期刊专题

10.13335/j.1000-3673.pst.2022.1222

基于深度学习的公共楼宇电–气负荷非侵入式分解

引用
建筑分项负荷的准确监测可以为需求响应提供信息支撑,有助于提高建筑的能效.非侵入式负荷分解(no-intrusive load monitoring,NILM)可以通过总负荷数据来获取分项负荷数据,但针对公共楼宇的NILM研究相对较少,且仅关注于单一类型能源的分解.鉴于此,文章提出一种基于深度学习的公共楼宇电–气负荷分解方法.首先,采用Spearman相关系数定量评估楼宇电、气分项负荷及影响因素间的相关性,据此进行特征筛选;然后,构建基于卷积神经网络和双向门控单元的负荷分解模型,并采用注意力机制对模型输入特征进行权重优化,从而提升负荷分解精度;运用迁移学习技术来解决部分楼宇训练数据不足的问题.最后应用真实楼宇负荷数据对算法的有效性进行验证,并与相关研究进行对比,结果表明所提方法具有更优表现.

非侵入式负荷分解、公共楼宇、相关性分析、深度学习、迁移学习

47

TM721(输配电工程、电力网及电力系统)

国家重点研发计划2018YFA0702200

2023-03-17(万方平台首次上网日期,不代表论文的发表时间)

共9页

1188-1195,中插43-中插44

相关文献
评论
暂无封面信息
查看本期封面目录

电网技术

1000-3673

11-2410/TM

47

2023,47(3)

相关作者
相关机构

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn