典型文献
基于CNN-BiGRU-Attention的非侵入式负荷分解
文献摘要：
随着智能电网的迅速发展,为了有效提高电能的使用率,合理规划电能资源,建立全国范围内的智能用电和负荷监测系统,非侵入式负荷监测(NILM)和分解问题一直受到广泛关注.为提高非侵入性负载分解性能,提出一种基于耦合神经网络的非侵入式负荷分解方法.首先,对数据集进行归一化和预处理.其次,构建一种将卷积神经网络(CNN)与双向门控循环单元(BiGRU)相结合的混合深度学习模型,对数据的空间特性和时序特性进行充分挖掘,并加入注意力机制,关注重要信息,剔除冗余特征.最后,采用国内自测数据集进行试验,使用不同的评价指标对该耦合神经网络进行评估,并与其他的常用分解模型进行对比.试验结果表明,所提方法的均值绝对误差与绝对误差和相较于其他分解方法都有所降低,均值绝对误差平均下降了35.9％,绝对误差和平均下降了39.9％.
文献关键词：
非侵入式负荷分解;卷积神经网络;双向门控循环单元;注意力机制
中图分类号：
作者姓名：
任智仁;汤博;周弼;薛雷;易灵芝;刘西蒙
作者机构：
威胜集团有限公司,湖南长沙410129;湘潭大学自动化与电子信息学院,湖南湘潭411105
文献出处：
引用格式：
[1]任智仁;汤博;周弼;薛雷;易灵芝;刘西蒙-.基于CNN-BiGRU-Attention的非侵入式负荷分解)[J].电机与控制应用,2022(08):41-46,52
A类：
B类：
BiGRU,Attention,非侵入式负荷分解,智能电网,合理规划,智能用电,非侵入式负荷监测,NILM,非侵入性,耦合神经网络,分解方法,双向门控循环单元,混合深度学习模型,空间特性,时序特性,注意力机制,重要信息,冗余特征,自测,分解模型,绝对误差
AB值：
0.274426
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
