基于多元特征和Bagging集成学习模型的负荷识别方法及系统与流程

本发明涉及负荷识别，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。

背景技术：

1、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。

2、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。

3、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

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述现有存在的问题，提出了本发明。

3、因此，本发明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，能够解决背景技术中提到的问题。

4、为解决上述技术问题，本发明提供如下技术方案，基于多元特征和bagging集成学习模型的负荷识别方法，包括：

5、获取电器负荷信号，并对所述负荷信号进行特征提取；

6、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；

7、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。

8、作为本发明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；

9、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；

10、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：

11、

12、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。

13、作为本发明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，

14、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；

15、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；

16、所述离散程度度量包括：

17、

18、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。

19、作为本发明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：

20、将采样时间间隔为δt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：

21、xi＝{xi，xi+τ，···，xi+(m-1)τ}(i＝1,2，···，m)

22、其中，m＝n-(m-1)τ，τ为延迟时间，m为嵌入维数；

23、计算重构后的相空间中第i点xi和第j点xj的距离：

24、dij＝||xi-xj||

25、其中，i＝1,2，···，n-(m-1)τ，j＝1,2，···n-(m-1)τ；

26、计算递归值：

27、r(i，j)＝h(αi-αj)

28、其中，i＝1,2，···，n，j＝1,2，···，n，αi为截止距离，可取固定值或者随着i改变，使得半径为αi的球中包含一定领域数，h(r)为heaviside单位函数，形式如下：

29、h(r)＝{1if r≥0，else 0r≤0}

30、采用一个以i为横坐标，j为纵坐标的坐标图绘出r(i，j)，其中i和j分别称为时序标号i与j，所得到的图即为负荷图像；

31、利用卷积神经网络进行图像特征提取；

32、将不同的负荷统计特征与负荷图像特征融合成一个新的特征向量或特征矩阵。

33、作为本发明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包括，

34、从原始样本集中用bootstrap采样选出n个新样本，所述新样本包括根据要求制定或/和有放回的抽取；

35、对这n个样本建立一个分类器；

36、重复上述操作，直至建立m个分类器；

37、通过m次bootstrap采样选出的n个样本，共m个新的样本数据集，在m个分类器上进行分类；

38、将m个分类器分类的结果进行投票，投票规则为少数服从多数，得到最多票的类别为最终的类别。

39、作为本发明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还包括，

40、输入数据集d，特征集a和阈值σ，其中数据集d表示各个电器的标签，特征集a表示各个电器的特征向量，阈值σ要根据数据集特点由计算机设置调整；

41、按照信息增益公式计算电器负荷的特征向量的各个特征对于d的信息增益，选择信息增益最大的特征ag，信息增益公式如下：

42、g(d，a)＝h(d)-h(d|a)

43、其中，d表示输入数据集，a表示特征，h(·)表示信息熵；

44、若ag＜σ，则得到单节点树t，并将d中出现频率最大的类作为该节点标签，返回t；

45、否则，对ag的每一个可能值ai，依照ag＝ai将d划分为若干非空子集di,将di中出现频率最大的类作为该节点的标签，构建子节点，由节点及其子节点构成树t，返回t；

46、对于第i个节点，以di为训练集，a-ag为特征集，递归调用上述步骤，得到子树ti，返回ti。

47、作为本发明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：还包括，电器负荷识别分类模型对所述电器负荷信号进行识别，将提取到的特征送到决策树弱分类器中，得到预测值，经过投票少数服从多数，得到最终的负荷类别。

48、基于多元特征和bagging集成学习模型的负荷识别系统，其特征在于：包括特征提取模块、模型建立模块以及识别模块，

49、特征提取模块，所述特征提取模块用于获取电器负荷信号，并对所述负荷信号进行特征提取；

50、模型建立模块，所述模型建立模块用于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；

51、识别模块，所述识别模块用于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。

52、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。

53、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的方法的步骤。

54、本发明的有益效果：本发明提出基于多元特征和bagging集成学习模型的负荷识别方法及系统，本发明在特征提取部分，通过构建基于谐波特征，统计特征和图像深度特征的数据指纹特征，能够对当前负荷模型进行更加精确的描述。本发明使用的bagging算法具有极高的准确率，并且随机性的引入使得数据不易过拟合，抗噪声能力很好。本发明构造了基于后端融合的集成学习bagging算法来进行负荷识别，能够显著提升负荷预测的精度。