CN110501568B - 一种基于图信号处理的非侵入式设备负载监测方法 - Google Patents

一种基于图信号处理的非侵入式设备负载监测方法 Download PDF

Info

Publication number
CN110501568B
CN110501568B CN201910606143.XA CN201910606143A CN110501568B CN 110501568 B CN110501568 B CN 110501568B CN 201910606143 A CN201910606143 A CN 201910606143A CN 110501568 B CN110501568 B CN 110501568B
Authority
CN
China
Prior art keywords
graph
time
active power
equipment
moment
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.)
Active
Application number
CN201910606143.XA
Other languages
English (en)
Other versions
CN110501568A (zh
Inventor
赵生捷
张冰
张荣庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201910606143.XA priority Critical patent/CN110501568B/zh
Publication of CN110501568A publication Critical patent/CN110501568A/zh
Application granted granted Critical
Publication of CN110501568B publication Critical patent/CN110501568B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
    • G01R21/1331—Measuring real or reactive component, measuring apparent energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于图信号处理的非侵入式设备负载监测方法，包括数据预处理、起始点获取和目标函数整体优化三个步骤，首先对数据进行预处理，为各已知设备选取合适的时间段作为训练集；然后确定目标函数，对目标函数的正则化项进行最小值求解，获得解析解；最后将已获得的解析解作为起始点，执行梯度投影优化算法对目标函数进行整体优化求解。与现有技术相比，本发明具有提高了算法性能，获得更好的电力分离结果，实现更高精度的非侵入式设备的负载监测等优点。

Description

一种基于图信号处理的非侵入式设备负载监测方法
技术领域
本发明涉及非侵入式设备负载监测领域，尤其是涉及一种基于图信号处理的非侵入式设备负载监测方法。
背景技术
非侵入式设备负载监测(Non-intrusive Appliance Load Monitoring,NILM)，即给定由总电路电表测量得到的家庭某一时刻的总电力功耗，应用一些分析、计算的方式，得到该时刻对应各个电器设备的实际电力功耗。在这个过程中，无需借助于分电表来测量特定设备的功耗。因此，NILM具有易于使用、低成本、无设备干扰、不影响家庭生活等优势。从节约能源的角度，NILM扮演了不可替代的重要角色。对于普通家庭用户而言，NILM可以帮助他们了解家中各个电器的功耗情况，用户在此基础上可以及时关闭高功耗电器，这在无形中激发了人们的节约意识。对于政策制定者而言，NILM可以帮助他们对家庭用电状况产生一个更加宏观、深入的认识，有助于其制定更为合理的能源反馈机制和需求响应策略。
在已有的研究中，在将图信号处理应用到NILM领域中时，其关于图信号(GraphSignal)的定义都是一个取值为-1、0、1的离散函数，这使得最终的目标函数是一个离散不可导的函数，限制了优化算法的使用。同时，由于目标函数是一个离散不可导的函数，因此多数已有的方法都是将目标函数看作两部分，然后进行分割、分步处理。即先对作为目标函数第二部分的正则化项进行最小值求解，然后将其解作为起始点，采用模拟退火等启发式算法对目标函数第一部分进行优化，因此会导致计算复杂，电力分离结果精度不高。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于图信号处理的非侵入式设备负载监测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于图信号处理的非侵入式设备负载监测方法，包括数据预处理、起始点获取和目标函数整体优化三个步骤，首先对数据进行预处理，为各已知设备选取合适的时间段作为训练集；然后确定目标函数，对目标函数的正则化项进行最小值求解，获得解析解；最后将已获得的解析解作为起始点，执行梯度投影优化算法对目标函数进行整体优化求解。
进一步地，具体包括以下步骤：
S1、获取用户设备在设定时间段1～N内的总负荷有功功率pi，作为监测数据；获取每个设备在设定时间段1～n内的单独有功功率
Figure BDA0002120812750000021
作为训练数据，其中，n和N均为正整数并且n小于N，i为某一时刻，m为设备的编号，所有设备构成设备集
Figure BDA0002120812750000022
S2、基于训练数据计算每个设备的运行状态平均功耗
Figure BDA0002120812750000023
并按照平均功耗
Figure BDA0002120812750000024
从大到小降序排布；
S3、根据监测数据获取各时刻的总负荷有功功率变化值Δpi，针对每个设备m，通过图信号处理方式构建图
Figure BDA0002120812750000025
Figure BDA0002120812750000026
为包含多个顶点的顶点集，每一个顶点对应一个有功功率变化值Δpi，A为加权邻接矩阵，其权值Ai,j为对应顶点vi和vj之间的连接边权重，i和j表示不同的时刻；
S4、根据训练数据获取各时刻各设备的单独有功功率变化值
Figure BDA0002120812750000027
基于已构建的图
Figure BDA0002120812750000028
计算1～N时刻内的所有图信号
Figure BDA0002120812750000029
其计算表达式为：
Figure BDA00021208127500000210
其中，Thrm是用于判断设备m是否改变了运行状态的阈值，
Figure BDA00021208127500000211
是该设备m在设定时间段1～n内的单独有功功率变化值；
S5、根据1～n时刻内的所有图信号
Figure BDA00021208127500000212
计算获取n+1时刻到N时刻的图信号
Figure BDA00021208127500000213
通过
Figure BDA00021208127500000214
和
Figure BDA00021208127500000215
之间的映射，得到各设备的实际运行功耗变化值；
S6、重复步骤S3到步骤S5，每次分离一个设备后，在监测数据中去除该设备的运行状态平均功耗，直至分离所有设备；
S7、分离所有设备后得到起始点Pn+1,...,PN，其中
Figure BDA00021208127500000216
S8、根据得到的到起始点Pn+1,...,PN求解优化模型，得到并输出优化后的在n+1时刻到N时刻的
Figure BDA00021208127500000217
进一步地，所述的步骤S3中，加权邻接矩阵Ai,j的计算表达式为：
Figure BDA0002120812750000031
其中，Δpi表示i时刻的总负荷有功功率变化值，Δpj表示j时刻的总负荷有功功率变化值，σ表示比例因子。
进一步地，所述的步骤S5中，图信号
Figure BDA0002120812750000032
的计算表达式为：
Figure BDA0002120812750000033
其中，L为图拉普拉斯矩阵，其由图的邻接权重矩阵A计算得到。
进一步地，所述的步骤S7中，映射过程如下：
如果
Figure BDA0002120812750000034
则判断设备m在时刻i改变了运行状态，当Δpi＜0时，判断设备在i时刻被关闭，则
Figure BDA0002120812750000035
当Δpi＞0时，判断设备在i时刻被打开，则
Figure BDA0002120812750000036
如果
Figure BDA0002120812750000037
则判断设备m没有改变运行状态且相应的
Figure BDA0002120812750000038
进一步地，所述的步骤S8中，优化模型的表达式为：
Figure BDA0002120812750000039
其中，Δpi表示i时刻的总负荷有功功率变化值，
Figure BDA00021208127500000310
表示i时刻设备m的有功功率变化值，ω表示正则化项权重参数。
与现有技术相比，本发明具有以下优点：
本发明使用图信号处理技术，为NILM问题建立模型，并采用优化算法求解目标函数，以得到最优解，实现对电力总功耗的分离。本发明对图信号的定义进行了改进，将其定义为取值在[-1,1]区间的连续函数，这使得最终的目标函数是一个连续可导的函数。因此，目标函数在获得最小化正则化项的解后，能够将其作为起始点执行梯度投影方法，对目标函数整体进行优化求解，提高了算法性能，获得更好的电力分离结果，实现更高精度的非侵入式设备的负载监测。
附图说明
图1是本发明的整体流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本实施例提供了一种基于图信号处理的非侵入式设备负载监测方法。其主要分为三个步骤，即数据预处理、起始点获取和目标函数整体优化。首先对数据进行预处理，为各已知设备选取合适的时间段作为训练集；然后确定目标函数，对目标函数的正则化项进行最小值求解，获得解析解；最后将已获得的解析解作为起始点，执行梯度投影优化算法对目标函数进行整体优化求解。
应用图信号处理技术对NILM问题进行求解，是将NILM看作分类问题，即对于某一时刻总功耗的变化，判断是由哪一个已知设备引起的，由此可判断出设备的运行状态。本实施例选取合适的数据作为训练集。
为了更好地捕获各设备的运行状况，提高分解精度，设备训练集的选取原则遵循：选择只有该设备单独运行的时间段作为其训练集，以减少无关运行设备的干扰。此外，对于每一个已选定训练集的设备，其训练集单独存储，当安装新的电器设备时，只需为新设备构建训练集，其余已知设备的训练集无需再次更新。
本实施例采用REDD(可参照能源分解数据集)数据库，其包含数据为一个家庭内总体有功功率和各设备的有功功率。即对于某一时刻i，总体有功功率为pi，某一设备m对应此时刻的有功功率为
Figure BDA0002120812750000041
全部已知设备构成设备集
Figure BDA0002120812750000042
本实施例的具体包括以下步骤：
步骤S1、获取用户设备在设定时间段1～N内的总负荷有功功率pi，作为监测数据；获取每个设备在设定时间段1～n内的单独有功功率
Figure BDA0002120812750000043
作为训练数据，其中，n和N均为正整数并且n小于N，m为设备的编号。
步骤S2、基于训练数据计算每个设备的运行状态平均功耗
Figure BDA0002120812750000044
并将设备按照平均功耗
Figure BDA0002120812750000045
从大到小降序排布。
步骤S3、根据监测数据获取各时刻的总负荷有功功率变化值Δpi，得到各时刻的功率变化值Δpi＝pi+1-pi。
步骤S4、使用图信号处理技术构造图
Figure BDA0002120812750000046
其中，
Figure BDA0002120812750000047
为包含多个顶点的顶点集，每一个顶点对应一个有功功率变化值Δpi，A为加权邻接矩阵，其权值Ai,j为对应顶点vi和vj之间的连接边权重，i和j表示不同的时刻。权重Ai,j的值反映了两个邻接顶点的相似度，即权值越大，邻接顶点之间的相似性越高。权值计算公式通常使用高斯核权重函数，即：
Figure BDA0002120812750000051
其中，Δpi和Δpj分别表示对应i时刻和j时刻的总负荷有功功率变化值，σ表示比例因子。
步骤S5、基于已构建的图
Figure BDA0002120812750000052
计算1～N时刻内的所有图信号
Figure BDA0002120812750000053
图信号s是本发明中使用的重要概念，它通过顶点集到数字集的一个映射来定义，每个顶点vi标记一个图信号si。基于已构造的图
Figure BDA0002120812750000054
设备m的图信号sm为一个长度为N的向量，取值定义如下
Figure BDA0002120812750000055
其中，Thrm是用于判断设备m是否改变了运行状态的阈值，其值通常为设备m各连续状态的平均功率间差值的一半。
Figure BDA0002120812750000056
作为分类标签，在训练集(i≤n)中，设备m在时刻i的单独有功功率变化值
Figure BDA0002120812750000057
是已知的，故若i时刻的总功耗变化是由设备m的状态改变引起的，则有
Figure BDA0002120812750000058
趋近于+1，否则
Figure BDA0002120812750000059
趋近于-1；在测试集(n＜i≤N)中，
Figure BDA00021208127500000510
未知，故
Figure BDA00021208127500000511
暂设为0。
步骤S6、基于图总平滑度最小化，获取初始解析解。利用图拉普拉斯矩阵来定义图信号的总平滑度，为：
Figure BDA00021208127500000512
其中，L为图拉普拉斯矩阵，定义为L＝D-A，是一个N×N的实对称矩阵；D是一个对角线矩阵，即对角线上的元素值定义为Di,i＝∑j＝1:NAi,j，非对角线元素为0。基于上述定义，相似数据点vi和vj之间的连接权重值Ai,j大，且其对应的图信号值si和sj接近。因此，对于数据分类而言，图信号构成了一个平滑的信号，且当图信号是分段平滑时，图总平滑度的值很小。
针对本发明要解决的NILM问题，其对应的数学模型表示为：
Figure BDA00021208127500000513
其中的ni为i时刻的噪声，其主要包括电路基负载功耗以及其它未知设备的功耗。由功耗变化的角度，公式(4)可修改为下述形式
Figure BDA00021208127500000514
对于训练集(i≤n)，Δpi和
Figure BDA0002120812750000061
均已知；对于测试集(n＜i≤N)，Δpi已知而
Figure BDA0002120812750000062
未知。
基于图信号处理技术，使用图信号的总平滑度作为正则化项，则最终的NILM目标函数定义为：
Figure BDA0002120812750000063
其中，
Figure BDA0002120812750000064
sm为对应设备m的图信号。故NILM任务被作为一个优化问题，找寻最优解，即每一个设备m在各时刻i(n＜i≤N)的功耗变化值
Figure BDA0002120812750000065
为了获取初始点Pn+1,...,PN，对每一个设备m都要求解一个优化问题，得到最平滑解。即最小化设备m对应的正则化项，表示为：
Figure BDA0002120812750000066
由于矩阵L是对角线对称的，
Figure BDA0002120812750000067
是已知的常数向量，利用分块矩阵，上式求解过程为：
Figure BDA0002120812750000068
Figure BDA0002120812750000069
求解得到
Figure BDA00021208127500000610
后，通过
Figure BDA00021208127500000611
和
Figure BDA00021208127500000612
之间的映射，可得到所需的起始点Pn+1,...,PN。映射过程如下：如果
Figure BDA00021208127500000613
则可推断设备m在时刻i改变了运行状态，否则设备m没有改变运行状态且相应的
Figure BDA00021208127500000614
若设备m改变了运行状态，则当Δpi＜0时，推断设备在i时刻被关闭，有
Figure BDA00021208127500000615
否则当Δpi＞0时，推断设备在i时刻被打开，有
Figure BDA00021208127500000616
上述过程不断重复，每次分离一个设备，设备分离按照其平均运行功率
Figure BDA00021208127500000617
递减的顺序进行。当一个设备被分离并得到对应的
Figure BDA00021208127500000618
后，将该设备的运行状态平均功耗从总功耗中减去，为后续的设备分离尽可能减少干扰。
在获得最小化正则化项的解作为起始点后，执行梯度投影方法对整体目标函数(6)进行优化求解，此时的求解问题可以看作是一个约束非线性规划问题，表示为
Figure BDA0002120812750000071
其中Ω约束了解集的范围，以确保所得解，即各设备的功耗变化，不要超出实际允许的范围。最终得到分离结果
Figure BDA0002120812750000072
性能评价
NILM领域常用的性能评价指标为召回率(recall，RE)、精确率(precision，PR)和F1-score。其各自的定义如下
RE＝TP/(TP+FN)
PR＝TP/(TP+FP)
F1＝2×(PR×RE)/(PR+RE)，
Figure BDA0002120812750000073
即TP(true positive)代表设备的状态改变被正确识别，FP(false positive)代表设备被误识别为状态改变，FN(false negative)代表设备的状态改变未被正确识别。
故召回率(RE)度量了所有的设备状态改变事件中被正确识别出的事件所占比例，精确率(PR)度量了设备状态改变事件的识别正确率，F1-score则是上述两者之间的权衡值，其值越高说明方法的分离性能越好。
通过在REDD数据集的House 1和House 2上进行实验，本实施例所提出方法的性能得到验证。表1和表2则是本发明与另外3个现有的NILM方法——基于图信号处理(GSP)的方法、基于隐马尔科夫模型(HMM)的方法和基于决策树(DT)的方法的性能对比。由表1和表2可知，本发明方法的电力数据分离结果精确度更好。
表格1 REDD House 1电力数据分离结果F1性能值对比
Figure BDA0002120812750000081
表格2 REDD House 2电力数据分离结果F1性能值对比
Figure BDA0002120812750000082
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (3)

1.一种基于图信号处理的非侵入式设备负载监测方法，其特征在于，包括数据预处理、起始点获取和目标函数整体优化三个步骤，首先对数据进行预处理，为各已知设备选取合适的时间段作为训练集；然后确定目标函数，对目标函数的正则化项进行最小值求解，获得解析解；最后将已获得的解析解作为起始点，执行梯度投影优化算法对目标函数进行整体优化求解；具体包括以下步骤：
S1、获取用户设备在设定时间段1～N内的总负荷有功功率pi，作为监测数据；获取每个设备在设定时间段1～n内的单独有功功率
Figure FDA0002596310120000011
作为训练数据，其中，n和N均为正整数并且n小于N，i为某一时刻，m为设备的编号，所有设备构成设备集
Figure FDA0002596310120000012
S2、基于训练数据计算每个设备的运行状态平均功耗
Figure FDA0002596310120000013
并按照平均功耗
Figure FDA0002596310120000014
从大到小降序排布；
S3、根据监测数据获取各时刻的总负荷有功功率变化值Δpi，针对每个设备m，通过图信号处理方式构建图
Figure FDA0002596310120000015
Figure FDA0002596310120000016
为包含多个顶点的顶点集，每一个顶点对应一个有功功率变化值Δpi，A为加权邻接矩阵，其权值Ai,j为对应顶点vi和vj之间的连接边权重，i和j表示不同的时刻；
S4、根据训练数据获取各时刻各设备的单独有功功率变化值
Figure FDA0002596310120000017
基于已构建的图
Figure FDA0002596310120000018
计算1～N时刻内的所有图信号
Figure FDA0002596310120000019
其计算表达式为：
Figure FDA00025963101200000110
其中，Thrm是用于判断设备m是否改变了运行状态的阈值，
Figure FDA00025963101200000111
是该设备m在设定时间段1～n内的单独有功功率变化值；
S5、根据1～n时刻内的所有图信号
Figure FDA00025963101200000112
计算获取n+1时刻到N时刻的图信号
Figure FDA00025963101200000113
通过
Figure FDA00025963101200000114
和
Figure FDA00025963101200000115
之间的映射，得到各设备的实际运行功耗变化值，图信号
Figure FDA00025963101200000116
的计算表达式为：
Figure FDA00025963101200000117
Figure FDA00025963101200000118
其中，L为图拉普拉斯矩阵，其由图的邻接权重矩阵A计算得到；
S6、重复步骤S3到步骤S5，每次分离一个设备后，在监测数据中去除该设备的运行状态平均功耗，直至分离所有设备；
S7、分离所有设备后得到起始点Pn+1,...,PN，其中
Figure FDA0002596310120000021
S8、根据得到的到起始点Pn+1,...,PN求解优化模型，得到并输出优化后的在n+1时刻到N时刻的
Figure FDA0002596310120000022
优化模型的表达式为：
Figure FDA0002596310120000023
其中，Δpi表示i时刻的总负荷有功功率变化值，
Figure FDA0002596310120000024
表示i时刻设备m的有功功率变化值，ω表示正则化项权重参数。
2.根据权利要求1所述的基于图信号处理的非侵入式设备负载监测方法，其特征在于，所述的步骤S3中，加权邻接矩阵Ai,j的计算表达式为：
Figure FDA0002596310120000025
其中，Δpi表示i时刻的总负荷有功功率变化值，Δpj表示j时刻的总负荷有功功率变化值，σ表示比例因子。
3.根据权利要求1所述的基于图信号处理的非侵入式设备负载监测方法，其特征在于，所述的步骤S5中，映射过程如下：
如果
Figure FDA0002596310120000026
则判断设备m在时刻i改变了运行状态，当Δpi＜0时，判断设备在i时刻被关闭，则
Figure FDA0002596310120000027
当Δpi＞0时，判断设备在i时刻被打开，则
Figure FDA0002596310120000028
如果
Figure FDA0002596310120000029
则判断设备m没有改变运行状态且相应的
Figure FDA00025963101200000210
CN201910606143.XA 2019-07-05 2019-07-05 一种基于图信号处理的非侵入式设备负载监测方法 Active CN110501568B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910606143.XA CN110501568B (zh) 2019-07-05 2019-07-05 一种基于图信号处理的非侵入式设备负载监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910606143.XA CN110501568B (zh) 2019-07-05 2019-07-05 一种基于图信号处理的非侵入式设备负载监测方法

Publications (2)

Publication Number Publication Date
CN110501568A CN110501568A (zh) 2019-11-26
CN110501568B true CN110501568B (zh) 2020-11-27

Family

ID=68585401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910606143.XA Active CN110501568B (zh) 2019-07-05 2019-07-05 一种基于图信号处理的非侵入式设备负载监测方法

Country Status (1)

Country Link
CN (1) CN110501568B (zh)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408480B (zh) * 2014-11-28 2018-05-04 安徽师范大学 一种基于Laplacian算子的特征选择方法
CN105913141A (zh) * 2016-04-06 2016-08-31 上海电器科学研究院 一种支持大数据的负荷预测方法
CN106096726B (zh) * 2016-05-31 2018-12-18 华北电力大学 一种非侵入式负荷监测方法及装置
CN106443233A (zh) * 2016-08-26 2017-02-22 北京电力经济技术研究院 一种非侵入式的稳态负荷监测方法
CN106447085A (zh) * 2016-09-05 2017-02-22 华北电力大学 一种短期电力负荷预测方法、装置及计算设备
CN106600074B (zh) * 2016-12-28 2020-08-18 天津求实智源科技有限公司 一种基于dfhsmm非侵入式电力负荷监测方法及***
CN107546855B (zh) * 2017-09-28 2020-05-08 广东工业大学 一种居民用电负荷的非侵入分解方法
CN108899892A (zh) * 2018-06-08 2018-11-27 上海电力学院 一种基于cnn非侵入式用电负荷分解方法
CN109462231B (zh) * 2018-11-15 2020-09-01 合肥工业大学 居民微电网的负荷优化调度方法、***和存储介质
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

Also Published As

Publication number Publication date
CN110501568A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN110610280B (zh) 一种电力负荷短期预测方法、模型、装置及***
Yunpeng et al. Multi-step ahead time series forecasting for different data patterns based on LSTM recurrent neural network
Stankovic et al. A graph-based signal processing approach for low-rate energy disaggregation
CN112434799B (zh) 基于全卷积神经网络的非侵入式负荷识别方法
Quek et al. Load disaggregation using one-directional convolutional stacked long short-term memory recurrent neural network
CN103177188A (zh) 一种基于特征映射的电力***负荷动特性分类方法
CN110416995B (zh) 一种非侵入式负荷分解方法和装置
CN114970633B (zh) 一种基于lstm的非侵入式用电器识别方法、***及设备
CN113807225A (zh) 一种基于特征融合的负荷识别方法
CN111563827A (zh) 基于电器物理特性及居民用电行为的负荷分解方法
CN110837915A (zh) 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法
Tongta et al. Long short-term memory (LSTM) neural networks applied to energy disaggregation
CN115100466A (zh) 一种非侵入式负荷监测方法、装置及介质
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及***
Kumar et al. Data-driven electrical load disaggregation using graph signal processing
CN116756638B (zh) 电动车用电负荷需求检测方法、装置、设备及存储介质
CN110501568B (zh) 一种基于图信号处理的非侵入式设备负载监测方法
Dinesh et al. Non-intrusive load monitoring based on low frequency active power measurements
CN116780537A (zh) 非侵入式负荷监测方法、装置、存储介质
CN116467631A (zh) 电力指纹识别模型训练方法、电力指纹识别方法及装置
Wang et al. Power quality disturbance recognition method in park distribution network based on one-dimensional vggnet and multi-label classification
CN115146709A (zh) 一种面向表端的非侵入式负荷识别方法
Ming et al. Electrical load prediction in energy internet via linear correlation coefficient approach
CN114818455A (zh) 一种少量pmu采样的电力***多智能体暂态判稳方法和***
CN106897553A (zh) 基于单传感器的家庭智能用电模型建立方法

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
GR01 Patent grant
GR01 Patent grant