检索结果-维普期刊中文期刊服务平台

基于因子隐马尔可夫模型的负荷分解方法及灵敏度分析被引量：22: 1; 作者陈思运高峰 +2 位作者刘烃翟桥柱管晓宏《电力系统自动化》 EI CSCD 北大核心 2016年第21期128-136,共9页; 负荷分解是智能电网的关键技术,对负荷预测、需求侧管理及电网安全有重要意义。传统负荷分解方法的准确率受限于负荷特征的维度、采样频率和负荷的稳定性。文中提出了基于因子隐马尔可夫模型的负荷分解方法,利用该模型对负荷进行建模,对... 展开更多; 关键词隐马尔可夫模型因子隐马尔可夫模型负荷分解灵敏度分析; 在线阅读下载PDF 职称材料

基于启停状态识别改进因子隐马尔可夫模型的非侵入式负荷分解被引量：20: 2; 作者于超覃智君阳育德《电网技术》 EI CSCD 北大核心 2021年第11期4540-4550,共11页; 非侵入式负荷分解(non-intrusiveloaddisaggregation,NILD)是通过对总电气量分析得到用户家中各电器设备的能耗数据,该数据为节能、需求响应及公共安全等方面提供重要依据。目前,NILD算法存在因设备启停状态识别准确率低导致负荷分解精... 展开更多; 关键词非侵入式负荷分解不平衡启停状态特征提取启停状态识别启停状态组合因子隐马尔可夫模型; 在线阅读下载PDF 职称材料

非介入式工业设备监测方法研究被引量：2: 3; 作者赵学明杨国朝 +2 位作者杨朝雯郝爽焦龙《电力科学与技术学报》 CAS CSCD 北大核心 2024年第5期112-117,共6页; 非介入式负荷监测(non‐invasive load monitoring,NILM)技术可以不侵入用户内部,仅通过对用户电表数据的分析就能获取用户各个用电设备的用电信息。NILM在居民负荷分解中的研究和应用很多,但在工业负荷上的应用却很少。一方面,工业负... 展开更多; 关键词工业负荷负荷监测非介入式负荷监测状态空间因子隐马尔可夫模型; 在线阅读下载PDF 职称材料

特征选择对FHMM性能影响研究被引量：1: 4; 作者陈昌红赵恒 +1 位作者梁继民焦李成《西安电子科技大学学报》 EI CAS CSCD 北大核心 2010年第5期934-940,共7页; 在利用因子隐马尔可夫模型(Factorial Hidden Markov Model,FHMM)进行分类识别的过程中,特征选择是影响其性能的主要因素.通过研究特征选择对FHMM性能的影响,提出了一种性能分析的方案,得出了选择FHMM特征的准则.将FHMM引入到步态识别中... 展开更多; 关键词因子隐马尔可夫模型特征选择正则典型相关分析 MCNEMAR检验步态识别; 在线阅读下载PDF 职称材料

基于结合情景上下文的FHMM负荷分解方法: 5; 作者魏海浩刘爱莲李英娜《计算机应用与软件》北大核心 2022年第4期60-67,共8页; 负荷监测是实现智能用电的关键技术,为了实现非侵入式负荷检测,提出一种结合情景上下文的因子隐马尔可夫(FHMM)负荷分解方法。运用FHMM模型对负荷进行建模。根据电器工作状态的功率服从高斯分布,运用高斯混合模型进行电器状态聚类。结... 展开更多; 关键词非侵入式负荷监测因子隐马尔可夫模型电器状态聚类情景上下文; 在线阅读下载PDF 职称材料

题名基于因子隐马尔可夫模型的负荷分解方法及灵敏度分析被引量：22: 1; 作者陈思运高峰刘烃翟桥柱管晓宏; 机构机械制造系统工程国家重点实验室(西安交通大学) 智能网络与网络安全教育部重点实验室(西安交通大学); 出处《电力系统自动化》 EI CSCD 北大核心 2016年第21期128-136,共9页; 基金国家自然科学基金资助项目(61473218) 国家重点研发计划资助项目(2016YFB0901904)~~; 文摘负荷分解是智能电网的关键技术,对负荷预测、需求侧管理及电网安全有重要意义。传统负荷分解方法的准确率受限于负荷特征的维度、采样频率和负荷的稳定性。文中提出了基于因子隐马尔可夫模型的负荷分解方法,利用该模型对负荷进行建模,对Viterbi算法进行了扩展并求解负荷状态,进而基于整数规划实现对总负荷的最优分配。该方法对负荷数据的稳定性和采样频率不敏感,可适用于家居和工业电力用户。同时,深入研究了Viterbi算法求解最优状态与观测扰动之间的影响关系,并进一步得到最优状态对于当前观测的允许扰动范围,这对负荷分解最优状态的可靠性评估有重要意义。; 关键词隐马尔可夫模型因子隐马尔可夫模型负荷分解灵敏度分析; Keywords hidden Markov model factorial hidden Markov model load disaggregation sensitivity analysis; 分类号 TM714 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名基于启停状态识别改进因子隐马尔可夫模型的非侵入式负荷分解被引量：20: 2; 作者于超覃智君阳育德; 机构广西大学电气工程学院; 出处《电网技术》 EI CSCD 北大核心 2021年第11期4540-4550,共11页; 基金国家自然科学基金项目(51767001)。; 文摘非侵入式负荷分解(non-intrusiveloaddisaggregation,NILD)是通过对总电气量分析得到用户家中各电器设备的能耗数据,该数据为节能、需求响应及公共安全等方面提供重要依据。目前,NILD算法存在因设备启停状态识别准确率低导致负荷分解精度低的问题。为此,该文提出一种基于设备启停状态识别改进因子隐马尔可夫模型(factorialhidden Markov model,FHMM)的NILD方法。首先,通过人工少数类过采样法(syntheticminorityover-samplingtechnique,SMOTE)对训练数据做重采样处理、深度神经网络(deep neuralnetwork,DNN)模型提取启停状态特征以及双向长短时记忆网络及条件随机场(bidirectionallongshortterm memory-conditionalrandomfield,Bi LSTM-CRF)模型提升其对不平衡启停状态的识别能力;然后,将设备启停状态组合模块按照数理组合方法划分数据集,形成若干启停状态组合子数据集,并分别对各子数据集中处于启状态的设备建立FHMM进行负荷分解;最后,在公开数据集每分钟电力年鉴数据集(the almanac of minutely power dataset,AMPds)进行实验,该文算法得到的设备负荷分解平均精度比传统FHMM方法提升了3.8倍,验证了所提方法的有效性和准确性。; 关键词非侵入式负荷分解不平衡启停状态特征提取启停状态识别启停状态组合因子隐马尔可夫模型; Keywords non-intrusive load disaggregation unbalanced ON-OFF state feature extraction ON-OFF state recognition ON-OFF state combination factorial hidden Markov model; 分类号 TM721 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名非介入式工业设备监测方法研究被引量：2: 3; 作者赵学明杨国朝杨朝雯郝爽焦龙; 机构国网天津市电力公司; 出处《电力科学与技术学报》 CAS CSCD 北大核心 2024年第5期112-117,共6页; 基金国网天津市电力公司科技项目(KJ21‑2‑10)。; 文摘非介入式负荷监测(non‐invasive load monitoring,NILM)技术可以不侵入用户内部,仅通过对用户电表数据的分析就能获取用户各个用电设备的用电信息。NILM在居民负荷分解中的研究和应用很多,但在工业负荷上的应用却很少。一方面,工业负荷在负荷特性和负荷数据分布方面与民用负荷差别较大,致使许多应用于居民场景中的方法在迁移至工业场景后性能下降明显;另一方面,工业用户出于对保护隐私的考虑不会公开用电数据,利用有限的数据有效学习工业负荷设备知识是极具挑战性的。为应对这些问题,提出一种基于因子隐马尔科夫模型(factorial hidden Markov model,FHMM)的工业负荷分解方法。该方法利用FHMM的多条独立的隐状态链模拟工业负荷设备的运行状态转换过程,求解设备在各时刻所处的状态,即可结合状态能耗信息预测设备用电量。最后利用某工厂的现场能耗监测数据对所提方法进行测试,结果表明所提方法具有良好的负荷分解效果。; 关键词工业负荷负荷监测非介入式负荷监测状态空间因子隐马尔可夫模型; Keywords industrial load load monitoring non-invasive load monitoring state space factorial hidden Markov model; 分类号 TM615 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名特征选择对FHMM性能影响研究被引量：1: 4; 作者陈昌红赵恒梁继民焦李成; 机构西安电子科技大学生命科学与技术学院生命科学研究中心南京邮电大学通信与信息工程学院西安电子科技大学智能感知与图像理解教育部重点实验室; 出处《西安电子科技大学学报》 EI CAS CSCD 北大核心 2010年第5期934-940,共7页; 基金国家重点基础研究发展计划973资助项目(2006CB705700) 教育部创新团队计划资助项目(IRT0645) +2 种基金 60872154) 陕西省自然科学基础研究计划资助项目(SJ08F18); 文摘在利用因子隐马尔可夫模型(Factorial Hidden Markov Model,FHMM)进行分类识别的过程中,特征选择是影响其性能的主要因素.通过研究特征选择对FHMM性能的影响,提出了一种性能分析的方案,得出了选择FHMM特征的准则.将FHMM引入到步态识别中,提取4种步态特征,得到使用不同特征组合的FHMM的实验结果.使用McNemar检验的方法将其与单个特征的识别性能做比较,结合由正则典型相关分析得到的维数不同的特征间的相关性,分析得到以下结论:基于FHMM的识别性能与特征间的相关性并没有必然联系,其性能更多地受到特征间的识别性能差异和单个特征的识别性能的影响.为发挥FHMM的优越性,应选择特征间识别性能差异小和单个特征识别性能好的特征组合,在此基础上特征间相关性越小越好.; 关键词因子隐马尔可夫模型特征选择正则典型相关分析 MCNEMAR检验步态识别; Keywords factorial hidden Markov model feature selection regularized canonical correlation analysis McNemar＇s test gait recognition; 分类号 TN911.7 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名基于结合情景上下文的FHMM负荷分解方法: 5; 作者魏海浩刘爱莲李英娜; 机构昆明理工大学信息工程与自动化学院; 出处《计算机应用与软件》北大核心 2022年第4期60-67,共8页; 基金国家自然科学基金项目(51567013)。; 文摘负荷监测是实现智能用电的关键技术,为了实现非侵入式负荷检测,提出一种结合情景上下文的因子隐马尔可夫(FHMM)负荷分解方法。运用FHMM模型对负荷进行建模。根据电器工作状态的功率服从高斯分布,运用高斯混合模型进行电器状态聚类。结合情景上下文信息,对负载设备的状态转移概率进行优化消除冗余状态转移概率,对状态空间以及状态转移路径进行约束降低维特比算法的复杂度。基于REDD数据集验证了该方法的有效性和准确性。; 关键词非侵入式负荷监测因子隐马尔可夫模型电器状态聚类情景上下文; Keywords Non-intrusive load monitoring Factor hidden Markov model Electrical state clustering Situational context; 分类号 TP3 [自动化与计算机技术—计算机科学与技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于因子隐马尔可夫模型的负荷分解方法及灵敏度分析	陈思运高峰刘烃翟桥柱管晓宏	《电力系统自动化》 EI CSCD 北大核心	2016	22	在线阅读下载PDF 职称材料
2	基于启停状态识别改进因子隐马尔可夫模型的非侵入式负荷分解	于超覃智君阳育德	《电网技术》 EI CSCD 北大核心	2021	20	在线阅读下载PDF 职称材料
3	非介入式工业设备监测方法研究	赵学明杨国朝杨朝雯郝爽焦龙	《电力科学与技术学报》 CAS CSCD 北大核心	2024	2	在线阅读下载PDF 职称材料
4	特征选择对FHMM性能影响研究	陈昌红赵恒梁继民焦李成	《西安电子科技大学学报》 EI CAS CSCD 北大核心	2010	1	在线阅读下载PDF 职称材料
5	基于结合情景上下文的FHMM负荷分解方法	魏海浩刘爱莲李英娜	《计算机应用与软件》北大核心	2022	0	在线阅读下载PDF 职称材料