-
题名深度神经网络在非侵入式负荷分解中的应用
被引量：58
- 1
-
-
作者
燕续峰
翟少鹏
王治华
王芬
何光宇
-
机构
上海交通大学电子信息与电气工程学院
国网上海市电力公司电力调度控制中心
-
出处
《电力系统自动化》
EI
CSCD
北大核心
2019年第1期126-132,167,共8页
-
基金
国家自然科学基金资助项目(51877134)~~
-
文摘
负荷监测是智能用电的一个重要环节,为了实现非侵入式负荷监测,提出了一种基于深度神经网络的非侵入式负荷分解方法。首先提出了改进的电器状态聚类算法,通过改进终止条件和增加消除冗余类判据使得聚类结果更符合电器实际运行情况。针对目前研究常用的隐马尔可夫模型的弱时间特性问题,提出了电器时间特性模型,综合考虑了电器运行特性和用户使用习惯,从时间角度对电器进行建模。构建了深度神经网络进行负荷分解,网络的输入综合考虑了电器状态及时间、功率信息,采用历史运行数据及时间特性模型生成数据训练网络参数。最后,在测试数据集上验证了方法的有效性和准确性。
-
关键词
非侵入式负荷监测
电器状态聚类
时间特性模型
深度神经网络
-
Keywords
non-intrusive load monitoring
appliance state clustering
time characteristic model
deep neural network
-
分类号
TM714
[电气工程—电力系统及自动化]
-
-
题名基于结合情景上下文的FHMM负荷分解方法
- 2
-
-
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]
-
