一种基于自适应鲸鱼优化的电力负荷特征筛选方法

1.本发明涉及数据处理技术领域，更具体的说是涉及一种基于自适应鲸鱼优化的电力负荷特征筛选方法。


背景技术：

2.随着能源互联网的蓬勃发展，工业互联网和能源革命的发展使电力工业发生了巨大变化，对电力供给与需求的交互和再平衡提出新的更高要求。为了准确地评估需求侧的响应能力，首先需要进行电力负荷的精准辨识，这是掌握用户用电情况和用电行为的重要前提。
3.现阶段的电力负荷辨识方法主要是借助时频域分析、特征提取和分类器的组合来实现的，因此如何选取合适的特征至关重要。在进行特征提取的过程中，大多是采用主成分分析(principal component analysis，pca)、因子分析(factor analysis，fa)以及线性判别分析(linear discriminant analysis，lda)等，然而这些方法在进行特征提取的时候会对原始的时频域特征信号进行处理，提取到的特征分量没有实际的物理意义。
4.因此，如何提供一种针对于电力负荷特征的筛选方法是本领域技术人员亟需解决的问题。


技术实现要素：

5.有鉴于此，本发明提供了一种基于自适应鲸鱼优化的电力负荷特征筛选方法，实现电力负荷特征的准确筛选。
6.为了实现上述目的，本发明采用如下技术方案：
7.一种基于自适应鲸鱼优化的电力负荷特征筛选方法，包括：
8.s1：采集不同类型电力负荷在一个连续采样周期内的电压、电流、有功功率和无功功率；
9.s2：分别提取电压、电流、有功功率和无功功率的时域特征和频域特征；
10.s3：将时域特征和频域特征合并，得到电力负荷的时域和频域联合特征；
11.s4：基于自适应鲸鱼优化算法对电力负荷的时域和频域联合特征进行特征筛选，得到电力负荷的筛选特征。
12.优选的，s1中，在采集不同类型电力负荷的电压、电流、有功功率以及无功功率过程中，采样频率设置为5分钟/次，采样周期为24小时。
13.优选的，s2中，时域特征包括:均值、均方根值、方根幅值、绝对平均值、偏斜度、峭度、方差、最大值、最小值、峰峰值、无量纲波形指标、无量纲峰值指标、无量纲脉冲指标、无量纲裕度指标、无量纲偏斜度指标和无量纲峭度指标；具体计算公式依次对应为：
14.[0015][0016][0017][0018][0019][0020][0021]
max＝max{x1,x2,
…
,xi},i＝1,2,
…
,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0022]
min＝min{x1,x2,
…
,xi},i＝1,2,
…
,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0023]
ppv＝max-min
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0024][0025][0026][0027][0028][0029][0030]
其中，mean表示均值，rms表示均方根值，sra表示方根幅值，am表示绝对平均值，skewness表示偏斜度，kurtosis表示峭度，dx表示方差，max表示最大值，min表示最小值，ppv表示峰峰值，wi表示无量纲波形指标，peakindex表示无量纲峰值指标，pulseindex表示无量纲脉冲指标，mi表示无量纲裕度指标，si表示无量纲偏斜度指标，ki表示无量纲峭度指标，xi表示原始电信号在第i个采样点采集到的电气参数，n表示一个周期内电信号采样数量。
[0031]
优选的，s2中，频域特征包括:频率均值、频率标准差、频谱的分散或者集中程度指
标、频率中心、频率均方根和主频带位置指标；
[0032]
其中，频率均值计算公式为：
[0033][0034]
频率标准差计算公式为：
[0035][0036]
频率中心计算公式为：
[0037][0038]
频谱的分散或者集中程度指标计算公式为：
[0039][0040][0041][0042][0043][0044][0045][0046]
频率均方根计算公式为：
[0047][0048]
主频带位置指标计算公式为：
[0049][0050][0051]
其中，fi是第i个频率信息，f是原始时域电力信号x离散傅里叶变换(discrete fourier transform，dft)得到的，n表示一个周期内电信号采样数量；ts为采样时间间隔，dcs
1-dcs7分别表示频谱的分散或者集中程度的第一个至第七个指标，pcmfb1、pcmfb2表示反映主频带位置的第一个指标和第二个指标。
[0052]
优选的，在提取时域特征和频域特征后，可以得到每个样本的电压、电流、有功功率以及无功功率的时域特征和频域特征，即电压的时域特征timefea_u、电压的频域特征frefea_u、电流的时域特征timefea_i、电流的频域特征frefea_i、有功功率的时域特征timefea_p、有功功率的频域特征frefea_p、无功功率的时域特征timefea_q、无功功率的频域特征frefea_q。
[0053]
优选的，在s3中，按照电压的时域特征timefea_u、电压的频域特征frefea_u、电流的时域特征timefea_i、电流的频域特征frefea_i、有功功率的时域特征timefea_p、有功功率的频域特征frefea_p、无功功率的时域特征timefea_q、无功功率的频域特征frefea_q依次排序合并，得到电力负荷的时域和频域联合特征，记为time&fre_fea。
[0054]
优选的，s4包括：
[0055]
s41：定义适应度函数：
[0056][0057]
其中，n
correct
为测试集样本中预测正确的数量，n
test
为测试集样本总体的数量，e为自适应度；
[0058]
s42：随机选取电力负荷的时域和频域联合特征中一个特征组合作为初始鲸鱼位置，设置鲸鱼优化算法的参数，包括群体数目n、最大迭代次数t、自适应因子β、选择收缩包围机制和螺旋位置更新的概率p；
[0059]
s43：按照公式(30)计算每个鲸群个体对应的适应度值，寻找当前群体中最佳鲸群个体x
*
，并将结果保存；
[0060]
s44：当p＜0.5时，若是a＜1，则按照公式(31)对当前鲸群个体的空间位置进行更新：
[0061][0062]
其中，a和c为系数向量，为当前鲸群个体最佳空间位置，x
t
为当前鲸群个体空间位置，t为当前迭代的次数；
[0063]
a＝(2a
×
r-a)
×et
×
β
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(32)
[0064]
c＝2r
×et
×
β
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(33)
[0065]
其中，为常数，其值从2到0线性递减；r为随机向量，其取值范围为[0,1]；e
t
为当前位置的适应度函数值；β为自适应因子，其取值范围为(0,1)；
[0066]
若是a≥1，则从当前群体中随机选择鲸群个体位置x
rand
，并按照公式(34)对当前鲸群个体的空间位置进行更新：
[0067]
x
t+1
＝x
rand-a
×
|c
×
x
rand-x
t
|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(34)
[0068]
其中，x
rand
为从当前鲸群中随机选择的位置；
[0069]
s45：当p≥0.5时，按照公式(35)对当前鲸群个体的空间位置进行更新：
[0070][0071]
其中，b为定义的对数螺旋形状常数，l为[-1,1]之间的随机数；
[0072]
s46：计算每个鲸群个体对应的测试集分类误差作为适应度值，寻找当前群体中最佳鲸群个体x
*
，并将结果保存，同时，判断是否满足终止条件，即达到了最大迭代次数或者适应度函数为0，若满足，则转到s47输出寻优结果；否则，令t＝t+1，同时更新a、a、c、l和p，并重复执行上述s44至s46；
[0073]
s47：输出最优鲸群个体适应度值及所处空间位置x
*
，x
*
即为最佳的一组筛选特征。
[0074]
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于自适应鲸鱼优化的电力负荷特征筛选方法，在提取电力数据的时域特征和频域特征基础上，借助自适应鲸鱼优化算法实现电力负荷特征的准确筛选，得到了电力负荷的筛选特征，减少了原始时域特征和频域特征的冗余信息，提高了电力负荷辨识的精度和速度。此外，与主成分分析线性判别分析pca和lda等降维方法相比，利用鲸鱼优化算法awoa筛选得到的电力负荷特征具有实际的物理意义。
附图说明
[0075]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0076]
图1附图为本发明提供的基于自适应鲸鱼优化的电力负荷特征筛选方法流程示意图。
具体实施方式
[0077]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0078]
本发明实施例公开了一种基于自适应鲸鱼优化的电力负荷特征筛选方法，如图1，
包括：
[0079]
s1、采集不同类型电力负荷在一个连续采样周期内的电压data_u、电流data_i、有功功率data_p、无功功率data_q；
[0080]
s2、分别提取电压data_u、电流data_i、有功功率data_p、无功功率data_q的时域特征和频域特征；
[0081]
s3、将提取到的时域特征和频域特征合并，得到电力负荷的时域和频域联合特征，记为time&fre_fea；
[0082]
s4、基于自适应鲸鱼优化算法(adaptive whale optimization algorithm，awoa)对电力负荷联合特征time&fre_fea进行特征筛选，得到电力负荷的筛选特征，记为selected_fea。
[0083]
较佳地，步骤s1中，在采集不同类型电力负荷的电压、电流、有功功率以及无功功率过程中，采样频率设置为5分钟/次，采样周期为24小时，这样得到的每个负荷样本的电压、电流、有功功率以及无功功率数据的维度为12
×
24＝288。
[0084]
较佳地，步骤s2中，在提取电压、电流、有功功率以及无功功率的时域特征和频域特征过程中，时域特征包括:均值、均方根值、方根幅值、绝对平均值、偏斜度、峭度、方差、最大值、最小值、峰峰值、无量纲波形指标、无量纲峰值指标、无量纲脉冲指标、无量纲裕度指标、无量纲偏斜度指标和无量纲峭度指标；具体计算公式依次对应为：
[0085][0086][0087][0088][0089][0090][0091][0092]
max＝max{x1,x2,
…
,xi},i＝1,2,
…
,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0093]
min＝min{x1,x2,
…
,xi},i＝1,2,
…
,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0094]
ppv＝max-min
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0095][0096][0097][0098][0099][0100][0101]
频域特征包括:频率均值、频率标准差、频谱的分散或者集中程度指标、频率中心、频率均方根和主频带位置指标；
[0102]
其中，频率均值计算公式为：
[0103][0104]
频率标准差计算公式为：
[0105][0106]
频率中心计算公式为：
[0107][0108]
频谱的分散或者集中程度指标计算公式为：
[0109][0110][0111][0112]
[0113][0114][0115][0116]
频率均方根计算公式为：
[0117][0118]
主频带位置指标计算公式为：
[0119][0120][0121]
在提取时域特征和频域特征后，可以得到每个样本的电压、电流、有功功率以及无功功率的时域特征和频域特征，即电压的时域特征timefea_u、电压的频域特征frefea_u、电流的时域特征timefea_i、电流的频域特征frefea_i、有功功率的时域特征timefea_p、有功功率的频域特征frefea_p、无功功率的时域特征timefea_q、无功功率的频域特征frefea_q。特别地，电气参量的时域特征包含16个特征属性，电气参量的频域特征包含13个特征属性。
[0122]
较佳地，步骤s3中，将提取到的时域特征和频域特征依次顺序合并，即按照电压的时域特征timefea_u、电压的频域特征frefea_u、电流的时域特征timefea_i、电流的频域特征frefea_i、有功功率的时域特征timefea_p、有功功率的频域特征frefea_p、无功功率的时域特征timefea_q、无功功率的频域特征frefea_q这样的排序合并得到电力负荷的时域和频域联合特征，记为time&fre_fea，显然电力负荷时域和频域联合特征的维数为(16+13)
×
4＝116。
[0123]
较佳地，步骤s4中，使用awoa对电力负荷联合特征进行特征筛选，得到电力负荷的筛选特征，其基本思路是：根据电力负荷时域和频域联合特征筛选问题确定待优化参数，即电力负荷的时域和频域联合特征，鲸群中每个个体所处空间位置均包含一组筛选特征。通
过适应度函数来衡量个体所处空间位置的优劣，利用鲸觅食策略不断更新鲸个体位置直至获取最佳鲸空间位置，即获得待优化问题的最佳的一组筛选特征。包括以下步骤：
[0124]
s41：定义适应度函数。由于awoa是一个求解极小值的过程，因此将电力负荷辨识模型的测试集分类误差作为适应度函数，即目标函数为：
[0125][0126]
其中，n
correct
为测试集样本中预测正确的数量，n
test
为测试集样本总体的数量。
[0127]
s42：awoa参数初始化。从电力负荷时域和频域联合特征数据中随机选取一个特征组合作为初始鲸鱼位置，并设置awoa的参数，包括群体数目n、最大迭代次数t、自适应因子β、选择收缩包围机制和螺旋位置更新的概率p(p为[0,1]上的随机数，初始值采用随机函数设定)。
[0128]
s43：按照公式(30)计算每个鲸群个体对应的适应度值，寻找当前群体中最佳鲸群个体x
*
，并将将结果保存。
[0129]
s44：当p＜0.5时，若是a＜1，则按照公式(31)对当前鲸群个体的空间位置进行更新。
[0130][0131]
其中，a和c为系数向量，为当前鲸群个体最佳空间位置，x
t
为当前鲸群个体空间位置，t为当前迭代的次数。
[0132]
特别地，系数向量a和c的计算过程中引入当前位置的适应度函数值，形成自适应变步长的收缩包围机制，从而实现鲸群个体的空间位置的自适应更新，具体计算方法如下：
[0133]
a＝(2a
×
r-a)
×et
×
β
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(32)
[0134]
c＝2r
×et
×
β
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(33)
[0135]
其中，为常数，其值从2到0线性递减；r为随机向量，其取值范围为[0,1]；e
t
为当前位置的适应度函数值；β为自适应因子，其取值范围为(0,1)。
[0136]
若是a≥1，则从当前群体中随机选择鲸群个体位置x
rand
，并按照公式(34)对当前鲸群个体的空间位置进行更新。
[0137]
x
t+1
＝x
rand-a
×
|c
×
x
rand-x
t
|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(34)
[0138]
其中，x
rand
为从当前鲸群中随机选择的位置。
[0139]
s45：当p≥0.5时，按照公式(35)来对当前鲸群个体的空间位置进行更新。
[0140][0141]
其中，b为定义的对数螺旋形状常数，l为[-1,1]之间的随机数；
[0142]
s46：计算每个鲸群个体对应的测试集分类误差作为适应度值，寻找当前群体中最佳鲸群个体x
*
，并将将结果保存。同时，判断是否满足终止条件，即终止条件为：达到了最大迭代次数或者适应度函数为0，若满足，则转到s47输出寻优结果；否则，令t＝t+1，同时更新a、a、c、l和p，并重复执行上述s44至s46。
[0143]
s47：输出最优鲸群个体适应度值及所处空间位置x
*
，x
*
即为最佳的一组筛选特征。
[0144]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0145]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。