CN117333724A - 一种基于多特征融合图像的非侵入式负荷辨识方法 - Google Patents
一种基于多特征融合图像的非侵入式负荷辨识方法 Download PDFInfo
- Publication number
- CN117333724A CN117333724A CN202311594794.4A CN202311594794A CN117333724A CN 117333724 A CN117333724 A CN 117333724A CN 202311594794 A CN202311594794 A CN 202311594794A CN 117333724 A CN117333724 A CN 117333724A
- Authority
- CN
- China
- Prior art keywords
- feature fusion
- image
- appliance
- similarity
- identification
- 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.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000000737 periodic effect Effects 0.000 claims description 16
- YLOCGHYTXIINAI-XKUOMLDTSA-N (2s)-2-amino-3-(4-hydroxyphenyl)propanoic acid;(2s)-2-aminopentanedioic acid;(2s)-2-aminopropanoic acid;(2s)-2,6-diaminohexanoic acid Chemical compound C[C@H](N)C(O)=O.NCCCC[C@H](N)C(O)=O.OC(=O)[C@@H](N)CCC(O)=O.OC(=O)[C@@H](N)CC1=CC=C(O)C=C1 YLOCGHYTXIINAI-XKUOMLDTSA-N 0.000 claims description 12
- 108010072051 Glatiramer Acetate Proteins 0.000 claims description 12
- 229940042385 glatiramer Drugs 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 7
- 230000005611 electricity Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明属于非侵入式负荷辨识领域，公开了一种基于多特征融合图像的非侵入式负荷辨识方法，包括：基于已知电器的运行数据，截取其稳态运行时周期电流数据和周期电压数据，构建负荷数据库；提取递归图特征图像和格拉米角场特征图像；进行特征融合，获取多特征融合图像；将所有已知电器的多特征融合图像输入卷积神经网络，进行网络模型训练；基于有功功率相似度、无功功率相似度和电流波形相似度，对待辨识的未知电器进行预辨识；对于初步辨识失败的未知电器，提取其多特征融合图像并基于卷积神经网络进行精细辨识，最终完成全部负荷辨识。本发明显著提高了对复杂电器的辨识准确性，促进可持续化的能源消费行为。
Description
技术领域
本发明属于非侵入式负荷辨识领域，具体涉及基于多特征融合图像的非侵入式负荷辨识方法。
背景技术
全球气候变化已成为一个日益重要的问题。由于化石燃料资源的枯竭，世界各国正在向低碳经济转型。以节能和减碳为重点的能源效率提高已成为这一转变的中心目标。近年来，公众对节能的认识有所提高。在这种背景下，智能电网已成为减少二氧化碳排放的全球趋势，并受到世界各地研究人员和政府机构的高度关注。在不同形式的能源中，电力被认为是最重要的能源之一，有效管理电力是节能的必要条件。然而，近年来对电力的需求显著增加，且全球电力需求的35%以上为建筑用电。为了实现节能，研究人员一直致力于实施改进的电力公用系统，以有效降低能源消耗和成本。研究表明，向用户提供其能源消耗的详细信息可以节省高达15%的能源，实现能源节约，促进可持续化的能源消费行为。
非侵入式负荷监测技术是实现用电智能化的重要基础。非侵入式负荷监测技术的目标是通过分解总能耗信息来获得各个电器的单独能耗。然而，低功耗电器和多状态电器在常见家电中占据了很大比例且通常难以识别。目前，主要通过有功功率、无功功率、电流波形和谐波等负荷特征来进行负荷辨识，也有研究者通过构建电压-电流轨迹图像对部分电器取得了较好的辨识效果。然而，在面对具有相似波形的电阻式和多状态电器时辨识不佳。因此，如何对各种复杂电器进行精确辨识仍然是非侵入式负荷监测技术中亟待解决的问题。为了有效支持用电行为分析、电力负荷预测、需求侧相应等，从而实现非侵入式负荷监测技术的大规模推广，需要对进一步提升负荷辨识的辨识精度和辨识效率。
发明内容
针对现有技术存在的不足，为了开发一种适用于各种复杂电器组成场景的非侵入式负荷辨识方法，提出了一种基于多特征融合图像的非侵入式负荷辨识方法，包括以下步骤：
一种基于多特征融合图像的非侵入式负荷辨识方法，包括以下步骤：
步骤1：基于已知电器的运行数据，截取其稳态运行时周期电流数据和周期电压数据，构建负荷数据库；
步骤2：基于周期电流数据提取递归图特征图像和格拉米角场特征图像，进行特征融合，提取多特征融合图像；
步骤3：将所有已知电器的多特征融合图像输入卷积神经网络，进行网络模型训练；
步骤4：对于待辨识的未知电器，基于有功功率相似度、无功功率相似度和电流波形相似度进行预辨识；
步骤5：对于初步辨识失败的未知电器，重复步骤2，提取其多特征融合图像并基于卷积神经网络进行精细辨识，最终完成全部负荷辨识。
进一步地，步骤1中，基于采集的电器运行数据，截取单个电器单次稳定运行时一个完整周期的电流向量I和电压向量U：
(1)
(2)
其中，In和Un分别为采样电流和采样电压，n为一个完整周期的采样点个数。
进一步地，步骤2所述递归图特征图像提取方法为：
首先，基于周期电流数据I，计算距离矩阵Dn×n，其中距离矩阵中第i行第j列个元素为D(i,j)：
(3)
其中，1≤i≤n，1≤j≤n，‖·‖表示计算欧几里得范数；
其次，计算距离矩阵Dn×n中所有元素的标准差，然后将距离矩阵转化为递归矩阵RPn×n，矩阵中第i行第j列个元素RP(i,j)为：
(4)
最后，基于递归矩阵RPn×n绘制热力图，为二维递归图特征图像。
进一步地，步骤2所述格拉米角场特征图像提取方法为：
首先，将周期电流数据I进行规范化，获得电流数据I，：
(5)
(6)
其中，Imin和Imax分别为I中最小值和最大值；
其次，将I，转变为极坐标形式，其中元素极坐标形式的对应角度θn为：
(7)
最后，构建格拉米角求和场GASF和格拉米角求差场GADF，并分别转换为二维图像：
(8)
(9)。
进一步地，步骤2所述特征融合方法为：以递归图二维图像作为R通道，以格拉米角求和场二维图像作为G通道，以格拉米角求差场二维图像作为B通道，构建三通道特征图像，完成特征融合。
进一步地，步骤4所述有功功率相似度P(x,y)计算方法如下：
(10)
其中，Px为未知电器x的有功功率数值大小；Py,k为数据库中第y个已知电器的第k次运行记录的有功功率；1≤k≤K。
进一步地，步骤4所述无功功率相似度Q(x,y)计算方法如下：
(11)
其中，Qx为未知电器x的无功功率数值大小；Qy,k为数据库中第y个已知电器的第k次运行记录的无功功率；1≤k≤K。
进一步地，步骤4所述电流波形相似度W(x,y)计算方法如下：
(12)
其中，Ix为未知电器x的周期电流向量；Iy,k为数据库中第y个已知电器的第k次运行记录的周期电流向量；1≤k≤K；Pearson(A,B)表示求取A和B的Pearson相关系数，用于描述二者的线性关系；
计算未知电器x与第y个已知电器之间的相似度：
(13)
获取未知电器x与数据库中所有已知电器的相似度，获得相似度最大值Smax和相似度次大值Ssec，式（11）成立则将未知电器x辨识为Smax对应的电器，预辨识成功；否则，进一步进行精细辨识；
(14)
其中，Sth为电器相似度判别阈值，Sdiff电器相似度差值阈值。
进一步地，步骤5中，对于步骤4中预辨识失败的未知电器，重复步骤2，基于递归图和格拉米角场的特征融合获取多特征融合图像，进一步将融合图像输入至步骤3训练完毕的卷积神经网络中进行图像识别，最终输出融合图像的分类结果，最终完成负荷辨识。
与现有技术相比，本发明的有益效果是：
通过一种基于多特征融合图像的非侵入式负荷辨识方法，在面对低功耗电器和多状态电器时具有优异的辨识效果。通过基于有功功率相似度、无功功率相似度和电流波形相似度的预辨识过程，可以对一些简单电器进行快速辨识，提高了负荷辨识的效率。进一步，通过提取电器负荷数据对应的递归图特征图像和格拉米角场特征图像，并将多特征图像进行融合，最后通过卷积神经网络实现对融合图像的识别，显著提高了对复杂电器的辨识准确性。本发明的提出，有助于推动非侵入式负荷监测技术的推广，促进可持续化的能源消费行为。
附图说明
图1是基于多特征融合图像的非侵入式负荷辨识方法流程图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。
本发明提出的一种基于多维运行特性辨识的电力负荷设备数据自动标注方法，流程图如图1所示，主要分为以下步骤：
步骤1：基于已知电器的运行数据，截取其稳态运行时周期电流数据和周期电压数据，构建负荷数据库；
步骤2：基于周期电流数据提取递归图特征图像和格拉米角场特征图像，进行特征融合，最终获取多特征融合图像；
步骤3：将所有已知电器的多特征融合图像输入卷积神经网络，进行网络模型训练；
步骤4：对于待辨识的未知电器，基于有功功率相似度、无功功率相似度和电流波形相似度进行预辨识；
步骤5：对于初步辨识失败的未知电器，重复步骤2，提取其多特征融合图像并基于卷积神经网络进行精细辨识，最终完成全部负荷辨识；
进一步讲，本发明所述的一种基于多特征融合图像的非侵入式负荷辨识方法，其中：
所述步骤1中，基于采集的电器运行数据，截取单个电器单次稳定运行时一个完整周期的电流向量I和电压向量U：
(1)
(2)
其中，In和Un分别为采样电流和采样电压，n为一个完整周期的采样点个数。
所述步骤2中，基于周期电流数据提取递归图特征图像和格拉米角场特征图像，进行特征融合，最终获取多特征融合图像。
步骤2-1）：所述递归图特征图像提取方法为：
首先，基于周期电流数据I，计算距离矩阵Dn×n，其中距离矩阵中第i行第j列个元素为D(i,j)：
(3)
其中，1≤i≤n，1≤j≤n，‖·‖表示计算欧几里得范数。
其次，计算距离矩阵Dn×n中所有元素的标准差，然后将距离矩阵转化为递归矩阵RPn×n，矩阵中第i行第j列个元素RP(i,j)为：
(4)
最后，基于递归矩阵RPn×n绘制热力图，为二维递归图特征图像。
步骤2-2）：所述格拉米角场特征图像提取方法为：
首先，将周期电流数据I进行规范化，获得电流数据I，：
(5)
(6)
其中，Imin和Imax分别为I中最小值和最大值。
其次，将I，转变为极坐标形式，其中元素极坐标形式的对应角度θn为：
(7)
最后，构建格拉米角求和场GASF和格拉米角求差场GADF，并分别转换为二维图像：
(8)
(9)
步骤2-3）：所述特征融合方法为：
以递归图二维图像作为R通道，以格拉米角求和场二维图像作为G通道，以格拉米角求差场二维图像作为B通道，构建三通道特征图像，完成特征融合。
所述步骤3中，将所有已知电器的多特征融合图像输入卷积神经网络，进行模型训练；
所述步骤4中，对于待辨识的未知电器，基于有功功率相似度、无功功率相似度和电流波形相似度进行预辨识。
步骤4-1）：所述有功功率相似度P(x,y)计算方法如下：
(10)
其中，Px为未知电器x的有功功率数值大小；Py,k为数据库中第y个已知电器的第k次运行记录的有功功率；1≤k≤K。
步骤4-2）：所述无功功率相似度Q(x,y)计算方法如下：
(11)
其中，Qx为未知电器x的无功功率数值大小；Qy,k为数据库中第y个已知电器的第k次运行记录的无功功率；1≤k≤K。
步骤4-3）：电流波形相似度W(x,y)计算方法如下：
(12)
其中，Ix为未知电器x的周期电流向量；Iy,k为数据库中第y个已知电器的第k次运行记录的周期电流向量；1≤k≤K；Pearson(A,B)表示求取A和B的Pearson相关系数，用于描述二者的线性关系。
步骤4-4）：计算未知电器x与第y个已知电器之间的相似度：
(13)
进一步地，获取未知电器x与数据库中所有已知电器的相似度，获得相似度最大值Smax和相似度次大值Ssec，式（11）成立则将未知电器x辨识为Smax对应的电器，预辨识成功；否则，进一步进行精细辨识；
(14)
其中，Sth为电器相似度判别阈值，Sdiff电器相似度差值阈值。
所述步骤5中，对于步骤4中预辨识失败的未知电器，重复步骤2，基于递归图和格拉米角场的特征融合获取多特征融合图像，进一步将融合图像输入至步骤3训练完毕的卷积神经网络中进行图像识别，最终输出融合图像的分类结果，最终完成负荷辨识。
以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (9)
1.一种基于多特征融合图像的非侵入式负荷辨识方法，其特征在于，包括以下步骤：
步骤1：基于已知电器的运行数据，截取其稳态运行时周期电流数据和周期电压数据，构建负荷数据库；
步骤2：基于周期电流数据提取递归图特征图像和格拉米角场特征图像，进行特征融合，提取多特征融合图像；
步骤3：将所有已知电器的多特征融合图像输入卷积神经网络，进行网络模型训练；
步骤4：对于待辨识的未知电器，基于有功功率相似度、无功功率相似度和电流波形相似度进行预辨识；
步骤5：对于初步辨识失败的未知电器，重复步骤2，提取其多特征融合图像并基于卷积神经网络进行精细辨识，最终完成全部负荷辨识。
2.根据权利要求1所述的一种基于多特征融合图像的非侵入式负荷辨识方法，其特征在于，步骤1中，基于采集的电器运行数据，截取单个电器单次稳定运行时一个完整周期的电流向量I和电压向量U：
(1)
(2)
其中，In和Un分别为采样电流和采样电压，n为一个完整周期的采样点个数。
3.根据权利要求2所述的一种基于多特征融合图像的非侵入式负荷辨识方法，其特征在于，步骤2所述递归图特征图像提取方法为：
首先，基于周期电流数据I，计算距离矩阵Dn×n，其中距离矩阵中第i行第j列个元素为D(i,j)：
(3)
其中，1≤i≤n，1≤j≤n，‖·‖表示计算欧几里得范数；
其次，计算距离矩阵Dn×n中所有元素的标准差，然后将距离矩阵转化为递归矩阵RPn×n，矩阵中第i行第j列个元素RP(i,j)为：
(4)
最后，基于递归矩阵RPn×n绘制热力图，为二维递归图特征图像。
4.根据权利要求3所述的一种基于多特征融合图像的非侵入式负荷辨识方法，其特征在于，步骤2所述格拉米角场特征图像提取方法为：
首先，将周期电流数据I进行规范化，获得电流数据I，：
(5)
(6)
其中，Imin和Imax分别为I中最小值和最大值；
其次，将I，转变为极坐标形式，其中元素极坐标形式的对应角度θn为：
(7)
最后，构建格拉米角求和场GASF和格拉米角求差场GADF，并分别转换为二维图像：
(8)
(9)。
5.根据权利要求4所述的一种基于多特征融合图像的非侵入式负荷辨识方法，其特征在于，步骤2所述特征融合方法为：以递归图二维图像作为R通道，以格拉米角求和场二维图像作为G通道，以格拉米角求差场二维图像作为B通道，构建三通道特征图像，完成特征融合。
6.根据权利要求1所述的一种基于多特征融合图像的非侵入式负荷辨识方法，其特征在于，步骤4所述有功功率相似度P(x,y)计算方法如下：
(10)
其中，Px为未知电器x的有功功率数值大小；Py,k为数据库中第y个已知电器的第k次运行记录的有功功率；1≤k≤K。
7.根据权利要求1所述的一种基于多特征融合图像的非侵入式负荷辨识方法，其特征在于，步骤4所述无功功率相似度Q(x,y)计算方法如下：
(11)
其中，Qx为未知电器x的无功功率数值大小；Qy,k为数据库中第y个已知电器的第k次运行记录的无功功率；1≤k≤K。
8.根据权利要求7所述的一种基于多特征融合图像的非侵入式负荷辨识方法，其特征在于，步骤4所述电流波形相似度W(x,y)计算方法如下：
(12)
其中，Ix为未知电器x的周期电流向量；Iy,k为数据库中第y个已知电器的第k次运行记录的周期电流向量；1≤k≤K；Pearson(A,B)表示求取A和B的Pearson相关系数，用于描述二者的线性关系；
计算未知电器x与第y个已知电器之间的相似度：
(13)
获取未知电器x与数据库中所有已知电器的相似度，获得相似度最大值Smax和相似度次大值Ssec，式（11）成立则将未知电器x辨识为Smax对应的电器，预辨识成功；否则，进一步进行精细辨识；
(14)
其中，Sth为电器相似度判别阈值，Sdiff电器相似度差值阈值。
9.根据权利要求8所述的一种基于多特征融合图像的非侵入式负荷辨识方法，其特征在于，步骤5中，对于步骤4中预辨识失败的未知电器，重复步骤2，基于递归图和格拉米角场的特征融合获取多特征融合图像，进一步将融合图像输入至步骤3训练完毕的卷积神经网络中进行图像识别，最终输出融合图像的分类结果，最终完成负荷辨识。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311594794.4A CN117333724B (zh) | 2023-11-28 | 2023-11-28 | 一种基于多特征融合图像的非侵入式负荷辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311594794.4A CN117333724B (zh) | 2023-11-28 | 2023-11-28 | 一种基于多特征融合图像的非侵入式负荷辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117333724A true CN117333724A (zh) | 2024-01-02 |
| CN117333724B CN117333724B (zh) | 2024-02-27 |
Family
ID=89279596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311594794.4A Active CN117333724B (zh) | 2023-11-28 | 2023-11-28 | 一种基于多特征融合图像的非侵入式负荷辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117333724B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103439573A (zh) * | 2013-08-14 | 2013-12-11 | 国家电网公司 | 基于暂态特征贴近度匹配的家用负荷识别方法及系统 |
| US20150309092A1 (en) * | 2012-11-16 | 2015-10-29 | Tianjin University | Current Pattern Matching Method for Non-Intrusive Power Load Monitoring and Disaggregation |
| CN112149510A (zh) * | 2020-08-27 | 2020-12-29 | 广东工业大学 | 一种非侵入式负荷检测方法 |
| CN113987910A (zh) * | 2021-09-18 | 2022-01-28 | 国网江苏省电力有限公司信息通信分公司 | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 |
| CN114169435A (zh) * | 2021-12-07 | 2022-03-11 | 福州大学至诚学院 | 一种基于特征可视化的非侵入式负荷识别方法 |
| CN115100466A (zh) * | 2022-06-22 | 2022-09-23 | 国网江苏省电力有限公司信息通信分公司 | 一种非侵入式负荷监测方法、装置及介质 |
| CN116168245A (zh) * | 2023-02-22 | 2023-05-26 | 重庆邮电大学 | 基于CvT-13和多模态图像融和的心电分类方法 |
| CN116780537A (zh) * | 2023-08-24 | 2023-09-19 | 国网天津市电力公司宝坻供电分公司 | 非侵入式负荷监测方法、装置、存储介质 |
| CN116881836A (zh) * | 2023-06-15 | 2023-10-13 | 国网江苏省电力有限公司苏州供电分公司 | 基于格拉姆角场和特征融合的非侵入式负荷辨识方法和系统 |
| CN117039840A (zh) * | 2023-06-26 | 2023-11-10 | 贵州电网有限责任公司 | 一种基于特征自动增强的家用负荷识别方法及系统 |
-
2023
- 2023-11-28 CN CN202311594794.4A patent/CN117333724B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150309092A1 (en) * | 2012-11-16 | 2015-10-29 | Tianjin University | Current Pattern Matching Method for Non-Intrusive Power Load Monitoring and Disaggregation |
| CN103439573A (zh) * | 2013-08-14 | 2013-12-11 | 国家电网公司 | 基于暂态特征贴近度匹配的家用负荷识别方法及系统 |
| CN112149510A (zh) * | 2020-08-27 | 2020-12-29 | 广东工业大学 | 一种非侵入式负荷检测方法 |
| CN113987910A (zh) * | 2021-09-18 | 2022-01-28 | 国网江苏省电力有限公司信息通信分公司 | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 |
| CN114169435A (zh) * | 2021-12-07 | 2022-03-11 | 福州大学至诚学院 | 一种基于特征可视化的非侵入式负荷识别方法 |
| CN115100466A (zh) * | 2022-06-22 | 2022-09-23 | 国网江苏省电力有限公司信息通信分公司 | 一种非侵入式负荷监测方法、装置及介质 |
| CN116168245A (zh) * | 2023-02-22 | 2023-05-26 | 重庆邮电大学 | 基于CvT-13和多模态图像融和的心电分类方法 |
| CN116881836A (zh) * | 2023-06-15 | 2023-10-13 | 国网江苏省电力有限公司苏州供电分公司 | 基于格拉姆角场和特征融合的非侵入式负荷辨识方法和系统 |
| CN117039840A (zh) * | 2023-06-26 | 2023-11-10 | 贵州电网有限责任公司 | 一种基于特征自动增强的家用负荷识别方法及系统 |
| CN116780537A (zh) * | 2023-08-24 | 2023-09-19 | 国网天津市电力公司宝坻供电分公司 | 非侵入式负荷监测方法、装置、存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| MARC WENNINGER ET.AL: "Recurrence Plot Spacial Pyramid Pooling Network for Appliance Identification in Non-Intrusive Load Monitoring", 《2021 20TH IEEE INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS (ICMLA)》, pages 109 - 111 * |
| 徐琳 等: "基于改进遗传算法的非侵入式电器负荷识别", 《沈阳工业大学学报》, vol. 41, no. 1, pages 2 - 3 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117333724B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110288136B (zh) | 风电功率多步预测模型建立方法 | |
| CN110119545B (zh) | 一种基于栈式自编码器的非侵入式电力负荷识别方法 | |
| CN111563827B (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
| CN111949707B (zh) | 一种基于影场的隐马尔可夫模型的非侵入式负荷分解方法 | |
| CN108345906B (zh) | 一种基于Boost模型的非侵入式用电器识别方法 | |
| Kim et al. | Short-term electrical load forecasting with multidimensional feature extraction | |
| CN113191253A (zh) | 一种边缘机器学习下基于特征融合的非侵入式负荷识别方法 | |
| Kangping et al. | Analysis on residential electricity consumption behavior using improved k-means based on simulated annealing algorithm | |
| CN110569888A (zh) | 基于有向无环图支持向量机的变压器故障诊断方法及装置 | |
| CN104361135A (zh) | 一种图像检索方法 | |
| CN117333724B (zh) | 一种基于多特征融合图像的非侵入式负荷辨识方法 | |
| CN111651448B (zh) | 一种基于降噪差分进化的低压拓扑识别方法 | |
| Feng et al. | Identification of disturbance sources based on random forest model | |
| CN111898694B (zh) | 一种基于随机树分类的非入侵式负荷识别方法及装置 | |
| CN116881836A (zh) | 基于格拉姆角场和特征融合的非侵入式负荷辨识方法和系统 | |
| CN114662624B (zh) | 基于可再训练孪生网络的非侵入式负荷识别方法及系统 | |
| CN114841266A (zh) | 一种小样本下基于三元组原型网络的电压暂降识别方法 | |
| CN115630311A (zh) | 一种考虑不确定因素相关性的风光电氢场景缩减方法 | |
| Liu et al. | Data assimilation network for generalizable person re-identification | |
| Chen et al. | Self-supervised video representation learning by serial restoration with elastic complexity | |
| Wu et al. | Overview of day-ahead solar power forecasts based on weather classifications | |
| CN111834999A (zh) | 基于电压电流正交曲线的用电感知方法 | |
| CN113985266B (zh) | 多智能电表集中化负荷识别方法 | |
| Liu et al. | Diverse Representation Embedding for Lifelong Person Re-Identification | |
| Zhou et al. | Ensemble clustering model for load pattern identification under energy internet environment |
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 |