动态电网电压条件下基于多头卷积神经网络的非侵入式负荷监测算法
系统与控制
2022-06-01 v1 系统与控制
摘要
近来，非侵入式负荷监测（NILM）因其节能与管理潜力，已成为配电级能源管理系统的重要工具。然而，由于实时负荷的高变异性及负荷构成的多样性，智能建筑环境中的负荷监测颇具挑战。此外，随着智能电表数据量与维度的增长，精度与计算时间成为关键考量因素。鉴于这些挑战，本文提出一种在动态电网电压条件下使用多头（Mh-Net）卷积神经网络（CNN）的改进NILM技术。所提CNN模型中引入了注意力层，有助于提升电器功耗的估计精度。所开发模型的性能已在实验平台上对多组功耗水平各异的电器集合于动态电网电压下进行了验证。此外，所提模型的有效性已在广泛使用的UK-DALE数据上得到验证，并与现有NILM技术进行了性能比较。结果表明，即便在实际动态电网电压条件下，所提模型也能准确识别电器、功耗及其使用时段。
引用
@article{arxiv.2205.15994,
title = {A Multi-Head Convolutional Neural Network Based Non-Intrusive Load Monitoring Algorithm Under Dynamic Grid Voltage Conditions},
author = {Himanshu Grover and Lokesh Panwar and Ashu Verma and B. K. Panigrahi and T. S. Bhatti},
journal= {arXiv preprint arXiv:2205.15994},
year = {2022}
}