[发明专利]一种基于AdaBoost模型的负荷特征快速匹配方法

说明书

本发明公开了一种基于AdaBoost模型的负荷特征快速匹配方法，涉及电力负荷监测领域。目前，数学优化和模式识别是负荷识别及分解问题的两大类求解方法，但数学优化的求解效率较低、负荷识别算法精度偏低。为此，本发明提出了一种基于AdaBoost模型的负荷特征快速匹配方法，该方法以负荷V‑I曲线轨迹中的图形特征作为识别样本，并为每种负荷定义识别标签，选定适宜的弱识别器，生成增强的强识别器，最终实现负荷识别。使用AdaBoost识别器可以提炼重要的训练数据特征，减小了训练的维度，加快了训练的速度，并提高了训练的精度。该方法的提出能够对负荷特征进行快速高效准确的匹配，具有良好的经济效益和实用价值。

技术领域

本发明涉及电力负荷监测领域，尤其涉及一种基于AdaBoost模型的负荷特征快速匹配方法。

背景技术

随着ICT技术的不算进步，配电网络智能化、数字化建设的不断加速，新一代用电采集的系统的开发及应用有了新的驱动力，智能用电以及电力网络的智能管理已经成为未来发展的趋势。作为在信息化、数字化发展的电力网络背景下实现智能用电智能管理的最基本环节，负荷识别算法的革新和进步有着非常重要的价值。目前，数学优化和模式识别是负荷识别及分解问题的两大类求解方法，但数学优化的求解效率较低，准确的识别需要完备的负荷特征库，实际中往往难以满足；模式识别中，基于监督性学习的负荷识别算法层出不穷，但其涉及的负荷种类不多，处理的场景也较简单，基于非监督性学习的负荷识别算法精度偏低。

发明内容

本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于AdaBoost模型的负荷特征快速匹配方法，以达到加快训练速度，提高训练精度的目的。为此，本发明采取以下技术方案。

一种基于AdaBoost模型的负荷特征快速匹配方法，其特征在于：包括以下步骤：

1)获取数据，数据包括训练数据、标签数据、弱识别器G_m(x)及迭代次数M；训练数据为负荷V-I曲线轨迹中的图形特征数据；将训练数据及标签数据输入训练数据集中形成训练数据集，其中训练数据集为：

T＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)} (1)

式中：T为训练数据集；x_i为负荷特征；y_i为该负荷特征对应的标签，标签指设备的工作状态，当为-1时表示处于停止状态，当为1时，表示正在工作；y_i∈Y＝-1,1，迭代次数为M

2)初始化弱识别器权重分布；

3)数据训练，获得弱识别器；

4)判断识别误差率是否小于或等于设定的阈值，或大于迭代次数；若是，则进入下一步，若否，则返回步骤3)；

5)计算弱识别器在强识别器中的权重；

6)更新弱识别器权重；

7)根据弱识别器权重的得到用于识别对应负荷设备工作状态的强识别器；

8)当需要识别时，将获取的新的识别样本数据输入强识别器中，强识别器对识别样本数据进行识别，并输出对应设备的负荷类型。