，获得修正误差后的数据，再送入重新训练好的CNN模型中进行分类，根据分类结果获得当前原始数据所包含的电气负载的标签；
(3)电气负载标签中包含负载名称以及运行状态，至此可以从采集的总电气参数中分离得到正在运行的负载及状态。
CN202310685809.1A 2023-06-09 2023-06-09 一种基于gsp算法的电气指纹识别方法 Pending CN116881804A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310685809.1A CN116881804A (zh) 2023-06-09 2023-06-09 一种基于gsp算法的电气指纹识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310685809.1A CN116881804A (zh) 2023-06-09 2023-06-09 一种基于gsp算法的电气指纹识别方法

Publications (1)

Publication Number Publication Date
CN116881804A true CN116881804A (zh) 2023-10-13

Family

ID=88265110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310685809.1A Pending CN116881804A (zh) 2023-06-09 2023-06-09 一种基于gsp算法的电气指纹识别方法

Country Status (1)

Country Link
CN (1) CN116881804A (zh)

Similar Documents

Publication Publication Date Title
Yin et al. Recent advances on SVM based fault diagnosis and process monitoring in complicated industrial processes
CN111650453B (zh) 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统
CN117034043B (zh) 基于多能源物联网的智慧建筑综合能耗监测方法及系统
CN109031103B (zh) 一种交流接触器性能退化与状态评估方法
CN114755745A (zh) 基于多通道深度残差收缩网络的冰雹天气识别与分类方法
CN110751385B (zh) 非侵入式负荷识别方法、终端设备及存储介质
CN110674120A (zh) 一种风电场数据清洗方法及装置
CN110850717A (zh) 利用风机电流的神经网络热泵除霜控制装置及控制方法
CN115905857A (zh) 基于数学形态学和改进Transformer的非侵入式负荷分解方法
Sun et al. Fault diagnosis of steam turbine-generator sets using an EPSO-based support vector classifier
CN114755010A (zh) 一种旋转机械振动故障诊断方法及其系统
CN116881804A (zh) 一种基于gsp算法的电气指纹识别方法
CN111881793A (zh) 一种基于胶囊网络的非侵入式负荷监测方法与系统
Cheng et al. Fault detection and isolation for chiller system based on deep autoencoder
CN116776245A (zh) 一种基于机器学习的三相逆变器设备故障诊断方法
Rueda et al. Transient event classification based on wavelet neuronal network and matched filters
CN111209914A (zh) 一种异常风功率数据的剔除方法
CN114091338B (zh) 一种电力负荷分解模型的建立方法及装置
CN111539275B (zh) 一种基于负载特性可视化的电气负载分类方法和系统
CN113537330B (zh) 一种非侵入式负荷识别方法
CN115217534A (zh) 一种汽轮机服役质量状态监测方法及系统
CN115169405A (zh) 基于支持向量机的酒店客房设备故障诊断方法及系统
CN111145109B (zh) 基于图像的风力发电功率曲线异常数据识别与清洗方法
CN116561651A (zh) 一种基于主动学习的电气指纹识别方法
CN115982618A (zh) 一种基于离散小波变换的电气指纹识别方法

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