基于马尔可夫转移场和轻量级网络的非侵入式负荷识别OA北大核心CSTPCD

负荷识别是非侵入式负荷监测(non-intrusive loadmonitoring,NILM)的关键一步。针对目前识别方法存在网络参数量大、识别率低的局限性,提出了一种基于马尔可夫转移场(Markov transition field,MTF)和轻量级网络的非侵入式负荷识别方法。首先,利用归一化后的电压电流计算马尔可夫状态转移矩阵,在时域上排列每个状态转移概率构建MTF。其次,对MTF降采样以适应神经网络的学习,利用伪彩色编码技术得到RGB彩色图像。最后,在轻量级网络Shuffle Net V2中加入SimAM无参注意力模块作为特征提取网络,以较少的参数量实现负荷分类识别。使用公共数据集PLAID和WHITED对所提方法进行实验,结果表明,SimAM-ShuffleNetV2在两个数据集的识别准确率分别达到了98.99%和99.22%,参数量分别为0.37 M和0.41 M,比现有的方法具有更高的识别准确率和更少的参数量,验证了所提方法的有效性和优越性。