典型文献
基于改进GMM-CNN-GRU混合的非侵入式负荷监测方法研究
文献摘要：
为挖掘用户侧节能减排潜力,对用户用电行为进行精细化分析和管理,提升电能利用效率,提出了一种基于高斯混合模型聚类和深度神经网络相结合的非侵入式负荷监测方法.首先,针对同一电器常出现功率相近但运行状态不一致问题,利用高斯混合模型聚类算法中"软分类"和类簇灵活的优势,对负荷工作状态进行精细分类,形成负荷用电设备实际运行情况的负荷状态特征库.其次,针对常见的应用于非侵入式负荷监测模型的深度神经网络在多标签分类时存在识别精度低等问题,提出卷积神经网络与门控循环单元混合的深度神经网络模型.最后,综合考虑外部环境数据对家庭用户用能习惯的影响,在AMPds2数据集上开展验证分析,并与其他模型进行对比.结果表明,所提的非侵入式负荷监测模型具有较高的准确性.
文献关键词：
非侵入式负荷监测与分解;高斯混合模型聚类;卷积神经网络;门控循环单元;深度学习
中图分类号：
作者姓名：
杨秀;李安;孙改平;田英杰;刘方;潘瑞媛;吴吉海
作者机构：
上海电力大学电气工程学院,上海200090;华东电力科学研究院,上海200437
文献出处：
引用格式：
[1]杨秀;李安;孙改平;田英杰;刘方;潘瑞媛;吴吉海-.基于改进GMM-CNN-GRU混合的非侵入式负荷监测方法研究)[J].电力系统保护与控制,2022(14):65-75
A类：
非侵入式负荷监测与分解
B类：
GMM,GRU,监测方法,用户侧,减排潜力,户用,用电行为,精细化分析,电能利用效率,高斯混合模型聚类,电器,不一致问题,聚类算法,工作状态,精细分类,用电设备,实际运行,运行情况,负荷状态,监测模型,多标签分类,识别精度,门控循环单元,深度神经网络模型,环境数据,家庭用户,AMPds2,验证分析
AB值：
0.26878
相似文献
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。
