[发明专利]一种结合人工规则与机器学习的电力负荷识别方法

说明书

本发明公开了一种结合人工规则与机器学习的电力负荷识别方法。由人工规则决策树和机器学习分类器组成，设每个待识别样本具有n维特征，将待识别样本的n维特征输入人工规则决策树得到m维输出，将样本原有n维特征与人工规则决策树得到m维输出拼接作为样本新的m+n维特征向量，将m+n维特征向量输入机器学习分类器进行分类并输出负荷识别结果。实现了专家经验和数据挖掘的有机结合，利用专家经验的同时减小了其主观性的影响，从而有效利用专家经验和数据挖掘成果提高负荷识别的准确性。

技术领域

本发明涉及负荷识别领域，特别是涉及一种结合人工规则与机器学习的电力负荷识别方法。

背景技术

电力负荷识别技术是实现精细化电网需求侧管理和个性化家庭用电管理的重要基础。目前所提出的负荷识别方法数量众多，主要可以分为基于专家经验的人工规则设置方法和完全基于数据驱动的机器学习方法。从本质上来说两种方法各有优劣：人工规则设置的方法往往基于专家对于电器结构组成、功能用途的准确把握，更加能够反映电器工作特性的本质；机器学习方法基于大量电器工作量测数据与分类标签，能够挖掘出人工难以觉察的数据之间的关联。

基于此，如果能够将人工规则与机器学习方法相结合就可以结合两者的优点，实现更好的效果。

发明内容

为实现专家经验与机器学习方法在负荷识别中的融合，本发明提供一种结合人工规则与机器学习的电力负荷识别方法。

一种结合人工规则与机器学习的电力负荷识别方法，包括人工规则决策树和机器学习分类器，设每个待识别样本具有n维特征，负荷识别方法步骤包括：

将待识别样本的n维特征输入人工规则决策树得到m维输出；

将待识别样本原有的n维特征与人工规则决策树得到的m维输出拼接作为样本新的m+n维特征向量；

将m+n维特征向量输入机器学习分类器进行分类并输出负荷识别结果。

进一步地，结合人工规则与机器学习方法的负荷识别方法的模型训练过程为：

将训练样本集划分为样本集1和样本集2；

人为指定用于分类的数据特征项作为人工规则决策树各分枝的划分特征，但不设划分阈值；

利用样本集1对人工规则决策树进行训练，确定各划分特征的划分阈值；

对样本集2，将其中每个样本经人工规则决策树的输出结果与样本集2原有特征向量拼接组成新的样本特征向量，进一步训练机器学习分类器。

进一步地，按任意方法从训练样本集中抽取出样本集1和样本集2，两个样本集的数据可以有重叠。

进一步地，所述利用样本集1对人工规则决策树进行训练，确定各划分特征的划分阈值中，采用Gini系数确定划分阈值。

进一步地，所述的机器学习分类器采用决策树、人工神经网络、支持向量机中的任一种或几种的组合。

与现有技术相比，本发明实现的有益效果是：本发明将人工规则与机器学习方法结合起来，利用专家经验的同时减小了其主观性的影响，从而有效利用专家经验和数据挖掘成果提高负荷识别的准确性。

附图说明

图1是本发明提供的一种结合人工规则与机器学习的电力负荷识别方法的识别过程示意图。

图2是本发明提供的一种结合人工规则与机器学习的电力负荷识别方法的模型训练过程示意图。

图3是本发明实施例中人工规则决策树的训练过程示意图。

图4是本发明实施例中的人工规则决策树结构。

具体实施方式