深度神经网络在非侵入式负荷分解中的应用

论文摘要

负荷监测是智能用电的一个重要环节,为了实现非侵入式负荷监测,提出了一种基于深度神经网络的非侵入式负荷分解方法。首先提出了改进的电器状态聚类算法,通过改进终止条件和增加消除冗余类判据使得聚类结果更符合电器实际运行情况。针对目前研究常用的隐马尔可夫模型的弱时间特性问题,提出了电器时间特性模型,综合考虑了电器运行特性和用户使用习惯,从时间角度对电器进行建模。构建了深度神经网络进行负荷分解,网络的输入综合考虑了电器状态及时间、功率信息,采用历史运行数据及时间特性模型生成数据训练网络参数。最后,在测试数据集上验证了方法的有效性和准确性。

论文目录

• 0 引言
• 1 电器模型
•   1.1 状态提取
•   1.2 HMM
•   1.3 时间特性模型
•     1)转移概率矩阵A
•     2)持续时间概率矩阵D
•     3)0状态转移时间概率矩阵Toff
•   1.4 时间特性模型参数提取
•     1)转移概率矩阵A
•     2)持续时间概率矩阵D
•     3)0状态转移时间概率矩阵Toff
• 2 深度神经网络与非侵入式负荷分解
•   2.1 非侵入式负荷分解网络构建
•   2.2 网络结构
•   2.3 训练数据
•   2.4 训练方法
• 3 算例分析
•   3.1 功率估计
•   3.2 评价指标
•   3.3 分解结果
• 4 结语

文章来源

类型: 期刊论文

作者: 燕续峰,翟少鹏,王治华,王芬,何光宇

关键词: 非侵入式负荷监测,电器状态聚类,时间特性模型,深度神经网络

来源: 电力系统自动化 2019年01期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 电力工业

单位: 上海交通大学电子信息与电气工程学院,国网上海市电力公司电力调度控制中心

基金: 国家自然科学基金资助项目(51877134)~~

分类号: TM714

页码: 126-132+167+133-135

总页数: 11

文件大小: 2181K

下载量: 1020