非侵入式负荷监测综述EI北大核心CSCD

非侵入式负荷监测通过对总负荷电表数据进行分析处理,能够实现对各个用电设备及其工作状态的辨识,可广泛应用于建筑节能、智慧城市、智能电网等领域.近年来,随着智能电表的大规模部署以及各类机器学习算法的广泛应用,非侵入式负荷监测引起了学术界与工业界的共同关注.本文对非侵入式负荷监测方面的研究进行综述.首先提炼非侵入式负荷监测的问题模型及基本框架;然后分别对非侵入式负荷监测的数据采集与预处理过程、负荷分解模型与方法、常用数据集及评估指标进行归纳总结;最后,对目前研究中存在的挑战进行分析,并对未来的研究方向进行展望.     

基于小波分析的家用电器负荷识别

为了提高家用电器负荷辨识准确度,推动智能用电发展,本文采用基于小波分析的方法进行家用电器负荷识别.由于非侵入式负荷监测可在较高准确度的前提下监测用户负荷运行状态并克服了侵入式负荷监测的缺点,本文研究基于非侵入式的负荷辨识.由于Haar小波构造简单并且变换过程中不会丢失信息,本文选择Haar小波作为分解信号的小波基.通过...     

基于深度学习网络的非侵入式负荷分解方法

负荷特征的选取能够在很大程度上描述用电设备的电气特征,选择合适的负荷特征是影响负荷分解优劣的关键条件之一,提出基于深度学习网络的非侵入式负荷分解方法。选取有功功率、无功功率和V-I轨迹图作为负荷特征项并获取相关特征,构建GA-BP神经网络和卷积神经网络并加以训练。提取非侵入式负荷的高级特征,并将特征提取结果融合为复合特征。将融合后的复合特征输入至经过训练的GA-BP神经网络用于负荷分解,实现非侵入式负荷分解。实验结果表明,所提方法的绝对误差均值、均方根误差较小,召回率较大,通过特征处理有效提升了负荷分解效果。     

基于分组空洞残差网络的非侵入式负荷分解

针对当前深度学习在非侵入式负荷分解应用中准确率低、易梯度消失、对使用频率较低的电器分解误差大等问题,提出一种分组空洞残差网络.进行滑动处理增加样本数量后,一方面基于残差网络提取深层负荷特征,降低网络优化难度,解决梯度消失问题;另一方面通过空洞卷积增大感受野,捕获更多数据,解决长时序数据较难学习的问题.实验结果表明,该模型比现有方法分解准确率更高,对使用频率较低的电器分解鲁棒性更好,对实现准确非侵入负荷分解有重要意义.     

基于多模式集成深度融合的非侵入式负荷分解模型

目前,基于深度学习的非侵入式负荷分解模型存在对长时间用电信息的时间依赖性建模能力受限及使用同一种分解模型对具有不同负荷特征的设备进行负荷分解所得到的分解误差达不到理想状态的问题。针对上述问题,文章提出了一种非侵入式负荷分解模型,其将基于CNN-LSTM-TPA的分解模型和改进的SVRVB-STCKF模型进行集成融合。首先,其使用时间模式注意力机制（TPA）加强CNN-LSTM分解模型对时间依赖性的建模能力,捕获原始用电信息的负荷特征并实现初步负荷分解;其次,采用支持向量机回归（SVR）建立目标设备的非线性状态空间模型,并利用改进的强跟踪技术和变分贝叶斯对容积卡尔曼滤波算法（CKF）进行改进,得到VB-STCKF模型,对初步分解结果进行二次动态调整。利用REDD和UKDALE公开数据集对所提模型进行验证,结果表明,所提加强模型的时间建模能力及其对初步分解结果进行动态调整的功能,可以有效降低模型的分解误差。     

基于隐马尔可夫模型的非侵入式负荷监测泛化性能改进

隐马尔可夫模型(HMM)是非侵入式负荷监测常用的算法.由于电压波动与负荷自身电气特性变化等原因,负荷的测量状态如功率可能持续变化,运行过程中出现新的状态转移,但当前基于HMM的非侵入式负荷监测方法并未考虑如何处理该情况,缺乏状态辨识与功率分解的泛化能力.针对这一问题,本文提出并构建二元参数隐马尔科夫模型(BPHMM),结合DBSCAN聚类算法,基于有功功率和稳态电流对负荷状态进行聚类,降低了因电压波动和噪声数据对负荷状态聚类结果造成干扰的可能性;改进维特比算法使其考虑到HMM模型参数更新以实现对负荷状态预测泛化性能的改进;考虑到功率的随机波动性,基于极大似然估计原理构建功率计算优化模型并实现负荷的功率分解.本文采用公共数据集AMPds2对所述方法进行验证,测试算例验证了所述方法的有效性.     

基于SV-ISSA的非侵入式负荷分解技术研究

非侵入式负荷监测是自动化设备用电安全监测的重要技术。针对常用电器存在功率值接近导致负荷分解准确率低的问题,原有基于低频数据的方法无法对其有效分解,本文提出了一种基于SV-ISSA(State vector-Improved Sparrow Search Algorithm)的非侵入式负荷分解方法。基于事件检测后得到的功率波形,使用DTW算法提取电器的典型功率矩阵,利用改进层次聚类算法将功率矩阵转换为状态向量,并利用滑动窗口提取电器超状态,对超状态进行缩减并获取其对应功率矩阵。此时负荷分解问题可转换为求解最优组合问题,然后通过改进的麻雀搜索算法求解各个电器超状态的运行状况,从而得到最终分解结果。实验结果表明,采用所提方法可有效提高负荷分解准确率,且能够准确处理具有相似功率范围同时运行的多种电器。     

电器辨识算法与系统研究

家庭用电负荷分解数据的加工利用,对于提高节能减排水平以及促进智能电网的发展具有重要意义。负荷监测有侵入式和非侵入式两种主流监测方式。但是它们都因各自的缺点而难以得到广泛应用。通过对这两种监测方式的研究,设计了一种新的负荷监测方式。通过将非侵入式结构和侵入式结构相融合,基于电流差异性和基尔霍夫电流定律,建立了电力干线数学模型。采用C-均值法对实时监测到的电流进行分类,达到辨识效果。对9种常用的家用电器分3个辨识节点进行试验。试验2 h内,辨识的准确率可达99.98%。该系统对于推动家庭服务类人工智能的发展具有积极作用。     

基于上采样金字塔结构的卷积神经网络的非侵入负荷辨识算法

非侵入式负荷监测（NILM）技术为需求侧管理提供了技术支撑,而非侵入负荷辨识是负荷监测过程中的关键环节。在负荷数据采样过程中无法实现长期的实时高频采集,得到的负荷数据还存在缺乏时序性的问题;同时,卷积神经网络（CNN）存在对低级信号特征表现不足的缺陷。针对以上两个问题,提出了一种基于上采样金字塔结构的CNN非侵入负荷辨识算法。所提算法直接面向采集到的负荷电流信号,利用上采样网络扩展数据在时间维度上的相关信息弥补数据的时序性,并通过双向金字塔一维卷积提取负荷信号的高级与低级特征,以对负荷特征进行全面利用,从而实现对未知负荷信号进行识别的目的。实验结果表明,基于上采样金字塔结构的CNN非侵入负荷辨识算法的识别准确率能够达到95.21%,且具有良好的泛化能力,可有效实现负荷辨识。     

基于HVD算法的负荷暂态事件监测

通过非侵入式负荷监测技术,可以更为详细地了解居民各个时段的用电信息,帮助其制订合理的用电计划,以达到科学用电.非侵入式负荷监测技术的重点是暂态事件的监测,本文提出希尔伯特振动分解(Hilbert vibration decomposition,HVD)算法对用电设备开启瞬间的功率、电流等电气参数变化时存在的突变点进行暂...     

基于异构信息网络元路径作张量分解的深度学习推荐系统

过去基于学习用户和物品的表征向量的推荐系统算法在大规模数据中取得了较好的结果。相比早期经典的基于矩阵分解（matrix factorization,MF）的推荐算法,近几年流行的基于深度学习的方法,在稀疏的数据集中具有更好的泛化能力。但许多方法只考虑了二维的评分矩阵信息,或者简单的对各种属性做嵌入表征,而忽略了各种属性之间的内部关系。异构信息网络（heterogeneous information network,HIN）相比同构网络能够存储更加丰富的语义特征。近几年结合异构信息网络与深度学习的推荐系统,通过元路径挖掘关键语义信息的方法成为研究热点。
为了更好地挖掘各种辅助信息与用户喜好的关联性,本文结合张量分解、异构信息网络与深度学习方法,提出了新的模型hin-dcf。首先,基于数据集构建特定场景的异构信息网络;对于某一元路径,根据异构图中的路径信息生成其关联性矩阵。其次,合并不同元路径的关联性矩阵后,得到包含用户、物品、元路径三个维度的张量。接着,通过经典的张量分解算法,将用户、物品、元路径映射到相同维度的隐语义向量空间中。并且将分解得到的隐语义向量作为深度神经网络的输入层的初始化。考虑到不同用户对不同元路径的关联性偏好不同,融入注意力机制,学习不同用户、物品,与不同元路径的偏好权重。在实验部分,该模型在精确度上有效提升,并且更好地应对了数据稀疏的问题。最后提出了未来可能的研究方向。     

基于RGB-D图像的语义场景补全研究综述

近年来随着计算机视觉领域的不断发展,三维场景的语义分割和形状补全受到学术界和工业界的广泛关注.其中,语义场景补全是这一领域的新兴研究,该研究以同时预测三维场景的空间布局和语义标签为目标,在近几年得到快速发展.对近些年该领域提出的基于RGB-D图像的方法进行了分类和总结.根据有无使用深度学习将语义场景补全方法划分为传统方法和基于深度学习的方法两大类.其中,对于基于深度学习的方法,根据输入数据类型将其划分为基于单一深度图像的方法和基于彩色图像联合深度图像的方法.在对已有方法分类和概述的基础上,对语义场景补全任务所使用的相关数据集进行了整理,并分析了现有方法的实验结果.最后,总结了该领域面临的挑战和发展前景.     

基于改进kNN算法与暂稳态特征的非侵入式负荷监测方法

非侵入式负荷监测(Non-intrusive Load Monitoring,NILM)通过分析电力总回路的电气信息得到回路中各电器的运行数据,为用户的节能优化和电网的优化调度提供依据。现有NILM方法主要将研究重点放在提高负荷识别准确度上,模型复杂度高,难以在嵌入式设备上应用。针对上述问题,提出一种基于改进kNN算法与暂稳态特征的NILM方法。首先选择无需训练的kNN算法作为负荷识别模型,采用距离权重统计方法对kNN算法进行改进,并增加余弦相似度判断机制检验kNN算法负荷识别结果准确性;然后选择暂态特征和稳态特征作为负荷特征以提高负荷特征辨识度;最后利用实验采集数据进行验证,上述NILM方法具有良好的性能。     

深度学习在故障诊断与预测中的应用

近年来,深度学习以其在特征提取与模式识别方面独特优势与潜力被广泛应用于众多领域,已取得显著进展,其在复杂工业系统故障诊断与预测中的研究属于新兴领域。对近年来深度学习及其在各领域发展的优秀综述文献以及主流的开源仿真工具平台进行了整理,同时介绍了五种典型的深度学习模型,包括自动编码器（Auto-Encoder,AE）、 深度置信网络（Deep Belief Networks,DBN）、 卷积神经网络（Convolutional Neural Networks,CNN）、 循环神经网络（Recurrent Neural Network,RNN）、生成对抗网络（Generative Adversarial Network,GAN）;从研究背景、实现流程及研究动态等三个方面就深度学习在故障诊断与预测中的应用研究进行了归纳总结,对近年来这一领域发表的相关论文进行了系统的综述;从研究实际出发探讨了深度学习在故障诊断与预测领域应用中存在的问题、挑战及解决方法,并对未来值得继续研究的方向进行了展望。     

人机对话系统中意图识别方法综述

口语理解是人机对话系统的重要组成部分,而意图识别是口语理解中的一个子任务,而且至关重要。意图识别的准确性直接关系到语义槽填充的性能并且有助于后续对话系统的研究。考虑到人机对话系统中意图识别的困难,传统的机器学习方法无法理解用户话语的深层语义信息,主要对近些年应用在意图识别研究方面的深度学习方法进行分析、比较和总结,进一步思考如何将深度学习模型应用到多意图识别任务中,从而推动基于深度神经网络的多意图识别方法的研究。     

基于深度学习的事件抽取研究综述

事件抽取是从非结构化的自然语言文本中自动抽取用户感兴趣的事件信息, 并以结构化的形式表示出来. 事件抽取是自然语言处理与理解中的重要方向, 在政府公共事务管理、金融业务、生物医学等不同领域有着很高的应用价值. 根据对人工标注数据的依赖程度, 目前基于深度学习的事件抽取方法主要分为两类: 有监督和远程监督学习方法. 对当前深度学习中事件抽取技术进行了全面的综述. 围绕有监督中CNN、RNN、GAN、GCN与远程监督等方法, 系统地总结了近几年的研究情况, 并对不同的深度学习模型的性能进行了详细对比与分析. 最后, 对事件抽取面临的挑战进行了分析, 针对研究趋势进行了展望.     

A convolutional autoencoder-based approach with batch normalization for energy disaggregation

Non-intrusive loading monitoring (NILM) is a load analyzing algorithm that performs the energy dis-aggregation of power load for the smart meter technology. NILM is a highly valuable application due to its cost effectiveness, but it is a very challenging research because the noisy low-level features are not easily distinguishable when multiple appliances are used together. This paper proposes a deep learning-based scheme, named the CAEBN-HC, to address this issue. The proposed CAEBN-HC is designed based on the one-dimensional convolutional neural networks (1D-CNN) autoencoder and uses advanced training techniques, particularly the batch normalization (BN) and hill climbing (HC) algorithm to solve the NILM problem. The 1D-CNN autoencoder is used to extract the temporal features, and the BN is used to re-adjust the output distribution of each layer to prevent the gradient vanishing or explosion problem in the training process. In addition, the HC is used to perform the hyperparameter tuning. The NILM problem is first modeled as a regression problem, and the proposed method can predict the target signal correctly. To validate the effectiveness of the proposed scheme, the REDD appliance and power usage dataset is applied as a benchmark for performance comparison. Results showed that the proposed CAEBN-HC performed the best when compared with the LSTM and the conventional convolutional autoencoder (CAE) scheme without batch normalization and hyperparameter optimization.

     

跨库语音情感识别研究进展

语音情感识别在人机交互过程中发挥极为重要的作用,近年来备受关注.目前,大多数的语音情感识别方法主要在单一情感数据库上进行训练和测试.然而,在实际应用中训练集和测试集可能来自不同的情感数据库.由于这种不同情感数据库的分布存在巨大差异性,导致大多数的语音情感识别方法取得的跨库识别性能不尽人意.为此,近年来不少研究者开始聚焦跨库语音情感识别方法的研究.本文系统性综述了近年来跨库语音情感识别方法的研究现状与进展,尤其对新发展起来的深度学习技术在跨库语音情感识别中的应用进行了重点分析与归纳.首先,介绍了语音情感识别中常用的情感数据库,然后结合深度学习技术,从监督、无监督和半监督学习角度出发,总结和比较了现有基于手工特征和深度特征的跨库语音情感识别方法的研究进展情况,最后对当前跨库语音情感识别领域存在的挑战和机遇进行了讨论与展望.     

基于深度学习的目标视频跟踪算法综述

深度学习理论在计算机视觉中的应用日趋广泛,在目标分类、检测领域取得了令人瞩目的成果,但是深度学习理论在目标跟踪领域的早期应用中,由于存在跟踪时只有目标为正样本,缺乏数据支持,对位置信息依赖程度高等问题,因而应用效果并不理想,传统方法仍占据主流地位.近年来,随着技术的不断发展,深度学习在目标跟踪方向取得了长足的进步.本文首先介绍了目标跟踪技术的基本概念和主要方法,然后针对深度学习在目标跟踪领域的发展现状,从基于深度特征的目标跟踪和基于深度网络的目标跟踪两方面重点阐述了深度学习在该领域的应用方法,并对近期较为流行的基于孪生网络的目标跟踪进行了详细介绍.最后对近年来深度学习在目标跟踪领域取得的成果,以及未来的发展方向作了总结和展望.     

基于深度学习的点云分割方法综述

点云分割是点云数据理解中的一个关键技术,但传统算法无法进行实时语义分割。近年来深度学习被应用在点云分割上并取得了重要进展。综述了近四年来基于深度学习的点云分割的最新工作,按基本思想分为基于视图和投影的方法、基于体素的方法、无序点云的方法、有序点云的方法以及无监督学习的方法,并简要评述;最后分析各类方法优劣并展望未来研究趋势。