一种预测分解聚类双多标签分类的非侵入式负荷监测方法技术

本发明专利技术提出一种预测分解聚类双多标签分类的非侵入式负荷监测方法，该方法通过双向门控循环神经分层插值预测网络进行负荷预测；通过自适应噪声完备集合经验模态分解方法进行负荷分解；通过K‑medoids聚类方法获得负荷标签集；通过数据处理将负荷分量图像、残量图像和负荷标签集输入进移动翻转卷积通道注意力多标签分类网络进行负荷多标签分类；再通过数据筛选，将筛选后数据输入进倒置残差多尺度卷积注意力多标签分类网络得到负荷多标签分类结果；最终合并两组网络的多标签分类结果得到所有负荷类别的多标签分类结果；所提一种预测分解聚类双多标签分类的非侵入式负荷监测方法能获取更完备的负荷状态标签，提高负荷多标签分类准确率。

【技术实现步骤摘要】

本专利技术属于电力系统非侵入式负荷监测领域，涉及多种人工智能的方法，适用于电力系统的非侵入式负荷监测。

技术介绍

1、随着智能电网的发展，电力系统中负荷的实时监测和管理变得越来越重要。非侵入式负荷监测技术可实现对电力系统中负荷的远程监测和控制，帮助电力公司或用户了解电力系统中的负荷状况，优化能源管理，提高能源利用效率，并且减少能源浪费。非侵入式负荷监测技术是一种用于监测电力系统中负荷情况的方法，非侵入式负荷监测技术相比于侵入式负荷监测技术而言不需要对电力系统进行任何物理上的干预或改动，减少了对电力系统的干扰。非侵入式负荷监测技术可以实时地监测和分析电力系统中的负荷变化。通过实时获取负荷数据，可以及时发现负荷异常和波动，帮助电力公司和用户做出相应的调整和决策，提高电力系统的稳定性和可靠性。

2、现有较多的研究采用深度学习的方法来完成非侵入式负荷监测任务。其中基于多分支门控的网络模型的非侵入式负荷监测方法对于波动较大的负荷数据识别准确率会下降。长短期记忆网络的方法能实现对单个设备进行高精度的识别，但无法同时对多个设备进行识别。大多数负荷分类识别方法本文档来自技高网...

【技术保护点】

1.一种预测分解聚类双多标签分类的非侵入式负荷监测方法，其特征在于，将双向门控循环神经分层插值预测方法、自适应噪声完备集合经验模态分解方法、K-medoids聚类方法、移动翻转卷积通道注意力多标签分类网络和倒置残差多尺度卷积注意力多标签分类网络结合，用于非侵入式负荷监测，获取更完备的负荷状态标签，优化负荷多标签分类网络的训练速度和模型泛化能力，提高非侵入式负荷监测准确率；在使用过程中的步骤为：

【技术特征摘要】

1.一种预测分解聚类双多标签分类的非侵入式负荷监测方法，其特征在于，将双向门控循环神经分层插值预测方法、自适应噪声完备集合经验模态分解方法、k-medoids聚类方法、移动翻转卷积通道注意力多标签分...

【专利技术属性】
技术研发人员：殷林飞，韦劼，胡立坤，
申请(专利权)人：广西大学，
类型：发明
国别省市：