基于深度循环卷积模型的非侵入式负荷分解方法

TM714; 电力分项计算是智能电能表的一个重要环节,即对接入户线的各个电器设备进行用电消耗检测.对电力公司进行精准预测,提高系统稳定性可靠性,制定调度方案,设计“错峰用电”费率结构,发现设备老化和故障有着重要意义.为了实现电力分项计算,文中提出了一种基于深度循环卷积神经网络的非侵入式负荷分解方法.对目标电器的不同功率状态进行编码,用循环卷积神经网络提取输入负荷总功率的空间时间特征.对输入数据进行归一化提高模型训练速度,用drouput技术降低模型过拟合,用迁移学习技术实现对不同目标电器的功率状态预测建模.并和传统的隐马尔可夫模型进行对比.采用公开的redd数据集,结果证明文中所提出的模型能很...

Full description

Saved in:
Bibliographic Details
Published in电测与仪表 Vol. 57; no. 23; pp. 47 - 53
Main Authors 余登武, 刘敏
Format Journal Article
LanguageChinese
Published 贵州大学电气工程学院,贵阳550025 10.12.2020
Subjects
空间时间特征
drouput
非侵入式负荷分解
错峰用电
电力分项计算
迁移学习
隐马尔可夫模型
循环卷积神经网络
Online AccessGet full text
ISSN1001-1390
DOI10.19753/j.issn1001-1390.2020.23.007

Cover

More Information
Summary:TM714; 电力分项计算是智能电能表的一个重要环节,即对接入户线的各个电器设备进行用电消耗检测.对电力公司进行精准预测,提高系统稳定性可靠性,制定调度方案,设计“错峰用电”费率结构,发现设备老化和故障有着重要意义.为了实现电力分项计算,文中提出了一种基于深度循环卷积神经网络的非侵入式负荷分解方法.对目标电器的不同功率状态进行编码,用循环卷积神经网络提取输入负荷总功率的空间时间特征.对输入数据进行归一化提高模型训练速度,用drouput技术降低模型过拟合,用迁移学习技术实现对不同目标电器的功率状态预测建模.并和传统的隐马尔可夫模型进行对比.采用公开的redd数据集,结果证明文中所提出的模型能很好预测目标电器的功率状态.
ISSN:1001-1390
DOI:10.19753/j.issn1001-1390.2020.23.007