-
公开(公告)号：CN111242391B
公开(公告)日：2023-10-31
申请号：CN202010152521.4
申请日：2020-03-06
Applicant: 云南电网有限责任公司电力科学研究院
IPC: G06F18/214 , G06F18/10 , G06Q50/06 , G06N20/00
Abstract: 本实施例提供的用于电力负荷识别的机器学习模型训练方法及系统，具体地以实测的电气参数数据为基础，将基础电气参数数据统一格式、训练及输入神经网络模型中不断优化，通过验证数据集中不断调整模型的参数从而选择最优模型，同时利用测试数据集评估模型的表现，以达到最优的效果，便于模型进一步被用于电力负荷的识别系统，本申请中的方法可以根据输入的采样数据训练模型从而实现根据特定的电压、电流、有功功率的波形采样数据等识别出正在使用的用电设备，因此本申请不需要人为进行手动调节参数以及进行特征提取，本申请可以自主学习并且自动获得识别电力负荷所需要的特征参数，从而提高了模型的适用范围，提高了电力负荷识别的准确率。
-
公开(公告)号：CN111382789B
公开(公告)日：2023-11-14
申请号：CN202010152529.0
申请日：2020-03-06
Applicant: 云南电网有限责任公司电力科学研究院
IPC: G06F18/241 , G06F18/214 , G06F18/21 , G06F18/15 , G06N3/0455 , G06N3/0464 , G06N3/08 , H02J3/00
Abstract: 本申请提供的基于机器学习的电力负荷识别方法及系统，以实测的电气参数数据包括电流、电压、和功率等为基础，将基础电气参数数据统一格式，在长时间针对电力负荷特征提取、采集、分析、归纳和训练的基础上，可以在已知一段时间的若干用电负荷总体基础电气参数数据包括电压、电流、有功功率、无功功率等的情况下，正确识别出正在使用的电器种类。因此本申请提供的用于电力负荷识别的机器学习模型训练方法及系统不需要人为手动调节参数，较传统方法相比如时域的波形匹配，特征点匹配以及谱分析等匹配准确率高，本申请可以自主学习并且自动获得识别电力负荷所需要的特征参数，从而提高模型的适用范围，提高电力负荷识别的准确率。
-
公开(公告)号：CN111382789A
公开(公告)日：2020-07-07
申请号：CN202010152529.0
申请日：2020-03-06
Applicant: 云南电网有限责任公司电力科学研究院
Abstract: 本申请提供的基于机器学习的电力负荷识别方法及系统，以实测的电气参数数据包括电流、电压、和功率等为基础，将基础电气参数数据统一格式，在长时间针对电力负荷特征提取、采集、分析、归纳和训练的基础上，可以在已知一段时间的若干用电负荷总体基础电气参数数据包括电压、电流、有功功率、无功功率等的情况下，正确识别出正在使用的电器种类。因此本申请提供的用于电力负荷识别的机器学习模型训练方法及系统不需要人为手动调节参数，较传统方法相比如时域的波形匹配，特征点匹配以及谱分析等匹配准确率高，本申请可以自主学习并且自动获得识别电力负荷所需要的特征参数，从而提高模型的适用范围，提高电力负荷识别的准确率。
-
公开(公告)号：CN111242391A
公开(公告)日：2020-06-05
申请号：CN202010152521.4
申请日：2020-03-06
Applicant: 云南电网有限责任公司电力科学研究院
Abstract: 本实施例提供的用于电力负荷识别的机器学习模型训练方法及系统，具体地以实测的电气参数数据为基础，将基础电气参数数据统一格式、训练及输入神经网络模型中不断优化，通过验证数据集中不断调整模型的参数从而选择最优模型，同时利用测试数据集评估模型的表现，以达到最优的效果，便于模型进一步被用于电力负荷的识别系统，本申请中的方法可以根据输入的采样数据训练模型从而实现根据特定的电压、电流、有功功率的波形采样数据等识别出正在使用的用电设备，因此本申请不需要人为进行手动调节参数以及进行特征提取，本申请可以自主学习并且自动获得识别电力负荷所需要的特征参数，从而提高了模型的适用范围，提高了电力负荷识别的准确率。
-
-
-
Search Results
4
records
(took 0.03 seconds)
