基于矩阵特征重构的深度学习负荷监测方法

为解决负荷特征学习和训练模型难以求解、识别准确率不高的问题，文章提出了一种基于奇异值特征矩阵重构的深度学习非侵入式负荷监测方法，首先利用奇异值分解算法对采集到的混合信号进行负荷分离，并设定奇异值的门限，保留通过门限的左右奇异值矩阵，然后获取处理后的左右奇异值矩阵的克罗内克积，实现信号的特征矩阵重构；将大量典型家电的运行电流数据转换成重构特征矩阵的形式，并使用卷积神经网络模型进行训练，从重构的特征矩阵中提取独立负荷特征，进而建立能够处理重构特征矩阵数据的卷积神经网络模型，并基于该模型提取数据特征，从而达到辨识负荷特征的目的。