一种基于递进式学习结构的非侵入式负荷分解方法

    公开(公告)号:CN115526265A

    公开(公告)日:2022-12-27

    申请号:CN202211269012.5

    申请日:2022-10-17

    Applicant: 东南大学

    Abstract: 本发明公开了一种基于递进式学习结构的非侵入式负荷分解方法,包括以下步骤:采集房屋总有功功率和各目标电器有功功率数据;对数据进行预处理,构建数据集;利用所构建的数据集训练基于递进式学习结构的非侵入式负荷分解算法模型;将未知房屋的总有功功率输入基于递进式学习结构的非侵入式负荷分解算法模型,分解得到目标电器的功率消耗序列。本发明通过采用递进式学习结构和时间戳嵌入方法,增强了模型的特征提取能力,且丰富了模型的输入,显著提高了非侵入式负荷分解算法的准确度和泛化能力。

    基于非侵入式负荷监测的居民用户需求响应行为分析方法

    公开(公告)号:CN118364325A

    公开(公告)日:2024-07-19

    申请号:CN202410573917.4

    申请日:2024-05-10

    Applicant: 东南大学

    Abstract: 本发明公开基于非侵入式负荷监测的居民用户需求响应行为分析方法,属于电力需求响应行为分析技术领域;基于非侵入式负荷监测的居民用户需求响应行为分析方法包括:基于改进K‑Means聚类算法对居民用户需求响应资源进行分析;基于上述分析结果对考虑分时电价的居民侧用电行为进行优化,通过电价激励手段引导用户自主调整用电习惯,实现电网负荷的平衡;运用非侵入式负荷监测技术深入挖掘居民用户用电信息,探究其在需求响应中的潜力及其对电力系统的可能影响,通过对设备级用电数据的聚类分析,得出不同家庭电器负荷的能耗特点及其对需求响应的潜力。

    一种基于改进UNet架构的非侵入式负荷监测方法

    公开(公告)号:CN118364426A

    公开(公告)日:2024-07-19

    申请号:CN202410573265.4

    申请日:2024-05-10

    Applicant: 东南大学

    Abstract: 本发明公开一种基于改进UNet架构的非侵入式负荷监测方法,属于用电负荷监测技术领域;包括:采集目标建筑物内原始电力负荷数据,并进行预处理;构建UNet全卷积神经网络模型,并输入预处理后的数据,提取特征信息;构建BiLSTM模型,将提取的特征信息输入到BiLSTM模型,生成时序特征;将BiLSTM模型输出的时序特征输入到UNet全卷积神经网络模型的扩展路径中,通过跳跃连接机制融合低层和高层特征;融合后的特征在两个并行的任务路径中被进一步分析,分类任务用于预测电器的开/关状态,回归任务用于预测电器的功率值;输出包含电器状态的分类结果及功率消耗的回归预测,分解得到目标电器的功率消耗序列,对输出数据平滑处理。

Patent Agency Ranking