基于改进GMM-CNN-GRU混合的非侵入式负荷监测方法研究
为挖掘用户侧节能减排潜力,对用户用电行为进行精细化分析和管理,提升电能利用效率,提出了一种基于高斯混合模型聚类和深度神经网络相结合的非侵入式负荷监测方法.首先,针对同一电器常出现功率相近但运行状态不一致问题,利用高斯混合模型聚类算法中"软分类"和类簇灵活的优势,对负荷工作状态进行精细分类,形成负荷用电设备实际运行情况的负荷状态特征库.其次,针对常见的应用于非侵入式负荷监测模型的深度神经网络在多标签分类时存在识别精度低等问题,提出卷积神经网络与门控循环单元混合的深度神经网络模型.最后,综合考虑外部环境数据对家庭用户用能习惯的影响,在AMPds2数据集上开展验证分析,并与其他模型进行对比.结果表明,所提的非侵入式负荷监测模型具有较高的准确性.
非侵入式负荷监测与分解、高斯混合模型聚类、卷积神经网络、门控循环单元、深度学习
50
TP391;TM728.3;TN957.52
国家自然科学基金;上海电力人工智能工程技术研究中心研究项目
2022-09-16(万方平台首次上网日期,不代表论文的发表时间)
共11页
65-75