公开(公告)号：CN118277918A

公开(公告)日：2024-07-02

申请号：CN202410405927.7

申请日：2024-04-07

Applicant: 南京工程学院

Inventor： 张建林 ,  裔传仁 ,  袁天格

IPC: G06F18/2431 ,  G06F18/213 ,  G06F18/22 ,  G06Q10/0631 ,  G06Q50/06

Abstract: 本发明提供一种非侵入式负荷分解方法和系统，其中方法包括获取每个时刻所有用电设备的总用电负荷；将目标时间内超过预设用电负荷的总用电负荷进行分解，得到多个用电负荷；提取每个用电负荷的特征；将每个用电负荷的特征与预存的特征集合逐一进行配对，得到每个用电负荷对应的用电设备；其中，所述预存的特征集合中的预存特征包括用电设备规格、类型以及用电设备每个时刻的用电负荷。本发明能够使得未辨识的负荷量自动匹配对应的设备特征，并将其保存，防止未辨识的负荷量被当做冗余垃圾被清理，提高对负荷数据的分析及分解效果。

公开(公告)号：CN113989065A

公开(公告)日：2022-01-28

申请号：CN202111214514.3

申请日：2021-10-19

Applicant: 南京工程学院

Inventor： 卞海红 ,  孙鑫 ,  徐懂理 ,  裔传仁 ,  钱俊杰

IPC: G06Q50/06 ,  G06N3/04 ,  G06N3/08 ,  G06V10/764

Abstract: 本发明提供了一种基于改进CNN的非侵入式负荷辨识方法，包括以下步骤：步骤S01：通过监测电力用户的入口处电流，采集用户的总负荷运行数据；步骤S02：提取负荷的暂态电流数据；步骤S03：用提取得到的暂态电流数据绘制电流波形图像并转为像素矩阵；步骤S04：对网络参数进行训练；步骤S05：使用卷积神经网络CNN进行分类；步骤S06：使用测试集数据对训练好的CNN进行验证，通过分类结果与测试集的标签计算负荷的辨识率。本发明提出一种基于改进CNN模型的负荷辨识方法通过采集特性相似的家用负荷运行数据，选取负荷投入时的暂态变化过程为负荷特征，结合卷积神经网络方法实现特征相似负荷的辨识，从而提高居民侧负荷辨识的效果。

公开(公告)号：CN113902102A

公开(公告)日：2022-01-07

申请号：CN202111215244.8

申请日：2021-10-19

Applicant: 南京工程学院

Inventor： 卞海红 ,  孙鑫 ,  徐懂理 ,  裔传仁 ,  高瑞阳

IPC: G06N3/04 ,  G06N3/08 ,  G06Q50/06

Abstract: 本发明提供了一种基于seq2seq的非侵入式负荷分解方法，包括一下步骤：第一步：设计seq2seq模型；第二步：功能提取；使用Conv1D在一维尺度上对功率序列进行卷积和池化，依靠多个相同权值的卷积核提取功率特征；第三步：(3)基于LSTM的负荷识别；第四步：seq2seqBCL负荷分解。针对目前非侵入式负荷分解方法在低频采样条件下(1Hz及以下)分解准确率较低的问题，发明提出的一种基于卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合的seq2seq的非侵入式负荷分解算法(seq2seq Based on CNN and LSTM，seq2seqBCL)。该深度学习模型将功率时间序列作为网络的输入，通过CNN做特征提取。考虑到电力数据的时序性，增加了LSTM层进行电器识别，相比于NILMTK中seq2seq模型降低了网络层数，简化了网络结构。