申请/专利权人：河海大学

申请日：2022-02-17

公开（公告）日：2024-03-01

公开（公告）号：CN114492671B

主分类号：G06F18/2321

分类号：G06F18/2321;G06F18/2337;G06N3/045;G06N3/084;G06Q50/06

优先权：

专利状态码：有效-授权

法律状态：2024.03.01#授权;2022.05.31#实质审查的生效;2022.05.13#公开

摘要：本发明公开了一种基于改进FCM聚类算法与MLP神经网络的非侵入式家庭负荷识别方法，包括：进行家庭负荷分类，提取负荷的功率变化量特征；使用熵权法改进FCM聚类算法，使用改进聚类算法进行负荷的一次识别；提取负荷的稳态差值电流谐波特征；构建MLP神经网络，使用训练好的MLP神经网络对负荷进行二次识别；综合一次和二次识别结果，获得完整的负荷识别结果。本发明涵盖了负荷的有功、无功和电流谐波等数据特征，多种特征的选择提高了非侵入式负荷辨识的准确度，同时，通过两次识别过程，减少了仅基于深度学习方法负荷辨识的工作量，能够实现对家庭用电设备的准确识别，并对功率特征重叠的家庭负荷具有良好的识别效果。

主权项：1.一种基于改进FCM聚类算法与MLP神经网络的非侵入式家庭负荷识别方法，其特征在于，包括如下步骤：S1：明确家庭负荷的类型，提取负荷的功率变化量特征；S2：明确熵权法的定义，使用熵权法改进FCM聚类算法，通过改进后的聚类算法进行负荷的一次识别；S3：提取负荷的稳态差值电流谐波特征；S4：明确MLP神经网络的定义，使用训练好的MLP神经网络对负荷进行二次识别；S5：整合一次识别和二次识别结果，获得完整的负荷识别结果；所述步骤S2中熵权法的定义为使用熵权重对各类数据进行加权处理；熵权重表示了各类指标间的权重占比，代表的是数据集的整体信息；熵权重的计算方法如下：A1：定义一个系统的整体数据，假设Xij为一个数据矩阵，其所代表的是第i个数据组的第j个指标的值i＝1，2，…，n；j＝1，2，…，m；A2：指标的归一化：运用Z-score归一化方法来处理数据：原数据为x1,x2,…,xn，将其变为均值为0，方差为1的标准数据yi,i＝1,2,…,n， 式中：为原数据的平均值，σ为原数据的标准差，即 通过式8～10对各指标数据进行Z-score归一化处理，得到归一化后的新指标数据；A3：计算第i个数据组的第j个指标下的数值占该指标的比重： 式中，i＝1,2,…,n；j＝1,2,…,m；A4：计算第j个指标的熵值： 式中，k＝1lnn＞0，ej≥0；A5：计算信息熵冗余度：dj＝1-ej8A6：计算各个指标的熵权重： 式中，0≤ωj≤1，

全文数据：

权利要求：

百度查询： 河海大学 基于改进FCM聚类算法与MLP神经网络的非侵入式家庭负荷识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD