基于一维卷积神经网络的非侵入工业负荷事件检测方法

针对非侵入式工业负荷事件检测中准确率较低和漏检率较大的问题，提出了一种基于一维卷积神经网络（1D-CNN）的非侵入工业负荷事件检测方法。所提方法在1D-CNN模型中引入Inception-V2模型构建一维Inception-V2卷积神经网络（1D-Inception-V2-CNN）模型，利用多种长度的滑动窗和对应的卷积核实现对数据的读取和压缩，利用1D-Inception-V2-CNN模型对压缩后的数据进行检测和分类，并通过自适应循环检测方法更新网络模型的检测样本库，最终实现对工业用户负荷数据的全面检测。在对实际工业用户的事件检测实验中，所提检测方法的准确率和Fscore分别达到了96.32%和95.42%，与LeNet一维卷积神经网络、二维卷积神经网络和滑动窗累积和算法相比均有明显的提升。实验结果表明，所提方法能够有效地提高工业事件检测的准确率，同时减小事件漏检率。