共 12 条
- [2] 基于改进支持向量机和两步式聚类分析的电网关键断面辨识和精细规则生成方法[J]. 电力自动化设备, 2017, 37 (09) : 166 - 170+177王彬郭文鑫向德军王鹏余志文
- [9] 非侵入式电力负荷监测与分解技术[D]. 刘博.天津大学. 2014
- [10] 人工神经网络与模拟进化计算[M]. 清华大学出版社 , 阎平凡, 2005
基于监督学习的非侵入式负荷监测算法比较
被引：30
作者：
涂京
周明
宋旭帆
周光东
李庚银
机构：
[1] 华北电力大学新能源电力系统国家重点实验室
来源：
基金：
国家重点研发计划;
关键词：
非侵入式负荷监测;
负荷识别;
多层感知器神经网络;
支持向量机;
监督学习;
D O I：
10.16081/j.issn.1006-6047.2018.12.019
中图分类号：
TM714 [负荷分析];
学科分类号：
摘要：
非侵入式负荷监测(NILM)能够在不干扰用户正常用电的情况下,低成本地实现用户用电设备类型的识别和用电负荷的分解,因此非常适用于家庭用户用电监测。大量智能电表在家庭用户中的安装为居民NILM提供了数据支撑,也使得居民NILM研究成为热点。基于家庭负荷稳态电流样本,采用负荷电流谐波系数作为负荷分类特征,建立了基于多层感知器(MLP)神经网络、k-近邻算法、逻辑回归、支持向量机的4种NILM分类模型,利用BLUED数据库对4种分类器进行训练和测试,对比分析其在识别精度、训练时间、识别速度和抗噪能力方面的表现,并对其在家庭负荷识别中的应用效果进行对比研究。结果表明,4种分类器中MLP神经网络具有总体最优的分类效果和计算性能,更适用于家庭用户负荷监测。
引用
收藏
页码：128 / 134
页数：7
相关论文