System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及深度学习,具体涉及一种非侵入式负荷监测的半监督学习方法及系统。
技术介绍
1、根据国际能源机构(iea)的统计数据,2021年工业行业的用电量占世界总用电量的41.7%,成为世界上最大的用电行业。为了进一步降低工业能耗,提高工业领域的用电效率,实现工业行业节能减排的目标和要求,详细了解并优化其用电情况至关重要。非侵入式负荷监测(nilm)是一种先进的技术,它能在不影响工业系统各负载设备运行的情况下,以最小的额外硬件成本实时监控其用电信息,并提供数据支持和分析建议。通过在工业系统中引入nilm方法,可以提供设备健康状态的潜在信息,从而促进设备的生命周期管理。近年来人工智能方法在测量领域的不断进步也为nilm的发展与进步提供了新的契机。
2、典型的nilm算法包括四个步骤:采样、标记、训练和部署。算法首先对工业系统中的数据进行采样,同时对采样数据进行标注,进而使用标注数据训练模型,最后部署已经完成训练的模型以监控工业系统中每个负载设备的实时功耗。在训练过程中,nilm需要为每个相关负载设备安装一台传感器以获取其标签信息,训练结束后这些传感器将被移除,只保留一个位于主入口处的监控终端,后续将使用相关算法识别各负载的功耗。但是在实际操作中,这种方式会大量浪费本可以用来进一步改进模型准确性和可靠性的数据,如果可以更好的利用这些数据将进一步提高nilm算法的识别精度。
3、因此,本领域需要在现有的研究基础上,提出能够进一步利用系统采集数据的算法结构,深度利用已有资源进一步提高模型准确性和可靠性。
...【技术保护点】
1.一种非侵入式负荷监测的半监督学习方法,其特征在于,包括用于非侵入式负荷监测算法部署的训练阶段和用于非侵入式负荷监测算法部署的推理阶段;
2.根据权利要求1所述的非侵入式负荷监测的半监督学习方法,其特征在于,所述电力特征包括以下一种或多种:电压、电流、有功功率、无功功率以及各次谐波的幅值和相角。
3.根据权利要求1所述的非侵入式负荷监测的半监督学习方法,其特征在于,所述负荷状态的数量按负载功率水平进行分类。
4.根据权利要求1所述的非侵入式负荷监测的半监督学习方法,其特征在于,特征提取通过计算特征向量集X和负载标签向量Y之间的互信息并进行排序和过滤来完成。
5.根据权利要求1所述的非侵入式负荷监测的半监督学习方法,其特征在于,采用参数为θ的seq2seq分类模型fθ()来进行长度为L的X[t:t+L]和Y[t:t+L]的训练,其目标函数为:
6.根据权利要求1所述的非侵入式负荷监测的半监督学习方法,其特征在于,所述循环投票机制采用多数投票机制,用下式表示:
7.根据权利要求1所述的非侵入式负荷监测的半监督学
8.一种非侵入式负荷监测的半监督学习系统,其特征在于,包括用于非侵入式负荷监测算法部署的训练阶段的训练模块和用于非侵入式负荷监测算法部署的推理阶段的推理模块;
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一所述的非侵入式负荷监测的半监督学习方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7任一所述的非侵入式负荷监测的半监督学习方法的步骤。
...【技术特征摘要】
1.一种非侵入式负荷监测的半监督学习方法,其特征在于,包括用于非侵入式负荷监测算法部署的训练阶段和用于非侵入式负荷监测算法部署的推理阶段;
2.根据权利要求1所述的非侵入式负荷监测的半监督学习方法,其特征在于,所述电力特征包括以下一种或多种:电压、电流、有功功率、无功功率以及各次谐波的幅值和相角。
3.根据权利要求1所述的非侵入式负荷监测的半监督学习方法,其特征在于,所述负荷状态的数量按负载功率水平进行分类。
4.根据权利要求1所述的非侵入式负荷监测的半监督学习方法,其特征在于,特征提取通过计算特征向量集x和负载标签向量y之间的互信息并进行排序和过滤来完成。
5.根据权利要求1所述的非侵入式负荷监测的半监督学习方法,其特征在于,采用参数为θ的seq2seq分类模型fθ()来进行长度为l的x[t:t+l]和y[t:t+l]的训练,其目标函数为:
...【专利技术属性】
技术研发人员:李勇,王之毓,张振宇,李畅,张杰,刘骐,
申请(专利权)人:湖南大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。