[發(fā)明專利]一種基于小樣本的用電負荷分類算法

在審

• 申請?zhí)枺?/td>: 202110853474.0
• 申請日: 2021-07-27
• 公開（公告）號: CN113673579A
• 公開（公告）日: 2021-11-19
• 發(fā)明（設計）人: 何行;蔡文嘉;張佳雯;張芹;冉艷春;董重重;余鶴;孫秉宇;李玲華;龔立;田猛;王先培
• 申請（專利權(quán)）人: 國網(wǎng)湖北省電力有限公司營銷服務中心(計量中心);國家電網(wǎng)有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q50/06
• 代理公司: 武漢楚天專利事務所 42113
• 代理人: 胡盛登

1.一種基于小樣本的用電負荷分類算法，其特征在于，包括以下步驟：

步驟1，樣本擴充：提取不同非平穩(wěn)變化負荷樣本的特征，并對樣本進行預處理，將處理后的樣本通過網(wǎng)絡訓練的方式進行擴充，生成的樣本根據(jù)評估指標進行判斷，符合條件時輸出樣本，與其它少量非平穩(wěn)變化的用電負荷樣本及平穩(wěn)變化的用電負荷樣本一同構(gòu)成狀態(tài)分類環(huán)節(jié)的數(shù)據(jù)庫；

步驟2，狀態(tài)分類：從數(shù)據(jù)庫中獲取訓練數(shù)據(jù)，提取不同數(shù)據(jù)的特征簡化、縮短分類流程，采用K臨近算法、支持向量機、決策樹混合訓練，彌補單一算法存在的缺陷，通過加權(quán)優(yōu)化的方式調(diào)整各算法在分類結(jié)果精度上的權(quán)重，提供其分類準確度，并結(jié)合評估指標進行判斷，當混合模型分類精度符合條件時即可用于實際樣本測試。

2.根據(jù)權(quán)利要求1所述的一種基于小樣本的用電負荷分類算法，其特征在于，所述的樣本擴充對少量呈現(xiàn)非平穩(wěn)變化的用電負荷樣本進行擴充，解決樣本分布不平衡的問題。

3.根據(jù)權(quán)利要求1所述的一種基于小樣本的用電負荷分類算法，其特征在于，所述的狀態(tài)分類通過多種智能算法的混合分析及綜合決策對負荷數(shù)據(jù)進行分類，克服單一算法的局限性，實現(xiàn)多種用電負荷狀態(tài)的高效識別。

4.根據(jù)權(quán)利要求1所述的一種基于小樣本的用電負荷分類算法，其特征在于，所述的樣本擴充具體操作方法如下：

步驟1.1，在一天0-24小時中不同時間段內(nèi)，獲取某一時間段內(nèi)不同非平穩(wěn)變化用電負荷情況下的樣本。

步驟1.2，對不同特征的樣本進行預處理，采用歸一化的方式消除量綱、度量區(qū)間等不同造成的影響。

步驟1.3，對預處理后的樣本集合加入噪聲，建立基于正態(tài)分布函數(shù)的線性模型，滿足約束條件時即認為可以生成合適的樣本。

步驟1.4，引入評估指標對擴充后的樣本集合進行定量分析，當滿足條件時即認為擴充后樣本具有較高可靠性。

5.根據(jù)權(quán)利要求1所述的一種基于小樣本的用電負荷分類算法，其特征在于，所述的狀態(tài)分類具體操作方法如下：

步驟2.1，從數(shù)據(jù)庫中獲取數(shù)據(jù)，并按比例分為訓練數(shù)據(jù)、測試數(shù)據(jù)，提取數(shù)據(jù)的熵特征值。

步驟2.2，根據(jù)樣本的熵特征值，采用KNN、SVM、DT進行混合訓練，當單一算法訓練精度達到要求時，獲取其訓練誤差。

步驟2.3，根據(jù)混合分類器的訓練參數(shù)，分配算法的權(quán)重，混合訓練結(jié)果由各算法加權(quán)后的結(jié)果確定。

步驟2.4，綜合訓練數(shù)據(jù)及測試數(shù)據(jù)，根據(jù)評估指標定量分析混合分類的精度，假若其符合條件，則可用于實際樣本測試。