首页|基于1D-CNN模型的非侵入式负荷识别

基于1D-CNN模型的非侵入式负荷识别

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
非侵入式负荷识别技术对电网系统的电力调度、风险估计等具有重要意义.现阶段非侵入式负荷识别的数据质量差,算法识别准确度低且只能处理低频或高频数据.针对非侵入式负荷识别数据质量差的问题,提出了数据修复、数据扩展等数据增强方法;针对非线性扰动降低准确度的问题,提出了一种基于1D-CNN的深度学习模型,该模型既可提取低频数据的稳态特征,也可提取高频数据的暂态特征.使用数据增强后的数据集在1D-CNN模型上训练和测试,并与现有算法进行对比发现,该模型在低频、高频数据集上均获得了95％以上的准确度,与现有算法相比具有明显优势.
Non Invasive Charge Recognition Based on 1D-CNN Model

夏景欣、邢颖、刘珮琪、沈桐洲、何昆、钟焕鸿

展开 >

广东电网广州供电局,广东广州 510000

北京邮电大学人工智能学院,北京 100876

非侵入式负荷识别 深度学习 1D-CNN

GZJKJXM20170038

2021

10.13763/j.cnki.jhebnu.nse.202102017

河北师范大学学报(自然科学版)
河北师范大学

河北师范大学学报(自然科学版)

CSTPCD
影响因子：0.291
ISSN：1000-5854
年,卷(期)：2021.45(5)
  • 12