基于Faster R-CNN的非侵入式负荷识别方法

摘要：

针对非侵入式负荷辨识终端对特征相似电器、小样本数据辨识困难等问题,提出一种利用改进的Faster R-卷积神经网络(convolutional neural networks,CNN)对小样本负荷数据进行高精度辨识的方法.在传统的Faster R-CNN目标检测算法的基础上,增大了模型输入图像尺寸,保留更多负荷图像曲线的细节,提高了对小目标图像细节的识别效果;替换模型特征提取网络VGG16为Inception V2网络,拓宽了网络宽度,减小了差异较大的图像曲线变化尺寸对模型识别造成的干扰,以满足对不同尺度的负荷特征图像曲线的特征提取.在数据集上测试Faster R-CNN对非入侵式负荷设备识别的可行性与准确性,结果表明该方法显著减小了数据处理与识别网络的计算量,使识别的准确率与召回率均有了较大提升.

关键词：负荷识别、非侵入式、Faster R-CNN

所属期刊栏目：7

分类号：TK01;TM93(一般性问题)

资助基金：国网新疆电力有限公司科技项目5230YX20001C

在线出版日期：2022-06-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：26-33