《表2 对比算法分解准确率》

  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

《深度神经网络在非侵入式负荷分解中的应用》

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

表3展示了利用时间特性模型生成功率训练的网络在非侵入式分解测试中的结果。从表3中可以看出，网络可以较准确地对非侵入式功率进行分解，但相比于利用历史数据训练的网络而言，准确率有所下降。其原因在于与实际运行数据相比，模型生成的数据并不能完全反映电器的实际情况。这首先与电器状态功率服从高斯分布的假设有关，当所提取的电器状态具有较大功率方差时，模型生成的功率数据波动较为剧烈，这给网络的学习带来了一定的困难。此外，利用状态转移概率来决定电器工作情况的转移不能很准确地反映一些有固定工作模式电器的运行情况，因而利用生成数据训练得到的网络也较难学得这些工作模式。但从整体结果而言，电器时间特性模型与DNN的结合展现出较好的可行性和准确性。由原历史数据及生成数据训练得到的网络在每户家庭中的部分功率分解情况见附录B图B1、图B2。