• 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    
 
李家东,胡正华,蒋卫平,龙翔林,童春芽,翟聪.基于时间序列分类任务的智能电能表负荷监测技术研究[J].电测与仪表,2023,60(6):163-159.
Li Jiadong,Hu Zhenghua,Jiang Weiping,Long Xianglin,Tong Chunya,Zhai Cong.Load Monitoring Technology of Smart Meters based on Time Series Classification[J].Electrical Measurement & Instrumentation,2023,60(6):163-159.
基于时间序列分类任务的智能电能表负荷监测技术研究
Load Monitoring Technology of Smart Meters based on Time Series Classification
DOI:10.19753/j.issn1001-1390.2023.06.022
中文关键词:  智能电网  非侵入式负荷监测  数据挖掘  卷积神经网络  时间序列分类
英文关键词:smart  grid, non-intrusive  load monitoring, data  mining, convolutional  neural network, time-series  classification
基金项目:国家自然科学基金 (52002282)
                 
作者中文名作者英文名单位
李家东Li Jiadong宁波工程学院 网络空间安全学院
胡正华Hu Zhenghua宁波工程学院 网络空间安全学院
蒋卫平Jiang Weiping宁波迦南智能电气股份有限公司
龙翔林Long Xianglin宁波迦南智能电气股份有限公司
童春芽Tong Chunya宁波工程学院 网络空间安全学院
翟聪Zhai Cong宁波工程学院 网络空间安全学院
摘要点击次数: 1607
中文摘要:
      随着深度学习模型在非侵入式负荷监测领域的应用,负荷识别与分解的能力得到了显著提升。但是多数方法仍然存在模型训练效率低下、分解精度不足以及模型不易推广的问题。针对上述问题,文章利用基于时间序列分类任务的卷积神经网络对非侵入式负荷监测框架进行了研究,并提出了相应的负荷识别与分解方法。通过对比实验证明,在UK_DALE数据集上,基于时间序列分类任务的卷积神经网络提升了洗碗机4.3%的识别准确率和19%的精度,降低了21.3%负荷分解过程的均方误差;在REDD数据集上,模型对于洗衣机的识别准确率、精度和F1值均有所提升,特别是召回率提高了24.3%,同时在负荷分解的过程中,模型降低了15.8%的均方误差。因此,与其它神经网络模型相比,基于时间序列分类任务的卷积神经网络具有更稳定的负荷识别与分解性能。
英文摘要:
      With the application of deep learning models in the field of non-intrusive load monitoring, the ability of load identification and decomposition has been significantly improved. However, most methods still have low training efficiency, insufficient decomposition accuracy and are difficult to be generalized. Aiming at the problems above, the non-intrusive load monitoring framework is studied with the convolutional neural network based on the time series classification, and the corresponding load identification and decomposition approach is proposed. Through comparative experiments, it is proved that for the dishwasher in the UK_DALE dataset, the convolutional neural network can improve the recognition accuracy by 4.3% and the precision by 19%, while the mean square error of load decomposition is reduced by 21.3%; For the refrigerator in the REDD dataset, the recognition accuracy, precision and F1 score are all improved. Especially, the recall value has increased by 24.3%; In terms of decomposition performance, the mean square error is reduced by 15.8%. Compared with other neural network models, the convolutional neural networks based on time series classification has more stable recognition and decomposition performance.
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