[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

说明书

本发明公开了一种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。其中，该方法包括：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。其具有测试准确度高、可靠性强且较稳定的效果。

技术领域

本发明属于电力数据挖掘领域，尤其涉及一种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。

背景技术

负荷监测对于电力系统的可靠性具有重大的意义，而分项计量技术的应用可以实现科学定量的电能管理模式。负荷用电细节监测有两种典型的实现方案：侵入式和非侵入式两种方案。其中，非侵入式电力负荷监测与分解技术无需进入负荷内部，仅通过对电力负荷入口处的电压、电流及功率等信息进行测量、分析，便可得到负荷内部不同用电设备实时的功率消耗比例，从而实现电力负荷分解。该方法简单，经济，可靠，易于迅速推广，能够帮助电力公司准确预测电力负荷、科学制定电网调度方案，继而提高电力系统的稳定性和可靠性。同时，又可使用户了解不同时段内用电设备的使用情况，帮助用户制定合理的节能计划，调整用电设备的使用情况，从而降低电能消耗。另一方面，分项计量可以针对能耗数据来实现设备老化、故障预警的功能，在我们的生产、生活中有非常实际的意义。

目前，多数研究使用K近邻、神经网络、支持向量机等基础算法对单一负荷状态进行检测，使用的特征较单一，只能对部分常见的特定电器具有检测效果，对于多种用电器同时运行的复杂情况检测效果较差。

发明内容

为了解决现有技术的不足，本发明的第一目的是提供一种基于集成学习的非侵入式电力负荷监测与分解方法，其具有测试准确度高、可靠性强且较稳定的效果。

本发明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，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。

进一步的，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。

本发明通过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，提高了数据的连续性，进而对训练集成学习器的可靠性及稳定性奠定了数据基础。

进一步的，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。

本发明通过对样本集内的所有样本进行模式分割，更加贴合了负荷运行的实际情况，进而对训练集成学习器的可靠性奠定了数据基础。

进一步的，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；