[发明专利]一种基于VAE预处理和RP-2DCNN的不平衡负荷数据类型辨识方法

说明书

本发明提供了一种基于VAE预处理和RP‑2DCNN的不平衡负荷数据类型辨识方法，包括以下步骤：步骤1，采集负荷数据；步骤2，对负荷数据进行预处理；步骤3，使用变分自编码器对少数类的负荷数据进行平衡化处理；步骤4，使用递归图算法将负荷数据转换为二维的无阈值的递归图；步骤5，搭建二维卷积神经网络，对二维卷积神经网络进行训练优化后得到负荷数据类型辨识模型，将递归图输入负荷数据类型辨识模型求取负荷数据的分类结果。

技术领域

本发明属于电力负荷分类识别领域，具体涉及一种基于VAE预处理和RP-2DCNN的不平衡负荷数据类型辨识方法。

背景技术

近年来，随着电力物联网智能化的飞速发展，越来越多的高级量测体系投入运营，使得用户用电数据大量积累。从海量负荷数据中挖掘并提取有价值的潜在信息，研究合理有效的负荷分类算法，有利于制定个性化的用电策略，对于电力资源合理调控、提升能源利用率、提高企业经济效益具有重要意义。

目前，负荷分类的方法可分为无监督聚类和有监督分类。无监督聚类是在未知样本的标签下，按照指定的规则对数据进行划分，然而该方法存在调参复杂、对数据敏感等问题。随着负荷数据量的飞速增长，无监督聚类往往需要大量的运行时间，并且浪费了其中部分有标签的数据，难以胜任海量负荷数据背景下快速分类的需求。

而监督分类方法则能有效的兼顾分类速度和分类精度，但其在训练过程中会受到数据类别不平衡的影响，进而导致分类结果差。此外，现有分类器大都从序列角度出发，难以提取其深层特征，影响最终的负荷辨识结果。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于 VAE预处理和RP-2DCNN的不平衡负荷数据类型辨识方法。

本发明提供了一种基于VAE预处理和RP-2DCNN的不平衡负荷数据类型辨识方法，具有这样的特征，包括以下步骤：步骤1，采集负荷数据；

步骤2，对负荷数据进行预处理；

步骤3，使用变分自编码器对少数类的负荷数据进行平衡化处理；

步骤4，使用递归图算法将负荷数据转换为二维的无阈值的递归图；

步骤5，搭建二维卷积神经网络，对二维卷积神经网络进行训练优化后得到负荷数据类型辨识模型，将递归图输入负荷数据类型辨识模型求取负荷数据的分类结果。

在本发明提供的基于VAE预处理和RP-2DCNN的不平衡负荷数据类型辨识方法中，还可以具有这样的特征：其中，步骤2中包括以下子步骤：

步骤2-1，对负荷数据中存在的缺失值，使用多阶拉格朗日内插法进行填充，公式如下：

步骤2-2，采用最大最小值对负荷数据进行归一化处理，来消除各个类别下负荷数量级对分类结果的影响，公式如下：

公式(1)中，表示对第i个样本点在t时刻所采集到异常负荷数据的修正值，x_i,t-a、x_i,t+b分别表示向前和向后所取得样本点，a₁、 b₁为向前和向后所取得样本数目，选取为4～6，

公式(2)中，x′_i表示归一化后的负荷数据，x_max表示负荷数据中的最大值，x_min表示负荷数据中的最小值。

在本发明提供的基于VAE预处理和RP-2DCNN的不平衡负荷数据类型辨识方法中，还可以具有这样的特征：其中，步骤3中包括以下子步骤：

步骤3-1，搭建变分自编码器的网络结构；