公开(公告)号：CN115409089A

公开(公告)日：2022-11-29

申请号：CN202210929445.2

申请日：2022-08-03

Applicant: 浙江工业大学

Inventor： 潘国兵 ,  钱浚杰 ,  王海鹏 ,  邓伟芳 ,  罗宇涵 ,  欧阳静

IPC: G06K9/62 ,  G06N20/00 ,  G06F17/18

Abstract: 本发明公开了一种非侵入式负荷识别的自适应阈值事件检测方法，所述方法包括以下步骤：步骤1：数据输入，以环形存储方法将功率数据进行整理，形成滑动窗口；步骤2：针对当前负荷功率变化特征，将事件根据标准差算法分为短暂态事件和长暂态事件，对不同类型事件采用不同的方法自适应调整阈值；步骤3：根据阈值进行基于均值偏移CUSUM的事件检测，判断事件是否真实；步骤4：针对检测到的真实事件提取特征向量，通过机器学习方法进行事件分类。本发明能够根据当前功率变化情况，计算出相应阈值，解决传统事件检测方法局限于固定阈值，在同时存在功率变化幅值差别大的负荷时，功率变化幅值小的负荷难以被检测的问题。

公开(公告)号：CN115001796B

公开(公告)日：2024-08-09

申请号：CN202210594091.0

申请日：2022-05-27

Applicant: 浙江工业大学

Inventor： 潘国兵 ,  钱浚杰 ,  欧阳静 ,  邓伟芳 ,  罗宇涵

IPC: H04L9/40

Abstract: 一种基于实时事件的非侵入式负荷识别方法，所述方法包括以下步骤：步骤1：低频数据在线实时输入，数据预处理；步骤2：数据整合传输；步骤3：事件检测；步骤4：特征提取；步骤5：事件识别；步骤6：更新偏移量。本发明能够实现在线滑动窗口，在采集数据的同时，实现累积和窗口事件检测。采用本发明的技术方案，可以实现对负荷事件的实时检测，避免事件重复检测和由于数据缺失而漏检。

公开(公告)号：CN115001796A

公开(公告)日：2022-09-02

申请号：CN202210594091.0

申请日：2022-05-27

Applicant: 浙江工业大学

Inventor： 潘国兵 ,  钱浚杰 ,  欧阳静 ,  邓伟芳 ,  罗宇涵

IPC: H04L9/40

Abstract: 一种基于实时事件的非侵入式负荷识别方法，所述方法包括以下步骤：步骤1：低频数据在线实时输入，数据预处理；步骤2：数据整合传输；步骤3：事件检测；步骤4：特征提取；步骤5：事件识别；步骤6：更新偏移量。本发明能够实现在线滑动窗口，在采集数据的同时，实现累积和窗口事件检测。采用本发明的技术方案，可以实现对负荷事件的实时检测，避免事件重复检测和由于数据缺失而漏检。

公开(公告)号：CN114036973A

公开(公告)日：2022-02-11

申请号：CN202111187942.1

申请日：2021-10-12

Applicant: 浙江工业大学

Inventor： 薛鹏 ,  潘国兵 ,  欧阳静 ,  赵继凯 ,  钱浚杰 ,  邓伟芳

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06F17/14 ,  G06F17/13

Abstract: 一种基于动态在线序列的极限学习机的串联电弧故障识别方法，包括以下步骤：1)电能波形采样数据降噪；2)实时数据分段截取；3)波形数据计算与处理；4)ELM故障电弧识别：基于ELM算法，将电弧识别转化为一个故障分类的问题，输入层到隐藏层的权值随机赋予，有了输入层到隐藏层的权值之后，根据最小二乘法得到隐藏层到输出层的权值，从而实现故障电弧识别。本发明通过具有计算高效，泛用性强的动态在线ELM学习算法，为不同负载条件的电网的串联电弧故障识别提供了准确有效的途径。

公开(公告)号：CN115856530A

公开(公告)日：2023-03-28

申请号：CN202211490602.0

申请日：2022-11-25

Applicant: 浙江工业大学

Inventor： 潘国兵 ,  邓伟芳 ,  罗宇涵 ,  王海鹏 ,  钱浚杰 ,  欧阳静

IPC: G01R31/12 ,  G06F18/10 ,  G06F18/213 ,  G06F18/214

Abstract: 本发明属于电弧故障识别领域，具体涉及一种基于多维熵特征的边缘侧在线电弧故障检测方法和系统，包括以下步骤：步骤1，通过采样单元对负荷侧带监测点的电流进行波形采样，获取原始的电流波形信号，并发送至主控单元；步骤2，通过主控单元控制系统各个模块协同运行；步骤3，首先通过电弧故障识别单元对获得的电流信号数据进行初步筛选，筛除错误的数据，然后将获得的电流信号进行多维熵特征提取，获得多维熵特征，并输入已经训练好的FOS‑ELM算法模型，进行电弧故障识别。本发明采用基于多维熵特征和FOS‑ELM的边缘侧在线电弧故障检测方法，在边缘侧进行了低算力电弧故障识别，提高了识别的精确度。

公开(公告)号：CN115186258A

公开(公告)日：2022-10-14

申请号：CN202210480393.5

申请日：2022-05-05

Applicant: 浙江工业大学

Inventor： 潘国兵 ,  赵继凯 ,  钱浚杰 ,  薛鹏 ,  邓伟芳

IPC: G06F21/55 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于CUSUM‑Bi‑LSTM的边缘侧非侵入式负荷识别方法，采集数据是获取用户总线处有功功率和无功功率数据；事件探测是对功率数据使用复合动态滑窗的双边CUSUM算法进行事件探测，提取电器切入切出过程时间段和功率变化数据；特征提取是对探测到的事件进行数据处理，提取出事件发生过程中总线有功功率和无功功率的功率变化量、累计和变化量特征；对数据特征集进行归一化，划分数据为训练集和测试集；负荷识别是将训练集数据输入到具有两层一维卷积层，Bi‑LSTM网络和全连接层模型中进行训练，使用精确率、召回率和F1分数对训练结果进行评价；把训练好的模型固化到DSP芯片内进行边缘侧负荷识别。本发明提高检测精度。