基于多元特征提取和Stacking学习框架的负荷识别方法及装置与流程

本发明涉及电力负荷识别，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。

背景技术：

1、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。

2、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

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、鉴于上述存在的问题，提出了本发明。

3、本发明实施例的第一方面，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。

4、作为本发明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；

5、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；

6、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：

7、

8、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。

9、作为本发明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，

10、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；

11、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：

12、

13、其中，f表示激活函数，wi表示卷积核的第i个权重，xt+i表示输入向量中的第t+i个元素，b表示偏置项。

14、作为本发明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，

15、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；

16、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，

17、

18、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。

19、作为本发明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，

20、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；

21、将所述拟合集s均分为n+1个子集s1,s2,…,sn+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；

22、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进行训练得到预测结果；

23、获取训练数据指纹特征和所对应的负荷之间的关系，得到负荷识别模型。

24、作为本发明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：所述基学习器包括随机森林初级分类器、决策树初级分类器和svm初级分类器。

25、作为本发明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：还包括，

26、负荷识别模型对所述电器负荷信号进行识别，将提取的谐波特征、深度特征和统计特征分别送入随机森林初级分类器、决策树初级分类器和svm初级分类器中，得到预测值t1、t2和t3；

27、将所述预测值t1、t2和t3作为指纹特征送入随机森林次级分类器中估计出当前对应的负荷类型。

28、本发明实施例的第二方面，提供基于多元特征提取和stacking学习框架的负荷识别装置，包括：

29、特征提取模块，用于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；

30、数据库构建模块，用于根据所述特征提取的结果构建电力负荷数据指纹特征库；

31、负荷识别模块，用于利用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。

32、本发明实施例的第三方面，提供一种设备，所述设备包括，

33、处理器；

34、用于存储处理器可执行指令的存储器；

35、所述处理器被配置为调用所述存储器存储的指令，以执行本发明任一实施例所述的方法。

36、本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，包括：

37、所述计算机程序指令被处理器执行时实现如本发明任一实施例所述的方法。

38、本发明的有益效果：

39、①本发明通过提取多个特征帮助机器学习模型更好地捕捉数据的特征，从而提高模型的准确性，减少模型的过拟合风险，增强模型的解释性；

40、②本发明通过stacking学习框架通过使用多个不同的模型来进行预测，可以显著提高预测的准确性和泛化能力，可以更好地扩展到更大的数据集或更复杂的预测问题中；此外，使用多个模型进行预测以降低单个模型的误差；

41、③本发明在实现电器的精确监控和调控方面具有良好的性能，具有较强的寻优能力，且运行时间较短，有助于提高电力负荷识别的速度和准确度。