Aug, 2023

智能能源管理的基于电流特征可视化的非侵入式电负荷监测方法

PDF
TL;DR本文利用人工智能的计算机视觉技术，设计了一种非侵入式负载监测方法，用于智能电能管理。通过信号变换和图像处理技术，将一维电流信号映射到二维的彩色特征图像，并利用深度神经网络识别电能负载，从而实现云端、非侵入式的用户监测，从而在电力系统控制中节约能源成本。实验结果表明，该方法在大规模物联网中实现了高效的能源管理。
smart cityenergy managementload monitoringcomputer visiondeep neural network
发现论文，激发创造
  • 非侵入式负荷监测用于馈线级电动车充电检测：基于滑动窗口的离线和在线检测方法

    该研究探索了电动汽车充电在配电网络上的检测方法，通过采用滑动窗口特征提取和经典的机器学习技术，如 XGBoost 和 Random Forest 等模型，实现了在供电线路级别上对电动汽车充电的高准确性检测。

    Dec, 2023

  • 使用深度神经网络的非侵入式负载监测 (NILM) 综述

    本文综述了基于深度学习的最新非侵入式负载监测方法，介绍了最适用于住宅负载的最准确方法，总结了 NILM 评估的公共数据库，并使用标准性能指标比较了方法。

    Jun, 2023

  • 朝着值得信赖的能源分解：非侵入式负荷监测的挑战、方法和前景综述

    该研究综述了近期针对住宅电器的非侵入式负载监测方法，分析总结了大量发表的学术文章，讨论了方法的亮点和应用问题，并强调了传统分解模型向实际可信框架的转化的必要性。

    Jul, 2022

  • 智能家居非侵入式负载监测和电器识别的迁移学习

    提出了一种利用深度学习解决非侵入式负载监测（NILM）问题的方法，包括解决家用和场地级别的 NILM 问题以及家电识别等相关问题，利用低频 REED 数据集和 REFIT 数据集对模型进行训练和测试，能够达到最高 94.6％ 的准确率，为实现节能方案提供参考。

    Jan, 2023

  • 卷积序列到序列非侵入式负荷监测

    提出了一种卷积序列到序列的非侵入式负载监测模型，并成功地将其应用于 REDD 数据集来进行电器分解，并与文献中的卷积序列对点模型进行比较。结果表明，该模型能够为具有不同特征的电器提供令人满意的分解性能。

    Jun, 2018

  • 基于深度学习的智能电网网络攻击检测模型

    通过使用人工智能技术，本研究提出了一种新颖的智能电网基于模型的网络攻击检测方法，以阻止监控控制和数据采集系统（SCADA）上接收的负载数据的数据完整性网络攻击（DIAs），并使用回归模型进行负载数据的预测，以及通过无监督学习方法对处理后的数据进行聚类，以实现最佳性能。实验结果表明，EE-BiLSTM 方法比其他两种方法更稳健和准确。

    Dec, 2023

  • 智能传感器能耗分解的高效局部注意力变换器

    使用 ELTransformer 模型进行非侵入式负载监测（NILM），通过规范化和局部关注头模型大大简化计算并提高提取短期局部模式的能力，并证明了 ELTransformer 比现有模型表现更出色。

    Mar, 2022

  • 基于 CNN-BiLSTM 注意机制的低频负荷识别

    本研究提出了一种旨在从低频功率数据中进行精确区分的混合学习方法，它采用卷积神经网络（CNN）和双向长短期记忆网络（BILSTM）的整合，包含一个集成的注意力机制。经过模拟实验使用现有低频 REDD 数据集评估该模型性能，结果表明我们提出的方法在准确性和计算时间方面超过了现有方法。

    Nov, 2023

  • 用于非侵入式负载监测的进化深度网络

    本研究使用深度学习方法来对非侵入式负载监测（NILM）进行数据脱密，使用神经网络和 UK-Dale 数据集来加速学习效率和分析能耗。

    Mar, 2023

  • 神经网络序列点学习在非侵入式负载监测中的应用

    本文提出了一种基于卷积神经网络的 “序列到点”（sequence-to-point）学习方法，用于解决能源分解中的非识别性问题，并通过在真实家庭能源数据上的应用证明了其比现有方法具有更高的性能。

    Dec, 2016