• 设为首页
  • 加入收藏
  • 联系邮箱
  • 网站首页
  • 期刊介绍
    • 期刊简介
    • 历任主编
    • 期刊荣誉
  • 编委会
    • 社长及主编
    • 主任委员
    • 编委名单
  • 投稿指南
    • 作者须知
    • 投稿步骤
    • 范文(规范细则)
    • 稿件处理流程
    • 著作权转让协议
  • 期刊影响力
  • 开放获取
  • 出版道德政策
    • 出版伦理声明
    • 学术不端认定和处理方法
    • 广告及市场推广
    • 同行评议流程
    • 斟误和撤回
    • 回避制度
    • 文章署名及版权转让
  • 历年目次
  • 联系我们
  • English
站内检索    
 
岳建任,宋亚奇,杨丹旭,李莉.基于seq2seq模型的非侵入式负荷分解算法[J].电测与仪表,2024,61(6):65-71.
YUE Jianren,SONG Yaqi,YANG Danxu,LI Li.Non-intrusive load decomposition algorithm based on seq2seq model[J].Electrical Measurement & Instrumentation,2024,61(6):65-71.
基于seq2seq模型的非侵入式负荷分解算法
Non-intrusive load decomposition algorithm based on seq2seq model
DOI:10.19753/j.issn1001-1390.2024.06.009
中文关键词:  非侵入式负荷分解  seq2seq  卷积神经网络  长短期记忆网络  深度学习  低频采样
英文关键词:non-intrusive load decomposition, seq2seq, convolutional neural network, long and short-term memory network, deep learning, low frequency sampling
基金项目:国家自然科学基金项目(51677072);中央高校基本科研业务费专项资金资助(2018MS074).
           
作者中文名作者英文名单位
岳建任YUE Jianren华北电力大学 控制与计算机工程学院
宋亚奇SONG Yaqi华北电力大学 控制与计算机工程学院
杨丹旭YANG Danxu华北电力大学 控制与计算机工程学院
李莉LI Li华北电力大学 控制与计算机工程学院
摘要点击次数: 595
中文摘要:
      非侵入式负荷分解对于节能减排、负荷调峰、智能用能等方面均具有重要的现实意义。针对目前非侵入式负荷分解方法在低频采样条件下(1 Hz及以下)分解准确率较低的问题,提出了一种基于卷积神经网络(convolution netural network, CNN)与长短期记忆网络(long short-term memory, LSTM)相结合的seq2seq的非侵入式负荷分解算法(seq2seq based on CNN and LSTM,seq2seqBCL)。该深度学习模型将功率时间序列作为网络的输入,通过CNN做特征提取。考虑到电力数据的时序性,增加了LSTM层进行电器识别,相比于NILMTK中seq2seq模型降低了网络层数,简化了网络结构。在REDD数据集上对算法性能进行了评估,所提出的算法提升了整个网络系统的性能,与FHMM、CO和传统seq2seq算法相比,负荷分解准确率有明显提升。
英文摘要:
      Non-intrusive load decomposition has important practical significance for energy conservation and emission reduction, load peak shaving, and intelligent energy use. Aiming at the problem of low decomposition accuracy of current non-intrusive load decomposition methods under low frequency sampling conditions (1 Hz and below), a seq2seq non-intrusive load decomposition algorithm (seq2seq Based on CNN and LSTM, seq2seqBCL) based on the combination of convolutional neural network (CNN) and long short-term memory network (LSTM) is proposed in this paper. This deep learning model uses power time series as input to the network, and uses CNN for feature extraction. Considering the time sequence of power data, the LSTM layer is added to identify electrical appliances. Compared with the seq2seq model in NILMTK, the number of network layers is reduced and the network structure is simplified. The algorithm performance is evaluated on the REDD data set. The proposed algorithm improves the performance of the entire network system. Compared with FHMM, CO and traditional seq2seq algorithms, the accuracy of load decomposition is significantly improved.
查看全文  查看/发表评论  下载PDF阅读器
关闭
  • 哈尔滨电工仪表研究所有限公司
  • 中国电工仪器仪表信息网
  • 中国仪器仪表学会
  • 中华人民共和国新闻出版总署
  • 中国科技期刊编辑学会
  • 黑龙江省科学技术协会
  • 编辑之家
  • 中国知网
  • 万方数据库
  • 维普网
  • 北极星电力网
  • 中华中控网
  • 网站首页
  • 期刊介绍
    • 期刊简介
    • 历任主编
    • 期刊荣誉
  • 编委会
    • 社长及主编
    • 主任委员
    • 编委名单
  • 投稿指南
    • 作者须知
    • 投稿步骤
    • 范文(规范细则)
    • 稿件处理流程
    • 著作权转让协议
  • 期刊影响力
  • 开放获取
  • 出版道德政策
    • 出版伦理声明
    • 学术不端认定和处理方法
    • 广告及市场推广
    • 同行评议流程
    • 斟误和撤回
    • 回避制度
    • 文章署名及版权转让
  • 历年目次
  • 联系我们
地址:哈尔滨市松北区创新路2000号    邮编:150028
邮箱:dcyb@vip.163.com    电话:0451-86611021;87186023
© 2012 电测与仪表    哈公网监备2301003445号
黑ICP备11006624号-1
技术支持:北京勤云科技发展有限公司