文献类型：期刊文章

作　　者：崔昊杨[1] 蔡杰[1] 陈磊[1] 江超[1] 江友华[1] 张驯[2]

CUI Haoyang;CAI Jie;CHEN Lei;JIANG Chao;JIANG Youhua;ZHANG Xun(College of Electronical and Information Engineering,Shanghai University of Electric Power,Yangpu District,Shanghai 200090,China;Electric Power Research Institute of State Grid Gansu Electric Power Company,Lanzhou 730070,Gansu Province,China)

机构地区：[1]上海电力大学电子与信息工程学院,上海市杨浦区200090 [2]国家电网甘肃省电力公司电力科学研究院,甘肃省兰州市730070

出　　处：《电网技术》

年　　份：2022

卷　　号：46

期　　号：4

起止页码：1557-1565

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：在非侵入式负荷识别任务中,仅使用单一负荷特征对设备进行辨识时,存在特征重叠现象,无法满足对设备进行细粒度分类的需求。为此,该文提出一种基于颜色编码的非侵入式负荷细粒度识别方法。首先,采用Fryze功率理论将高频采样电流分解为有功、无功电流,并对高频采样电压与无功电流进行标准化处理以构建二维U-I轨迹图像。然后,利用颜色编码技术对轨迹图像进行处理,在R、G、B三通道中分别融合有功电流、轨迹变化信息及瞬时功率,得到彩色U-I轨迹图像。最后,构建卷积神经网络,对彩色U-I轨迹图像进行特征提取,实现对设备的分类。在此基础上,文中提出了一种自主学习方法,实现对负荷识别模型自主更新。使用PLAID和WHITED数据集对本算法的识别效果及自主学习方法进行测试。结果表明,文中方法使得U-I轨迹所携带的信息量增加,增强了负荷特征的独特性,从而实现对设备的细粒度识别;自主学习方法能够学习新型电器并更新模型,提升了负荷识别模型场景适应能力。

关 键 词：细粒度识别  Fryze功率理论  颜色编码  U-I轨迹  卷积神经网络 自主学习  

分 类 号：TM721]