基于图像分类网络的非侵入式负荷辨识算法的运算成本优化

目前基于图像分类网络的非侵入式负荷辨识算法可达到较高的辨识准确率,但存在较严重的参数冗余,引发了不必要的运算成本。对此类算法的运算成本进行优化,提出一种基于灰色编码的设备特征组合方法,以减少算法中设备特征的参数冗余;然后使用轻量级图像分类网络ZFNet构建设备辨识模型,并引入Inception模块来减少模型中卷积层输出的参数冗余,同时基于仿真实验结果对模型中全连接层的结构和参数进行适应性调整,以减少模型的参数冗余,最后使用PLAID数据集进行算例分析。结果表明：相比于同类算法,所提算法在设备特征的参数量上减少了66.7%～67.5%,在模型的参数量上减少了90%～97.1%,在整体运算量上的变动为-91.7%～6.1%。     

事件检测类非侵入式负荷监测算法综述

非侵入式负荷监测(NILM)可实现设备级用电数据的自动监测，是数字电网建设中传感量测环节的重要技术之一。文中对事件检测类NILM算法的研究成果进行了综述。首先，对事件检测类NILM算法进行界定，对其与组合优化类NILM算法的技术差异进行对比分析；接着，对事件检测类NILM算法的流程及一般方法进行了整理和分类评述；然后，按照事件检测类NILM算法流程的顺序，分别从事件检测、特征提取、设备辨识3个角度对提升事件检测类NILM算法性能的关键技术进行梳理；最后，对事件检测类NILM算法常用性能评估指标进行总结，并对事件检测类NILM算法的未来研究方向进行展望。