【技术实现步骤摘要】
本专利技术涉及非侵入式负荷监测，具体为基于连续学习的恶性负载识别方法。
技术介绍
1、近年来，因使用具有火灾风险的恶性负载而造成的电气火灾数量逐年上升，对消防安全造成极大威胁。学生宿舍、住宅区、古建筑文物保护单位等公共场所是电气火灾防控的重点对象，其中学生宿舍人员密集物品繁多，且大多是易燃物品，火灾一旦发生其后果会十分惨烈。恶性负载泛指在电力线路中容易引发电气火灾的一些用电负荷，其类型一般为阻性负载，例如常见的有电吹风、电热毯、小太阳取暖器、电热壶、卷发棒等。
2、在实际应用中，非侵入式负荷监测系统采集到的大都是多负荷叠加运行数据，传统nilm技术依靠事件检测步骤来分离负荷数据，但其中存在着阈值参数适应性较差的局限性，从而导致恶性负荷数据分离和识别的困难。
3、因此，实现一种能够在多负荷数据中实现检测恶性负载且能够持续地适应负荷复杂多变场景的方法，对于消防安全意义重大，故而提出基于连续学习的恶性负载识别方法来解决上述问题。
技术实现思路
1、(一)解决的技术问题p>
2、针对现本文档来自技高网...
【技术保护点】
1.基于连续学习的恶性负载识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于连续学习的恶性负载识别方法，其特征在于：所述预处理操作包括：
3.根据权利要求1所述的基于连续学习的恶性负载识别方法，其特征在于：所述特征提取网络包括卷积层、池化层和全连接层。
4.根据权利要求3所述的基于连续学习的恶性负载识别方法，其特征在于：所述卷积层的卷积核大小为3×3，卷积操作的步长为1，输出通道分别为16、32，除了输出层以外隐藏层的激活函数均采用Sigmoid函数；
5.根据权利要求1所述的基于连续学习的恶性负载识别方...
【技术特征摘要】
1.基于连续学习的恶性负载识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于连续学习的恶性负载识别方法，其特征在于：所述预处理操作包括：
3.根据权利要求1所述的基于连续学习的恶性负载识别方法，其特征在于：所述特征提取网络包括卷积层、池化层和全连接层。
4.根据权利要求3所述的基于连续学习的恶性负载识别方法，其特征在于：所述卷积层的卷积核大小为3×3，卷积操作的步长为1，输出通道分别为16、32，除了输出层以外隐藏层的激活函数均采用sigmoid函数；
5.根据权利要求1所述的基于连续学习的恶性负载识别方法，其特征在于：所述连续性学习网络模块包括：
6....
【专利技术属性】
技术研发人员：燕兵，
申请(专利权)人：武汉悦泽轩阳科技有限公司，
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。