基于混合神经网络和集成学习的非侵入式负荷识别算法制造技术

本发明专利技术属于数据挖掘与机器学习领域，尤其涉及一种基于混合神经网络和集成学习的非侵入式负荷识别算法。首先对实验数据进行处理，使数据的格式符合模型的输入格式。处理好数据后建立混合神经网络模型，将数据输入到模型中，经过训练和测试得出识别结果，用集成学习的思想，对三个不同的模型的结果进行投票，得出最终识别结果。本发明专利技术得混合神经网络的特征提取效果以及负荷识别的效果都高于传统神经网络；同时提出了一种基于集成学习思想的方法，通过从总特征集中选择多个特征子集训练多个基分类器，再将多个基分类器进行结合，以降低方差并提升最终结果的识别效果，解决了引入谐波特征对识别效果产生不良影响的问题。

【技术实现步骤摘要】
基于混合神经网络和集成学习的非侵入式负荷识别算法
本专利技术属于数据挖掘与机器学习领域，尤其涉及一种基于混合神经网络和集成学习的非侵入式负荷识别算法。
技术介绍
电器负荷监测有两种方法：一种是侵入式负荷监测(ILM)，另一种是非侵入式负荷监测(NILM)。传统的侵入式负荷监测需要为家庭内部每个用电器安装一个监测装置以获取用电器的数据，然后将获取到的数据通过网络传送到终端，由终端进行统一的处理。这种方法的劣势为监测设备本身就有一定的造价，而在使用过程中还要进行维护，这样使得其安装和维护的成本过高。与侵入式负荷监测相对应的就是非侵入式负荷监测，非侵入式负荷监测最大的优点就是只需要监测家庭总线数据，通过分析家庭总线的数据就可以知道家庭内部用电器的状态，以达到监测的目的。非侵入负荷识别算法主要分为两大类：一类是基于事件检测的负荷识别算法，另一类是非事件检测类识别负荷算法，这两类算法中非事件检测类算法的整体识别效果更好。传统的基于神经网络的负荷识别方法往往使用单一网络，对样本的特征提取效果不好，网络训练时间较长。其主要原因是负荷的使用是有时序特征的，负荷之间是有联系的，产生了因引入谐波这种维度本文档来自技高网...

【技术保护点】
一种基于混合神经网络和集成学习的非侵入式负荷识别算法，其特征在于，包括步骤1、数据处理：将公开数据集中的数据进行处理，得到模型的输入数据；时域数据直接获得，频域数据需要经过傅里叶变换获得；步骤2、建立混合神经网络模型：由循环神经网络RNN和人工神经网络ANN混合的混合神经网络HNN；混合神经网络的模型为输入层、一层循环神经网络、多层人工神经网络以及输出层；经过训练后，此模型对输入的负荷信息进行识别；步骤3、训练及测试混合神经网络模型：用公开数据集中的数据对步骤2中建立好的模型进行训练及测试，获得初步的识别结果，输出各负荷识别结果；步骤4、集成学习：从总特征集中选择多个特征子集训练多个基分类器，...

【技术特征摘要】
1.一种基于混合神经网络和集成学习的非侵入式负荷识别算法，其特征在于，包括步骤1、数据处理：将公开数据集中的数据进行处理，得到模型的输入数据；时域数据直接获得，频域数据需要经过傅里叶变换获得；步骤2、建立混合神经网络模型：由循环神经网络RNN和人工神经网络ANN混合的混合神经网络HNN；混合神经网络的模型为输入层、一层循环神经网络、多层人工神经网络以及输出层；经过训练后，此模型对输入的负荷信息进行识别；步骤3、训练及测试混合神经网络模型：用公开数据集中的数据对步骤2中建立好的模型进行训练及测试，获得初步的识别结果，输出各负荷识别结果；步骤4、集成学习：从总特征集中选择多个特征子集训练多个基分类器，再将多个基分类器进行结合，以降低方差，提升最终识别的效果；用投票的方式确定最终负荷识别结果。2.根据权利要求1所述的一种基于混合神经网络和集成学习的非侵入式负荷识别算法，其特征在于，所述步骤1中数据处理包括步骤101、采用网上公开的REDD数据集，REDD数据集包括6个家庭的用电数据，其中用电数据又分为三类：低频数据，高频数据和高频原始数据；对于低频数据和高频数据并非完全符合期望目标，数据中存在缺测、乱序、不合理的情况；对于乱序数据，先对原始数据按时间戳进行排序；排序完成后，剔除数据中的异常点，由于低频数据只有两项即总线视在功率和各用电器视在功率，无法检测是否含有异常点，所以仅剔除高频数据中的异常点；所述剔除高频数据异常点的方法为：根据高频数据的记录规则，两个时间戳之差应近似等于周期数乘以1/60，如果两者值相差较多则认为该条数据为不合理数据，将其舍去；步骤102、所述算法采用的数据主要有两种类型，分别为时域数据和频域数据，后续的神经网络训练过程也是在数据中提取这两部分的特征；从原始数据中就能直接获得时域特征，而频域数据需要通过傅里叶变换获得；对于负荷识别来说，电压、电流的谐波特征较功率谐波特征对实验结果的提高更为明显，采用电压、电流的谐波特征作为频域特征；为了提取用电器的这种谐波特征，采用非周期性离散信号离散时域傅里叶变换进行处理；步骤103、对经步骤2处理后的数据进行归一化处理，采取的归一化方法为线性函数归一化，当数据中某个值因异常而过大时会压低归一化后数据的整体均值，通过对各个维度的数据进行统计及画图观察发现，各个维度99％的值均小于最大值的80％，在进行线性归一化时，以最大值的80％替换原最大值。3.根据权利要求1所述的一种基于混合神经网络和集成学习的非侵入式负荷识别算法，其特征在于，所述步骤2中建立混合神经网络模型包括通过RNN和ANN相结合构建混合神经网络，选取的RNN网络为长短期记忆网络LSTM；LSTM的工作流程为：在t时刻将外...

【专利技术属性】
技术研发人员：焦润海，黄栩鉴，尚青兰，牛文静，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京,11