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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000011897 real-time detection Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 239000000428 dust Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
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。
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) |
-
2023
- 2023-06-09 CN CN202310685809.1A patent/CN116881804A/zh active Pending
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 |