-
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：CN114359674B
公开(公告)日：2025-02-11
申请号：CN202210032592.X
申请日：2022-01-12
Applicant: 浙江大学 , 华立科技股份有限公司
IPC: G06F18/213 , G06F18/15 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于度量学习的非侵入式负荷识别方法，本发明通过一维卷积神经网络将负荷电流特性映射到度量空间，在网络训练时使用三元组损失实现特征的聚类，对度量空间特征进行相似度判别实现负荷辨识。该方法可实现对未知负荷的有效识别，并具有较强的泛化能力；另一方面，度量学习作为小样本学习的方法之一，能够减轻对训练样本的依赖，具有较高的实用性。
-
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：CN113255236A
公开(公告)日：2021-08-13
申请号：CN202110765317.4
申请日：2021-07-07
Applicant: 浙江大学 , 华立科技股份有限公司
IPC: G06F30/27 , G06K9/62 , G06Q50/06 , G06N3/08 , G06F119/06
Abstract: 本发明提出了一种基于孪生网络的非侵入式负荷自适应识别方法，该方法以负荷的V‑I轨迹和有功功率作为待识别负荷特征，使用孪生网络判别负荷V‑I轨迹的相似度，通过与特征库进行匹配，得到负荷编号信息，从而实现负荷识别。其中，用户根据保存的使用的时刻结合当日实际使用情况，再建立负荷编号信息与电器的实际类型进行映射。通过特征库的动态构建，本发明可实现对未知负荷的准确识别。最后在PLAID数据集和COOLL数据集中验证了模型的有效性和通用性。
-
Patent Agency Ranking
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：CN114359674A
公开(公告)日：2022-04-15
申请号：CN202210032592.X
申请日：2022-01-12
Applicant: 浙江大学 , 华立科技股份有限公司
IPC: G06V10/774 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于度量学习的非侵入式负荷识别方法，本发明通过一维卷积神经网络将负荷电流特性映射到度量空间，在网络训练时使用三元组损失实现特征的聚类，对度量空间特征进行相似度判别实现负荷辨识。该方法可实现对未知负荷的有效识别，并具有较强的泛化能力；另一方面，度量学习作为小样本学习的方法之一，能够减轻对训练样本的依赖，具有较高的实用性。
-
公开(公告)号：CN113255236B
公开(公告)日：2021-10-08
申请号：CN202110765317.4
申请日：2021-07-07
Applicant: 浙江大学 , 华立科技股份有限公司
IPC: G06F30/27 , G06K9/62 , G06Q50/06 , G06N3/08 , G06F119/06
Abstract: 本发明提出了一种基于孪生网络的非侵入式负荷自适应识别方法，该方法以负荷的V‑I轨迹和有功功率作为待识别负荷特征，使用孪生网络判别负荷V‑I轨迹的相似度，通过与特征库进行匹配，得到负荷编号信息，从而实现负荷识别。其中，用户根据保存的使用的时刻结合当日实际使用情况，再建立负荷编号信息与电器的实际类型进行映射。通过特征库的动态构建，本发明可实现对未知负荷的准确识别。最后在PLAID数据集和COOLL数据集中验证了模型的有效性和通用性。
-
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。
-
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。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.017 seconds)
