[go: up one dir, main page]

CN118035811A - 基于图卷积神经网络的用电设备状态感知方法、控制服务器及介质 - Google Patents

基于图卷积神经网络的用电设备状态感知方法、控制服务器及介质 Download PDF

Info

Publication number
CN118035811A
CN118035811A CN202311863258.XA CN202311863258A CN118035811A CN 118035811 A CN118035811 A CN 118035811A CN 202311863258 A CN202311863258 A CN 202311863258A CN 118035811 A CN118035811 A CN 118035811A
Authority
CN
China
Prior art keywords
electric equipment
state
gcnn
matrix
graph
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202311863258.XA
Other languages
English (en)
Other versions
CN118035811B (zh
Inventor
张星洲
李梦凡
彭晓晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Nanjing Information High Speed Railway Research Institute
Original Assignee
Zhongke Nanjing Information High Speed Railway Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongke Nanjing Information High Speed Railway Research Institute filed Critical Zhongke Nanjing Information High Speed Railway Research Institute
Priority to CN202311863258.XA priority Critical patent/CN118035811B/zh
Publication of CN118035811A publication Critical patent/CN118035811A/zh
Application granted granted Critical
Publication of CN118035811B publication Critical patent/CN118035811B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于图卷积神经网络的用电设备状态感知方法、控制服务器及介质，所述方法包括利用获取的若干个用电设备构成的电路多个周期的总电流，构建用电设备状态训练数据集；根据用电设备在电路中的结构关系，构建以设备为节点电流为边的图结构，获取用电设备的邻接矩阵；利用用电设备状态数据集对基于GCNN的用电设备状态预测模型进行训练，基于GCNN的用电设备状态预测模型的GCNN网络的邻居矩阵采用用电设备的邻接矩阵；将一个周期的总电流输入训练好的用电设备状态预测模型预测用电设备的状态。本发明采用基于GCNN的用电设备状态预测模型，在电器的状态数据集上，能较好的学习多用电设备的特征，对状态预测的准确率较高。

Description

基于图卷积神经网络的用电设备状态感知方法、控制服务器 及介质
技术领域
本发明属于用电设备状态感知技术，具体为一种基于图卷积神经网络的用电设备状态感知方法、控制服务器及介质。
背景技术
社会拥有可支配的电能有限且紧张，由绿色能量转换而来的电能比重较少，为了节约用电，减少碳排放并保护地球环境，需要研究用户电能的使用习惯，并节能使用。物联网和传感技术的发展，使非入侵采集用户电力数据具有可行性，而获取的大量数据为进一步分析用户习惯提供了基础。同时，深度学习算法在许多领域获得成功应用，为研究用户电力数据提供了分析方法。而分析用电习惯的关键之一是通过电流识别电器的状态。目前，电流识别采用的深度学习方法存在的问题如下：(1)在识别多个用电设备时，主要针对每个设备独立的电流特征学习，而对设备特征之间关系的学习考虑不够，比如用多个模型学习多个电器的特征，对不同电器开关状态的关系进行学习考虑的少；(2)对多个用电设备特征的同时学习不充分，需要一个能同时充分学习多个用电设备特征的模型；(3)识别用电设备的状态时，数据输入神经网络前做的处理过程较多，例如先对累积电流进行分解、分段聚合近似计算、距离相似计算后才送入神经网络输出用电设备状态。
发明内容
本发明提出了一种基于图卷积神经网络的用电设备状态感知方法。
实现本发明目的的技术方案为：一种基于图卷积神经网络的用电设备状态感知方法，包括：
利用获取的若干个用电设备构成的电路多个周期的总电流，构建用电设备状态训练数据集；
根据用电设备在电路中的结构关系，构建以设备为节点电流为边的图结构，获取用电设备的邻接矩阵；
利用用电设备状态数据集对基于GCNN的用电设备状态预测模型进行训练，所述基于GCNN的用电设备状态预测模型的GCNN网络的邻居矩阵采用用电设备的邻接矩阵；
将一个周期的总电流输入训练好的用电设备状态预测模型预测用电设备的状态。
优选地，利用获取的若干个用电设备多个周期的总电流，构建用电设备状态训练数据集的具体方法为：
获取若干个用电设备构成的电路多个周期的总电流数据；
对获取的总电流数据进行归一化处理，把每个周期的样本数据复制设定个数作为新样本，由新样本组成用电设备状态训练数据集。
优选地，若干个用电设备构成的电路每个周期的的总电流数据作为一个样本。
优选地，用电设备的邻接矩阵中的元素表示任意两个用电设备在图结构中的相邻关系，当两个用电设备在图结构中相邻时，矩阵中对应元素为1，否则为0。
优选地，所述基于GCNN的用电设备状态预测模型包括若干层级联的残差层以及softmax层，每层残差层均由并列的GCNN网络和CNN网络构成，GCNN网络和CNN网络的输出结果相加后作为每层残差层的输出，所述softmax层用于对最后一级残差层的输出进行softmax计算，得到每个用电设备在不同状态下的概率矩阵。
优选地，所述概率矩阵的每一列代表对应设备在对应周期处于每个状态的概率值，根据每列各自最大概率值所对应的状态预测各用电设备所处的状态，同时构建对应概率矩阵的设备状态矩阵。
优选地，利用用电设备状态数据集对基于GCNN的用电设备状态预测模型进行训练的具体方法为：
初始化基于GCNN的用电设备状态预测模型参数；
将用电设备状态训练数据集输入基于GCNN的用电设备状态预测模型；
计算关于样本标签和预测的设备状态矩阵的损失函数；
采用反向传播算法更新基于GCNN的用电设备状态预测模型参数，直至损失函数值达到设定值。
优选地，所述样本标签的设备状态矩阵具体为：
根据用电设备的s个工作状态，构建1和0组成的每个样本的标签，所述标签表示为矩阵(s,n)，标签n列代表n个设备，s行代表s个设备工作状态，当设备工作在对应状态，对应标签为1，否则为0。
本发明与现有技术相比，其显著优点为：本发明通过复制周期总电流得到的样本，为后续预测模型学习与各用电设备状态相关的特征提供了丰富的信息；
本发明构建以设备为节点电流为边的图结构，能较好的描述用电设备的结构关系，利于模型学习不同设备特征间的关系；
本发明采用基于GCNN的用电设备状态预测模型，在电器的状态和事件数据集上，能较好的学习多电器的特征，对状态预测的准确率较高，总体达到94％。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为基于GCNN的用电设备状态识别模型识别图。
图2为简化的用电设备电路及其图结构示意图。
图3为基于GCNN的用电设备状态识别模型的训练流程图。
图4为数据集构建以及模型识别用电设备状态的流程图。
具体实施方式
对于目前借助深度学习从总电流中识别各用电设备的状态存在的问题，本发明借助GCNN能够同时学习多个设备的特征以及设备间的关系；通过复制周期的电流样本，在输入神经网络后使得每个用电设备的特征能够得到独立保留，而不需要经过分解数据等过程后再送入网络；借助CNN学习时间维度上的电流特征，最后通过softmax输出分类的概率值，最终构建一个分类模型，如图1所示，利用本发明构建的能同时预测多个用电设备的状态。
作为一种实施例，一种基于图卷积神经网络的用电设备状态感知方法，具体步骤为：
获取n个用电设备构成电路的总电流数据，该数据共有m个周期，表示为Xs＝(xs1,xs2,…,xsi,…,xsm)，xsi为第i个周期的总电流数据；
对周期性总电流数据Xs进行归一化处理，得到X′s＝(x′s1,x′s2,…,x′si,…,x′sm)；把处理后的每个样本数据复制n个，得到新样本其中 中共有n个x′si，i∈{1,2,…,m}；
根据用电设备的s个工作状态，构建1和0组成的每个样本的标签，该标签的形状是(s,n)，标签n列代表n个设备，s行代表s个设备工作状态，当设备工作在对应状态，对应标签为1，否则为0。用电设备的工作状态可以是设备的不同功耗状态、开关状态等。
根据用电设备在电路中的结构关系，构建以设备为节点电流为边的图结构，根据如图2所示的用电设备电流结构简化图，获取用电设备的邻接矩阵
根据设备在图结构中的位置从1到n编号，当用电设备k和l在图结构中相邻接时ak,l＝1，al,k＝1，当设备不邻接时ak,l＝0，al,k＝0；
如图3所示，初始化基于GCNN的用电设备状态预测模型参数；
将构建的样本输入由并列的GCNN和CNN相加构成的r层残差层，具体地，将一个周期总电流同时输入CNN和GCNN处理，CNN从时间维度进行特征提取，GCNN处理并同时学习不同用电设备的电流特征及其之间的关系，接着对两者的结果相加得到对此第一层參差层处理完数据得到ym，再输入下一个残差层，依次共输入r个残差层，得到第r个残差层的输出为yr；
对输出yr进行softmax计算，得到每个用电设备在不同状态下的概率矩阵，概率矩阵的每一列代表对应设备在某个周期处于每个状态的概率值，根据每列各自最大概率值所对应的状态预测各用电设备所处的状态，同时构建对应概率矩阵的设备状态矩阵，该矩阵形状为(s,n)，该矩阵每一列是设备的不同状态，根据预测得到的用电设备状态设置状态矩阵中元素的值为1，其他未处于的状态设置为0。
计算关于样本标签和预测的设备状态矩阵的损失函数；
采用反向传播算法更新基于GCNN的用电设备状态预测模型参数，直至损失函数值达到设定值。
将一个周期的总电流输入训练好的用电设备状态预测模型预测用电设备的状态。
作为一种实施例，一种控制服务器，以通用计算设备的形式表现，包括但不限于：一个或者多个处理器或者处理单元、系统存储器、连接系统存储器和处理单元的总线。
总线表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
控制服务器包括多种计算机系统可读介质。这些介质可以是任何能够被控制服务器访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)和/或高速缓存存储器。控制服务器可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线相连。系统存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块的程序/实用工具，可以存储在例如系统存储器中，这样的程序模块包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块通常执行本发明所描述的实施例中的功能和/或方法。
控制服务器也可以与一个或多个外部设备，例如键盘、指向设备、显示器等通信，还可与一个或者多个使得用户能与该设备交互的设备通信，和/或与使得该控制服务器能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且，服务器还可以通过网络适配器与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器通过总线与控制服务器的其它模块通信。应当明白，尽管图中未示出，可以结合控制服务器使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。处理单元通过运行存储在系统存储器中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的基于图卷积神经网络的用电设备状态感知方法。
作为一种实施例，一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可实现上述实施例中任意的基于图卷积神经网络的用电设备状态感知方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：
无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
作为一种实施例，本实施例针对15个用电设备，台灯、落地灯、加湿器、电视机、净化器、机器人充电桩、微波炉、冰箱、智能摄像机、触屏音响、手机充电器、笔记本电脑、显示屏、智能交互平板、主机，利用总电流和状态标签数据构建数据集；把数据集按3：2划分为训练集和测试集；数据集中每个电器两种状态，各状态的组合共81种。
首先采集多电器电路的总电流数据，以周期为单位分割数据，并根据预测任务构建数据集。用深度学习框架实现基于GCNN的残差结构网络模型，利用构建的数据集训练模型如图3所示，采用反向传播算法更新模型的学习参数，进一步修改模型超参以及模型层数去优化模型，利用测试数据对模型学习效果进行测试。
基于GCNN的用电设备状态预测模型在测试集上的实验效果如表1所示，分别从单个电器和所有电器总体两方面衡量实验效果。
表1基于GCNN的用电设备状态感知算法实验结果
上述数据的计算公式为：
准确率：
TPR、TNR：
Recall、Precision
F1-Score

Claims (10)

1.一种基于图卷积神经网络的用电设备状态感知方法，其特征在于，包括：
利用获取的若干个用电设备构成的电路多个周期的总电流，构建用电设备状态训练数据集；
根据用电设备在电路中的结构关系，构建以设备为节点电流为边的图结构，获取用电设备的邻接矩阵；
利用用电设备状态数据集对基于GCNN的用电设备状态预测模型进行训练，所述基于GCNN的用电设备状态预测模型的GCNN网络的邻居矩阵采用用电设备的邻接矩阵；
将一个周期的总电流输入训练好的用电设备状态预测模型预测用电设备的状态。
2.根据权利要求1所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，利用获取的若干个用电设备多个周期的总电流，构建用电设备状态训练数据集的具体方法为：
获取若干个用电设备构成的电路多个周期的总电流数据；
对获取的总电流数据进行归一化处理，把每个周期的样本数据复制设定个数作为新样本，由新样本组成用电设备状态训练数据集。
3.根据权利要求1所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，若干个用电设备构成的电路每个周期的总电流数据作为一个样本。
4.根据权利要求1所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，用电设备的邻接矩阵中的元素表示任意两个用电设备在图结构中的相邻关系，当两个用电设备在图结构中相邻时，矩阵中对应元素为1，否则为0。
5.根据权利要求1所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，所述基于GCNN的用电设备状态预测模型包括若干层级联的残差层以及softmax层，每层残差层均由并列的GCNN网络和CNN网络构成，GCNN网络和CNN网络的输出结果相加后作为每层残差层的输出，所述softmax层用于对最后一级残差层的输出进行softmax计算，得到每个用电设备在不同状态下的概率矩阵。
6.根据权利要求5所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，所述概率矩阵的每一列代表对应设备在对应周期处于每个状态的概率值，根据每列各自最大概率值所对应的状态预测各用电设备所处的状态，同时构建对应概率矩阵的设备状态矩阵。
7.根据权利要求1所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，利用用电设备状态数据集对基于GCNN的用电设备状态预测模型进行训练的具体方法为：
初始化基于GCNN的用电设备状态预测模型参数；
将用电设备状态训练数据集输入基于GCNN的用电设备状态预测模型；
计算关于样本标签和预测的设备状态矩阵的损失函数；
采用反向传播算法更新基于GCNN的用电设备状态预测模型参数，直至损失函数值达到设定值。
8.根据权利要求7所述的基于图卷积神经网络的用电设备状态感知方法，其特征在于，所述样本标签设备状态矩阵具体为：
根据用电设备的s个工作状态，构建1和0组成的每个样本的标签，所述标签表示为矩阵(s,n)，标签n列代表n个设备，s行代表s个设备工作状态，当设备工作在对应状态，对应标签为1，否则为0。
9.一种控制服务器，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的基于图卷积神经网络的用电设备状态感知方法。
10.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的基于图卷积神经网络的用电设备状态感知方法。
CN202311863258.XA 2024-04-18 2024-04-18 基于图卷积神经网络的用电设备状态感知方法、控制服务器及介质 Active CN118035811B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311863258.XA CN118035811B (zh) 2024-04-18 2024-04-18 基于图卷积神经网络的用电设备状态感知方法、控制服务器及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311863258.XA CN118035811B (zh) 2024-04-18 2024-04-18 基于图卷积神经网络的用电设备状态感知方法、控制服务器及介质

Publications (2)

Publication Number Publication Date
CN118035811A true CN118035811A (zh) 2024-05-14
CN118035811B CN118035811B (zh) 2024-09-20

Family

ID=91003089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311863258.XA Active CN118035811B (zh) 2024-04-18 2024-04-18 基于图卷积神经网络的用电设备状态感知方法、控制服务器及介质

Country Status (1)

Country Link
CN (1) CN118035811B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI892839B (zh) * 2024-09-13 2025-08-01 財團法人資訊工業策進會 電器設備監控系統以及電器設備監控方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104518567A (zh) * 2014-11-26 2015-04-15 国家电网公司 一种用电设备状态在线跟踪方法及装置
CN111626119A (zh) * 2020-04-23 2020-09-04 北京百度网讯科技有限公司 目标识别模型训练方法、装置、设备以及存储介质
CN115618273A (zh) * 2022-09-15 2023-01-17 哈尔滨工业大学 一种基于并行图卷积神经网络的铁路轨道状态评估方法及系统
WO2023000574A1 (zh) * 2021-07-21 2023-01-26 浪潮(北京)电子信息产业有限公司 一种模型训练方法、装置、设备及可读存储介质
CN117336899A (zh) * 2023-09-15 2024-01-02 中国电力科学研究院有限公司 一种电网宽带无线传感网拓扑控制方法、装置及介质
CN117556369A (zh) * 2024-01-12 2024-02-13 南京信息工程大学 一种动态生成的残差图卷积神经网络的窃电检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104518567A (zh) * 2014-11-26 2015-04-15 国家电网公司 一种用电设备状态在线跟踪方法及装置
CN111626119A (zh) * 2020-04-23 2020-09-04 北京百度网讯科技有限公司 目标识别模型训练方法、装置、设备以及存储介质
WO2023000574A1 (zh) * 2021-07-21 2023-01-26 浪潮(北京)电子信息产业有限公司 一种模型训练方法、装置、设备及可读存储介质
CN115618273A (zh) * 2022-09-15 2023-01-17 哈尔滨工业大学 一种基于并行图卷积神经网络的铁路轨道状态评估方法及系统
CN117336899A (zh) * 2023-09-15 2024-01-02 中国电力科学研究院有限公司 一种电网宽带无线传感网拓扑控制方法、装置及介质
CN117556369A (zh) * 2024-01-12 2024-02-13 南京信息工程大学 一种动态生成的残差图卷积神经网络的窃电检测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI892839B (zh) * 2024-09-13 2025-08-01 財團法人資訊工業策進會 電器設備監控系統以及電器設備監控方法

Also Published As

Publication number Publication date
CN118035811B (zh) 2024-09-20

Similar Documents

Publication Publication Date Title
CN112766596B (zh) 建筑能耗预测模型的构建方法、能耗预测方法及装置
CN118035811B (zh) 基于图卷积神经网络的用电设备状态感知方法、控制服务器及介质
CN120217609B (zh) 一种办公建筑能耗预测方法及系统
CN119538743A (zh) 一种预测电池soh和rul的模型训练方法、预测方法及设备
CN113723618B (zh) 一种shap的优化方法、设备及介质
CN117574238A (zh) 基于多门控专家网络的高频电器识别模型构建方法及系统
CN116500449A (zh) 电芯温度预测方法、装置、存储介质及电子设备
Wang et al. AutoLDT: a lightweight spatio-temporal decoupling transformer framework with AutoML method for time series classification
CN116307179A (zh) 一种基于vmd-pca-gru的电力负荷预测方法及装置
Fang et al. Interval prediction of PV power based on double sample entropy framework and integrated bidomain decomposition deep learning
CN115455276A (zh) 推荐对象的方法、装置、计算机设备和存储介质
CN118152870A (zh) 一种基于组合模型的配电网供电可靠性预测方法及系统
CN114841458B (zh) 电力负荷预测方法及系统、电子设备及存储介质
CN112560325A (zh) 换电业务的预测方法、系统、设备及存储介质
CN113298265B (zh) 一种基于深度学习的异构传感器潜在相关性学习方法
CN116451172A (zh) 特征融合模型的训练、癌症用户的分类方法及装置、介质
CN115800256A (zh) 一种空调负荷的预测方法、装置、电子设备和存储介质
CN116227899A (zh) 小区房屋能耗预测方法、装置、电子设备及可读存储介质
CN118625155B (zh) 储能电池弱监督学习模型训练方法、装置及相关设备
CN109255432B (zh) 神经网络模型构建方法及装置、存储介质、电子设备
CN120122019B (zh) 电池组健康状态预测方法、装置、设备、介质及程序产品
CN119646182B (zh) 一种变电站倒闸误操作关键因素自适应识别方法及系统
CN115267553B (zh) 一种健康状态的评估方法、装置、电子设备和存储介质
Mohaidat Efficient Design of Neural Network Hardware Accelerator for Enhanced Performance in Deep Learning Systems
Huang et al. Ultra-short-term prediction of microgrid source load power considering weather characteristics and multivariate correlation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant