一种基于度量学习的自适应非侵入式负荷识别方法

TM714; 现有非侵入式负荷识别技术大多基于最优化和模式识别算法,两种算法在模型泛化能力和未知负荷识别上均存在一定缺陷.针对这一问题,文中提出 一种基于度量学习的非侵入式负荷识别模型,通过卷积神经网络将负荷电流特性映射到度量空间,在网络训练时使用三元组损失实现特征的集聚,对度量空间特征进行相似度判别实现负荷辨识.所提方法可实现对未知负荷的有效识别,并具有较强的泛化能力;另一方面,度量学习作为小样本学习的方法之一,能够减轻对训练样本的依赖,具有较高的实用性....

Full description

Saved in:
Bibliographic Details
Published in电测与仪表 Vol. 61; no. 11; pp. 54 - 60
Main Authors 王丙楠, 陆玲霞, 包哲静, 于淼
Format Journal Article
LanguageChinese
Published 浙江大学电气工程学院,杭州 310027 15.11.2024
Subjects
非侵入式负荷识别
metric learning
度量学习
小样本学习
三元组损失
non-intrusive load identification
triplet loss
few-shot learning
Online AccessGet full text
ISSN1001-1390
DOI10.19753/j.issn1001-1390.2024.11.007

Cover

More Information
Summary:TM714; 现有非侵入式负荷识别技术大多基于最优化和模式识别算法,两种算法在模型泛化能力和未知负荷识别上均存在一定缺陷.针对这一问题,文中提出 一种基于度量学习的非侵入式负荷识别模型,通过卷积神经网络将负荷电流特性映射到度量空间,在网络训练时使用三元组损失实现特征的集聚,对度量空间特征进行相似度判别实现负荷辨识.所提方法可实现对未知负荷的有效识别,并具有较强的泛化能力;另一方面,度量学习作为小样本学习的方法之一,能够减轻对训练样本的依赖,具有较高的实用性.
ISSN:1001-1390
DOI:10.19753/j.issn1001-1390.2024.11.007