[发明专利]基于集成学习的非侵入式电力负荷监测与分解方法及系统

权利要求书

1.一种基于集成学习的非侵入式电力负荷监测与分解方法，其特征在于，包括：

获取电力负荷入口处的电压和电流数据；

计算电力负荷入口处的有功功率、电流谐波、功率因数角、电流谐波畸变率特征，构建样本集；

将样本集随机分为训练集和预测集，利用训练集来训练集成学习器；当集成学习器训练完成后，利用预测集来测试样本集内样本所属的类别；

其中，集成学习器由至少两个机器学习模型并联构成，每个机器学习模型均对预测集进行初步预测样本集内样本所属的类别，根据各个机器学习模型的正确率与其相应权值之和大于预设阈值来判定集成学习器已经训练完成，否则继续训练集成学习器；其中，各个机器学习模型的相应权值等于各个机器学习模型分类结果的正确率与所有机器学习模型的累加之和得到的总正确率的比值；所述预设阈值由各个机器学习预测分类结果概率值的平均值来确定。

2.如权利要求1所述的一种基于集成学习的非侵入式电力负荷监测与分解方法，其特征在于，在获取电力负荷入口处的电压和电流数据后，还包括：在时间序列上对电力负荷入口处的电压和电流数据中的测量缺失值进行拟合。

3.如权利要求1所述的一种基于集成学习的非侵入式电力负荷监测与分解方法，其特征在于，构建样本集的过程中，还包括：

通过滑动窗斜率拟合法对样本集内的所有样本进行模式分割，将总负荷及单一负荷分为从开启到关停过程中的若干个暂态区段和稳态区段，再从不同区段提取所需负荷标记。

4.如权利要求3所述的一种基于集成学习的非侵入式电力负荷监测与分解方法，其特征在于，通过滑动窗斜率拟合法对样本集内的所有样本进行模式分割的过程包括：

设定一个功率数据变化的阈值，由斜率拟合值的最大值计算斜率阈值，读取功率数据初始化检测数据窗；

根据斜率拟合值与斜率阈值的大小关系，判断负荷事件的发生与否，标记负荷事件的发生点和结束点：

将起点的前一个数据点标记为该暂态的前一个稳态区段的终点或标记暂态区段的起点，同时将暂态区段的后一个数据点标记为稳态区段的起点。

5.如权利要求1所述的一种基于集成学习的非侵入式电力负荷监测与分解方法，其特征在于，集成学习器中并联组合了决策树、k近邻、人工神经网络和支持向量机模型，并采用加权投票方法对初步预测结果进行投票，以获得最终结果，且引入朴素贝叶斯模型来提升集成学习器的抗噪性能。

6.一种基于集成学习的非侵入式电力负荷监测与分解系统，其特征在于，包括：

电力检测装置，其被配置为：获取电力负荷入口处的电压和电流数据；

处理器，其包括：

特征提取模块，其被配置为：计算电力负荷入口处的有功功率、电流谐波、功率因数角、电流谐波畸变率特征，构建样本集；

集成学习器训练模块，其被配置为：将样本集随机分为训练集和预测集，利用训练集来训练集成学习器；

其中，集成学习器由至少两个机器学习模型并联构成，每个机器学习模型均对预测集进行初步预测样本集内样本所属的类别，根据各个机器学习模型的正确率与其相应权值之和大于预设阈值来判定集成学习器已经训练完成，否则继续训练集成学习器；其中，各个机器学习模型的相应权值等于各个机器学习模型分类结果的正确率与所有机器学习模型的累加之和得到的总正确率的比值；所述预设阈值由各个机器学习预测分类结果概率值的平均值来确定；

测试模块，其被配置为：当集成学习器训练完成后，利用预测集来测试样本集内样本所属的类别。

7.如权利要求6所述的一种基于集成学习的非侵入式电力负荷监测与分解系统，其特征在于，所述处理器还包括：

数据拟合模块，其被配置为：在获取电力负荷入口处的电压和电流数据后，在时间序列上对电力负荷入口处的电压和电流数据中的测量缺失值进行拟合。