[发明专利]一种基于电力指纹特征和集成学习机制的负荷识别方法

说明书

本发明公开了一种基于电力指纹特征和Stacking集成学习机制的负荷识别方法。所述方法在获得用户家庭各类电器的电压电流高频波形数据后，首先利用各种时域和频域分析方法，计算出负荷的多种电力指纹稳态特征，其次采用FCBF方法筛选出最具备代表性的特征，最后利用Stacking机制构建一个融合多种机器学习方法的负荷识别模型。本发明方法充分运用了集成学习的思想，将各种机器学习方法的优点有效结合起来，与单模型方法比较，提升了模型的识别精度，具有准确度高、泛化性能好、可灵活融合多种模型的优点。

技术领域

本发明涉及负荷识别分类领域，具体涉及一种基于电力指纹特征和集成学习机制的负荷识别方法。

背景技术

现有负荷识别技术大多采用传统机器学习方法如k近邻算法、决策树、支持向量机等，随着集成学习的发展，bagging、boosting、stacking等集成学习思想在负荷识别领域的研究也越来越广泛。目前在负荷识别领域对于特征融合的研究成为一个热点，但多特征结合容易出现特征冗余的问题，可能反而降低模型性能。

发明内容

本发明要解决的技术问题是：提供一种基于电力指纹特征和集成学习机制的负荷识别方法，以解决现有技术的负荷识别采用多特征结合容易出现特征冗余的问题，可能反而降低模型性能等技术问题。

本发明采取的技术方案是：

一种基于电力指纹特征和集成学习机制的负荷识别方法，包括如下步骤：

步骤1：采集家庭中各种用电设备的电压和电流波形数据，同时利用时域、频域和时频域分析方法计算单个负荷的电力指纹特征，从而构建负荷数据库；

步骤2：采用FCBF方法筛选出最具有代表性，对于识别最有帮助的典型电力指纹特征，并以这些特征构建出负荷识别数据集，划分出训练集、验证集和测试集；

步骤3：基于Stacking机制构建融合多种机器学习方法的负荷识别模型，

步骤4：利用负荷识别数据集对模型进行训练和预测。

步骤1中，所述电力指纹特征包括电流有效值、电流整流平均值、电流峰均比、电流波形因数、电流波形畸变率、有功功率、无功功率、功率因数和各次电流谐波。

电流有效值的计算方法为：求一个周期内电流瞬时值的均方根值，即

电流整流平均值的计算方法为：求一个周期内电流绝对值的平均，即

电流峰均比的计算方法为：求电流最大值与有效值之比，即

电流波形因数的计算方法为：求电流有效值与整流平均值之比，即

电流畸变率的计算方法为：求各次谐波(不包括基波)电流有效值的均方根与基波电流有效值之比，即

各次谐波的计算方法为：利用傅里叶变换对电流波形数据进行分解，计算出各次谐波，基波与各次谐波的均方根值即为电流有效值，即

利用一个周期采集得到的电压电流高频数据，计算得到不同电器在多个周期的稳态特征，并以此构建总体负荷数据集。

步骤2中所述FCBF方法筛选出典型电力指纹特征的方法包括：

S1、定义SU指标的计算：

信息熵定义为变量不确定性的计算方法：H(X)＝-∑_iP(x_i)log₂(P(x_i))