基于多元特征提取和制造技术

本发明专利技术公开了基于多元特征提取和

【技术实现步骤摘要】
基于多元特征提取和Stacking学习框架的负荷识别方法及装置


[0001]本专利技术涉及电力负荷识别
，具体为基于多元特征提取和
Stacking
学习框架的负荷识别方法及装置
。

技术介绍

[0002]随着科技的发展，中国居民用电量飞速增长，
2021
年上半年居民用电量占全社会用电量的
14.15
％左右，居民生活用电量的增长速度曾一度超过了全社会总用电量的增长速度，同时居民用电器也在不断更新
。
但大部分电能表仅能对居民总用电量进行采集，无法获取居民所用负荷的种类和状态，居民负荷数据的精细性无法保证，不利于电能的管理与电能综合利用率的提升
。
实现对各类负荷的精确识别将有着重大意义
。
[0003]电力系统中负荷种类繁多，负荷的用电特性
、
用电习惯和用电量都不同，因此需要对负荷进行分类识别
。
随着电力系统的规模不断扩大和电力设备的智能化程度的提高，电力系统中的数据量也不断增加，需要运用现代信息技术来处理这些数据
。
负荷识别技术可以帮助电力系统运营者更好地掌握电力系统的运行状态，及时发现潜在的问题和风险，并采取措施进行调整和优化
。
在电力市场化的背景下，负荷识别技术可以为电力市场的规范化和有效运行提供支持
。
负荷识别技术也是智能电网建设的重要组成部分，可以提高电网的安全性
、
可靠性和经济性
>。
因此，负荷识别技术在电力系统中具有重要的应用前景和发展潜力
。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例
。
在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分
、
说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围
。
[0005]鉴于上述存在的问题，提出了本专利技术
。
[0006]本专利技术实施例的第一方面，提供基于多元特征提取和
Stacking
学习框架的负荷识别方法，包括：获取不同电器负荷信号，并对所述不同电器负荷信号进行特征提取；根据所述特征提取的结果构建电力负荷数据指纹特征库；利用
Stacking
集成模型学习数据特征和对应的负荷类别之间的关系，得到负荷识别模型进行负荷识别
。
[0007]作为本专利技术所述的基于多元特征提取和
Stacking
学习框架的负荷识别方法的一种优选方案，其中：所述特征提取包括利用傅里叶变换提取电器负荷信号的谐波特征
、
利用一维卷积神经网络提取电器负荷信号的深度特征
、
利用概率统计提取电器负荷信号的统计特征；
[0008]所述利用傅里叶变换提取电器负荷信号的谐波特征包括收集不同电器负荷下的信号数据，并将所述信号数据分成若干个长度相等的子序列；
[0009]对每个子序列进行傅里叶变换，再将所有子序列变换后的结果进行组合得到原始
信号的傅里叶变换结果，公式表示为：
[0010][0011]其中，
X(k)
表示组合后的傅里叶变换结果，
N
表示子序列变换后的结果个数，
x(n)
表示原始信号子序列
。
[0012]作为本专利技术所述的基于多元特征提取和
Stacking
学习框架的负荷识别方法的一种优选方案，其中：所述利用一维卷积神经网络提取电器负荷信号的深度特征包括，
[0013]通过电器负荷信号向量复制将一维向量转化为二维数据矩阵，所述二维数据矩阵的每一行均为原始测量信号序列，采用线性映射的方式将所述二维数据矩阵转化为二维图像；
[0014]将所述二维图像通过1维
CNN
网络提取所述电器负荷信号的深度特征，对于每一个时刻
t
，所述1维
CNN
网络计算的输出值表示为：
[0015][0016]其中，
f
表示激活函数，
w
i
表示卷积核的第
i
个权重，
x
t+i
表示输入向量中的第
t+i
个元素，
b
表示偏置项
。
[0017]作为本专利技术所述的基于多元特征提取和
Stacking
学习框架的负荷识别方法的一种优选方案，其中：所述利用概率统计提取电器负荷信号的统计特征包括，
[0018]所述统计特征提取至少包括电器负荷信号数据的中心趋势度量
、
离散程度度量
、
分布形状度量
、
相关系数
、
置信区间和假设检验
、
上四分位
、
下四分位数
、
最大值
、
最小值
、
电压有效值以及电流有效值；
[0019]将电器
k
获取到的数据记作电器
k
数据集
1、
电器
k
数据集
2、...、
电器
k
数据集
m
，则所述离散程度度量的计算包括，
[0020][0021]其中，表示第
k
个电器的第
c
组数据的数据值，
m
表示电器
k
中可获取的数据集个数
。
[0022]作为本专利技术所述的基于多元特征提取和
Stacking
学习框架的负荷识别方法的一种优选方案，其中：所述负荷识别模型包括，
[0023]按一定比例将所述电力负荷数据指纹特征库的数据集分解为拟合集
S
与预测集
P
；
[0024]将所述拟合集
S
均分为
n+1
个子集
S1,S2,
…
,S
n+1
，依次选取前
i
个子集作为训练集训练基学习器，利用训练好的基学习器对第
i+1
数据子集进行预测，并输出预测结果，如此反复进行
n
次，得到所述基学习器的全部预测结果；
[0025]将所述全部预测结果作为新特征输出，
m
个基模型对应验证
m
次得到
m
个新特征，即
m
个新拟合集，再将所述新拟合集进行组合，得到一个拟合集
N
，利用所述拟合集
N
和原有的
输出结果训练随机森林次级学习器，再训练好的所述基学习器对所述预测集
P
进行训练得到预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于多元特征提取和
Stacking
学习框架的负荷识别方法，其特征在于，包括：获取不同电器负荷信号，并对所述不同电器负荷信号进行特征提取；根据所述特征提取的结果构建电力负荷数据指纹特征库；利用
Stacking
集成模型学习数据特征和对应的负荷类别之间的关系，得到负荷识别模型进行负荷识别
。2.
如权利要求1所述的基于多元特征提取和
Stacking
学习框架的负荷识别方法，其特征在于：所述特征提取包括利用傅里叶变换提取电器负荷信号的谐波特征
、
利用一维卷积神经网络提取电器负荷信号的深度特征
、
利用概率统计提取电器负荷信号的统计特征；所述利用傅里叶变换提取电器负荷信号的谐波特征包括收集不同电器负荷下的信号数据，并将所述信号数据分成若干个长度相等的子序列；对每个子序列进行傅里叶变换，再将所有子序列变换后的结果进行组合得到原始信号的傅里叶变换结果，公式表示为：其中，
X(k)
表示组合后的傅里叶变换结果，
N
表示子序列变换后的结果个数，
x(n)
表示原始信号子序列
。3.
如权利要求2所述的基于多元特征提取和
Stacking
学习框架的负荷识别方法，其特征在于：所述利用一维卷积神经网络提取电器负荷信号的深度特征包括，通过电器负荷信号向量复制将一维向量转化为二维数据矩阵，所述二维数据矩阵的每一行均为原始测量信号序列，采用线性映射的方式将所述二维数据矩阵转化为二维图像；将所述二维图像通过1维
CNN
网络提取所述电器负荷信号的深度特征，对于每一个时刻
t
，所述1维
CNN
网络计算的输出值表示为：其中，
f
表示激活函数，
w
i
表示卷积核的第
i
个权重，
x
t+i
表示输入向量中的第
t+i
个元素，
b
表示偏置项
。4.
如权利要求2所述的基于多元特征提取和
Stacking
学习框架的负荷识别方法，其特征在于：所述利用概率统计提取电器负荷信号的统计特征包括，所述统计特征提取至少包括电器负荷信号数据的中心趋势度量
、
离散程度度量
、
分布形状度量
、
相关系数
、
置信区间和假设检验
、
上四分位
、
下四分位数
、
最大值
、
最小值
、
电压有效值以及电流有效值；将电器
k
获取到的数据记作电器
k
数据集
1、
电器
k
数据集
2、...、
电器
k
数据集
m
，则所述离散程度度量的计算包括，
其中，表示第
k
个电器的第
c
组数据的数据值...

【专利技术属性】
技术研发人员：林慧婕，陆震军，张卫国，朱庆，郑红娟，纪程，俞航，仲志强，陈良亮，余洋，周材，
申请(专利权)人：国电南瑞科技股份有限公司南瑞集团有限公司国网电力科学研究院有限公司，
类型：发明
国别省市：