一种基于改进ShuffleNetV2的轻量化负荷识别方法分析

近年来,非侵入式负荷监测技术对硬件资源要求越来较高,为了加快计算速度,保持精度的同时,减少参数和计算量,加速网络运算,用于硬件资源较少的嵌入式设备,本文提出基于改进ShuffleNetV2的轻量化负荷识别方法,并提出了名为S-Net的轻量化网络模型,它基于ShuffleNetV2的基本单元加入SE注意力机制,提升网络的表现,同时减少网络的参数量。S-Net的基本结构使用SE模块和S-Moudle模块来构建卷积层,SE模块能够让网络在学习特征时更加注重有用的特征,同时削弱无用的特征,从而提高网络的表现。实验结果与分析表明,S-Net在参数和准确率上都有明显的性能提升,S-Net在处理高污染和低信噪比的电荷数据集方面表现较好,相比于ShuffleNetV2,在准确率上得分方面略高。在参数量上,S-Net的参数约为ShuffleNet V2的2/7。