文献类型：期刊文章

作　　者：马临超[1] 杨捷[1] 肖鹏[2] 曾杰[3]

MA Linchao;YANG Jie;XIAO Peng;ZENG Jie(School of Electrical Engineering and Automation,Henan Institute of Technology,Xinxiang 453003,China;Information Center of Yunnan Power Grid Co.LTD.,Kunming 650000,China;School of Electrical Engineering,Northeast Dianli University,Changchun 132012,China)

机构地区：[1]河南工学院电气工程与自动化学院,河南新乡453003 [2]云南电网有限责任公司,云南昆明650000 [3]东北电力大学电气工程学院,吉林长春132012

出　　处：《智慧电力》

基　　金：国家自然科学基金资助项目(51777027)。

年　　份：2022

卷　　号：50

期　　号：4

起止页码：96-102

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：现有非侵入式负载监测技术处理负载规模变化的能力弱,且随着负载的种类复杂化与数量的增多,其具有估计精度不高的问题。建立了一种考虑用户用能多时间尺度耦合特性,并具有规模化处理能力的新型卷积神经网络,以提高复杂规模化负载估计的精确性。该神经网络包括多时间尺度感知与特征提取模块、自我关注模块和对抗损失模块等,多时间尺度感知与特征提取模块可获取与整合不同时间尺度负载数据的耦合特征,自我关注模块和对抗损失模块根据耦合特性来进一步提高监测模型的估计精度。最后,通过仿真分析验证了所提方法的有效性和优越性。

关 键 词：非侵入性负载监测(NILM)  卷积神经网络 自我注意机制  生成对抗网络  能量分解  

分 类 号：TM930]