《表4 幅值特征辨识结果：深度学习与幅值特征相融合的低频采样非侵入式负荷辨识算法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《深度学习与幅值特征相融合的低频采样非侵入式负荷辨识算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

使用相同的数据集，对卷积神经网络与幅值特征阈值相结合的负荷辨识方法进行验证，如表4所示，在低采样频率下，该方法能够有效辨识负荷。在CNN部分，只对负荷的电流波形进行图像分类减小了相似电流波形的干扰，因此CNN的分类效果明显。在阈值判断部分，有了CNN对负荷的初步分类，排除了不同电流波形的负荷幅值特征的分布区间重叠的情况，使得阈值判断能够有效确认负荷类别。其中设备小太阳相较于其他设备的辨识效果较差，主要原因是在第一步辨识的过程中，为了减少计算量，像素矩阵维度设置较小，导致其像素矩阵所表现的图像特征较为模糊，与其余类型负荷发生重叠，因此有部分小太阳的数据被误识。