基于ResNeXt网络和迁移学习的非侵入式负荷监测

摘要：

为了加快节能减排的建设和加强需求侧的用电管理,非侵入式负荷监测凭借其易实施性和可靠性等特点已成为研究热点,但目前的研究存在着低频数据负荷识别精度低、高频数据特征提取复杂及网络泛化性能差等问题.因此,提出基于ResNeXt网络和迁移学习的非侵入式负荷监测,采用一维时间序列总功率通过格拉姆角场(GAF)算法转换为带有时间特性的二维图像作为输入,放入迁移学习下ResNeXt网络进行负荷识别.该方法采用现有电表采集的低频数据作为输入,减少数据输入维度并加入了时间特性,再将输入图像进行标准化处理后通过堆叠深层次的残差神经网络来学习负荷深层次信息,利用迁移学习将在ImageNet-1K数据集下已训练好的网络模型参数传入新的目标域,加快网络的收敛速度,提高负荷分类的识别准确率和网络的泛化性.最后,利用公开数据集AMPds和UK-DALE模拟不同用电场景验证了所提方法的高效性和泛化性.

关键词：非侵入式负荷监测、图像编码、格拉姆角场算法、迁移学习、残差神经网络

所属期刊栏目：47

分类号：TP391.41;F832.51;TM714

在线出版日期：2023-07-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：110-120