【技术实现步骤摘要】
本专利技术涉及负荷辨识，尤其涉及一种负载识别方法、装置及存储介质。
技术介绍
1、非侵入式负荷识别是指通过分析室内用电设备的电气信号来识别设备类型、工作状态和能耗情况的技术。特征提取和识别算法的选取对于识别的准确度至关重要，提取方法包括稳态特征提取和暂态特征提取，而识别算法主要分为优化识别的模式识别两类。
2、现有技术通常应用神经网络进行负荷识别，基于神经网络的负荷识别模型也可以分为优化识别和模式识别。优化识别通常采用距离衡量相似度，并选择最佳的负荷类型。例如，可以使用整数规划、粒子群优化算法等来优化识别。这种方法的优点是可以处理大量数据，并且可以处理复杂的模型。但是，优化识别可能需要大量的计算资源和时间。模式识别则是通过分析对象的特征来进行识别，模式识别是机器学习算法运行的前提条件，可以将一切提取特征的工作理解为模式识别。模式识别可以处理大量数据，并且可以处理复杂的情况。但是，模式识别的识别过于依赖硬件计算资源，识别精度容易受到数据质量影响，分类准确率不稳定。
技术实现思路
1、本专利技术提供了一种负载识别方法、装置及存储介质，以实现降低负载识别对硬件计算资源的依赖，提高了负荷辨识的实用性，提高分类的准确性。
2、本专利技术提供了一种负载识别方法，包括：
3、获取若干个待识别负载的负荷数据，根据所述负荷数据的功率特性，将所述待识别负载进行粗分类，生成每个所述待识别负载的粗分类类型；
4、将每个所述待识别负载的谐波特征数据分别输入到对
5、进一步地，根据所述负荷数据的功率特性，将所述待识别负载进行粗分类，生成每个所述待识别负载的粗分类类型，具体为：
6、根据所述负荷数据的功率特性，采用ddag-svm方法对所述待识别负载进行粗分类，将所述待识别负载分为电阻类、电容类和感性类三种类型。
7、进一步地，采用ddag-svm方法对所述待识别负载进行粗分类，具体为：
8、将待识别负载的负荷数据输入到有向无环图的根节点，根据上一层节点的分类结果对下一层的左右节点进行分类，直到所述有向无环图的底层叶子将分类结果进行输出，获得所述待识别负载的粗分类结果；所述有向无环图由若干个分类器构建而来。
9、进一步地，有向无环图由若干个分类器构建而来，具体为：
10、构建若干个各粗分类类型之间的分类面，并形成若干个分类器；将所有分类器构建成一个有向无环图；所述有向无环图包括若干个节点和若干个叶子；一个所述分类器对应一个所述节点，一个所述节点与下一层的两个节点或者叶子连接。
11、进一步地，分类面由支持向量机算法计算而来，具体为：
12、基于约束条件，以最小化超平面向量和松弛向量为优化目标函数，通过拉格朗日法求解所述优化目标函数的最优解，得到最优解；根据最优解生成分类面；
13、所述分类面的表达式为：
14、
15、其中，w为超平面中的向量；b为偏置值；αi>0，αi表示第i个样本对应的支持向量；x为输入样本；xi为x的特征向量；yi为xi的分类的标签；m为特征向量的数量。
16、进一步地，强分类器由若干个弱分类器构建而来，若干个所述弱分类器根据训练数据进行训练而来，具体为：
17、构建弱分类器，所述弱分类器包括若干个子分类器，每个所述子分类器设置有对应的权重；利用训练数据对所述弱分类器进行训练，得到所述弱分类器的分类错误率；根据所述分类错误率，利用指数损失函数计算每个所述子分类器的权重值，生成一个强分类器。
18、进一步地，弱分类器的表达式为：
19、
20、式中，αi为第i个弱分类器hi(x)的权重；fm(x)表示弱分类器的k个分类的向量，即fm(x)＝{fm1(x),fm2(x),…,fmk(x)}，fmk(x)表示弱分类器的第k个分类的向量。
21、进一步地，强分类器的表达式为：
22、
23、其中，hf(x)为强分类器，y为特征向量x的分类的标签，y为标签集合，k为弱分类器的数量。
24、作为优选方案，本专利技术针对不同负荷类型之间可能存在相似的特征模式的问题，采用了从粗到精的负荷分类策略。首先进行粗略的负荷分类，通过使用有向无环图支持向量机(ddag-svm)对电阻类、电容类和感性类三种类型的负载进行分类。有向无环图支持向量机是一种扩展的支持向量机方法，适用于多分类任务。它通过构建有向无环图，在图上构建多个二分类支持向量机器，实现了多分类问题的处理。最后根据分类结果选择相应的特征，继续进行更精细的分类，利用adaboost方法确定负荷分类模型参数，从而可以在训练模型后仅使用很小的计算机资源进行负荷识别，降低了对硬件计算资源的依赖，提高了负荷辨识的实用性，提高分类的准确性。
25、相应地，本专利技术还提供一种负载识别装置，包括：粗分类模块和精分类模块；
26、其中，所述粗分类模块用于获取若干个待识别负载的负荷数据，根据所述负荷数据的功率特性，将所述待识别负载进行粗分类，生成每个所述待识别负载的粗分类类型；
27、所述精分类模块用于将每个所述待识别负载的谐波特征数据分别输入到对应的粗分类类型的强分类器中，输出每个所述待识别负载的分类结果；所述强分类器由若干个弱分类器构建而来，若干个所述弱分类器根据训练数据进行训练而来。
28、作为优选方案，本专利技术装置针对不同负荷类型之间可能存在相似的特征模式的问题，采用了从粗到精的负荷分类策略。首先利用粗分类模块进行粗略的负荷分类，通过使用有向无环图支持向量机(ddag-svm)对电阻类、电容类和感性类三种类型的负载进行分类。有向无环图支持向量机是一种扩展的支持向量机方法，适用于多分类任务。它通过构建有向无环图，在图上构建多个二分类支持向量机器，实现了多分类问题的处理。最后利用细分类模块根据分类结果选择相应的特征，继续进行更精细的分类，利用adaboost方法确定负荷分类模型参数，从而可以在训练模型后仅使用很小的计算机资源进行负荷识别，降低了对硬件计算资源的依赖，提高了负荷辨识的实用性，提高分类的准确性。
29、相应地，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如本
技术实现思路
所述的一种负载识别方法。
【技术保护点】
1.一种负载识别方法，其特征在于，包括：
2.如权利要求1所述的一种负载识别方法，其特征在于，所述根据所述负荷数据的功率特性，将所述待识别负载进行粗分类，生成每个所述待识别负载的粗分类类型，具体为：
3.如权利要求2所述的一种负载识别方法，其特征在于，所述采用DDAG-SVM方法对所述待识别负载进行粗分类，具体为：
4.如权利要求3所述的一种负载识别方法，其特征在于，所述有向无环图由若干个分类器构建而来，具体为：
5.如权利要求4所述的一种负载识别方法，其特征在于，所述分类面由支持向量机算法计算而来，具体为：
6.如权利要求1所述的一种负载识别方法，其特征在于，所述强分类器由若干个弱分类器构建而来，若干个所述弱分类器根据训练数据进行训练而来，具体为：
7.如权利要求6所述的一种负载识别方法，其特征在于，所述弱分类器的表达式为：
8.如权利要求7所述的一种负载识别方法，其特征在于，所述强分类器的表达式为：
9.一种负载识别装置，其特征在于，包括：粗分类模块和精分类模块；
10
...【技术特征摘要】
1.一种负载识别方法，其特征在于，包括：
2.如权利要求1所述的一种负载识别方法，其特征在于，所述根据所述负荷数据的功率特性，将所述待识别负载进行粗分类，生成每个所述待识别负载的粗分类类型，具体为：
3.如权利要求2所述的一种负载识别方法，其特征在于，所述采用ddag-svm方法对所述待识别负载进行粗分类，具体为：
4.如权利要求3所述的一种负载识别方法，其特征在于，所述有向无环图由若干个分类器构建而来，具体为：
5.如权利要求4所述的一种负载识别方法，其特征在于，所述分类面由支持向量机算法计算而来，具体为：
6.如权利要求1所述的...
【专利技术属性】
技术研发人员：王帅，曾争，霍梓航，凌敏，
申请(专利权)人：南方电网电力科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。