基于LSTM和序列到点模型的非侵入式负荷分解技术

QIAN Yujun, BAO Yongqiang,JIANG Danqi,ZHANG Xuxu

Chinese Journal of Electron Devices（2023）

引用 0|浏览3

暂无评分

摘要

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

non-invasive load monitoring,LSTM,S2P,sliding window,new power systems

AI 理解论文

溯源树

样例

生成溯源树，研究论文发展脉络

Chat Paper

正在生成论文摘要