-
公开(公告)号：CN115907567B
公开(公告)日：2023-05-09
申请号：CN202310144197.5
申请日：2023-02-21
Applicant: 浙江大学
IPC: G06Q10/0639 , G06Q50/06 , G06N5/01
Abstract: 本发明提出了一种基于鲁棒性随机分割森林算法的负荷事件检测方法及系统，本发明通过鲁棒性随机分割森林算法初步检测负荷投切事件，然后通过后期处理消除因波动引起的误检测事件并准确地定位到事件的开始点和结束点；最后根据准确定位到的事件的开始点和结束点计算功率差并跟阈值进行比较检测事件。本发明具有准确识别复杂事件和准确定位事件开始点和结束点的能力，从而有效提高事件检测的准确率。
-
公开(公告)号：CN114662624A
公开(公告)日：2022-06-24
申请号：CN202210574224.8
申请日：2022-05-25
Applicant: 浙江大学
Abstract: 本发明提出了一种基于可再训练孪生网络的非侵入式负荷识别方法及系统，本发明通过卷积神经网络和BP神经网络构造孪生网络并对负荷V‑I进行分类；其中孪生网络部署于嵌入式设备上，可以提高整个系统的实时性以及扩展性。本发明的BP神经网络还根据新发现的负荷可以重新训练并更新网络模型，从而可以实时提高网络模型的特征提取能力及识别能力进一步地，本发明在V‑I分类的基础上通过P‑Q特征进行进一步分类。本发明具有准确识别未知负荷的能力。
-
公开(公告)号：CN112418722B
公开(公告)日：2021-09-10
申请号：CN202011443609.8
申请日：2020-12-08
Applicant: 浙江大学
Abstract: 本发明申请了一种基于V‑I轨迹图和神经网络的非侵入式负荷识别方法，所述方法包括：实时采集入户的电压和电流数据以及有功功率数据；通过有功功率的变化来判断有无负荷投切事件以及负荷运行状态有没有达到稳定状态；根据事件前后的稳态电压电流数据获取负荷的电压电流数据以及功率数据；采用简单的图像处理技术把V‑I轨迹转换成包含电压电流相位差、功率等信息的RGB彩色图像。得到RGB彩色图像之后，进行归一化处理；通过事先训练好的卷积神经网络进行负荷识别。与现有技术相比，本发明通过卷积神经网络充分提取负荷的稳态特征，而且神经网络模型能够在嵌入式设备上直接运行，不需要依赖于服务器的运算支持。
-
Patent Agency Ranking
公开(公告)号：CN113191253A
公开(公告)日：2021-07-30
申请号：CN202110469299.5
申请日：2021-04-28
Applicant: 浙江大学 , 华立科技股份有限公司
Abstract: 本发明提出了一种边缘机器学习下基于特征融合的非侵入式负荷识别方法，该方法通过对获取到引起投切事件的负荷电压电流数据进行处理；其中，对电流数据进行快速傅里叶变换得到频谱特征，构造7维的特征向量；对电压和电流数据转换为电压‑电流轨迹特征图利用自编码器神经网络得到32维特征向量；最后利用TOPSIS法计算两个向量与特征库里每个负荷特征向量之间的相似度与阈值比较进行负荷识别。本发明具有准确识别未知负荷的能力，识别到未知负荷的时候，可以将未知负荷的特征向量添加到特征库中进行标记即可更新特征库。本发明可以在STM32MP1为核心的嵌入式Linux系统下，利用Tensorflow Lite工具的嵌入式AI来完成，可以提高整个系统的实时性。
-
公开(公告)号：CN115907567A
公开(公告)日：2023-04-04
申请号：CN202310144197.5
申请日：2023-02-21
Applicant: 浙江大学
IPC: G06Q10/0639 , G06Q50/06 , G06N5/01
Abstract: 本发明提出了一种基于鲁棒性随机分割森林算法的负荷事件检测方法及系统，本发明通过鲁棒性随机分割森林算法初步检测负荷投切事件，然后通过后期处理消除因波动引起的误检测事件并准确地定位到事件的开始点和结束点；最后根据准确定位到的事件的开始点和结束点计算功率差并跟阈值进行比较检测事件。本发明具有准确识别复杂事件和准确定位事件开始点和结束点的能力，从而有效提高事件检测的准确率。
-
公开(公告)号：CN114662624B
公开(公告)日：2022-09-13
申请号：CN202210574224.8
申请日：2022-05-25
Applicant: 浙江大学
Abstract: 本发明提出了一种基于可再训练孪生网络的非侵入式负荷识别方法及系统，本发明通过卷积神经网络和BP神经网络构造孪生网络并对负荷V‑I进行分类；其中孪生网络部署于嵌入式设备上，可以提高整个系统的实时性以及扩展性。本发明的BP神经网络还根据新发现的负荷可以重新训练并更新网络模型，从而可以实时提高网络模型的特征提取能力及识别能力进一步地，本发明在V‑I分类的基础上通过P‑Q特征进行进一步分类。本发明具有准确识别未知负荷的能力。
-
公开(公告)号：CN112418722A
公开(公告)日：2021-02-26
申请号：CN202011443609.8
申请日：2020-12-08
Applicant: 浙江大学
Abstract: 本发明申请了一种基于V‑I轨迹图和神经网络的非侵入式负荷识别方法，所述方法包括：实时采集入户的电压和电流数据以及有功功率数据；通过有功功率的变化来判断有无负荷投切事件以及负荷运行状态有没有达到稳定状态；根据事件前后的稳态电压电流数据获取负荷的电压电流数据以及功率数据；采用简单的图像处理技术把V‑I轨迹转换成包含电压电流相位差、功率等信息的RGB彩色图像。得到RGB彩色图像之后，进行归一化处理；通过事先训练好的卷积神经网络进行负荷识别。与现有技术相比，本发明通过卷积神经网络充分提取负荷的稳态特征，而且神经网络模型能够在嵌入式设备上直接运行，不需要依赖于服务器的运算支持。
-
公开(公告)号：CN213457149U
公开(公告)日：2021-06-15
申请号：CN202022268385.3
申请日：2020-10-13
Applicant: 浙江大学
Abstract: 本实用新型提出了一种嵌入式非侵入式负荷识别系统。包括：嵌入式设备终端，所述嵌入式设备终端由STEM32F767芯片、与STEM32F767芯片连接的电能计量芯片、电压互感器、电流互感器组成；电能计量芯片、电压互感器、电流互感器的另一端与智能电表连接；所述嵌入式设备终端用于识别接入的用电设备；显示设备，所述显示设备与嵌入式设备终端通信连接，用于显示嵌入式设备终端的识别结果。本实用新型在STM32F767芯片上集成电能计量芯片、电压互感器、电流互感器采集数据，同时利用STM32F767芯片具有的人工智能功能，直接在STM32F767芯片中运行识别算法，实现嵌入式非侵入式的用电负荷识别，无需额外的服务器提供运算，结构简单，设备成本较低。并且该系统可以在没有网络的情况下正常运行。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.012 seconds)
