电工电能新技术

作者：莫浩杰1， 彭勇刚1， 蔡田田2， 邓清唐2， 韦巍1， 智新振1

单位：1. 浙江大学电气工程学院， 浙江 杭州 310012；
\r\n2. 南方电网数字电网研究院有限公司， 广东 广州 510700

关键词：特征融合, 负荷识别, NILM, 数字电网, 时频特征

基金：国家重点研发计划项目(2020YFB0906000、 2020YFB0906002)

以往的负荷识别方法在提高识别精度和实际落地部署方面遇到了一些挑战，如传统经典方法的识别准确度相对较低，而先进深度学习方法又因其较复杂的模型而很难部署到嵌入式设备上。为解决上述问题，本文提出一种基于高频样本数据识别方法。首先采用快速傅里叶变换(FFT)和希尔伯特变换(HT)对样本进行时域和频域特征提取。然后基于极限学习机(ELM)提出了一种多特征融合学习策略来获取特征与负荷类型之间的映射关系，设计了一种窗口调整方法，以获得最优模型和最合适的窗口长度。最后在两个高频公共数据集BLUED和PLAID上对该方法进行了实验评估。实验结果表明，所提方法具有识别性能较好、易于在嵌入式设备上落地部署的优点。

来源：2023年第3期

《电工电能新技术》期刊编辑部

查看电工电能新技术杂志2023年第3期