基于CNN与K-means聚类的非侵入式电器负荷识别方法
针对目前非侵入式负荷监测仅能识别单个家用电器、多种家用电器同时运行识别率低的问题,提出一种基于卷积神经网络(CNN)与K-means聚类结合的非侵入式家用电器识别方法.首先,通过改进的CUSUM边沿检测算法对获取的用户用电数据进行时间检测,提取负荷发生投切事件的功率波形;其次,通过高斯滤波法对提取的功率波形进行滤波处理,并将处理后的波形转化为像素图作为负荷特征库,一部分作为训练集用来训练K-means算法改进后的CNN模型,一部分作为测试集测试模型识别的精度;最后,利用搭建的实验平台进行实际测试分析.实验结果表明,所用模型对7种家用电器的识别率均为100%,验证了模型的有效性.通过K-means算法对卷积神经网络进行改进,增大相似特性负荷特征之间的区别,提高负荷辨识的准确率,为非侵入式负荷检测技术开发提供了参考.
电气测量技术及其仪器仪表、非侵入式负荷监测、卷积神经网络、K-means聚类、CUSUM边沿检测
43
TN958.98
河北省重点研发计划项目;河北省高层次人才资助项目
2022-09-16(万方平台首次上网日期,不代表论文的发表时间)
共9页
365-373