CN109993424A - 一种基于宽度学习算法的非干涉式负荷分解方法 - Google Patents
一种基于宽度学习算法的非干涉式负荷分解方法 Download PDFInfo
- Publication number
- CN109993424A CN109993424A CN201910230729.0A CN201910230729A CN109993424A CN 109993424 A CN109993424 A CN 109993424A CN 201910230729 A CN201910230729 A CN 201910230729A CN 109993424 A CN109993424 A CN 109993424A
- Authority
- CN
- China
- Prior art keywords
- matrix
- vector
- load decomposition
- spliced
- augmented
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 202
- 239000013598 vector Substances 0.000 claims description 96
- 230000003190 augmentative effect Effects 0.000 claims description 49
- 238000013507 mapping Methods 0.000 claims description 28
- 230000002708 enhancing effect Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 6
- 230000003416 augmentation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims 1
- 230000005611 electricity Effects 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供的基于宽度学习算法的非干涉式负荷分解方法，其采集电器运行前后的运行数据作为输入数据，结合结合宽度学习算法，经过数据预处理、负荷分解模型初始训练、负荷分解模型增量学习、开关状态变化识别模型初始训练以及开关状态变化识别模型增量学习，充分考虑电气设备信息的多个因子，以非干涉的方式得到多电器设备场景的电力负荷运行状况，有效实现电气设备的负荷分解，提供更为精准的用电决策，且有较好的通用性与可推广性，极大地降低应用成本。
Description
技术领域
本发明涉及负荷分解技术领域，具体为一种基于宽度学习算法的非干涉式负荷分解方法。
背景技术
电力负荷分解通常需要配套干涉式或非干涉式装置，传统的负荷分解方法需要配备专用的传感器以监测、采集电气设备运行状态与相关用电信息，成本高不利于规模推广，且部署周期长，见效慢。当前市场上涌现了大量的智能电表类监测装置，已具备对电气设备的电压(U)、电流(I)、有功功率(P)、无功功率(Q)、功率因数(PF)、频率(f)、有功电量(kWh)等电量参数进行有效监测与信息采集。另外，传统的电气设备负荷分解方法，考虑的电气因素一般为功率，数据单一，分解的准确率较低。针对上述缺点，现提出改进。
发明内容
本发明提供的一种基于宽度学习算法的非干涉式负荷分解方法，无需专用的传感器装置，充分考虑电气设备信息的多个因子，采用大数据与人工智能的相关技术，有效实现电气设备的负荷分解，提供更为精准的用电决策。
本发明提供一种基于宽度学习算法的非干涉式负荷分解方法，其用于监测分析电器的电力运行状态及相关用电信息以实现所述电器的负荷分解，该方法包括以下步骤：
步骤1：一类数据采集，选取所述电器开关状态无变化的多个时段，以K1的采用频率采集内电器运行数据，该运行数据包括电压、电流、瞬时有功功率、瞬时无功功率，将所述运行数据拼接构成输入向量并对所述运行数据作傅里叶变换后拼接构成输入向量将所述输入向量拼接成为输入向量同时，采集电器的开关状态数据，开启记作1，关闭记作0，将开关状态拼接构成标签向量其中，i＝1,2,…,I记为数据编号，I为数据总量；二类数据采集，以K2的采样频率采集电器开关状态变化后T个周期内电器运行数据，将该运行数据拼接构成输入向量其中，记j＝1,2,…,J为数据编号，J为数据总量，同时，构造标签向量为j维的全1向量，然后，以K2的采样频率采集电器开关状态无变化的T个周期内电器运行数据，将该运行数据拼接构成输入向量同时，构造标签向量为j维的全0向量；
步骤2：数据预处理，一类数据预处理，将所述输入向量 归一化拼接为输入矩阵其他的输入向量归一化并拼接为测试输入矩阵将所述标签向量拼接为标签矩阵其他标签向量拼接为测试标签矩阵二类数据预处理，将所述输入向量归一化拼接为输入矩阵其他的输入向量归一化拼接为测试矩阵将所述标签向量 拼接为标签向量其他标签向量拼接为测试标签向量
步骤3：负荷分解模型初始训练，基于所述输入矩阵利用第一随机初始化矩阵第一激活函数及第一偏置向量构建映射特征节点矩阵基于所述映射特征节点矩阵利用第二随机初始化矩阵第二激活函数及第二偏置向量构建增强节点矩阵利用所述映射特征节点矩阵以及增强节点矩阵构建第一增广矩阵通过该第一增广矩阵及所述标签矩阵求得第一权值矩阵
步骤4：使用测试输入矩阵进行测试，若满足第一训练误差，则输出负荷分解模型，并进入步骤6；若训练误差不满足第一训练误差，则进入步骤5；
步骤5：负荷分解模型增量学习，基于所述映射特征节点矩阵利用第三随机初始化矩阵第二激活函数及第三偏置向量构建增量增强节点矩阵利用所述增量增强节点矩阵以及第一增广矩阵构建第二增广矩阵通过第二增广矩阵及标签矩阵求得第二权值矩阵将M+1赋值给M,且m+1赋值给m，返回步骤4；
步骤6：开关状态变化识别模型初始训练，基于所述输入矩阵利用第四随机初始化矩阵第三激活函数及第四偏置向量构建映射特征节点矩阵基于所述映射特征节点矩阵利用第五随机初始化矩阵第四激活函数及第五偏置向量构建增强节点矩阵利用所述映射特征节点矩阵以及增强节点矩阵构建第三增广矩阵通过该第三增广矩阵及所述标签矩阵求得第三权值矩阵
步骤7：使用测试输入矩阵进行测试，若满足第二训练误差，则输出开关状态变化识别模型，并进入步骤9；若训练误差不满足第二训练误差，则进入步骤8；
步骤8：开关状态变化识别模型增量学习，基于所述映射特征节点矩阵利用第六随机初始化矩阵第四激活函数及第六偏置向量构建增量增强节点矩阵利用所述增量增强节点矩阵及第三增广矩阵构建第四增广矩阵通过该第四增广矩阵及标签矩阵求得第四权值矩阵将M+1赋值给M,且m+1赋值给m，返回步骤7；
步骤9：开关状态变化识别，持续以K2的采样频率采集K个周期的电器运行数据，拼接并归一化构成输入向量Xswitch，将Xswitch输入所述开关状态变化识别模型，识别电器开关状态是否变化，若是，则延迟T2个周期后进入步骤10，若否，则以固定时间间隔执行步骤10；以及
步骤10：电器负荷分解，以K1的采样频率，采集单个周期的电器运行信息，拼接并归一化构成输入向量X1，并对该运行信息作傅里叶变换，拼接并归一化构成输入向量X2，将X1、X2拼接构成输入向量Xcycle，将该输入向量Xcycle输入所述负荷分解模型，得出电器负荷分解结果Ycycle。
优选的，基于如下公式构建所述映射节点矩阵及记 则 记 则 其中，k＝1,2,...,n。
优选的，基于如下公式构建所述增强节点矩阵及记 则记则 其中，l＝1,2,...,m。
优选的，步骤3基于如下公式求得所述第一权值矩阵所述第一增广矩阵求解第一增广矩阵的伪逆 得到第一权值矩阵
优选的，步骤5基于如下公式构建增量增强节点矩阵
优选的，步骤5基于如下公式求得第二权值矩阵构建第二增广矩阵其中，令
求解第二增广矩阵的伪逆
则解得第二权值矩阵
优选的，步骤6基于如下公式求得所述第三权值矩阵所述第三增广矩阵求解第三增广矩阵的伪逆 得到第三权值矩阵
优选的，步骤8基于如下公式构建增量增强节点矩阵
优选的，步骤8基于如下公式求得第四权值矩阵构建第四增广矩阵其中，令
求解第四增广矩阵的伪逆
则解得第四权值矩阵
优选的，所述频率K1可选取范围为1kHz-10kHz，所述频率K2可选取范围为1kHz-10kHz。
本发明提供的基于宽度学习算法的非干涉式负荷分解方法，在实现负荷分解时无需专用的传感器装置，可复用市场上的绝大多数电力信息采集装置(如智能电表等)，基于宽度学习算法，充分考虑电气设备信息的多个因子，采用大数据与人工智能的相关技术，有效实现电气设备的负荷分解，有较好的通用性与可推广性，极大地降低应用成本，更加准确地辨识多设备场景的电力负荷运行状况，提供更为精准的用电决策，有效提升经济效益。
附图说明
图1是本发明第一实施例提供的一种基于宽度学习算法的非干涉式负荷分解方法流程图；
图2是本发明宽度学习负荷分解模型示意图；
图3是本发明第一实施例提供的电暖气开关状态变化前后的电压、电流图；
图4是本发明第一实施例提供的电器负荷分解结果图。
具体实施方式
下面结合附图对本发明所提供的一种基于宽度学习算法的非干涉式负荷分解方法作进一步说明，需要指出的是，下面仅以一种最优化的技术方案对本发明的技术方案以及设计原理进行详细阐述。
本发明第一实施例提供的一种基于宽度学习算法的非干涉式负荷分解方法，其用于监测分析电器的电力运行状态及相关用电信息以实现所述电器的负荷分解。
参阅图1及图2，本发明第一实施例提供的一种基于宽度学习算法的非干涉式负荷分解方法，其包括以下步骤：
步骤1：一类数据采集，选取所述电器开关状态无变化的多个时段，以10kHz的采用频率采集内电器运行数据，该运行数据包括电压、电流、瞬时有功功率、瞬时无功功率，将所述运行数据拼接构成输入向量并对所述运行数据作傅里叶变换后拼接构成输入向量将所述输入向量拼接成为输入向量同时，采集电器的开关状态数据，开启记作1，关闭记作0，将开关状态拼接构成标签向量其中，i＝1,2,…,I记为数据编号，I为数据总量；二类数据采集，以1kHz的采样频率采集电器开关状态变化后T个周期内电器运行数据，将该运行数据拼接构成输入向量其中，记j＝1,2,…,J为数据编号，J为数据总量，同时，构造标签向量为j维的全1向量，然后，以K2的采样频率采集电器开关状态无变化的T个周期内电器运行数据，将该运行数据拼接构成输入向量同时，构造标签向量为j维的全0向量；
步骤2：数据预处理，一类数据预处理，将所述输入向量 归一化拼接为输入矩阵其他的输入向量归一化并拼接为测试输入矩阵将所述标签向量拼接为标签矩阵其他标签向量拼接为测试标签矩阵二类数据预处理，将所述输入向量归一化拼接为输入矩阵其他的输入向量归一化拼接为测试矩阵将所述标签向量 拼接为标签向量其他标签向量拼接为测试标签向量
步骤3：负荷分解模型初始训练，基于所述输入矩阵利用第一随机初始化矩阵第一激活函数及第一偏置向量构建映射特征节点矩阵基于所述映射特征节点矩阵利用第二随机初始化矩阵第二激活函数及第二偏置向量构建增强节点矩阵利用所述映射特征节点矩阵以及增强节点矩阵构建第一增广矩阵通过该第一增广矩阵及所述标签矩阵求得第一权值矩阵
具体的，上述步骤3的基于如下公式求得第一权值矩阵首先，建所述映射节点矩阵记则 其次，构建所述增强节点矩阵记则然后，构建第一增广矩阵求解第一增广矩阵的伪逆 最后，求得第一权值矩阵
步骤4：使用测试输入矩阵进行测试，若满足第一训练误差，则输出负荷分解模型，并进入步骤6；若训练误差不满足第一训练误差，则进入步骤5；
步骤5：负荷分解模型增量学习，基于所述映射特征节点矩阵利用第三随机初始化矩阵第二激活函数及第三偏置向量构建增量增强节点矩阵利用所述增量增强节点矩阵以及第一增广矩阵构建第二增广矩阵通过第二增广矩阵及标签矩阵求得第二权值矩阵将M+1赋值给M,且m+1赋值给m，返回步骤4；
具体的，步骤5基于如下公式求得第二权值矩阵首先，构建增量增强节点矩阵然后，构建第二增广矩阵令
求解第二增广矩阵的伪逆
最后，求得第二权值矩阵
步骤6：开关状态变化识别模型初始训练，基于所述输入矩阵利用第四随机初始化矩阵第三激活函数及第四偏置向量构建映射特征节点矩阵基于所述映射特征节点矩阵利用第五随机初始化矩阵第四激活函数及第五偏置向量构建增强节点矩阵利用所述映射特征节点矩阵以及增强节点矩阵构建第三增广矩阵通过该第三增广矩阵及所述标签矩阵求得第三权值矩阵
具体的，步骤6基于如下公式求得第三权值矩阵首先，构建所述映射节点矩阵
记则 其次，构建所述增强节点矩阵记则 然后，构建第三增广矩阵求解第三增广矩阵的伪逆
最后，求得第三权值矩阵
步骤7：使用测试输入矩阵进行测试，若满足第二训练误差，则输出开关状态变化识别模型，并进入步骤9；若训练误差不满足第二训练误差，则进入步骤8；
步骤8：开关状态变化识别模型增量学习，基于所述映射特征节点矩阵利用第六随机初始化矩阵第四激活函数及第六偏置向量构建增量增强节点矩阵利用所述增量增强节点矩阵及第三增广矩阵构建第四增广矩阵通过该第四增广矩阵及标签矩阵求得第四权值矩阵将M+1赋值给M,且m+1赋值给m，返回步骤7；
具体的，步骤8基于如下公式求得第四权值矩阵首先，构建增量增强节点矩阵然后，构建第四增广矩阵令
求解第四增广矩阵的伪逆
最后，求得第四权值矩阵
步骤9：开关状态变化识别，如图3所示，持续以1kHz的采样频率采集K个周期的电器运行数据，拼接并归一化构成输入向量Xswitch，将Xswitch输入所述开关状态变化识别模型，识别电器开关状态是否变化，若是，则延迟25个周期后进入步骤10，若否，则以固定时间间隔执行步骤10；
步骤10：电器负荷分解，如图4所示，以10kHz的采样频率，采集单个周期的电器运行信息，拼接并归一化构成输入向量X1，并对该运行信息作傅里叶变换，拼接并归一化构成输入向量X2，将X1、X2拼接构成输入向量Xcycle，将该输入向量Xcycle输入所述负荷分解模型，得出电器负荷分解结果Ycycle。
具体的，参阅图3及图4，在本发明中，所识别开关状态变化的电器为电暖气，所分解负荷的电器为电暖气、电视机以及笔记本。
本发明提供的基于宽度学习算法的非干涉式负荷分解方法，其采集电器运行前后的运行数据作为输入数据，结合结合宽度学习算法，经过数据预处理、负荷分解模型初始训练、负荷分解模型增量学习、开关状态变化识别模型初始训练以及开关状态变化识别模型增量学习，充分考虑电气设备信息的多个因子，以非干涉的方式得到多电器设备场景的电力负荷运行状况，有效实现电气设备的负荷分解，提供更为精准的用电决策，且有较好的通用性与可推广性，极大地降低应用成本。
以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于宽度学习算法的非干涉式负荷分解方法，其用于监测分析电器的电力运行状态及相关用电信息以实现所述电器的负荷分解，其特征在于，该方法包括以下步骤：
步骤1：一类数据采集，选取所述电器开关状态无变化的多个时段，以K1的采用频率采集内电器运行数据，该运行数据包括电压、电流、瞬时有功功率、瞬时无功功率，将所述运行数据拼接构成输入向量并对所述运行数据作傅里叶变换后拼接构成输入向量将所述输入向量拼接成为输入向量同时，采集电器的开关状态数据，开启记作1，关闭记作0，将开关状态拼接构成标签向量其中，i＝1,2,…,I记为数据编号，I为数据总量；二类数据采集，以K2的采样频率采集电器开关状态变化后T个周期内电器运行数据，将该运行数据拼接构成输入向量其中，记j＝1,2,…,J为数据编号，J为数据总量，同时，构造标签向量为j维的全1向量，然后，以K2的采样频率采集电器开关状态无变化的T个周期内电器运行数据，将该运行数据拼接构成输入向量同时，构造标签向量为j维的全0向量；
步骤2：数据预处理，一类数据预处理，将所述输入向量 归一化拼接为输入矩阵其他的输入向量归一化并拼接为测试输入矩阵将所述标签向量 拼接为标签矩阵其他标签向量拼接为测试标签矩阵二类数据预处理，将所述输入向量归一化拼接为输入矩阵其他的输入向量归一化拼接为测试矩阵将所述标签向量拼接为标签向量其他标签向量拼接为测试标签向量
步骤3：负荷分解模型初始训练，基于所述输入矩阵利用第一随机初始化矩阵第一激活函数及第一偏置向量构建映射特征节点矩阵基于所述映射特征节点矩阵利用第二随机初始化矩阵第二激活函数及第二偏置向量构建增强节点矩阵利用所述映射特征节点矩阵以及增强节点矩阵构建第一增广矩阵通过该第一增广矩阵及所述标签矩阵求得第一权值矩阵
步骤4：使用测试输入矩阵进行测试，若满足第一训练误差，则输出负荷分解模型，并进入步骤6；若训练误差不满足第一训练误差，则进入步骤5；
步骤5：负荷分解模型增量学习，基于所述映射特征节点矩阵利用第三随机初始化矩阵第二激活函数及第三偏置向量构建增量增强节点矩阵利用所述增量增强节点矩阵以及第一增广矩阵构建第二增广矩阵通过第二增广矩阵及标签矩阵求得第二权值矩阵将M+1赋值给M,且m+1赋值给m，返回步骤4；
步骤6：开关状态变化识别模型初始训练，基于所述输入矩阵利用第四随机初始化矩阵第三激活函数及第四偏置向量构建映射特征节点矩阵基于所述映射特征节点矩阵利用第五随机初始化矩阵第四激活函数及第五偏置向量构建增强节点矩阵利用所述映射特征节点矩阵以及增强节点矩阵构建第三增广矩阵通过该第三增广矩阵及所述标签矩阵求得第三权值矩阵
步骤7：使用测试输入矩阵进行测试，若满足第二训练误差，则输出开关状态变化识别模型，并进入步骤9；若训练误差不满足第二训练误差，则进入步骤8；
步骤8：开关状态变化识别模型增量学习，基于所述映射特征节点矩阵利用第六随机初始化矩阵第四激活函数及第六偏置向量构建增量增强节点矩阵利用所述增量增强节点矩阵及第三增广矩阵构建第四增广矩阵通过该第四增广矩阵及标签矩阵求得第四权值矩阵将M+1赋值给M,且m+1赋值给m，返回步骤7；
步骤9：开关状态变化识别，持续以K2的采样频率采集K个周期的电器运行数据，拼接并归一化构成输入向量Xswitch，将Xswitch输入所述开关状态变化识别模型，识别电器开关状态是否变化，若是，则延迟T2个周期后进入步骤10，若否，则以固定时间间隔执行步骤10；以及
步骤10：电器负荷分解，以K1的采样频率，采集单个周期的电器运行信息，拼接并归一化构成输入向量X1，并对该运行信息作傅里叶变换，拼接并归一化构成输入向量X2，将X1、X2拼接构成输入向量Xcycle，将该输入向量Xcycle输入所述负荷分解模型，得出电器负荷分解结果Ycycle。
2.根据权利要求1所述的一种基于宽度学习算法的非干涉式负荷分解方法，其特征在于，基于如下公式构建所述映射节点矩阵及记则 记则 其中，k＝1,2,...,n。
3.根据权利要求2所述的一种基于宽度学习算法的非干涉式负荷分解方法，其特征在于，基于如下公式构建所述增强节点矩阵及记则记则 其中，l＝1,2,...,m。
4.根据权利要求3所述的一种基于宽度学习算法的非干涉式负荷分解方法，其特征在于，步骤3基于如下公式求得所述第一权值矩阵所述第一增广矩阵求解第一增广矩阵的伪逆 得到第一权值矩阵
5.根据权利要求4所述的一种基于宽度学习算法的非干涉式负荷分解方法，其特征在于，步骤5基于如下公式构建增量增强节点矩阵
6.根据权利要求5所述的一种基于宽度学习算法的非干涉式负荷分解方法，其特征在于，步骤5基于如下公式求得第二权值矩阵构建第二增广矩阵其中，令
求解第二增广矩阵的伪逆
则解得第二权值矩阵
7.根据权利要求3所述的一种基于宽度学习算法的非干涉式负荷分解方法，其特征在于，步骤6基于如下公式求得所述第三权值矩阵所述第三增广矩阵求解第三增广矩阵的伪逆得到第三权值矩阵
8.根据权利要求所述的一种基于宽度学习算法的非干涉式负荷分解方法，其特征在于，步骤8基于如下公式构建增量增强节点矩阵
9.根据权利要求所述的一种基于宽度学习算法的非干涉式负荷分解方法，其特征在于，步骤8基于如下公式求得第四权值矩阵构建第四增广矩阵其中，令
求解第四增广矩阵的伪逆
则解得第四权值矩阵
10.根据权利要求1～9任意一项所述的一种基于宽度学习算法的非干涉式负荷分解方法，其特征在于，所述频率K1可选取范围为1kHz-10kHz，所述频率K2可选取范围为1kHz-10kHz。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910230729.0A CN109993424B (zh) | 2019-03-26 | 2019-03-26 | 一种基于宽度学习算法的非干涉式负荷分解方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910230729.0A CN109993424B (zh) | 2019-03-26 | 2019-03-26 | 一种基于宽度学习算法的非干涉式负荷分解方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109993424A true CN109993424A (zh) | 2019-07-09 |
| CN109993424B CN109993424B (zh) | 2023-06-23 |
Family
ID=67131501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910230729.0A Active CN109993424B (zh) | 2019-03-26 | 2019-03-26 | 一种基于宽度学习算法的非干涉式负荷分解方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109993424B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112256123A (zh) * | 2020-09-25 | 2021-01-22 | 北京师范大学 | 基于脑负荷的操控工效分析方法、设备及*** |
| CN116304762A (zh) * | 2023-05-17 | 2023-06-23 | 杭州致成电子科技有限公司 | 负荷的分解方法和装置 |
| CN116610922A (zh) * | 2023-07-13 | 2023-08-18 | 浙江大学滨江研究院 | 基于多策略学习的非侵入式负荷识别方法和*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130110756A1 (en) * | 2011-10-31 | 2013-05-02 | Siemens Corporation | Short-term Load Forecast Using Support Vector Regression and Feature Learning |
| CN105260803A (zh) * | 2015-11-06 | 2016-01-20 | 国家电网公司 | 一种***用电量预测方法 |
| CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
| CN108960339A (zh) * | 2018-07-20 | 2018-12-07 | 吉林大学珠海学院 | 一种基于宽度学习的电动汽车感应电动机故障诊断方法 |
| CN109444757A (zh) * | 2018-10-09 | 2019-03-08 | 杭州中恒云能源互联网技术有限公司 | 一种电动汽车动力电池剩余电量估算方法 |
| CN109508908A (zh) * | 2018-12-25 | 2019-03-22 | 深圳市城市公共安全技术研究院有限公司 | 非侵入式负荷识别模型训练方法、负荷监测方法及装置 |
-
2019
- 2019-03-26 CN CN201910230729.0A patent/CN109993424B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130110756A1 (en) * | 2011-10-31 | 2013-05-02 | Siemens Corporation | Short-term Load Forecast Using Support Vector Regression and Feature Learning |
| CN105260803A (zh) * | 2015-11-06 | 2016-01-20 | 国家电网公司 | 一种***用电量预测方法 |
| CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
| CN108960339A (zh) * | 2018-07-20 | 2018-12-07 | 吉林大学珠海学院 | 一种基于宽度学习的电动汽车感应电动机故障诊断方法 |
| CN109444757A (zh) * | 2018-10-09 | 2019-03-08 | 杭州中恒云能源互联网技术有限公司 | 一种电动汽车动力电池剩余电量估算方法 |
| CN109508908A (zh) * | 2018-12-25 | 2019-03-22 | 深圳市城市公共安全技术研究院有限公司 | 非侵入式负荷识别模型训练方法、负荷监测方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112256123A (zh) * | 2020-09-25 | 2021-01-22 | 北京师范大学 | 基于脑负荷的操控工效分析方法、设备及*** |
| CN112256123B (zh) * | 2020-09-25 | 2022-08-23 | 北京师范大学 | 基于脑负荷的操控工效分析方法、设备及*** |
| CN116304762A (zh) * | 2023-05-17 | 2023-06-23 | 杭州致成电子科技有限公司 | 负荷的分解方法和装置 |
| CN116610922A (zh) * | 2023-07-13 | 2023-08-18 | 浙江大学滨江研究院 | 基于多策略学习的非侵入式负荷识别方法和*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109993424B (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993424A (zh) | 一种基于宽度学习算法的非干涉式负荷分解方法 | |
| Singh et al. | Deep sparse coding for non–intrusive load monitoring | |
| Wang et al. | Series AC arc fault detection method based on hybrid time and frequency analysis and fully connected neural network | |
| Liang et al. | Load signature study—Part I: Basic concept, structure, and methodology | |
| CN109145949A (zh) | 基于集成学习的非侵入式电力负荷监测与分解方法及*** | |
| CN109659933A (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
| CN106096726A (zh) | 一种非侵入式负荷监测方法及装置 | |
| CN107392391A (zh) | 一种基于深度学习的电力负荷用电分解方法 | |
| CN109165604A (zh) | 基于协同训练的非侵入式负荷识别方法及其测试*** | |
| CN111209976B (zh) | 一种非侵入式负荷监测方法及*** | |
| CN111639586B (zh) | 非侵入式负荷识别模型构建方法、负荷识别方法及*** | |
| CN110045209A (zh) | 用电数据异常的检测方法、装置、设备及可读存储介质 | |
| CN103020459A (zh) | 一种多维度用电行为的感知方法及*** | |
| CN110516788A (zh) | 一种基于Bi-LSTM算法的非侵入式负荷检测方法及*** | |
| Jia et al. | Non-intrusive load identification using reconstructed voltage–current images | |
| CN102224425A (zh) | 通过分析负载瞬时状态实现非介入测定装置消耗电能的方法和装置 | |
| CN110045292A (zh) | 基于大数据和bp神经网络的锂离子电池SOC预测方法 | |
| CN111242276B (zh) | 一种用于负荷电流信号识别的一维卷积神经网络构建方法 | |
| CN108535635A (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
| CN109697548A (zh) | 用电分析服务器及其用电分析方法 | |
| CN114091282B (zh) | 基于分数阶模型的锂离子电池状态估计方法及*** | |
| CN102262211A (zh) | 基于回声状态网络动态分类的模拟电路故障诊断方法 | |
| CN105807231A (zh) | 一种用于蓄电池剩余容量检测的方法及*** | |
| CN108763847A (zh) | 一种非侵入式电信号分析追踪方法、装置、电子设备 | |
| de Diego-Otón et al. | Recurrent LSTM architecture for appliance identification in non-intrusive load monitoring |
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 |