基于1D-CNN模型的非侵入式负荷识别

作者：夏景欣; 邢颖; 刘珮琪; 沈桐洲; 何昆; 钟焕鸿

来源：河北师范大学学报(自然科学版), 2021, 45(05): 476-484.

DOI：10.13763/j.cnki.jhebnu.nse.202102017

• 非侵入式负荷识别
• 深度学习
• 1D-CNN

非侵入式负荷识别技术对电网系统的电力调度、风险估计等具有重要意义.现阶段非侵入式负荷识别的数据质量差,算法识别准确度低且只能处理低频或高频数据.针对非侵入式负荷识别数据质量差的问题,提出了数据修复、数据扩展等数据增强方法;针对非线性扰动降低准确度的问题,提出了一种基于1D-CNN的深度学习模型,该模型既可提取低频数据的稳态特征,也可提取高频数据的暂态特征.使用数据增强后的数据集在1D-CNN模型上训练和测试,并与现有算法进行对比发现,该模型在低频、高频数据集上均获得了95%以上的准确度,与现有算法相比具有明显优势.

• 单位
  广州供电局; 北京邮电大学