[发明专利]一种基于深层森林算法的家庭用电负荷分类识别方法

说明书

技术领域

本发明涉及家庭用电负荷分类识别领域，特别是涉及一种基于深层森林算法的家庭用电负荷分类识别方法。

背景技术

面对电网目前存在最大负荷不断刷新历史最高，峰谷差进一步拉大的现状，实行需求侧电能管理是解决问题的有效途径。然而目前居民家庭用电参与负荷调节的比例还较小。其中一个原因是目前无法精准的对家庭用户的用电负荷进行精确识别，并用于挖掘不同家庭的可调节潜力。为了应对这样一个局面，对家庭用电负荷进行智能分类识别，是新形态下推动电力需求侧管理的一个行之有效的措施。

新型智能家居逐步开始走进千家万户，获取海量的家庭用电信息已不再是一个难题。但随着家庭用电器的类别不断增加，人为对家庭用电信息进行分类识别是不实际的。因此，面对海量的家庭用户用电数据的处理和分类，电力企业急需寻找一个快速高效的方法来对电力用户用电类别进行分类。

发明内容

本发明的目的在于提供一种基于深层森林算法的家庭用电负荷分类识别方法，对家庭用电负荷的用电特征进行提取和记忆，对具有较大影响度的用电特征指标进行逐层强化学习，从而达到对家庭用户负荷类别进行深层智能识别的目标。

为实现上述目的，本发明提供如下技术方案：

一种基于深层森林算法的家庭用电负荷分类识别方法，包括以下步骤：

S110：通过家庭智能采集终端对不同家庭用电负荷的特性数据进行智能化采集；

S120：将采集到的家庭用电负荷数据上传至服务器端并储存至家庭用电负荷数据库，同时对家庭用电负荷的数据进行预处理和家庭用电负荷重要关键参量的计算；

S130：利用家庭用电负荷数据库内数据和重要关键参量建立深层森林算法的训练数据集，所述训练数据集包括数据样本集和测试集；

S140：根据用户需要设置深层森林算法的参数，确定森林的产生算法，决策树棵数；

S150：利用训练样本集对深层森林算法进行训练，形成具有逐层强化筛选的深层森林模型；

S160：利用测试集对深层森林模型的分类的精确度进行测试，确定深层森林模型的层数；

S170：设置一定的时间间隔，利用不断生成的家庭用电负荷数据，对深层森林模型进行更新；

S180：得到训练完成的深层森林模型后，向深层森林模型中输入需要新接入的家庭负荷的观测值数据，最终输出负荷类型的分类结果。

优选的，所述的家庭用户用电负荷特性数据包括：用电器的电压、电流、有功功率、无功功率曲线，所述家庭智能采集终端对各类家庭用电器的电压、电流、谐波数据进行高频采集，并将家庭用电器的数据上传服务器进行存储。

优选的，所述家庭用电负荷重要关键参量包括：有功功率范围、负荷类别、日荷峰数目、启动冲击电流倍数、运行持续时间，运行周期等。

优选的，所述步骤S140中深层森林算法的参数包括：森林产生方法、森林的完整程度、每个森林中的决策树棵数。

优选的，所述步骤S150中深层森林模型具有一定层次的森林筛选综合过程：将每一层的输出结果作为增强向量，进一步处理进入下一层的森林加强筛选力度，逐层强化，提高分类的精准度；对所计算的家庭用电负荷重要关键参量进行深层的家庭负荷分类识别。

优选的，所述步骤S160中深层森林的层数可以根据分类任务的大小，训练集得到规模自行确定，训练每层森林时，算法将利用测试集对现有模型的能力进行测试，深层森林训练过程将不断加大深度，提高识别能力，直至分类的精确度达到一定数值，或增加层数对模型分类的精确度提升不大，则停止增加深层森林的层数。

优选的，所述的深层森林模型可以自行更新，提高分类识别的精确度。随着新的家庭用电器数据不断上传服务器，将新的数据和过去历史数据相结合，建立新的训练样本集对深层森林模型进行训练，进一步提高分类识别的精确度。

首先通过家庭智能采集终端对不同家庭用电负荷的特性数据进行智能化采集，其次将海量数据存储于服务器端，同时进行数据预处理，再次利用数据库的数据库建立训练数据集，并对深层森林算法模型进行训练，最后利用训练完成的深层森林算法对家庭用电负荷进行智能分类识别。

与现有技术相比，本发明的有益之处是：