检索结果-南通市图书馆

同方期刊数据库

基于LSTM和序列到点模型的非侵入式负荷分解技术

在线全文

学校读者我要写书评

暂无评论

电子器件 2023年第3期46卷 841-848页

作者：钱玉军包永强姜丹琪张旭旭南京工程学院电力工程学院江苏南京211167 南京工程学院通信工程学院江苏南京211167

随着深度学习在非侵入式负荷监测技术(Non-intrusive Load Monitoring, NILM)的应用,对于负荷识别与功率分解能力有所提升,但是对于多状态用电负荷依旧存在负荷分解准确度低、算法泛化性能低、分解耗时等问题。为此,提出了一种基于LSTM... 详细信息

随着深度学习在非侵入式负荷监测技术(Non-intrusive Load Monitoring, NILM)的应用,对于负荷识别与功率分解能力有所提升,但是对于多状态用电负荷依旧存在负荷分解准确度低、算法泛化性能低、分解耗时等问题。为此,提出了一种基于LSTM和序列到点的负荷分解模型,滑动总功率数据序列来映射目标设备在功率数据窗口中点的功耗。首先,采用基于滑动窗口的事件探测算法提取激活负荷样本作为序列到点模型的输入数据;利用卷积神经网络自动提取输入负荷总功率的局部负荷特征,引入长短期记忆网络挖掘序列中点前后相关度最高的信息完成负荷辨识。为了验证模型的有效性,将所提出的模型应用于实际家庭能源数据集UK-DALE,并与目前领先的模型进行了比较,综合性能提升了28.8%,结果表明所提出的深度学习模型可以有效地提高负荷监测能力。

关键词：非侵入式负荷监测 LSTM 序列到点滑动窗口新型电力系统

基于卷积块注意力模型的非侵入式负荷分解算法

在线全文

学校读者我要写书评

暂无评论

电网技术 2021年第9期45卷 3700-3705页

作者：徐晓会赵书涛崔克彬华北电力大学电气与电子工程学院河北省保定市071000 华北电力大学控制与计算机工程学院河北省保定市071000

非侵入式负荷分解技术可以深度挖掘用户内部用电数据、获取用电信息,具有广阔的应用前景。该文研究了非侵入式负荷监测模式下基于卷积块注意力模型的非侵入负荷辨识算法。该模型首先采用一种序列到点方法,以电源窗口为输入,目标设备中... 详细信息

非侵入式负荷分解技术可以深度挖掘用户内部用电数据、获取用电信息,具有广阔的应用前景。该文研究了非侵入式负荷监测模式下基于卷积块注意力模型的非侵入负荷辨识算法。该模型首先采用一种序列到点方法,以电源窗口为输入,目标设备中点为输出,然后使用卷积块注意力模型来训练学习目标设备特征,卷积块注意力模块通过引入空间和通道Attention机制可以有效提取有利特征,丢弃无用特征。基于REDD数据集的实验结果表明,该文模型在有效减少训练时间的前提下,显著提升了分解准确率。

关键词：非侵入式负荷分解深度学习序列到点注意力机制

基于时域卷积网络和自注意力的非侵入式负荷监测方法

在线全文

学校读者我要写书评

暂无评论

电力科学与工程 2023年第3期39卷 42-51页

作者：王德文貟青青华北电力大学控制与计算机工程学院河北保定071003

针对用电设备的运行状态多样、持续时间长等特性导致的现有负荷监测模型计算复杂度高、难以捕获设备长时间运行模式的问题,提出一种基于时域卷积网络(Temporal convolutional network,TCN)与自注意力模型的非侵入式负荷监测方法。采用... 详细信息

针对用电设备的运行状态多样、持续时间长等特性导致的现有负荷监测模型计算复杂度高、难以捕获设备长时间运行模式的问题,提出一种基于时域卷积网络(Temporal convolutional network,TCN)与自注意力模型的非侵入式负荷监测方法。采用序列到点学习方式,将总电能消耗输入到TCN中以提取丰富特征;同时,通过残差连接,学习用电设备不同层次的能耗模式。利用自注意力模型,计算总信号每个位置的重要性,捕捉模式间的内部相关性。利用REDD数据集开展对比实验。实验结果表明,与采用循环神经网络、去噪自编码器、卷积神经网络、生成对抗网络和TCN的负荷监测方法相比,该模型的平均绝对误差降低了约38%,F1分数提高了约17%。最后,利用UK-DALE数据集验证了该模型的泛化能力。

关键词：非侵入负荷监测序列到点时域卷积网络残差连接自注意力

基于时间卷积神经网络的非侵入式居民用电负荷分解方法

在线全文

学校读者我要写书评

暂无评论

电力建设 2021年第3期42卷 97-106页

作者：刘仲民侯坤福高敬更王治国兰州理工大学电气工程与信息工程学院兰州市730050 国网甘肃省电力公司营销服务中心兰州市730300

非侵入式负荷分解技术通过从主表信息中恢复出用电侧单个用电设备的状态,可以准确地刻画用户用电画像,为用户侧精细化管理发挥重要作用。针对目前人工神经网络模型在负荷分解中存在的分解精度不高、训练效率低下等问题,文章构建了基于... 详细信息

非侵入式负荷分解技术通过从主表信息中恢复出用电侧单个用电设备的状态,可以准确地刻画用户用电画像,为用户侧精细化管理发挥重要作用。针对目前人工神经网络模型在负荷分解中存在的分解精度不高、训练效率低下等问题,文章构建了基于时间卷积神经网络(temporal convolutional neural network,TCN)的非侵入式负荷分解模型。通过分析设备的用电规律,采用扩张因果卷积在主表功率序列进行卷积运算,扩大了感受野,提取到更加丰富的特征;通过增加残差连接,权重归一化层,优化训练数据窗口,提高了网络训练效率。最后,在经过优化的UKdale数据集上对构建的模型进行测试,实验结果表明获得的平均绝对误差、均方根误差、相对误差都处于较小的范围,时间复杂度分析也进一步说明了在不损失负荷分解精度的情况下,模型具有较短的训练时间。

关键词：智能电网负荷分解时间卷积神经网络(TCN) 序列到点

基于时间序列的居民用户非侵入式负荷分解研究

在线全文

学校读者我要写书评

暂无评论

电子设计工程 2020年第19期28卷 40-43,48页

作者：邓舒迟韩信锐曾壮廖阳春叶毓廷湖北华中电力科技开发有限责任公司湖北武汉430077 华中科技大学湖北武汉430074

针对传统的机器学习方法识别准确度低的问题,非侵入式负荷分解因其充分利用现有智能电能计量装置采集的数据,无需对计量装置与线路进行改造,得到了广泛应用。文中分析多种非侵入式负荷分解的深度学习方法,提出基于上下文信息的序列到点... 详细信息

针对传统的机器学习方法识别准确度低的问题,非侵入式负荷分解因其充分利用现有智能电能计量装置采集的数据,无需对计量装置与线路进行改造,得到了广泛应用。文中分析多种非侵入式负荷分解的深度学习方法,提出基于上下文信息的序列到点的非侵入式负荷分解方法。通过在采集的长时间序列上设置滑动获取输入的待识别序列,使用输入侧的一段时间区间内的中间位置作为输出侧值,大幅缩小计算量。将对应的目标设备作为单点输出,该方法通过卷积神经网络学习到目标设备的特征,并将这些特征加入模型,有效降低了误识别率。实验结果表明,使用该方法进行居民负荷分解效果良好,F1值相比LSTM等方法提高了约30%。

关键词：非侵入式负荷分解时间序列卷积神经网络序列到点

基于Seq2point和SERNet的非侵入式负荷分解及识别

在线全文

学校读者我要写书评

暂无评论

安徽大学学报（自然科学版） 2022年第4期46卷 38-44页

作者：程志友储增杨猛章杨凡王林茂安徽大学教育部电能质量研究中心安徽合肥230601 安徽大学电子信息工程学院安徽合肥230601

为了提高负荷的分解及识别准确度,提出基于序列到点(sequence-to-point,简称Seq2point)和挤压与激励的残差网络(squeeze-and-excitation residual network,简称SERNet)的非侵入式负荷分解和识别方法.使用残差网络提取信息,引入注意力机... 详细信息

为了提高负荷的分解及识别准确度,提出基于序列到点(sequence-to-point,简称Seq2point)和挤压与激励的残差网络(squeeze-and-excitation residual network,简称SERNet)的非侵入式负荷分解和识别方法.使用残差网络提取信息,引入注意力机制挤压和激励网络,对提取的信息进行自适应校准.通过全连接网络映射得到负荷分解结果,进而识别负荷.算例分析结果表明:与其他4种方法比较,该方法有更高的分解及识别准确度.

关键词：非侵入式负荷分解滑动窗口法序列到点残差学习挤压和激励网络

维普期刊数据库博看期刊

非侵入式居民用电负荷分解和用户用电行为分析

在线全文

学校读者我要写书评

暂无评论

非侵入式居民用电负荷分解和用户用电行为分析

作者：曾壮华中科技大学

学位级别：硕士

随着能源互联网的发展,用户不仅渴望得到可靠供电,还期望得到个性化的用电节能建议,这给电网企业的精细化综合能源服务带来了更高的要求。现有的用电采集装置和系统无法满足上述变化,需对其进行智能化改造以采集并识别室内用电器种类及... 详细信息

随着能源互联网的发展,用户不仅渴望得到可靠供电,还期望得到个性化的用电节能建议,这给电网企业的精细化综合能源服务带来了更高的要求。现有的用电采集装置和系统无法满足上述变化,需对其进行智能化改造以采集并识别室内用电器种类及其用电量。考虑到部署维护可行性和成本,非侵入式用电负荷分解作为唯一可行的智能化用电采集改造方案,得到业内广泛认可。在此基础上,对用户用电行为进行建模和分类,是按需精细化用电服务定制的关键,对用户节能具有重要意义,并能间接降低电网线损,提高可开放容量和电网可靠性,优化电网建设和调度。然而传统的负荷分解方法通过建立庞大的特征数据库,利用离线数据实现,在面对巨大的特征库计算时,这些方法无法满足在实时分析系统环境中运行,且存在负荷分解和事件检测精度不高等问题。近年来使用深度学习方法来实现非侵入式负荷分解成为热点,使用基于卷积神经网络结构提取特征以及基于滑动窗口的序列到点结构缩小计算量的特性,采用基于多维卷积的序列到点神经网络模型进行非侵入式负荷分解,采集长时间序列的总负荷数据,用多维卷积结构进行特征提取,并采用序列到点结构进行数据计算,能够在保证负荷分解精度的情况下对电器特征进行自动提取时,大大减少负荷分解模型应用在实时分析系统中的计算时间。采用公开数据集测试和验证算法模型的性能,相比其他算法应用在非侵入式负荷分解上识别率更高,此外算法模型在实际测试居民用电环境下也取得良好表现。在实现非侵入式负荷分解研究后,对负荷分解得到的电器负荷数据进行分析和挖掘,得到居民用户用电行为信息,并进行用户用电行为分类,进而分析非侵入式负荷分解技术在用户侧的应用需求,最后设计并实现用户用电非侵入式负荷监控系统的软件模块。

关键词：负荷分解时间序列多维卷积序列到点用电行为

基于Seq2point的非侵入式负荷监测研究

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

基于Seq2point的非侵入式负荷监测研究

作者：马军强郑州大学

学位级别：硕士

在实现“碳达峰”、“碳中和”目标的进程中,电力行业的节能提效起着至关重要的作用。作为节能提效的关键技术之一,非侵入式负荷监测是通过对家庭电力总负荷进行监测和分解,实现对各个家用电器监测的目的,进而可为用户提供电器设备能耗... 详细信息

在实现“碳达峰”、“碳中和”目标的进程中,电力行业的节能提效起着至关重要的作用。作为节能提效的关键技术之一,非侵入式负荷监测是通过对家庭电力总负荷进行监测和分解,实现对各个家用电器监测的目的,进而可为用户提供电器设备能耗清单及科学用电建议,引导用户主动节约电能。近年来,深度学习的快速发展不仅加速了语音识别、图像识别等技术的革新,也大大地推动了非侵入式负荷监测技术的发展。本文将以序列到点（Sequence to point,Seq2point）的深度学习架构为基础,展开对非侵入式负荷监测技术的深入研究。主要研究内容如下:一、针对序列到点的深度学习方法在非侵入式负荷监测领域的应用中存在的模型训练时间长和分解性能差的问题,提出了一种基于Seq2point的非侵入式负荷监测模型。该模型采用正向门控循环单元网络来高效地挖掘输入与输出之间的时序关系,运用标准化的数据预处理方法来有效地降低数据分布不均衡所产生的负面影响。在公开数据集AMPDS2上与主流的两种模型进行对比,并使用召回率、精确率、F1-分数、功率估值的平均绝对误差和总能耗相对误差作为评价指标对模型进行评估。结果表明,该模型不仅具有优越的分解性能,而且有效地缩减了55%的训练时间,为进一步的研究奠定了良好的基础。二、针对家庭训练数据不易获取而导致无法将技术推广应用的问题,提出了一种可行性构想。该构想中模型的训练样本数据将由各电器厂家提供,电器的训练集将由有限且不均衡样本构建,模型的训练过程和非侵入式负荷分解过程由电网数据中心负责。针对厂家提供的训练样本有限且不均衡的问题,提出了一种均衡训练集的构建方法。该方法主要通过对有限的样本进行均衡扩展、随机组合、裁剪排列等步骤来实现训练集中样本均衡且齐全的目的。最后选择洗碗机为主要研究对象对该方法进行实验验证。结果发现,在均衡训练集上训练的模型具有较好的泛化性能,且可应用于通过非侵入式负荷分解来获取家庭电器设备能耗清单的场合,这充分表明了该方法的有效性以及所提构想的可行性。

关键词：非侵入式负荷监测负荷分解深度学习序列到点均衡训练集

基于Attention机制的TCN-LSTM非侵入式负荷分解

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

电力信息与通信技术 2023年第8期21卷 43-51页

作者：马佳成王晓霞杨迪华北电力大学计算机系河北省保定市071003 国网河北省电力有限公司营销中心河北省石家庄市050000

非侵入式负荷分解可以从家庭电能表的总功率读数分解出各用电器的功率,对于节能减排、智能用电等均具有重要意义。针对当前深度学习在非侵入式负荷分解中存在的分解准确率低、对使用频率低的电器分解误差大等问题,提出了一种基于Attent... 详细信息

非侵入式负荷分解可以从家庭电能表的总功率读数分解出各用电器的功率,对于节能减排、智能用电等均具有重要意义。针对当前深度学习在非侵入式负荷分解中存在的分解准确率低、对使用频率低的电器分解误差大等问题,提出了一种基于Attention机制的时间卷积神经网络(temporal convolutional neural network,TCN)与长短期记忆网络(long short-term memory,LSTM)相结合的序列到点非侵入式负荷分解模型。该模型首先以重叠滑动窗口方式读取功率时间序列作为网络输入,利用TCN膨胀因果卷积扩大卷积核感受野,加入残差连接和批处理规范化,加快提取深层负荷特征的效率;然后利用LSTM捕捉功率序列演化模式完成负荷分解,在TCN特征提取侧和LSTM负荷分解侧引入双重Attention机制来提取重要负荷特征和历史关键时间点信息;最后在UK-dale和REDD数据集上进行训练与测试,实验结果表明本文模型性能良好,负荷分解准确率有明显提升。

关键词：非侵入式负荷分解序列到点注意力机制时间卷积神经网络长短期记忆网络

维普期刊数据库博看期刊