基于矩陣特征重構的深度學習負荷監(jiān)測方法

打開文本圖片集

摘  要：為解決負荷特征學習和訓練模型難以求解、識別準確率不高的問題，文章提出了一種基于奇異值特征矩陣重構的深度學習非侵入式負荷監(jiān)測方法，首先利用奇異值分解算法對采集到的混合信號進行負荷分離，并設定奇異值的門限，保留通過門限的左右奇異值矩陣，然后獲取處理后的左右奇異值矩陣的克羅內(nèi)克積，實現(xiàn)信號的特征矩陣重構;將大量典型家電的運行電流數(shù)據(jù)轉換成重構特征矩陣的形式，并使用卷積神經(jīng)網(wǎng)絡模型進行訓練，從重構的特征矩陣中提取獨立負荷特征，進而建立能夠處理重構特征矩陣數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡模型，并基于該模型提取數(shù)據(jù)特征，從而達到辨識負荷特征的目的。（剩余5567字）