一种基于XGBoost与Stacking模型融合的非侵入式负荷识别方法技术

本发明专利技术公开了一种基于XGBoost与Stacking模型融合的非侵入式负荷识别方法，具体包括以下步骤：首先针对不同类别负荷样本不平衡会降低模型的辨识精度这一问题，将不平衡样本进行处理。然后选择具有代表性和泛化性的特征。最后基于XGBoost建立多个参数不同的分类模型，从而构建一个Stacking模型融合的基模型层，并在基模型层之后设置另一个XGBoost模型作为该集成模型最终的分类模型，以此建立一个XGBoost与Stacking模型融合的非侵入式负荷辨识系统。本发明专利技术方法与单模型相比，基于Stacking模型融合方法将多个XGBoost模型集成构成综合辨识系统，提升了识别精度，具有一定的应用价值。的应用价值。的应用价值。

【技术实现步骤摘要】
一种基于XGBoost与Stacking模型融合的非侵入式负荷识别方法


[0001]本专利技术公开了一种基于XGBoost与Stacking模型融合的非侵入式负荷识别方法，能够适用于非侵入式负荷辨识中。

技术介绍

[0002]现代电力系统日趋复杂的同时，围绕以构建智能电网为目标的新型电网—电力用户互动能源体系也逐步发展，作为完善电力需求侧的重要手段，非侵入式负荷监测发挥着不可估量的作用，而作为非侵入式负荷监测的重要组成部分之一，负荷辨识对于指导用户用电，提升用电安全性能，淘汰老化电气设备具有重大意义。
[0003]本专利技术以非侵入式模型为基础，针对单模型负荷辨识准确率较低的问题，提出了一种基于XGBoost与Stacking模型融合的非侵入式负荷识别方法。

技术实现思路

[0004]本专利技术的主要目的是提出了一种基于XGBoost与Stacking模型融合的非侵入式负荷识别方法。
[0005]本方法包括以下步骤：
[0006]Step1针对不同类别负荷样本不平衡会降低模型的辨识精度这一问题，将不平衡样本进行处理；
[0007]Step2选择具有代表性和泛化性的特征；
[0008]Step3基于极限梯度提升(XGBoost)建立多个参数不同的分类模型，从而构建一个Stacking模型融合的基模型层，并在基模型层之后设置另一个XGBoost模型作为该集成模型最终的分类模型，以此建立一个XGBoost与Stacking模型融合的非侵入式负荷辨识系统。
[0009]本专利技术公开了一种基于XGBoost与Stacking模型融合的非侵入式负荷识别方法，首先针对不同类别负荷样本不平衡会降低模型的辨识精度这一问题，对少数类样本进行过采样处理；然后选择具有代表性和泛化性的特征，有利于进行准确负荷辨识；基于极限梯度提升(XGBoost)建立多个参数不同的分类模型，从而构建一个Stacking模型融合的基模型层，并在基模型层之后设置另一个XGBoost模型作为该集成模型最终的分类模型，以此建立一个XGBoost与Stacking模型融合的非侵入式负荷辨识系统；其技术效果在于：本专利技术方法与单模型相比，基于Stacking模型融合方法将多个XGBoost模型集成构成综合辨识系统，提升了识别精度，具有一定的应用价值。
附图说明
[0010]为了让读者更清晰地了解本专利实施方案，下面将对本专利具体实施方式中的附图作简单介绍：
[0011]图1为本专利技术实施的Stacking集成学习方式示意图
[0012]图2为本专利技术实施的一种基于XGBoost与Stacking模型融合的非侵入式负荷识别方法结构图
具体实施方式
[0013]本专利技术的主要目的是提出了一种基于XGBoost与Stacking模型融合的非侵入式负荷识别方法。
[0014]本方法包括以下步骤：
[0015]Step1针对不同类别负荷样本不平衡会降低模型的辨识精度这一问题，将不平衡样本进行处理；
[0016]Step2选择具有代表性和泛化性的特征；
[0017]Step3基于极限梯度提升(XGBoost)建立多个参数不同的分类模型，从而构建一个Stacking模型融合的基模型层，并在基模型层之后设置另一个XGBoost模型作为该集成模型最终的分类模型，以此建立一个XGBoost与Stacking模型融合的非侵入式负荷辨识系统。
[0018]所述Step1对不平衡样本进行处理的具体步骤为：
[0019]对某一区域的居民用电数据进行采集，将该数据进行预处理，因为样本出现数据不平衡时，会导致多数类样本训练过拟合，继而使算法的辨识准确率降低；因此采用KMeansSMOTE算法对少数类样本使用过采样，即在使用SMOTE进行过采样之前应用KMeans聚类：在聚类步骤中，使用k均值聚类为k个组；过滤选择用于过采样的簇，保留具有高比例的少数类样本的簇；然后，它分配合成样本的数量，将更多样本分配给少数样本稀疏分布的群集；最后，过采样步骤，在每个选定的簇中应用SMOTE以实现少数和多数实例的目标比率。
[0020]所述Step2提取负荷特征的具体步骤为：
[0021]选取典型稳态电流、功率奇次谐波、降采样电流作为备选特征。
[0022]典型稳态电流的计算方式为：用电流上升过零点的位置开始截断完整稳态电流，将所有周期内相应索引点的值累加求均值，得到典型稳态电流数据；功率奇次谐波的计算方式为：通过将电流与电压的向量数据相乘，然后进行傅立叶变换后取前11阶奇次谐波；降采样电流的计算方式为：通过每隔D
‑
1点抽取1个数据点，再将前D点数据累加求和的方式，以减小原始电流/电压的维数、减少计算量，其中D的计算方式为周期长度整除降采样目标长度。
[0023]所述Step3使用基于XGBoost与Stacking模型融合的非侵入式负荷识别方法的具体步骤为：
[0024]Step1划分原始数据集；
[0025]Step2选择构建元模型的k个模型，这些模型可以是相同的也可以是不同的；
[0026]Step3利用由元模型层输出的训练集的N组分类结果构建新的训练集，用于第二层辨识模型的训练；
[0027]Step4利用由元模型层输出的测试集的N组分类结果构建新的测试集，用于第二层预测模型的识别，获得最终辨识结果。
[0028]本专利具有一定的普适性，在本专利技术的技术构思范围内对本专利技术的技术方案进行多种等同变换，又如直接或间接运用在其他相关的
均在本专利技术的专利保护范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于XGBoost与Stacking模型融合的非侵入式负荷识别方法，其特征在于：基于XGBoost建立多个负荷辨识元模型，组合构成Stacking模型融合的元模型层，连接一个XGBoost模型对元模型进行融合，整体构成综合识别系统，提高了算法的识别精度，具体包括以下步骤：Step1针对不同类别负荷样本不平衡会降低模型的辨识精度这一问题，将不平衡样本进行处理；Step2选择具有代表性和泛化性的特征；Step3基于XGBoost建立多个参数不同的分类模型，从而构建一个Stacking模型融合的基模型层，并在基模型层之后设置另一个XGBoost模型作为该集成模型最终的分类模型，以此建立一个XGBoost与Stacking模型融合的非侵入式负荷辨识系统。2.如权利要求1所述对获取的数据进行预处理，并获取该范围内各用户用电设备的相关信息，其特征在于：对某一区域的居民用电数据进行采集，将该数据进行预处理，因为样本出现数据不平衡时，会导致多数类样本训练过拟合，继而使算法的辨识准确率降低；因此采用KMeansSMOTE算法对少数类样本使用过采样，即使用SMOTE进行过采样之前应用KMeans聚类：在聚类步骤中，使用k均值聚类为k个组；过滤选择用于过采样的簇，保留具有高比例的少数类样本的簇；然后，它分配合成样本的数量，将更多样本分配给少数样本稀疏分布的群集；最后，过采样步骤...

【专利技术属性】
技术研发人员：刘江永，刘宁，刘西蒙，范朝冬，陈才学，易灵芝，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：