-
公开(公告)号：CN113595242A
公开(公告)日：2021-11-02
申请号：CN202110719855.X
申请日：2021-06-28
Applicant: 湖南大学
IPC: H02J13/00
Abstract: 本发明提出一种基于深度CNN‑HMM的非侵入式负荷辨识方法，包括：采用互信息算法对电力入口处采集的总负荷数据进行特征选择，并采用差分处理的方式强化特征表达能力；根据待辨识负荷的电流有效值确定其运行状态，生成设备的标签数据集；将负荷特征数据与标签数据合成模型的训练数据集；训练深度卷积神经网络(CNN)；根据深度CNN网络得到的初辨识结果训练隐马尔可夫模型(HMM)的参数；得到完整的深度CNN‑HMM模型的结构与参数，实现对电力负荷的辨识。本发明能够有效地提取用电负荷的主要数据特征，弱化无关特征和冗余特征的影响，能够优化CNN算法辨识结果中存在的非连续性问题，实现对工商业用电负荷的高精度辨识。
-
公开(公告)号：CN113595242B
公开(公告)日：2024-02-20
申请号：CN202110719855.X
申请日：2021-06-28
Applicant: 湖南大学
IPC: H02J13/00
Abstract: 本发明提出一种基于深度CNN‑HMM的非侵入式负荷辨识方法，包括：采用互信息算法对电力入口处采集的总负荷数据进行特征选择，并采用差分处理的方式强化特征表达能力；根据待辨识负荷的电流有效值确定其运行状态，生成设备的标签数据集；将负荷特征数据与标签数据合成模型的训练数据集；训练深度卷积神经网络(CNN)；根据深度CNN网络得到的初辨识结果训练隐马尔可夫模型(HMM)的参数；得到完整的深度CNN‑HMM模型的结构与参数，实现对电力负荷的辨识。本发明能够有效地提取用电负荷的主要数据特征，弱化无关特征和冗余特征的影响，能够优化CNN算法辨识结果中存在的非连续性问题，实现对工商业用电负荷的高精度辨识。
-
公开(公告)号：CN111273126B
公开(公告)日：2021-01-29
申请号：CN202010063698.7
申请日：2020-01-20
Applicant: 湖南大学
Abstract: 本发明公开了一种配电网拓扑快速感知方法，所提出的方法结合使用传统主成分分析方法与K近邻方法，并在传统主成分分析方法的基础上提出了时间连续性的改进。方法的第一部分使用主成分分析方法将配电网中采集到的电压时间序列数据进行降维。对一定时间窗口内的最新采样数据处理，得到该时间点对应的二维数据点。第二部分使用提出的时间连续性改进的方案对降维后的时间序列数据进行变换，消除坐标翻转问题。第三部分使用K近邻方法，统计不同时间点的坐标近邻变化情况，将变化较大者提出预警信号。本发明所提出的配电网拓扑快速感知方法减少了配电网拓扑识别技术所需的数据量，提高了反应的快速程度，提高了拓扑感知的实时性。
-
公开(公告)号：CN111273126A
公开(公告)日：2020-06-12
申请号：CN202010063698.7
申请日：2020-01-20
Applicant: 湖南大学
Abstract: 本发明公开了一种配电网拓扑快速感知方法，所提出的方法结合使用传统主成分分析方法与K近邻方法，并在传统主成分分析方法的基础上提出了时间连续性的改进。方法的第一部分使用主成分分析方法将配电网中采集到的电压时间序列数据进行降维。对一定时间窗口内的最新采样数据处理，得到该时间点对应的二维数据点。第二部分使用提出的时间连续性改进的方案对降维后的时间序列数据进行变换，消除坐标翻转问题。第三部分使用K近邻方法，统计不同时间点的坐标近邻变化情况，将变化较大者提出预警信号。本发明所提出的配电网拓扑快速感知方法减少了配电网拓扑识别技术所需的数据量，提高了反应的快速程度，提高了拓扑感知的实时性。
-
-
-
Search Results
4
records
(took 0.017 seconds)
