优化卷积神经网络超参数的非侵入式电力负荷识别算法
针对深度学习模型在电力负荷识别中存在的识别率不高、超参数设置等问题,提出了一种粒子群优化算法(PSO)与卷积神经网络(CNN)相结合的非侵入式电力负荷识别模型(PSO-CNN).首先,以各电器Ⅵ轨迹像素化图像作为CNN输入;其次,分析CNN超参数对模型性能影响,并使用PSO算法寻求最优解以提升模型识别效果;最后,基于PLAID、WHITED公开数据集对PSO-CNN模型进行对比验证.实验结果表明,该模型的识别准确率、F-measures平均值皆优于其他模型,有效降低了设备之间的混淆,具有良好的识别能力与泛化能力.
图像处理、非侵入式电力负荷识别、深度学习、卷积神经网络、粒子群优化算法
60
Tm714
国家重点研发计划2017YFC0704100
2023-07-20(万方平台首次上网日期,不代表论文的发表时间)
共8页
53-60