基于EEMD与CNN模型的多标签负荷识别方法

来源：电工电能新技术杂志2023年第2期北京时间：

作者：程志友， 程安然， 李悦， 姜帅

单位：1. 教育部电能质量工程研究中心， 安徽大学， 安徽 合肥 230601；
2. 安徽大学互联网学院， 安徽 合肥 230039

摘要：识别用户用电负荷组成与用电行为是智能电网技术发展的重要研究内容之一。本文提出了一种基于集合经验模态分解(EEMD)结合卷积神经网络(CNN)的多标签负荷识别方法，实现对用户负荷有效的非侵入式监测。首先从检测到事件的聚合测量数据中提取单周期电流波形，应用集合经验模态分解将电流分解为两种模态分量，接着应用欧氏距离相似度函数将分解后的电流转化为二维矩阵表示，通过CNN多标签分类器自动提取矩阵的有效特征，最后利用公开数据集对所提出的方法进行了实验验证。结果表明，基于EEMD处理后的负荷识别准确率高，能够有效地实现多标签负荷识别。

关键词：集合经验模态分解, 卷积神经网络, 欧式距离相似度函数, 多标签, 负荷识别

基金资助：国家自然科学基金项目(61672032)、 安徽省科技重大专项(18030901018)、 安徽省自然科学基金项目(2108085QE237)