内容提供者
一种基于多尺度特征感知的非侵入式电气指纹识别方法.pdf
2023-05-16
10金币
495KB
11页
梦影****主a
实名认证
内容提供者
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10
亲，该文档总共11页，到这已经超出免费预览范围，如果喜欢就直接下载吧～
相关资料
一种基于多尺度特征感知的非侵入式电气指纹识别方法.pdf
本发明属于电气指纹识别技术领域,具体为一种基于多尺度特征感知的非侵入式电气指纹识别方法。本发明包括:对目标电器进行电气数据采集,并按照特定长度进行分块处理,同时进行标注,划分训练集、验证集和测试集;对采集的数据进行预处理;构建多尺度感知的卷积神经网络,确定网络的输入输出格式;训练网络,选取合适的超参,获得最好的训练效果;将训练好的网络模型接入电气指纹识别任务,以聚合电流、电压为输入,进行实时的电气指纹监控;本发明通过构建并训练多尺度特征感知的卷积神经网络,从而检测出对应电路的电器工作状态。本发明实现了端到
2023-05-16
10
495KB
一种基于特征匹配的非侵入式电气指纹识别方法.pdf
本发明属于电气指纹识别技术领域,具体为一种基于特征匹配的非侵入式电气指纹识别方法。本发明方法包括:采集与目标设备电器状态切换所对应的电气数据;对采集的数据进行处理并形成特征库;实时采集电路中的电气数据并且处理,得到与特征数据格式相同的待检测数据;利用机器学习方法将待检测数据与特征库中数据进行相似度匹配;根据最相近的特征的标签,判断当前数据段所存在的电器状态的切换。本发明利用机器学习的方法,通过提前形成的特征与实时获取的待检测数据进行相似度计算,实现对电气指纹识别。本发明计算量小、工程架构简单、实时性强,对
2023-05-26
10
390KB
一种基于多模态特征的非侵入式负荷识别方法.pdf
本发明提出一种基于多模态特征的非侵入式负荷识别方法,包括以下步骤:1)负荷数据获取;2)基于功率或电流有效值进行事件检测,提取事件暂态区段和事件暂态区段前后的稳态区段;3)基于事件暂态区段的目标指标序列,提取目标指标序列的路径签名特征,若采集的负荷数据包括高频电压数据和高频电流数据,则转步骤4,否则转步骤5;4)基于事件前后稳态区段的高频电压和高频电流,提取VI轨迹图像特征;5)基于数据条件选择提取对应的负荷印记,利用孪生网络框架进行负荷识别。本发明根据采集的数据频率,对应的提取低频数据的暂态路径签名特征
2023-05-25
10
742KB
一种基于功率因数角特征的非侵入式负荷识别方法.pdf
本发明提出一种基于功率因数角特征的非侵入式负荷识别方法，首先利用量测装置测得用电器的分时无功功率、电压和电流，并处理得到用电器分时功率因数角、启动电流与V‑I轨迹图。选择功率因数角为负荷特征，通过对采集的数据进行处理，得到单一设备的分时功率因数角构建功率因数角特征数据库，综合启动电流、稳态电流，以及画出V‑I轨迹图等信息，进行负荷识别。之后采用一种基于累积和的双边事件检测方法，检测出负荷投切事件。最后，根据负荷分时功率因数角特征并结合V‑I轨迹图与启动电流特征，使用改进的KNN算法进行负荷识别，并加入调整
2023-06-07
10
536KB
一种基于多通道填充矩阵的非侵入式负荷识别方法和系统.pdf
本申请公开了一种基于多通道填充矩阵的非侵入式负荷识别方法和系统，利用了多特征之间的互补性，通过构造有功电流A、无功电流F以及融合相位和功率特征的M矩阵，实现了不同类别设备电气特征的有效表征，利用所得到的A通道矩阵、F通道矩阵和M通道矩阵叠加矩阵进行深度学习神经网络训练，利用训练好的深度学习神经网络进行负荷识别，可以大幅提高识别的准确率，对于开展用能监测服务、实现节能降损具有重要实用价值，解决了现有的V‑I轨迹特征法负荷识别仅保留了电压‑电流信号的形状特征，无法体现设备之间的电流、功率和相位的数值特征，导致
2023-11-09
10
928KB