《表1 用电器谐波含量：基于稳态波形分解与神经网络的负荷识别方法》
提示：宽带有限、当前游客访问压缩模式
（1）采集单个用电器波形。通过搭建好的硬件，对5种用电器单独进行谐波特征提取。得出以下数据，如表1所示。
| 图表编号 | XD00157428200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.03.21 |
| 作者 | 陈伟伟、洪彬倬 |
| 绘制单位 | 广东电网有限责任公司河源供电局、广东电网有限责任公司阳江供电局 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 波形时域特征：基于核主成分分析和概率神经网络的开关柜局部放电信号模式识别》2021.02.25
- 《表2 DBN网络结构：基于深度置信网络的用电负荷分析方法研究》2021.02.20
- 《表1 输入元数据结构：基于深度置信网络的用电负荷分析方法研究》2021.02.20
- 《表3 算法测试结果：基于深度置信网络的用电负荷分析方法研究》2021.02.20
- 《表1 数据分配表：基于时间卷积神经网络的非侵入式居民用电负荷分解方法》2021.03.01
- 《表2 实测识别准确率：基于稳态波形分解与神经网络的负荷识别方法》2020.03.21
- 《表A2电器被分解次序：基于聚类和关联分析的居民用户非侵入式负荷分解》2020.06.10
- 《表1 状态组合的分解：基于改进隐马尔科夫模型的非侵入式家居负荷识别》2020.04.01
- 《表1 网络层参数：基于深度学习与二维离散小波分解特征相融合的adaboost人脸识别模型》2020.02.05
- 《表5 识别记录4：基于智能电表的电器用电量分类计量方法研究》2020.02.10
- 《表4 识别记录3：基于智能电表的电器用电量分类计量方法研究》2020.02.10
- 《表3 识别记录2：基于智能电表的电器用电量分类计量方法研究》2020.02.10
- 《表2 识别记录1：基于智能电表的电器用电量分类计量方法研究》2020.02.10
- 《表2 各受试者参数信息：基于变分模态分解与深度信念网络的运动想象分类识别研究》2020.01.28
- 《表1 数据集信息：基于变分模态分解与深度信念网络的运动想象分类识别研究》2020.01.28
- 《表1 基于变分模态分解与形态学分型的特征提取方法的故障识别准确率》2019.10.22
- 《表1 稳态分析结果：基于HHT谐波与间谐波检测研究》2019.07.01
- 《表3 仿真波形谐波含量分析》2019.05.01
- 《表1 用电量预测结果：基于协整-格兰杰因果检验和季节分解的中期负荷预测》2019.01.10
- 《表A1电器状态聚类结果：深度神经网络在非侵入式负荷分解中的应用》2019.01.10