• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于多層多核卷積神經(jīng)網(wǎng)絡(luò)的非侵入式負(fù)荷監(jiān)測方法研究*

    2021-03-11 03:09:42梁瑞宇
    電子器件 2021年6期
    關(guān)鍵詞:準(zhǔn)確率卷積神經(jīng)網(wǎng)絡(luò)

    汪 濤,梁瑞宇,黃 虎,丁 超

    (1.南京工程學(xué)院電力工程學(xué)院,江蘇 南京 211100;2.南京工程學(xué)院信息與通信工程學(xué)院,江蘇 南京 211100)

    非侵入式負(fù)荷監(jiān)測(Non-Intrusive Load Monitoring,NILM)是一種利用大數(shù)據(jù)分析對電力系統(tǒng)負(fù)荷進(jìn)行檢測與分解的技術(shù)[1],對電力需求側(cè)管理的決策制度以及電網(wǎng)和電力用戶互動體系的構(gòu)建有著重要的意義。相比于侵入式負(fù)荷監(jiān)測,NILM 需要安裝的傳感設(shè)備數(shù)量較少,是一種快捷、經(jīng)濟(jì)的負(fù)荷監(jiān)測方法[2-3]。近年來,隨著大數(shù)據(jù)分析、智能電網(wǎng)、智能電表[4]和智能家居等技術(shù)的不斷成熟與推廣,越來越多的學(xué)者開始專注于NILM 研究。

    20 世紀(jì)80 年代,英國學(xué)者Hart[5]提出了非侵入式負(fù)荷監(jiān)測的概念,同時構(gòu)建了實現(xiàn)NILM 的框架結(jié)構(gòu)。目前,非侵入式負(fù)荷監(jiān)測可分為以高頻采樣和以低頻采樣數(shù)據(jù)為基礎(chǔ)的兩種研究方法。以高頻采樣數(shù)據(jù)為基礎(chǔ)的NILM,通過獲取負(fù)荷開斷時刻的暫態(tài)特征進(jìn)行負(fù)荷識別與分解。文獻(xiàn)[6]提出了一種粒子群聚類算法,將電壓有效值、電流有效值和3 次諧波作為負(fù)荷特征,實驗證明了粒子群優(yōu)化能夠提高算法收斂到全局最優(yōu)的速度。文獻(xiàn)[7]通過提取電流圖片特征辨別負(fù)荷類型。文獻(xiàn)[8]提出一種強(qiáng)化諧波幅值差異的算法,對負(fù)荷諧波信息進(jìn)行加權(quán)處理,模型對相似負(fù)荷電器的區(qū)別能力得到提升。以低頻采樣數(shù)據(jù)為基礎(chǔ)的NILM,通過獲取負(fù)荷的穩(wěn)態(tài)特征,如穩(wěn)態(tài)時的電壓、電流、有功功率進(jìn)行負(fù)荷識別與分解。文獻(xiàn)[9-10]采用深度字典學(xué)習(xí)實現(xiàn)負(fù)荷分解。文獻(xiàn)[9]提出深度稀疏編碼法為各項設(shè)備學(xué)習(xí)多層字典,模型在學(xué)習(xí)深層字典后分解性能提升,但隨著字典的深入,模型參數(shù)過擬合現(xiàn)象也越發(fā)嚴(yán)重。文獻(xiàn)[10]提出基于多標(biāo)簽分類的分解方法,將不同設(shè)備視為不同的類,最終把負(fù)荷分解問題轉(zhuǎn)化為多元回歸問題。文獻(xiàn)[11]不同于傳統(tǒng)的因子隱馬爾可夫模型(Factorial Hidden Markov Model,F(xiàn)HMM 模型),提出一種結(jié)合加法因子隱馬爾可夫模型和減法因子隱馬爾可夫模型兩者優(yōu)點的可加性概率模型,并實驗證明了該想法的有效性。

    近年,鑒于深度學(xué)習(xí)的方法在語音識別、計算機(jī)視覺等多項領(lǐng)域獲得突破進(jìn)展,已經(jīng)有一些學(xué)者使用深度學(xué)習(xí)[1]的方法實現(xiàn)非侵入式負(fù)荷分解。2015 年,英國學(xué)者Kelly[12]第一次實現(xiàn)基于深度學(xué)習(xí)的非侵入式負(fù)荷分解,并采用三種模型進(jìn)行驗證,對比于傳統(tǒng)隱馬爾可夫模型和組合優(yōu)化模型,算法的負(fù)荷分解準(zhǔn)確度得到了顯著提升。文獻(xiàn)[13]提出了一種通用的深度學(xué)習(xí)分解模型,并提供相應(yīng)的固定模型架構(gòu)及超參數(shù),模型能夠適應(yīng)各種類型的負(fù)荷,但分解性能相對較低。文獻(xiàn)[14]提出了一種變分自編碼的卷積神經(jīng)網(wǎng)絡(luò)模型,卷積神經(jīng)網(wǎng)絡(luò)對特征的提取能力強(qiáng),將卷積網(wǎng)絡(luò)與自編碼相結(jié)合,能夠有效地實現(xiàn)負(fù)荷分解。文獻(xiàn)[15]和文獻(xiàn)[16]對常規(guī)的長短時記憶網(wǎng)絡(luò)模型進(jìn)行了優(yōu)化,所提的貝葉斯優(yōu)化雙向長短時記憶(long short term memory,LSTM)模型和正則化LSTM 模型可以解決由設(shè)備數(shù)量增加而引起的維數(shù)過大和參數(shù)過擬合問題。文獻(xiàn)[17]針對序列到序列(sequence-to-sequence,seq2seq)模型中輸入序列過長導(dǎo)致的模型運(yùn)算能力下降問題,提出一種注意機(jī)制,使模型在解碼過程中擁有了側(cè)重點,優(yōu)化了序列到序列模型的信息利用能力。文獻(xiàn)[18]提出一種可變步長的去噪自編碼器模型,在數(shù)據(jù)有噪聲情形下分解性能較好。文獻(xiàn)[19]提出一種序列到點(sequence-to-point,seq2point)模型,相比于序列到序列模型,負(fù)荷分解的絕對誤差和與平均絕對誤差都有所減小。文獻(xiàn)[20]論述并證明了基于V-I 軌跡特征進(jìn)行負(fù)荷分解時所提模型具備的可遷移性。文獻(xiàn)[21]提出設(shè)備遷移學(xué)習(xí)模型和跨域遷移學(xué)習(xí)模型,證明了seq2point 模型是可以遷移的。文獻(xiàn)[22]通過對比實驗,證明了長短時記憶算法在NILM 領(lǐng)域的優(yōu)越性。文獻(xiàn)[23]提出一種基于時間卷積網(wǎng)絡(luò)的半監(jiān)督多標(biāo)簽深度學(xué)習(xí)框架,結(jié)合有標(biāo)簽數(shù)據(jù)和無標(biāo)簽數(shù)據(jù)實現(xiàn)了特定電器的開關(guān)狀態(tài)監(jiān)測。雖然上述模型都成功運(yùn)用了深度學(xué)習(xí)的方法,但仍然未能提出關(guān)于深層次特征信息提取的優(yōu)化方法,模型特征提取層次僅有一至兩層,所以這些模型對于負(fù)荷監(jiān)測的識別準(zhǔn)確率還有待提高。

    為此,本文提出一種基于多層多核卷積神經(jīng)網(wǎng)絡(luò)的負(fù)荷監(jiān)測模型,利用REDD 公開數(shù)據(jù)集完成了模型的訓(xùn)練與測試,并與多層單核網(wǎng)絡(luò)模型及目前認(rèn)可度較高的CNN-LSTM 模型[12]對比,以驗證本文模型對負(fù)荷識別準(zhǔn)確度的提升效果。

    1 模型構(gòu)成

    1.1 模型流程

    本文提出的NILM 模型流程如圖1 所示。

    模型首先對低頻采樣數(shù)據(jù)進(jìn)行分段,并將輸入的功率序列通過高維映射對應(yīng)至高維向量序列,最后通過本文所提神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和分解。

    1.2 數(shù)據(jù)預(yù)處理

    1.2.1 數(shù)據(jù)切割

    由于用于NILM 訓(xùn)練的樣本數(shù)據(jù)數(shù)量級可以達(dá)到104甚至106,因此本文首先對采樣數(shù)據(jù)進(jìn)行數(shù)據(jù)切割,使輸入序列的長度為一固定值。

    由于不同種類的電器能夠代表其電氣特征的數(shù)據(jù)長度不同,故對不同電器需要設(shè)定不同的序列長度。假設(shè)功率數(shù)據(jù)中含有M種不同的電器{A1,A2,…,AM},對應(yīng)網(wǎng)絡(luò)模型輸入序列長度分別設(shè)置為{N1,N2,…,NM},再由設(shè)定的序列長度對功率數(shù)據(jù)進(jìn)行數(shù)據(jù)切割,使其分為若干數(shù)據(jù)段。

    1.2.2 高維映射

    高維映射包含兩個步驟,第一步是輸入總負(fù)荷有功功率序列{P1,P2,…,},進(jìn)行整數(shù)化處理得到{P1,P2,…,}。第2 步為將整數(shù)化處理后的有功功率序列中每個值Pi,通過高維映射矩陣E=[v_s*e_s]映射到高維向量E[Pi],得到映射后的序列{E[P1],E[P2],…,E[]},將E[Pi]作為A[1:Ni]生成輸入矩陣A。高維映射矩陣E中的第一維度v_s為功率大小,第二維度e_s為設(shè)備序列長度。將整數(shù)有功功率映射到高維向量,實現(xiàn)了輸入序列的抽象,同時也確定了高維向量與功率的對應(yīng)關(guān)系,其作為本文深度神經(jīng)網(wǎng)絡(luò)的輸入,有利于后續(xù)編碼器對時序信息的提取和負(fù)荷的分解。

    1.3 網(wǎng)絡(luò)構(gòu)成

    1.3.1 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)中包含卷積層、池化層、全連接層等基本功能層[24]。各個層具有獨立的神經(jīng)元,不同層神經(jīng)元間相互連接,同層神經(jīng)元間無連接。卷積層計算公式為

    式中:表示第l層的第j個濾波器特征表示第l-1 層第j個濾波器特征和第l層卷積核的卷積核函數(shù);為第l層的第j個偏置參數(shù)。f函數(shù)為激活函數(shù);一般來說卷積層還有2-D 卷積層、3-D卷積層、轉(zhuǎn)置卷積層和分組卷積層等。池化層計算公式為:

    式中:和分別表示網(wǎng)絡(luò)層之間的權(quán)重和偏置參數(shù);down(·)為池化函數(shù);f(·)是激活函數(shù)。池化層用來降低分辨率,常用的池化層有平均池化層、最大池化層以及全局平均池化層。本文選用Relu 函數(shù)作為激活函數(shù),Relu 函數(shù)對輸入的每個元素執(zhí)行閾值運(yùn)算,任何小于零的值都設(shè)置為零。經(jīng)過卷積層和池化層的計算后原始數(shù)據(jù)特征便映射到了隱含特征空間,通過全連接層標(biāo)記這些特征空間便能提取原數(shù)據(jù)特征,然后利用softmax 層概率分類。后繼的網(wǎng)絡(luò)層還有批量歸一化層、dropout 層(脫落層)等。批量歸一化層對網(wǎng)絡(luò)中的激活值和梯度傳播進(jìn)行歸一化,使網(wǎng)絡(luò)訓(xùn)練成為更簡單的優(yōu)化問題,dropout層則可以防止過度擬合。模型得到結(jié)果后會通過反向傳播方式調(diào)整模型網(wǎng)絡(luò)參數(shù)。

    1.3.2 LSTM 神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)LSTM 是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN),解決了長依賴性問題,在處理時間序列方面具有良好的性能。LSTM 神經(jīng)網(wǎng)絡(luò)由序列輸入層、LSTM 層、全連接層、dropout 層(值為0.1)、softmax 層以及分類層組成。使用具有動量的梯度隨機(jī)下降優(yōu)化器訓(xùn)練網(wǎng)絡(luò),網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置如下:動量大小為0.97,L2 正則化(L2 Regularization)因子為0.000 5,梯度閾值為1,最大迭代數(shù)300,小批量訓(xùn)練大小為500,初始學(xué)習(xí)率0.01,每過50 代學(xué)習(xí)率在原有基礎(chǔ)上乘0.2。實驗測試發(fā)現(xiàn),增加LSTM層層數(shù)會導(dǎo)致辨識效果變差,為此不再增加LSTM神經(jīng)網(wǎng)絡(luò)的層數(shù)。

    1.3.3 多層多核卷積神經(jīng)網(wǎng)絡(luò)

    由多個卷積核同時卷積進(jìn)行特征提取的方法稱為多核卷積特征提取法。通常情況下,神經(jīng)網(wǎng)絡(luò)使用一個卷積核對負(fù)荷特征進(jìn)行提取,但一個卷積核只能夠提取一種特征,特征提取并不充分,因此本文添加多個卷積核,同時學(xué)習(xí)功率負(fù)荷的多種特征,目的是提高網(wǎng)絡(luò)對功率負(fù)荷的分辨能力,進(jìn)一步達(dá)到提高負(fù)荷分解準(zhǔn)確率的目標(biāo)。經(jīng)過之前的高維映射得到輸入矩陣A,由于每一行的映射向量E[Pi]表示一個與其對應(yīng)的功率,為了提取有利于功率序列分類的特征,應(yīng)當(dāng)從映射向量的級別進(jìn)行特征提取,才能保證功率特征的完整性,也就是說卷積核的寬度w需要完全覆蓋映射向量。當(dāng)卷積核寬度等于映射向量維度時,卷積核只在豎直方向做卷積,卷積核的高度表示同時提取幾個功率序列的特征。假定輸入矩陣A的寬度為w,高度為Ni;卷積核的寬度也為w,高度為h,則卷積過程可表示為:

    一個卷積核提取的特征數(shù)量為Ni-h+1,而不同高度的卷積核提取到的特征大小也不同,因此本文選擇Max pooling 進(jìn)行池化操作,對卷積后的特征映射進(jìn)行降維,使其維度統(tǒng)一。通過Max pooling 提取特征中的最大值得到特征中最重要的部分,再將負(fù)荷特征最大值拼接輸入到softmax 層。

    同時,本文在利用多核卷積網(wǎng)絡(luò)實現(xiàn)負(fù)荷分解的基礎(chǔ)上,加深了網(wǎng)絡(luò)層數(shù),使其具有更強(qiáng)特征提取能力,識別結(jié)果更加精確。一維深層神經(jīng)網(wǎng)絡(luò)的輸入是總有功功率序列轉(zhuǎn)化的4-D 矩陣??傆泄β市蛄袨?×n行向量,將其重構(gòu)成1×1×1×n的矩陣,其中前兩維表示1×1 像素,第3 維1 表示灰度顏色通道,第4 維n表示序列長度。深層卷積網(wǎng)絡(luò)由輸入層、A 類層、B 類層、全連接層、softmax 層和分類層組成,共47 層。A 類層一共10 組40 層,每組由2-D卷積層、批量歸一化、Relu 函數(shù)層以及最大池化層構(gòu)成,每層2-D 卷積層濾器數(shù)量分別為8、16、32、64、128、256、512、1 024、2 048、4 096,大小均為1×1。B 類層由2-D 卷積層(過濾器數(shù)量為8 192,大小為1×1)、批量歸一化層和Relu 函數(shù)層組成。為了使該模型辨識效果更好,在訓(xùn)練模型時加入了更多的網(wǎng)絡(luò)參數(shù),為防止模型過度擬合,加入了L2 正則化因子,其值為0.000 5,使用具有動量的梯度隨機(jī)下降優(yōu)化器訓(xùn)練網(wǎng)絡(luò),動量大小為0.97,梯度閾值為0.5,最大迭代數(shù)為300,在每一代訓(xùn)練時增加數(shù)據(jù)混淆,初始學(xué)習(xí)率為0.01。為了效果更佳設(shè)定學(xué)習(xí)率梯度下降,每過50 代學(xué)習(xí)率在原有基礎(chǔ)上乘0.2。

    1.3.4 模型結(jié)構(gòu)

    本文模型采用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)作為網(wǎng)絡(luò)基礎(chǔ)層,設(shè)計并實現(xiàn)了多層多核網(wǎng)絡(luò)結(jié)構(gòu),對照文獻(xiàn)(CNN-LSTM)模型構(gòu)成如表1 所示,多層單核(CNN-1d-2)模型構(gòu)成如表2 所示,多層多核(CNN-multi-kernel)模型構(gòu)成如表3 所示。

    表1 CNN-LSTM 模型構(gòu)成

    表2 CNN-1d-2 模型構(gòu)成

    表3 CNN-multi-kernel 模型構(gòu)成

    三種網(wǎng)絡(luò)結(jié)構(gòu)中對照文獻(xiàn)(CNN-LSTM)采用兩層卷積層兩層LSTM 進(jìn)行編碼解碼,多層單核(CNN-1d-2)和多層多核(CNN-multi-kernel)模型均采用CNN 和最大池化作為基礎(chǔ)層,多層單核模型會在每層卷積層之后接池化層,而多層多核模型采用三個卷積核同時進(jìn)行卷積,之后再接Max Pooling 進(jìn)行池化操作。

    2 實驗分析

    2.1 實驗軟件平臺

    本文實驗軟件平臺為Windows10(64 位)操作系統(tǒng),Python3.6.8、TensorFlow2.0.0 機(jī)器學(xué)習(xí)平臺。編譯IDE 為PyCharm,數(shù)據(jù)處理使用NILMTK 開源工具包。

    2.2 數(shù)據(jù)集

    為驗證本文所提模型的有效性和準(zhǔn)確性,選取REDD[25]數(shù)據(jù)集進(jìn)行實驗。REDD 數(shù)據(jù)集包含6 個美國家庭的用電數(shù)據(jù)。

    數(shù)據(jù)集包含兩種家庭用電數(shù)據(jù)。一種是低頻功率數(shù)據(jù),包括兩處總線路和各個子設(shè)備的有功功率數(shù)據(jù);另一種是總線路的高頻電流和電壓的波形數(shù)據(jù)。本文所提模型使用低頻功率數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。模型將每個家庭用電數(shù)據(jù)的前70%用于深度網(wǎng)絡(luò)的訓(xùn)練,后30%作為測試數(shù)據(jù)對模型性能進(jìn)行測試,數(shù)據(jù)集訓(xùn)練過程如圖2 所示。

    圖2 數(shù)據(jù)集訓(xùn)練過程框圖

    2.3 序列長度及激活閾值設(shè)定

    為了得到用于負(fù)荷分解的功率序列,首先要對數(shù)據(jù)集內(nèi)各電器序列進(jìn)行激活提取。本文為實驗用到的5 種電器設(shè)定了具體的序列長度及激活閾值,如表4 所示。

    表4 序列長度及激活閾值

    2.4 評價指標(biāo)

    為全面評價模型性能,本文選用準(zhǔn)確率(precision,PRE)、平均絕對值誤差(mean absolute error,MAE)、絕對誤差和(signal aggregate error,SAE)和R2決定系數(shù)四項指標(biāo)作為評價標(biāo)準(zhǔn),具體公式如下:

    (1)準(zhǔn)確率PRE:

    式中:TP 為模型判定結(jié)果與實際負(fù)荷都為運(yùn)行狀態(tài)的序列數(shù)量;FP 為模型判定結(jié)果為非運(yùn)行狀態(tài)但實際負(fù)荷為運(yùn)行狀態(tài)的序列數(shù)量。

    (2)平均絕對值誤差MAE:

    (3)絕對誤差和SAE:

    (4)決定系數(shù)R2(擬合優(yōu)度):

    R2決定系數(shù)越接近1 表示擬合效果越好。上述公式中yi為i時刻用電電器真實功率,為模型分解功率,nsample為總樣本輸入數(shù)量。

    最后,為了表示模型預(yù)測值與實際值間的差距,定義損失函數(shù)(Loss)表達(dá)式如下:

    式中:p表示概率;T為序列總長度;Xt為各設(shè)備的功率;Y為總負(fù)荷功率;θs為網(wǎng)絡(luò)參數(shù);Ni為第i項設(shè)備的序列長度。

    2.5 實驗結(jié)果

    2.5.1 可視化分解結(jié)果

    本文選取REDD 數(shù)據(jù)集家庭1 一段時間內(nèi)的負(fù)荷功率進(jìn)行分解。通過實驗結(jié)果可視化操作,能夠直觀地判斷模型對各項電器功率的預(yù)測效果。由圖3 可以看出,在該段時間內(nèi),冰箱電器在訓(xùn)練集和測試集上負(fù)荷分解的預(yù)測值與真實值基本擬合,初步判斷本模型的可行性。

    圖3 實驗結(jié)果可視化展示

    2.5.2 負(fù)荷識別準(zhǔn)確率

    通過多次實驗比較獲得模型的系數(shù)。實驗中,各模型識別準(zhǔn)確度(PRE)結(jié)果如表5 所示。

    表5 各模型識別準(zhǔn)確率

    識別準(zhǔn)確率能夠反映模型對負(fù)荷的識別能力??梢钥吹饺N模型準(zhǔn)確率都超過了98%,多層單核(CNN-1d-2)和多層多核模型(CNN-multi-kernel)更是超過了99%,其中對照文獻(xiàn)(CNN-LSTM)深度淺、特征提取能力較弱,準(zhǔn)確率相對較低。而CNNmulti-kernel 相較于其他模型采用了多層多核網(wǎng)絡(luò)結(jié)構(gòu),特征提取更加充分,從而獲得最高的準(zhǔn)確率。

    與對照文獻(xiàn)相同,本文也選用了REDD 數(shù)據(jù)集中的冰箱、洗碗機(jī)、水壺、微波爐、洗衣機(jī)5 種常用電器數(shù)據(jù),統(tǒng)計了各種電器的相應(yīng)識別率。具體結(jié)果如表6 所示。

    表6 各模型下不同電器的識別準(zhǔn)確率 單位:%

    相比于對照文獻(xiàn),多層單核模型對各項電器的分解準(zhǔn)確率的提升程度為2%~18%,多層多核模型分解準(zhǔn)確率的提升程度為3%~19%。其中,對于洗衣機(jī)和水壺等多檔運(yùn)行的電器設(shè)備識別準(zhǔn)確度提升效果較為明顯,說明多層多核模型對運(yùn)行方式復(fù)雜的電器識別能力更強(qiáng)。

    2.5.3 損失函數(shù)及誤差

    本文模型在訓(xùn)練中的損失函數(shù)(Loss)、平均絕對值誤差(MAE)、絕對誤差和(SAE)和擬合優(yōu)度R2曲線如圖4 所示,實線代表整體平均曲線,虛線代表冰箱數(shù)據(jù)的曲線。上述指標(biāo)可以反映模型的負(fù)荷功率分解能力。從圖4 可以看出,隨著網(wǎng)絡(luò)迭代次數(shù)的增加,本文模型在各個電器上訓(xùn)練的損失函數(shù)呈現(xiàn)收斂的趨勢。以冰箱數(shù)據(jù)為例,損失函數(shù)收斂十分平穩(wěn),說明損失函數(shù)對神經(jīng)網(wǎng)絡(luò)的超參數(shù)優(yōu)化作用明顯,實現(xiàn)了模型超參數(shù)的自動尋優(yōu)。隨著迭代次數(shù)的增加,平均絕對值誤差(MAE),絕對誤差和(SAE)不斷下降,擬合優(yōu)度R2曲線不斷上升并逐漸收斂至穩(wěn)定常數(shù),該三項指標(biāo)的全面提升表明模型分解得到的功率值與實際功率的真實值間的差距隨網(wǎng)絡(luò)迭代次數(shù)逐漸減小。由此可見,本模型負(fù)荷特征提取性能的提升使得負(fù)荷識別率得到提高,與之相應(yīng)的,功率分解性能也得到了提升。

    圖4 loss、MAE、SAE、R2 曲線

    3 結(jié)束語

    本文提出一種基于多層多核卷積神經(jīng)網(wǎng)絡(luò)的非侵入式負(fù)荷監(jiān)測深度學(xué)習(xí)模型,該模型在提取負(fù)荷特征時,采用多核卷積特征提取法提取負(fù)荷功率的多項特征,并結(jié)合多層卷積法增強(qiáng)網(wǎng)絡(luò)結(jié)構(gòu)。實驗結(jié)果中各模型識別準(zhǔn)確率之間的差異說明,多核卷積法與多層卷積法都能夠增強(qiáng)網(wǎng)絡(luò)對負(fù)荷特征的提取能力,將兩種方法相結(jié)合后,特征提取會更加充分。通過本模型在數(shù)據(jù)集上的實驗結(jié)果可以看出模型對負(fù)荷識別準(zhǔn)確率提升很大,尤其顯著提升了運(yùn)行狀態(tài)較復(fù)雜的電器識別準(zhǔn)確率。同時,相對于目前認(rèn)可度較高的CNN-LSTM 模型,本模型對負(fù)荷分解功率值的平均絕對值誤差和絕對誤差和也有大幅度的減小,且擬合優(yōu)度更高。實驗驗證了模型不僅僅對負(fù)荷識別性能有提升,對負(fù)荷分解性能也有一定程度的提高。

    猜你喜歡
    準(zhǔn)確率卷積神經(jīng)網(wǎng)絡(luò)
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報參考產(chǎn)品質(zhì)量檢驗分析
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    高速公路車牌識別標(biāo)識站準(zhǔn)確率驗證法
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    久久精品亚洲熟妇少妇任你| 黑人操中国人逼视频| 久久这里只有精品19| 黄色片一级片一级黄色片| 国产极品粉嫩免费观看在线| 99香蕉大伊视频| 中文字幕人妻熟女乱码| 久久久久视频综合| 中文字幕最新亚洲高清| 成人精品一区二区免费| 国产乱人伦免费视频| 激情在线观看视频在线高清 | 成人特级黄色片久久久久久久| 曰老女人黄片| 亚洲av成人不卡在线观看播放网| 亚洲国产看品久久| 老汉色av国产亚洲站长工具| 男女免费视频国产| 操出白浆在线播放| www.精华液| 亚洲精品av麻豆狂野| 亚洲专区字幕在线| 久久香蕉精品热| 天天添夜夜摸| 亚洲av美国av| 男女之事视频高清在线观看| 久久久国产成人免费| 一区在线观看完整版| 日韩一卡2卡3卡4卡2021年| 一进一出抽搐动态| 自拍欧美九色日韩亚洲蝌蚪91| 在线播放国产精品三级| 王馨瑶露胸无遮挡在线观看| 国产亚洲av高清不卡| 日韩精品免费视频一区二区三区| 亚洲av欧美aⅴ国产| 亚洲成国产人片在线观看| 在线观看免费高清a一片| 动漫黄色视频在线观看| 亚洲精品美女久久久久99蜜臀| 欧美亚洲 丝袜 人妻 在线| 操出白浆在线播放| 久久久久精品国产欧美久久久| 久久人人爽av亚洲精品天堂| 又黄又爽又免费观看的视频| 精品电影一区二区在线| 精品一区二区三卡| 女人久久www免费人成看片| 99精国产麻豆久久婷婷| 亚洲色图 男人天堂 中文字幕| 性少妇av在线| 9色porny在线观看| 一区二区三区国产精品乱码| 一级黄色大片毛片| 日韩成人在线观看一区二区三区| 啦啦啦 在线观看视频| 中文字幕另类日韩欧美亚洲嫩草| av福利片在线| 两个人看的免费小视频| 欧美国产精品va在线观看不卡| 一边摸一边做爽爽视频免费| 国产又爽黄色视频| 久久久水蜜桃国产精品网| 久久人妻熟女aⅴ| 久久九九热精品免费| 性少妇av在线| 一级毛片女人18水好多| 黑人巨大精品欧美一区二区mp4| 欧美+亚洲+日韩+国产| 天天躁狠狠躁夜夜躁狠狠躁| 日本黄色日本黄色录像| 女人久久www免费人成看片| 亚洲九九香蕉| 国产成人精品久久二区二区91| 久久精品91无色码中文字幕| 老司机午夜福利在线观看视频| 搡老乐熟女国产| av网站在线播放免费| 国产成人av激情在线播放| 香蕉久久夜色| 在线十欧美十亚洲十日本专区| 亚洲欧美日韩另类电影网站| 精品亚洲成国产av| 久久久水蜜桃国产精品网| 99国产精品一区二区蜜桃av | 少妇 在线观看| 久久婷婷成人综合色麻豆| tube8黄色片| 亚洲久久久国产精品| 狠狠狠狠99中文字幕| 欧美人与性动交α欧美精品济南到| 国产av又大| 老司机午夜福利在线观看视频| 老司机午夜福利在线观看视频| av天堂久久9| 国产成人精品久久二区二区免费| 热re99久久精品国产66热6| 亚洲国产毛片av蜜桃av| 午夜福利在线免费观看网站| 欧美成狂野欧美在线观看| 99久久综合精品五月天人人| 香蕉久久夜色| 乱人伦中国视频| 国产蜜桃级精品一区二区三区 | 亚洲av成人不卡在线观看播放网| 国产亚洲一区二区精品| 亚洲国产欧美日韩在线播放| 精品无人区乱码1区二区| 18禁黄网站禁片午夜丰满| 高清在线国产一区| 手机成人av网站| 精品电影一区二区在线| 老汉色av国产亚洲站长工具| 亚洲国产欧美一区二区综合| 老司机午夜福利在线观看视频| 中文字幕av电影在线播放| 亚洲午夜精品一区,二区,三区| 好男人电影高清在线观看| av视频免费观看在线观看| 狠狠狠狠99中文字幕| 精品无人区乱码1区二区| 淫妇啪啪啪对白视频| www日本在线高清视频| 身体一侧抽搐| 亚洲精品一二三| 极品教师在线免费播放| 精品国产一区二区久久| 黄色a级毛片大全视频| av不卡在线播放| 每晚都被弄得嗷嗷叫到高潮| 亚洲av美国av| 桃红色精品国产亚洲av| 777米奇影视久久| 国产精品国产高清国产av | 国产蜜桃级精品一区二区三区 | 一级,二级,三级黄色视频| 日韩一卡2卡3卡4卡2021年| 亚洲欧美日韩高清在线视频| 国产亚洲av高清不卡| 交换朋友夫妻互换小说| 久久久国产成人精品二区 | 欧美 日韩 精品 国产| 国产一区二区三区综合在线观看| 久久精品国产99精品国产亚洲性色 | 老司机影院毛片| 亚洲精品乱久久久久久| 一区二区三区激情视频| 国内毛片毛片毛片毛片毛片| 精品第一国产精品| 精品久久久久久,| 亚洲五月天丁香| 久久人人爽av亚洲精品天堂| 欧美精品高潮呻吟av久久| av网站免费在线观看视频| 国产高清国产精品国产三级| 乱人伦中国视频| cao死你这个sao货| 国精品久久久久久国模美| 成人国产一区最新在线观看| 老鸭窝网址在线观看| 最新美女视频免费是黄的| 少妇粗大呻吟视频| 久久人妻熟女aⅴ| 国产高清videossex| 国产精品久久久久久精品古装| videosex国产| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲欧美激情在线| 99国产综合亚洲精品| 亚洲成a人片在线一区二区| 9191精品国产免费久久| 亚洲视频免费观看视频| 少妇的丰满在线观看| 亚洲欧美激情在线| 精品免费久久久久久久清纯 | 五月开心婷婷网| e午夜精品久久久久久久| 亚洲色图av天堂| 一本一本久久a久久精品综合妖精| 三级毛片av免费| 9191精品国产免费久久| 国产亚洲精品久久久久久毛片 | 免费看十八禁软件| 亚洲精品国产区一区二| 国产主播在线观看一区二区| 午夜亚洲福利在线播放| 日本wwww免费看| 中文字幕av电影在线播放| 悠悠久久av| 亚洲男人天堂网一区| 欧美精品一区二区免费开放| 精品少妇久久久久久888优播| 老熟妇仑乱视频hdxx| 精品人妻熟女毛片av久久网站| 中文欧美无线码| 最新美女视频免费是黄的| 久久久久久人人人人人| 露出奶头的视频| 精品国产一区二区久久| 亚洲av成人一区二区三| 午夜免费成人在线视频| 日本黄色日本黄色录像| 欧美日韩视频精品一区| 国产精品欧美亚洲77777| 一区二区三区激情视频| 中文字幕人妻丝袜一区二区| 久久精品亚洲av国产电影网| av一本久久久久| 99精品在免费线老司机午夜| 亚洲成人免费电影在线观看| 国内毛片毛片毛片毛片毛片| 91精品国产国语对白视频| 欧美精品高潮呻吟av久久| 国产色视频综合| 老司机深夜福利视频在线观看| 亚洲,欧美精品.| 免费不卡黄色视频| 免费在线观看影片大全网站| 精品国产一区二区三区久久久樱花| 精品无人区乱码1区二区| 午夜福利免费观看在线| 夜夜爽天天搞| 免费久久久久久久精品成人欧美视频| 精品高清国产在线一区| 纯流量卡能插随身wifi吗| 黄片小视频在线播放| 亚洲国产欧美一区二区综合| 国内久久婷婷六月综合欲色啪| 老熟妇乱子伦视频在线观看| 国产在线一区二区三区精| 色94色欧美一区二区| 精品久久久久久电影网| 在线观看舔阴道视频| 极品少妇高潮喷水抽搐| 日韩视频一区二区在线观看| 性少妇av在线| 一本大道久久a久久精品| 色在线成人网| 免费女性裸体啪啪无遮挡网站| aaaaa片日本免费| av免费在线观看网站| 久久精品人人爽人人爽视色| xxxhd国产人妻xxx| 91麻豆精品激情在线观看国产 | 日韩欧美在线二视频 | 777米奇影视久久| 美女视频免费永久观看网站| 天天操日日干夜夜撸| 国产成人精品久久二区二区免费| 他把我摸到了高潮在线观看| e午夜精品久久久久久久| 国产无遮挡羞羞视频在线观看| 欧美日韩乱码在线| 中文字幕av电影在线播放| 精品一品国产午夜福利视频| 成人国语在线视频| 国产精品亚洲一级av第二区| 99国产精品一区二区蜜桃av | 一夜夜www| 久久 成人 亚洲| 婷婷成人精品国产| 久久天躁狠狠躁夜夜2o2o| 韩国av一区二区三区四区| 午夜福利,免费看| 欧美一级毛片孕妇| 免费看a级黄色片| 中文欧美无线码| 欧美日韩av久久| 老司机影院毛片| 精品少妇久久久久久888优播| 两个人免费观看高清视频| 欧美丝袜亚洲另类 | 九色亚洲精品在线播放| 香蕉丝袜av| av国产精品久久久久影院| 国产免费av片在线观看野外av| 亚洲成国产人片在线观看| 精品电影一区二区在线| 99精品久久久久人妻精品| 黑人巨大精品欧美一区二区mp4| 性色av乱码一区二区三区2| 日日爽夜夜爽网站| 国产精品免费一区二区三区在线 | av中文乱码字幕在线| 制服诱惑二区| 不卡一级毛片| 男人的好看免费观看在线视频 | 亚洲成人国产一区在线观看| www.熟女人妻精品国产| av在线播放免费不卡| 日韩一卡2卡3卡4卡2021年| 国产成人欧美| 麻豆国产av国片精品| 国产精品99久久99久久久不卡| 免费观看人在逋| 亚洲成人手机| 露出奶头的视频| 脱女人内裤的视频| 中文字幕人妻丝袜一区二区| 久久人人爽av亚洲精品天堂| 人妻一区二区av| 国产精品免费大片| 日韩 欧美 亚洲 中文字幕| 国产区一区二久久| 91成人精品电影| av福利片在线| 午夜精品国产一区二区电影| 久9热在线精品视频| 又紧又爽又黄一区二区| 大型av网站在线播放| 久久精品国产综合久久久| 国产精品九九99| 50天的宝宝边吃奶边哭怎么回事| 黄片小视频在线播放| svipshipincom国产片| 亚洲国产精品sss在线观看 | 91老司机精品| 亚洲,欧美精品.| 成人18禁在线播放| 丰满的人妻完整版| 中文字幕最新亚洲高清| 两个人免费观看高清视频| 成人三级做爰电影| 新久久久久国产一级毛片| 最近最新中文字幕大全免费视频| 午夜91福利影院| 亚洲av美国av| 婷婷丁香在线五月| 丝瓜视频免费看黄片| 欧美色视频一区免费| 黑人巨大精品欧美一区二区mp4| 天天操日日干夜夜撸| 亚洲va日本ⅴa欧美va伊人久久| 久久中文字幕一级| 免费在线观看视频国产中文字幕亚洲| 精品国产乱码久久久久久男人| 一级毛片高清免费大全| 日韩三级视频一区二区三区| 免费在线观看日本一区| 国产精品二区激情视频| 50天的宝宝边吃奶边哭怎么回事| 欧美日本中文国产一区发布| 成人18禁高潮啪啪吃奶动态图| 日韩欧美一区二区三区在线观看 | 亚洲专区中文字幕在线| 久久久精品国产亚洲av高清涩受| av天堂在线播放| 久久这里只有精品19| 建设人人有责人人尽责人人享有的| 亚洲一区二区三区欧美精品| 麻豆成人av在线观看| 亚洲黑人精品在线| 水蜜桃什么品种好| cao死你这个sao货| 久热爱精品视频在线9| 国产精品 国内视频| 777久久人妻少妇嫩草av网站| 亚洲精品中文字幕一二三四区| 香蕉久久夜色| 亚洲av日韩在线播放| 欧美国产精品va在线观看不卡| 男女之事视频高清在线观看| 下体分泌物呈黄色| 久久久久国内视频| 亚洲中文字幕日韩| 青草久久国产| 久久国产精品影院| 欧美激情高清一区二区三区| 极品人妻少妇av视频| 男人的好看免费观看在线视频 | 大香蕉久久网| av片东京热男人的天堂| 成年人午夜在线观看视频| 中文字幕另类日韩欧美亚洲嫩草| 欧美精品啪啪一区二区三区| 亚洲av日韩在线播放| 亚洲一区中文字幕在线| 中国美女看黄片| 一二三四在线观看免费中文在| 1024视频免费在线观看| 精品一区二区三区视频在线观看免费 | 久久精品人人爽人人爽视色| 亚洲欧美一区二区三区久久| 国产亚洲精品久久久久5区| 国产亚洲精品一区二区www | 999精品在线视频| 国产欧美日韩一区二区精品| 久久久久久久国产电影| 免费在线观看亚洲国产| 亚洲第一av免费看| 男女高潮啪啪啪动态图| 黄片小视频在线播放| 精品一区二区三区av网在线观看| av有码第一页| 女人爽到高潮嗷嗷叫在线视频| 国产av精品麻豆| av电影中文网址| 亚洲欧美一区二区三区黑人| 成年版毛片免费区| 最新的欧美精品一区二区| 成人特级黄色片久久久久久久| 成年人黄色毛片网站| 免费在线观看影片大全网站| 老司机午夜十八禁免费视频| 天天躁狠狠躁夜夜躁狠狠躁| 国产精品 欧美亚洲| 亚洲精品一二三| 淫妇啪啪啪对白视频| 在线天堂中文资源库| 男男h啪啪无遮挡| 极品教师在线免费播放| 手机成人av网站| 在线观看午夜福利视频| 每晚都被弄得嗷嗷叫到高潮| 久久这里只有精品19| 午夜福利视频在线观看免费| 国产成人啪精品午夜网站| 午夜免费观看网址| 亚洲精品av麻豆狂野| 国产一区二区三区在线臀色熟女 | 日韩成人在线观看一区二区三区| 欧美成人免费av一区二区三区 | 99久久综合精品五月天人人| 国产主播在线观看一区二区| 我的亚洲天堂| 老司机影院毛片| 不卡av一区二区三区| 日韩人妻精品一区2区三区| 亚洲精品成人av观看孕妇| 超色免费av| 久久久国产精品麻豆| 色播在线永久视频| 男女之事视频高清在线观看| av免费在线观看网站| 久久午夜综合久久蜜桃| 免费黄频网站在线观看国产| 两人在一起打扑克的视频| 巨乳人妻的诱惑在线观看| 午夜久久久在线观看| 久久天堂一区二区三区四区| 一级毛片精品| 免费观看人在逋| 国产乱人伦免费视频| 久久精品亚洲av国产电影网| 黑人巨大精品欧美一区二区蜜桃| 可以免费在线观看a视频的电影网站| 久久亚洲精品不卡| 黄色怎么调成土黄色| 国产成人精品在线电影| a级毛片黄视频| 男人的好看免费观看在线视频 | 黑丝袜美女国产一区| 色婷婷久久久亚洲欧美| 日韩大码丰满熟妇| 嫩草影视91久久| 99久久综合精品五月天人人| 精品乱码久久久久久99久播| 午夜日韩欧美国产| 欧美日韩乱码在线| 麻豆乱淫一区二区| 精品国产一区二区久久| avwww免费| 国产日韩一区二区三区精品不卡| 90打野战视频偷拍视频| 亚洲色图av天堂| 中文欧美无线码| av线在线观看网站| 高清av免费在线| 深夜精品福利| 午夜91福利影院| 久久亚洲真实| 欧美日韩亚洲高清精品| 久久精品国产99精品国产亚洲性色 | 精品少妇久久久久久888优播| 国产一区二区三区在线臀色熟女 | 国产蜜桃级精品一区二区三区 | 亚洲欧美一区二区三区黑人| 建设人人有责人人尽责人人享有的| 女警被强在线播放| 天天影视国产精品| 黄色a级毛片大全视频| 成在线人永久免费视频| 老熟妇乱子伦视频在线观看| 免费观看a级毛片全部| 亚洲成人免费av在线播放| www.熟女人妻精品国产| 久久精品人人爽人人爽视色| 国产乱人伦免费视频| 国产熟女午夜一区二区三区| 欧美av亚洲av综合av国产av| 国产在线精品亚洲第一网站| 久久中文字幕一级| 亚洲欧美激情在线| 色婷婷av一区二区三区视频| 久热这里只有精品99| 99精品在免费线老司机午夜| 在线看a的网站| 亚洲欧美激情在线| 性少妇av在线| 欧美午夜高清在线| 9191精品国产免费久久| 在线观看午夜福利视频| 99国产极品粉嫩在线观看| 国产精品欧美亚洲77777| 国产午夜精品久久久久久| 国产免费男女视频| 嫁个100分男人电影在线观看| 天天躁夜夜躁狠狠躁躁| 午夜久久久在线观看| 国产欧美亚洲国产| 亚洲午夜精品一区,二区,三区| 中文欧美无线码| 村上凉子中文字幕在线| 国产高清videossex| 90打野战视频偷拍视频| 一级a爱视频在线免费观看| bbb黄色大片| 精品国产一区二区三区四区第35| 国产日韩一区二区三区精品不卡| 叶爱在线成人免费视频播放| 成人特级黄色片久久久久久久| 精品无人区乱码1区二区| 国产av一区二区精品久久| 99国产精品99久久久久| 亚洲精华国产精华精| 自线自在国产av| 熟女少妇亚洲综合色aaa.| 99re6热这里在线精品视频| 精品久久久精品久久久| 高清毛片免费观看视频网站 | 成年动漫av网址| 丁香六月欧美| 69av精品久久久久久| 美女视频免费永久观看网站| 欧美成人免费av一区二区三区 | 搡老乐熟女国产| 黄色视频,在线免费观看| 一二三四在线观看免费中文在| 日本wwww免费看| 国产欧美日韩一区二区三| 91在线观看av| 91国产中文字幕| 精品亚洲成a人片在线观看| 最近最新中文字幕大全电影3 | 国产成人精品久久二区二区免费| 1024视频免费在线观看| 免费看a级黄色片| 久久热在线av| 日韩欧美免费精品| 999精品在线视频| 成人三级做爰电影| 亚洲中文av在线| 一级a爱视频在线免费观看| 免费在线观看亚洲国产| 亚洲,欧美精品.| 免费在线观看视频国产中文字幕亚洲| 国产av又大| 久久精品熟女亚洲av麻豆精品| 黄色毛片三级朝国网站| 久久亚洲真实| 亚洲少妇的诱惑av| 成人18禁高潮啪啪吃奶动态图| 中文字幕另类日韩欧美亚洲嫩草| 亚洲精品中文字幕在线视频| 欧美另类亚洲清纯唯美| 色94色欧美一区二区| 午夜两性在线视频| 久久久久国产一级毛片高清牌| 成年人免费黄色播放视频| 国产乱人伦免费视频| 极品人妻少妇av视频| 精品乱码久久久久久99久播| 热99国产精品久久久久久7| 欧美日韩福利视频一区二区| 国产免费av片在线观看野外av| 99久久99久久久精品蜜桃| 91国产中文字幕| 99re在线观看精品视频| 看黄色毛片网站| 桃红色精品国产亚洲av| 久久国产精品男人的天堂亚洲| 国产在线精品亚洲第一网站| 51午夜福利影视在线观看| 少妇粗大呻吟视频| 在线播放国产精品三级| 极品教师在线免费播放| 超碰97精品在线观看| 18禁裸乳无遮挡动漫免费视频| 中文字幕人妻丝袜一区二区| 精品福利观看| 很黄的视频免费| 亚洲成av片中文字幕在线观看| 手机成人av网站| 无人区码免费观看不卡| 午夜免费观看网址| 免费日韩欧美在线观看| 精品国产一区二区久久| 亚洲成人国产一区在线观看| 色婷婷久久久亚洲欧美| 91国产中文字幕| 一区福利在线观看| 精品卡一卡二卡四卡免费| 午夜精品在线福利| 一区二区日韩欧美中文字幕| av电影中文网址| 精品熟女少妇八av免费久了| 国产一卡二卡三卡精品| 不卡av一区二区三区| 美女 人体艺术 gogo| 国产精品免费一区二区三区在线 | 久久中文字幕人妻熟女| 飞空精品影院首页| 正在播放国产对白刺激| 最近最新中文字幕大全免费视频| 乱人伦中国视频|