CN113902136A - 一种基于电力指纹特征和集成学习机制的负荷识别方法 - Google Patents
一种基于电力指纹特征和集成学习机制的负荷识别方法 Download PDFInfo
- Publication number
- CN113902136A CN113902136A CN202111361916.6A CN202111361916A CN113902136A CN 113902136 A CN113902136 A CN 113902136A CN 202111361916 A CN202111361916 A CN 202111361916A CN 113902136 A CN113902136 A CN 113902136A
- Authority
- CN
- China
- Prior art keywords
- current
- feature
- load identification
- power fingerprint
- value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000007246 mechanism Effects 0.000 title claims abstract description 26
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于电力指纹特征和Stacking集成学习机制的负荷识别方法。所述方法在获得用户家庭各类电器的电压电流高频波形数据后,首先利用各种时域和频域分析方法,计算出负荷的多种电力指纹稳态特征,其次采用FCBF方法筛选出最具备代表性的特征,最后利用Stacking机制构建一个融合多种机器学习方法的负荷识别模型。本发明方法充分运用了集成学习的思想,将各种机器学习方法的优点有效结合起来,与单模型方法比较,提升了模型的识别精度,具有准确度高、泛化性能好、可灵活融合多种模型的优点。
Description
技术领域
本发明涉及负荷识别分类领域,具体涉及一种基于电力指纹特征和集成学习机制的负荷识别方法。
背景技术
现有负荷识别技术大多采用传统机器学习方法如k近邻算法、决策树、支持向量机等,随着集成学习的发展,bagging、boosting、stacking等集成学习思想在负荷识别领域的研究也越来越广泛。目前在负荷识别领域对于特征融合的研究成为一个热点,但多特征结合容易出现特征冗余的问题,可能反而降低模型性能。
发明内容
本发明要解决的技术问题是:提供一种基于电力指纹特征和集成学习机制的负荷识别方法,以解决现有技术的负荷识别采用多特征结合容易出现特征冗余的问题,可能反而降低模型性能等技术问题。
本发明采取的技术方案是:
一种基于电力指纹特征和集成学习机制的负荷识别方法,包括如下步骤:
步骤1:采集家庭中各种用电设备的电压和电流波形数据,同时利用时域、频域和时频域分析方法计算单个负荷的电力指纹特征,从而构建负荷数据库;
步骤2:采用FCBF方法筛选出最具有代表性,对于识别最有帮助的典型电力指纹特征,并以这些特征构建出负荷识别数据集,划分出训练集、验证集和测试集;
步骤3:基于Stacking机制构建融合多种机器学习方法的负荷识别模型,
步骤4:利用负荷识别数据集对模型进行训练和预测。
步骤1中,所述电力指纹特征包括电流有效值、电流整流平均值、电流峰均比、电流波形因数、电流波形畸变率、有功功率、无功功率、功率因数和各次电流谐波。
利用一个周期采集得到的电压电流高频数据,计算得到不同电器在多个周期的稳态特征,并以此构建总体负荷数据集。
步骤2中所述FCBF方法筛选出典型电力指纹特征的方法包括:
S1、定义SU指标的计算:
信息熵定义为变量不确定性的计算方法:H(X)=-∑iP(xi)log2(P(xi))
相应的,互信息熵的计算公式为:H(X|Y)=-∑jP(xj)∑iP(xi|yj)log2(P(xi|yj))
信息增益的计算公式为:IG(X|Y)=H(X)-H(X|Y)
S2、计算特征i与类别属性c之间的SU指标SUi,c,根据事先给定的阈值δ保留SUi,c值较高的特征得到特征列表;
S3、选取特征列表中SU值最高的特征作为主特征k,计算其余特征与主特征之间的冗余度SUi,k,从列表中删除特征间冗余度SUi,k高于特征与类别属性之间相关度SUi,c的特征;;
S4、接着从特征列表剩余的特征中选取SU值第二高的特征作为主特征,重复S3的步骤;然后选取SU值第三高的特征作为主特征,以此类推……从而得到最优特征子集,组成典型电力指纹特征;
对于筛选出的典型电力指纹特征,使用最大最小标准化对数据进行线性变换,将数据映射到[0,1]区间,其定义如下:
式中:x是筛选出的典型电力指纹特征数据;x*为标准化后的特征数据;max是数据中的最大值;min是数据中的最小值。
步骤3中,所述基于Stacking机制的融合多种机器学习方法的负荷识别模型的方法为:Stacking是集成学习的一种代表思想,它将模型分为基学习器和次级学习器两个部分,基学习器采用各种机器学习方法,包括决策树、k近邻分类算法、支持向量机、随机森林和人工神经网络;将筛选得到的典型电力指纹特征分别输入每个基学习器进行训练,再将每个学习器的预测结果作为输入,真实的分类结果作为输出,通过次级学习器再进行训练,得到最终的分类模型。
为防止模型出现过拟合,次级学习器模型采用决策树。
步骤4中,所述利用负荷识别数据集对模型进行训练和预测,采用k折交叉训练方法以提升模型的泛化性能。
k折交叉训练方法为:将训练集数据划分为k份,将每份数据作为验证集验证结果,其余k-1份作为训练集,从而对模型进行k次训练;最后训练完的模型在测试集上评估模型的分类精度。
采用交叉熵作为损失函数,损失函数公式为:
本发明的有益效果:
本发明将Stacking集成学习的概念和思想引入到负荷识别中;首先采用FCBF方法从多维电力指纹负荷特征中筛选出典型特征,解决了多维特征向量存在的特征冗余度高、计算复杂的问题;其次引入基于Stacking思想将多种机器学习方法进行融合的负荷识别方法,采用k折交叉训练方法防止模型过拟合,有利于模型充分提取电器的运行特性实现负荷识别。综上,本发明提出的基于电力指纹特征和Stacking集成学习机制的负荷识别方法能为负荷识别装置提供技术和理论支持,具有一定的实践运用价值。
本发明具有识别精度高、泛化性能好、可灵活结合多种模型的特点;解决了现有技术的负荷识别采用多特征结合容易出现特征冗余的问题,可能反而降低模型性能等技术问题。
附图说明
图1是本发明实施例中基于Stacking集成学习机制的负荷识别模型示意图。
图2是本发明实施例中k折交叉训练方法原理示意图。
图3是本发明实施例中负荷识别总体流程示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
实施例:
为解决大多数负荷分解算法复杂、识别速度慢、运行效率低从而导致得不到实际工程运用的问题,本发明提出一种基于电力指纹特征和Stacking集成学习机制的负荷识别方法,用于实现非侵入式负荷分解,并能达到快速、精准、高效识别的算法效果。
一种基于电力指纹特征和Stacking集成学习机制的负荷识别方法,如图3所示,包括如下步骤:
步骤1:使用采样频率为20kHz的高频采样装置采集家庭中各种用电设备的电压和电流波形数据,同时利用时域、频域和时频域多种分析方法计算单个负荷的电力指纹特征,从而构建负荷数据库;
电力指纹特征包括电流有效值、电流整流平均值、电流峰均比、电流波形因数、电流波形畸变率、有功功率、无功功率、功率因数、各次电流谐波。
电流有效值的计算方法为:求一个周期内电流瞬时值的均方根值,即电流整流平均值的计算方法为:求一个周期内电流绝对值的平均,即电流峰均比的计算方法为:求电流最大值与有效值之比,即电流波形因数的计算方法为:求电流有效值与整流平均值之比,即电流畸变率的计算方法为:求各次谐波(不包括基波)电流有效值的均方根与基波电流有效值之比,即各次谐波的计算方法为:利用傅里叶变换对电流波形数据进行分解,计算出各次谐波,基波与各次谐波的均方根值即为电流有效值,即
利用一个周期采集得到的电压电流高频数据,可以计算得到不同电器在多个周期的稳态特征,并以此构建总体负荷数据集。
步骤2:采用FCBF方法筛选出最具有代表性,对于识别最有帮助的典型电力指纹特征,并以这些特征构建出负荷识别数据集,划分出训练集、验证集和测试集;
FCBF方法筛选出典型特征的过程具体描述如下:
FCBF(Fast Correlation-Based filter)方法实质上是一种特征降维技术,它对特征之间以及特征和类别属性之间的对称不确定性指标SU(Symmetrical uncertainty)进行计算,在某种程度上筛选出最具有代表性且冗余度最小的一组特征向量。
FCBF的具体步骤如下所示:
S1、定义SU指标的计算方法:
信息熵定义为变量不确定性的一种计算方法:H(X)=-∑iP(xi)log2(P(xi))
相应的,互信息熵的计算公式为:H(X|Y)=-∑jP(xj)∑iP(xi|yj)log2(P(xi|yj))
信息增益的计算公式为:IG(X|Y)=H(X)-H(X|Y)
S2、计算特征i与类别属性c之间的SU指标SUi,c,根据事先给定的阈值δ保留SUi,c值较高的特征得到特征列表;
S3、选取特征列表中SU值最高的特征作为主特征k,计算其余特征与主特征之间的冗余度SUi,k,从列表中删除特征间冗余度SUi,k高于特征与类别属性之间相关度SUi,c的特征;
S4、接着从特征列表剩余的特征中选取SU值第二高的特征作为主特征,重复S3的步骤;然后选取SU值第三高的特征作为主特征,以此类推……从而得到最优特征子集,组成典型电力指纹特征。
对于筛选出的典型电力指纹特征,使用最大最小标准化对数据进行线性变换,将数据映射到[0,1]区间,其定义如下:
式中:x是筛选出的典型电力指纹特征数据;x*为标准化后的特征数据;max是数据中的最大值;min是数据中的最小值。
步骤3:基于Stacking机制构建融合多种机器学习方法的负荷识别模型;
基于Stacking机制的融合多种机器学习方法的负荷识别模型具体描述如下:
Stacking是集成学习的一种代表思想。它将模型分为基学习器和次级学习器两个部分,本发明采用的基学习器包括决策树、k近邻分类算法、支持向量机和人工神经网络。将上一步筛选得到的典型电力指纹特征分别输入每个基学习器进行训练,再将每个学习器的预测结果作为输入,真实的分类结果作为输出,通过次级学习器再进行训练,得到最终的分类模型。为防止模型出现过拟合,次级学习器一般采用比较简单的模型比如决策树等。本实施例构建的基于Stacking原理的负荷识别模型如图1所示。
步骤4:利用负荷识别数据集对模型进行训练和预测。
所述利用负荷识别数据集对模型进行训练和预测,一般采用k折交叉训练方法以提升模型的泛化性能,这是因为如果简单的将数据集划分为训练集和测试集,由于测试集完全不参与训练,可能会导致模型可以很好拟合训练集数据,但在测试集上的表现不尽如人意,采用k折交叉训练方法可以有效预防过拟合现象的发生。k折交叉训练方法的具体训练过程可以表述为:将训练集数据划分为k份,将每份数据作为验证集验证结果,其余k-1份作为训练集,从而对模型进行k次训练。最后训练完的模型在测试集上评估模型的分类精度。K折交叉训练的过程如图2所示。
由于负荷识别是典型的多分类问题,采用交叉熵作为损失函数,损失函数如下面式子所示。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种基于电力指纹特征和集成学习机制的负荷识别方法,其特征在于,包括如下步骤:
步骤1:采集家庭中各种用电设备的电压和电流波形数据,同时利用时域、频域和时频域分析方法计算单个负荷的电力指纹特征,从而构建负荷数据库;
步骤2:采用FCBF方法筛选出最具有代表性,对于识别最有帮助的典型电力指纹特征,并以这些特征构建出负荷识别数据集,划分出训练集、验证集和测试集;
步骤3:基于Stacking机制构建融合多种机器学习方法的负荷识别模型,
步骤4:利用负荷识别数据集对模型进行训练和预测。
2.根据权利要求1所述的一种基于电力指纹特征和Stacking集成学***均值、电流峰均比、电流波形因数、电流波形畸变率、有功功率、无功功率、功率因数和各次电流谐波。
3.根据权利要求2所述的一种基于电力指纹特征和Stacking集成学习机制的负荷识别方法,其特征在于:
利用一个周期采集得到的电压电流高频数据,计算得到不同电器在多个周期的稳态特征,并以此构建总体负荷数据集。
4.根据权利要求1所述的一种基于电力指纹特征和Stacking集成学习机制的负荷识别方法,其特征在于:步骤2中所述FCBF方法筛选出典型电力指纹特征的方法包括:
S1、定义SU指标的计算:
信息熵定义为变量不确定性的计算方法:H(X)=-∑iP(xi)log2(P(xi))
相应的,互信息熵的计算公式为:H(X|Y)=-∑j P(xj)∑iP(xi|yj)log2(P(xi|yj))
信息增益的计算公式为:IG(X|Y)=H(X)-H(X|Y)
S2、计算特征i与类别属性c之间的SU指标SUi,c,根据事先给定的阈值δ保留SUi,c值较高的特征得到特征列表;
S3、选取特征列表中SU值最高的特征作为主特征k,计算其余特征与主特征之间的冗余度SUi,k,从列表中删除特征间冗余度SUi,k高于特征与类别属性之间相关度SUi,c的特征;
S4、接着从特征列表剩余的特征中选取SU值第二高的特征作为主特征,重复S3的步骤;然后选取SU值第三高的特征作为主特征,以此类推……从而得到最优特征子集,组成典型电力指纹特征;
对于筛选出的典型电力指纹特征,使用最大最小标准化对数据进行线性变换,将数据映射到[0,1]区间,其定义如下:
式中:x是筛选出的典型电力指纹特征数据;x*为标准化后的特征数据;max是特征数据中的最大值;min是特征数据中的最小值。
5.根据权利要求1所述的一种基于电力指纹特征和Stacking集成学习机制的负荷识别方法,其特征在于:步骤3中,所述基于Stacking机制的融合多种机器学习方法的负荷识别模型的方法为:Stacking是集成学习的一种代表思想,它将模型分为基学习器和次级学习器两个部分,基学习器采用各种机器学习方法,包括决策树、k近邻分类算法、支持向量机、随机森林和人工神经网络;将筛选得到的典型电力指纹特征分别输入每个基学习器进行训练,再将每个学习器的预测结果作为输入,真实的分类结果作为输出,通过次级学习器再进行训练,得到最终的分类模型。
6.根据权利要求5所述的一种基于电力指纹特征和Stacking集成学习机制的负荷识别方法,其特征在于:为防止模型出现过拟合,次级学习器模型采用决策树。
7.根据权利要求1所述的一种基于电力指纹特征和Stacking集成学习机制的负荷识别方法,其特征在于:步骤4中,所述利用负荷识别数据集对模型进行训练和预测,采用k折交叉训练方法以提升模型的泛化性能。
8.根据权利要求7所述的一种基于电力指纹特征和Stacking集成学习机制的负荷识别方法,其特征在于:k折交叉训练方法为:将训练集数据划分为k份,将每份数据作为验证集验证结果,其余k-1份作为训练集,从而对模型进行k次训练;最后训练完的模型在测试集上评估模型的分类精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361916.6A CN113902136A (zh) | 2021-11-17 | 2021-11-17 | 一种基于电力指纹特征和集成学习机制的负荷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361916.6A CN113902136A (zh) | 2021-11-17 | 2021-11-17 | 一种基于电力指纹特征和集成学习机制的负荷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113902136A true CN113902136A (zh) | 2022-01-07 |
Family
ID=79194573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111361916.6A Pending CN113902136A (zh) | 2021-11-17 | 2021-11-17 | 一种基于电力指纹特征和集成学习机制的负荷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902136A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2021
- 2021-11-17 CN CN202111361916.6A patent/CN113902136A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiu et al. | Power quality disturbances recognition using modified s transform and parallel stack sparse auto-encoder | |
Mahela et al. | Recognition of power quality disturbances using S-transform based ruled decision tree and fuzzy C-means clustering classifiers | |
Jiang et al. | Scenario generation for wind power using improved generative adversarial networks | |
Manimala et al. | Optimization techniques for improving power quality data mining using wavelet packet based support vector machine | |
CN109598451B (zh) | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 | |
Sirojan et al. | Deep neural network based energy disaggregation | |
CN106485089B (zh) | 谐波用户典型工况的区间参数获取方法 | |
Biswal et al. | Power quality event characterization using support vector machine and optimization using advanced immune algorithm | |
CN111582357B (zh) | 一种基于多维度集成的电力指纹识别方法 | |
CN113408341B (zh) | 负荷识别方法、装置、计算机设备和存储介质 | |
Liao | Enhanced RBF network for recognizing noise-riding power quality events | |
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 | |
CN113902136A (zh) | 一种基于电力指纹特征和集成学习机制的负荷识别方法 | |
Li et al. | Adaptive S transform for feature extraction in voltage sags | |
Wong et al. | Fault diagnosis of induction motors under untrained loads with a feature adaptation and improved broad learning framework | |
Liao et al. | Recognizing noise-influenced power quality events with integrated feature extraction and neuro-fuzzy network | |
CN113762355A (zh) | 一种基于非侵入式负荷分解的用户异常用电行为检测方法 | |
Khokhar et al. | Automatic pattern recognition of single and multiple power quality disturbances | |
CN112636328A (zh) | 一种中压配电网设备负荷状态辨识方法 | |
Liu et al. | Classification and identification of electric shock current for safety operation in power distribution network | |
Gao et al. | Non-intrusive multi-label load monitoring via transfer and contrastive learning architecture | |
Motlagh et al. | Multiple harmonic sources identification including inverter‐based distributed generations using empirical Fourier decomposition | |
CN115293195A (zh) | 一种应用于煤改电负荷特性的分析预测方法及装置 | |
Adaminejad et al. | An algorithm for power quality events core vector machine based classification | |
Yan et al. | A clustering method for power time series curves based on improved self-organizing mapping algorithm |
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 |