[发明专利]一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法

权利要求书

1.一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法，此方法包括以下步骤：

S1、采集工业用电场景中多种设备的电力负荷参数，构建原始功率数据集。对所述数据进行预处理，并根据一定比例规则的划分数据集为训练集和测试集；

S2、考虑到采集样本的质量和电力负荷的复杂性，对原始功率数据进行时频域特征提取；

S3、使用平衡优化器算法(EO)作为基于包装器的特征选择算法，通过判别分析(DA)筛选出最优特征子集；

S4、将筛选出的最优特征子集输入至自适应增强算法(AdaBoost)模型进行训练，得到训练好的模型。使用测试集进行识别实验，并输出数据对应的类别和准确率。

2.根据权利要求1所述的一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法，其特征在于：所述S1中，采集工业用电场景中多种设备的电力负荷参数，是指通过专业的仪器和方法，测量和记录不同类型的工业设备在运行过程中的电压、电流、功率、功率因数等指标。这些参数反映了设备的能耗状况和运行效率。采样时间间隔为每分钟1次。

3.根据权利要求1所述的一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法，其特征在于：所述S1中，电力数据预处理方法是指对电力系统采集的原始数据进行一定的处理，以提高数据的质量和可用性，为后续的分析和应用提供有效的支持。其中包括数据清洗和去噪，具体为检测并删除或修正异常数据，如缺失值、噪声值、错误值等，保证数据的完整性和准确性。

4.根据权利要求1所述的一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法，其特征在于：所述S2中，原始功率数据进行时频域特征提取是一种常用的信号分析方法，可以从功率信号中提取出有用的信息，如频率、幅值、相位等。时频域特征提取的步骤如下：

S21、对预处理后的功率数据进行傅里叶变换，将时域信号转换为频域信号，得到时频谱图。其中计算所需的频率是通过快速傅立叶变换获得的，这是一种在计算机上执行离散傅立叶变换的快速算法。在信号处理中，离散傅立叶变换的计算有着重要的地位。信号的相关、滤波、频谱估计等可以通过离散傅立叶变换来实现。离散时间信号x(n)的连续傅里叶变换定义为：

由于X(e^jω)是一个连续函数，在计算机上无法计算。因此，我们可以离散近似x(n)的频谱后，再在计算机上进行频谱分析。有限长的离散信号x(n)，n＝0，1,2,…,N-1的离散傅立叶变换定义为：

其中，w_N＝e^(-j2σ/N)，n＝0,1,2,…,N-1。其反变换定义为：

矩阵形式的离散傅里叶变换为X＝A·x。其中变换矩阵A为：

S22、对时频谱图进行滤波、分割、二元化等预处理，去除噪声和无关信息，突出信号的时频特征；

S23、对预处理后的时频谱图进行特征提取，可以使用统计方法、几何方法、模式识别方法等，提取信号的时频参数、形状、纹理等特征。

5.根据权利要求1所述的一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法，其特征在于：所述S3中，EO特征选择可以从高维数据中选取一些有用的特征子集，以降低数据的复杂度和提高模型的性能。其具体流程如下：

S31、初始化一个二进制矩阵作为种群，每一行代表一个个体，每一列代表一个特征，1表示选取该特征，0表示舍弃该特征；

S32、计算每个个体的适应度值，根据某个评价指标(如分类准确率、信息增益等)评估选取的特征子集对目标任务的贡献；

S33、根据适应度值排序，确定当前平衡池状态，即选取适应度最高的四个个体和它们的平均值作为候选解；

S34、更新指数项系数F，用于控制全局搜索和局部搜索之间的平衡；

S35、更新质量生成速率G，用于加强局部寻优能力；

S36、更新每个个体的二进制矩阵，根据平衡池状态、指数项系数和质量生成速率进行变异操作；

S37、判断是否满足停止条件(如达到最大迭代次数或适应度值不再改善)，如果满足则输出最优解(即适应度最高的个体)，否则返回第二步继续迭代。

6.根据权利要求1所述的一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法，其特征在于：所述S4中，将最优特征子集输入至自适应增强算法(AdaBoost)模型，该模型通过迭代地训练多个弱分类器，并根据每个弱分类器的错误率分配权重，最后将所有弱分类器组合成一个强分类器。此方法基本路线为：

S41、首先从训练数据中选择一个最优特征子集，然后用这个子集作为输入，构建一个初始的弱分类器；

S42、接着，在每一轮迭代中，根据上一轮的分类结果，更新训练数据的权重分布，使得被错误分类的样本获得更高的权重，而被正确分类的样本获得更低的权重；

S43、然后再训练一个新的弱分类器。这样重复进行，直到达到预设的迭代次数或者错误率达到一个很小的值为止；

S44、最后，将所有训练得到的弱分类器按照它们在训练过程中表现出来的准确性加权平均，得到一个最终的强分类器，并使用强分类器对多种电力负荷进行分类。