[发明专利]一种基于小样本的用电负荷分类算法

说明书

本发明提供一种基于小样本的用电负荷分类算法，首先，提取不同非平稳变化负荷样本的特征并进行预处理，然后，通过网络训练对其进行扩充并进行评估，再者，采用K临近算法、支持向量机、决策树混合训练对简化的数据进行混合训练，最后，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并进行评估，当混合模型分类精度符合条件时即可用于实际样本测试。有如下优点：1.原始样本具有较好的代表性和普遍适用性；2.扩充扩充前后样本的一致性；3.采用混合分类器及加权的方式，可以克服单一算法的局限性。

技术领域

本发明涉及一种用电负荷分类算法，尤其是涉及一种基于小样本的用电负荷分类算法。

背景技术

随着电力系统中大规模并入风电、光伏等清洁能源和电动汽车的大规模使用，电力系统用电负荷成分愈发复杂，对其进行分析将有利于电网人员根据用电负荷规律制定合理的需求、实施相应的措施，一旦用电负荷分类不明确，轻则造成电力部门负荷预测错误、电力系统调度混乱，重则破坏电力营销市场规律，造成巨大经济的经济损失。因此，在电力系统中开展用电负荷分类研究具有十分重要的意义。

目前，用电负荷分类采用数据驱动的方式进行分析，其具有高效、操作简单、降低运营成本等特点，但存在数据分类不平衡、分析结果精度低等问题，具体表现为：1.实际电网中，用电负荷正常的样本远远大于用电负荷波动的样本，由此带来的数据不平衡会对数据驱动的分析性能带来消极的影响；2.分析算法以单一算法及其改进算法为主，呈现显著的非此即彼性质，极容易陷入局部最优解，极大降低分析结果的可靠性。

发明内容

本发明主要是解决现有技术所存在的技术问题：提供了一种样本扩充算法，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。

本发明还有一目的是解决现有技术所存在的技术问题：提供了一种状态分类算法，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。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于小样本的用电负荷分类算法，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。

在上述的一种基于小样本的用电负荷分类算法，所述的步骤1中，样本扩充的具体操作方法如下：

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。

在上述的一种基于小样本的用电负荷分类算法，所述的步骤2中，状态分类的具体操作方法如下：

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。