基于多元特征和制造技术

本发明专利技术公开了基于多元特征和

【技术实现步骤摘要】
基于多元特征和Bagging集成学习模型的负荷识别方法及系统


[0001]本专利技术涉及负荷识别
，尤其涉及基于多元特征和
Bagging
集成学习模型的负荷识别方法及系统
。

技术介绍

[0002]在大力发展全球能源互联网的背景下，智能电网作为发展全球能源互联网的基础，对其建设提出了更为严格的要求
。
目前，中国正在有序推进智能电网的建设，初步构建了智能电网双向互动服务体系
。
智能电网的建设不仅可以保证供电的可靠性也可以提高电能质量，还能促进节能减排，推动可持续发展
。
在构建智能电网“网
—
荷”双向互动服务体系的过程中，智能用电技术作为其中一个重要环节，其发展的好坏将会直接影响电网的经济运行及有序用电业务的顺利开展，实现双向互动的智能用电已经逐渐成为电力系统的一个主要发展目标
。
[0003]在双向互动的智能用电服务体系中，电网公司通过智能电表等数据采集设备监测电力用户的用电细节信息，同时对采集到的监测数据进行分析，为电网公司提供更加细致的负荷样本，提高负荷模型的精度，保证电网的安全运行以及电网规划的科学性；对电力用户而言，及时了解家中每类用电设备的工作状态与能耗详情，实时接收电网公司发出的电价策略和负荷调控等信息，主动参与到电网公司的需求响应策略中
。
开展基于智能用电的能效管理服务能够提高用户自主节能意识，若结合动态电价等策略，最高可节约
20
％的能源，可以显著提升经济效益
。
尽管我国的智能电网日益完善，但是受到技术等多方面因素的限制，我国并未大规模开展对用户侧负荷监测技术的研究，现有的研究主要也都着眼于对大区域的负荷特性深入开展研究，对具体到居民用户家庭中的各类负荷用电细节信息的研究比较少
。
[0004]随着智能用电服务的用户群体越来越大
、
家庭用电负荷的组成成分越来越复杂，研究如何在低频采样条件下，实现对居民用电细节的监测已经成为非侵入式负荷监测的重要研究方向
。
非侵入式居民负荷特征提取及智能用电研究，旨在解决负荷特征提取与识别以及挖掘用户用电行为等领域的技术瓶颈，在保证非侵入式负荷识别准确率的前提下，尽可能促进负荷监测数据的充分挖掘，为构建双向互动的智能用电服务体系提供技术支持
。
这对于促进节能减排和可持续发展都有重大意义
。

技术实现思路

[0005]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
。
[0006]鉴于上述现有存在的问题，提出了本专利技术
。
[0007]因此，本专利技术提供了基于多元特征和
Bagging
集成学习模型的负荷识别方法及系
统，能够解决
技术介绍
中提到的问题
。
[0008]为解决上述技术问题，本专利技术提供如下技术方案，基于多元特征和
Bagging
集成学习模型的负荷识别方法，包括：
[0009]获取电器负荷信号，并对所述负荷信号进行特征提取；
[0010]基于所述特征提取结果构建电力负荷数据指纹特征库，将所述电力负荷数据指纹特征库结合
Bagging
集成学习模型进行分类学习，得到电器负荷识别分类模型；
[0011]根据所述电器负荷识别分类模型对所述电器负荷信号进行识别
。
[0012]作为本专利技术所述的基于多元特征和
Bagging
集成学习模型的负荷识别方法的一种优选方案，其中：所述对所述负荷信号进行特征提取包括：谐波特征提取
、
统计特征提取以及图像特征提取；
[0013]按照获取电器负荷信号的顺序将电器记作电器
1、
电器
2、...、
电器
k
，其中，
k
为所获取的电器总个数值；
[0014]所述谐波特征提取利用傅里叶变换计算电器电流负荷的谐波有效值，电流谐波计算公式表示为：
[0015][0016]其中，
X(k)
为电器电流谐波，
x(n)
为电器电流时间序列，
N
为采样点数
。
[0017]作为本专利技术所述的基于多元特征和
Bagging
集成学习模型的负荷识别方法的一种优选方案，其中：所述对所述负荷信号进行特征提取还包括，
[0018]所述统计特征提取至少包括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
；
[0020]所述离散程度度量包括：
[0021][0022]其中，为第
k
个电器的第
c
组数据的数据值，
c∈(1,m)
，
m
为电器
k
中可获取的数据集个数
。
[0023]作为本专利技术所述的基于多元特征和
Bagging
集成学习模型的负荷识别方法的一种优选方案，其中：所述对所述负荷信号进行特征提取还包括：
[0024]将采样时间间隔为
Δ
t
的负荷时间序列的时域空间，根据
Takens
的嵌入定理进行重构得到相空间，重构后的结果如下：
[0025]X
i
＝
{x
i
，
x
i+
τ
，
···
，
x
i+(m
‑
1)
τ
}(i
＝
1,2
，
···
，
M)
[0026]其中，
M
＝
n
‑
(m
‑
1)
τ
，
τ
为延迟时间，
m
为嵌入维数；
[0027]计算重构后的相空间中第
i
点
X
i
和第
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于多元特征和
Bagging
集成学习模型的负荷识别方法，其特征在于：包括，获取电器负荷信号，并对所述负荷信号进行特征提取；基于所述特征提取结果构建电力负荷数据指纹特征库，将所述电力负荷数据指纹特征库结合
Bagging
集成学习模型进行分类学习，得到电器负荷识别分类模型；根据所述电器负荷识别分类模型对所述电器负荷信号进行识别
。2.
如权利要求1所述的基于多元特征和
Bagging
集成学习模型的负荷识别方法，其特征在于：所述对所述负荷信号进行特征提取包括：谐波特征提取
、
统计特征提取以及图像特征提取；按照获取电器负荷信号的顺序将电器记作电器
1、
电器
2、...、
电器
k
，其中，
k
为所获取的电器总个数值；所述谐波特征提取利用傅里叶变换计算电器电流负荷的谐波有效值，电流谐波计算公式表示为：其中，
X(k)
为电器电流谐波，
x(n)
为电器电流时间序列，
N
为采样点数
。3.
如权利要求2所述的基于多元特征和
Bagging
集成学习模型的负荷识别方法，其特征在于：所述对所述负荷信号进行特征提取还包括，所述统计特征提取至少包括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
；所述离散程度度量包括：其中，为第
k
个电器的第
c
组数据的数据值，
c∈(1,m)
，
m
为电器
k
中可获取的数据集个数
。4.
如权利要求3所述的基于多元特征和
Bagging
集成学习模型的负荷识别方法，其特征在于：所述对所述负荷信号进行特征提取还包括：将采样时间间隔为
Δ
t
的负荷时间序列的时域空间，根据
Takens
的嵌入定理进行重构得到相空间，重构后的结果如下：
X
i
＝
{x
i
，
x
i+
τ
，
···
，
x
i+(m
‑
1)
τ
}(i
＝
1,2
，
···
，
M)
其中，
M
＝
n
‑
(m
‑
1)
τ
，
τ
为延迟时间，
m
为嵌入维数；计算重构后的相空间中第
i
点
X
i
和第
j
点
X
j
的距离：
D
ij
＝
||X
i
‑
X
j
||
其中，
i
＝
1,2
，
···
，
n
‑
(m
‑
1)
τ
，
j
＝
1,2
，
···
n
‑
(m
‑
1)
τ
；计算递归值：
R(i
，
j)
＝
H(
α
i
‑
α
j
)
其中，
i
＝
1,2
，
···
，
n
，
j
＝
1,2
，
···
，
n
，
α
i
为截止距离，可取固定值或者随着
i
改变，使得半径为
α
i
的球中包含一定领域数，
H(r)
为
Heaviside
单位函数，形式如下...

【专利技术属性】
技术研发人员：陆震军，朱庆，张卫国，林慧婕，郑红娟，孙季泽，俞航，纪程，陈良亮，余洋，张宇峰，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：