检索结果-南通市图书馆

检索条件"主题词=双向扩张卷积网络"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于改进卷积神经网络的非侵入式负荷监测研究

基于改进卷积神经网络的非侵入式负荷监测研究

引用

作者：杨嘉其太原科技大学

学位级别：硕士

随着居民生活水平的普遍提高,家庭用电设备也在呈现多样化发展的趋势。这些设备依靠消耗电能来进行工作,同时电能的消耗量也是居民关注的一大生活问题。为了经济高效地监控家庭各个设备所用的电量,非侵入式负荷监测提供了一种有效的解... 详细信息

随着居民生活水平的普遍提高,家庭用电设备也在呈现多样化发展的趋势。这些设备依靠消耗电能来进行工作,同时电能的消耗量也是居民关注的一大生活问题。为了经济高效地监控家庭各个设备所用的电量,非侵入式负荷监测提供了一种有效的解决方案。基于深度学习的非侵入式负荷分解研究目前主要存在以下问题:1.单纯利用卷积神经网络进行负荷分解,忽略了设备运行周期的信息,是导致分解结果不准确的其中一个原因。可以增加卷积的滑动窗口长度与运行周期相匹配,来扩大网络的感受野,但同时会带来网络的参数量和存储量增大的问题。通常深度神经网络会出现梯度消失或爆炸、网络退化等现象,影响结果的准确性。2.用电设备种类较多,一般每个设备的负荷分解都需要训练一次模型。由于深度学习模型所需的训练成本较高,多次训练势必会产生高昂的代价,该方式不能在实际生活中得到很好的推广。针对上述提出的问题,本文的研究工作及贡献如下:(1)扩大了模型的感受野,同时提高了计算速率和模型的精度。本文引入了双向扩张卷积,一方面可以增大模型的感受野,使模型获得更多的设备用电特征信息;另一方面,能够减少模型的参数及其所占的存储量,从而提高模型的计算速率。在双向扩张卷积网络中引入残差连接,使用批量归一化和激活函数RELU可以解决网络退化的问题。实验结果表明,在引入残差的双向扩张卷积网络模型后,负荷分解平均绝对误差与综合信号误差比标准的深度学习更小,更接近实际的功率值,并且负荷识别准确率更高。(2)增强了模型的泛化能力。引入两种迁移学习方案,即设备迁移学习(appliance transfer learning,ATL)和跨域迁移学习(cross-domain transfer learning,CTL),为本文使用的不同用电设备数据生成了一个通用的模型,将预先训练的模型用于其他设备或其他领域的设备,不需要对每个设备数据单独进行训练,显著节约了计算成本。研究结果表明,在设备迁移和跨域设备迁移方面,基于双向扩张的卷积网络模型比常规卷积网络模型负荷分解误差更小,更适合大范围推广。

关键词：能量分解非侵入式负荷监测残差连接双向扩张卷积网络迁移学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：