[发明专利]一种基于小样本的用电负荷分类算法

权利要求书

1.一种基于小样本的用电负荷分类算法，其特征在于，包括以下步骤：

步骤1，样本扩充：提取不同非平稳变化负荷样本的特征，并对样本进行预处理，将处理后的样本通过网络训练的方式进行扩充，生成的样本根据评估指标进行判断，符合条件时输出样本，与其它少量非平稳变化的用电负荷样本及平稳变化的用电负荷样本一同构成状态分类环节的数据库；

步骤2，状态分类：从数据库中获取训练数据，提取不同数据的特征简化、缩短分类流程，采用K临近算法、支持向量机、决策树混合训练，弥补单一算法存在的缺陷，通过加权优化的方式调整各算法在分类结果精度上的权重，提供其分类准确度，并结合评估指标进行判断，当混合模型分类精度符合条件时即可用于实际样本测试。

2.根据权利要求1所述的一种基于小样本的用电负荷分类算法，其特征在于，所述的样本扩充对少量呈现非平稳变化的用电负荷样本进行扩充，解决样本分布不平衡的问题。

3.根据权利要求1所述的一种基于小样本的用电负荷分类算法，其特征在于，所述的状态分类通过多种智能算法的混合分析及综合决策对负荷数据进行分类，克服单一算法的局限性，实现多种用电负荷状态的高效识别。

4.根据权利要求1所述的一种基于小样本的用电负荷分类算法，其特征在于，所述的样本扩充具体操作方法如下：

步骤1.1，在一天0-24小时中不同时间段内，获取某一时间段内不同非平稳变化用电负荷情况下的样本。

步骤1.2，对不同特征的样本进行预处理，采用归一化的方式消除量纲、度量区间等不同造成的影响。

步骤1.3，对预处理后的样本集合加入噪声，建立基于正态分布函数的线性模型，满足约束条件时即认为可以生成合适的样本。

步骤1.4，引入评估指标对扩充后的样本集合进行定量分析，当满足条件时即认为扩充后样本具有较高可靠性。

5.根据权利要求1所述的一种基于小样本的用电负荷分类算法，其特征在于，所述的状态分类具体操作方法如下：

步骤2.1，从数据库中获取数据，并按比例分为训练数据、测试数据，提取数据的熵特征值。

步骤2.2，根据样本的熵特征值，采用KNN、SVM、DT进行混合训练，当单一算法训练精度达到要求时，获取其训练误差。

步骤2.3，根据混合分类器的训练参数，分配算法的权重，混合训练结果由各算法加权后的结果确定。

步骤2.4，综合训练数据及测试数据，根据评估指标定量分析混合分类的精度，假若其符合条件，则可用于实际样本测试。