[發明專利]一種基于VAE預處理和RP-2DCNN的不平衡負荷數據類型辨識方法

在審

• 申請號: 202210188027.2
• 申請日: 2022-02-28
• 公開（公告）號: CN114511747A
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 黃冬梅;吳志浩;孫園;胡安鐸;孫錦中;時帥
• 申請（專利權）人: 上海電力大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06T11/00;G06Q50/06
• 代理公司: 上海德昭知識產權代理有限公司 31204
• 代理人: 陳龍梅

1.一種基于VAE預處理和RP-2DCNN的不平衡負荷數據類型辨識方法，其特征在于，包括以下步驟：

步驟1，采集負荷數據；

步驟2，對所述負荷數據進行預處理；

步驟3，使用變分自編碼器對少數類的所述負荷數據進行平衡化處理；

步驟4，使用遞歸圖算法將所述負荷數據轉換為二維的無閾值的遞歸圖；

步驟5，搭建二維卷積神經網絡，對所述二維卷積神經網絡進行訓練優化后得到負荷數據類型辨識模型，將所述遞歸圖輸入所述負荷數據類型辨識模型求取所述負荷數據的分類結果。

2.根據權利要求1所述的基于VAE預處理和RP-2DCNN的不平衡負荷數據類型辨識方法，其特征在于：

其中，步驟2中包括以下子步驟：

步驟2-1，對所述負荷數據中存在的缺失值，使用多階拉格朗日內插法進行填充，公式如下：

步驟2-2，采用最大最小值對所述負荷數據進行歸一化處理，來消除各個類別下負荷數量級對分類結果的影響，公式如下：

公式(1)中，表示對第i個樣本點在t時刻所采集到異常負荷數據的修正值，x_i,t-a、x_i,t+b分別表示向前和向后所取得樣本點，a₁、b₁為向前和向后所取得樣本數目，選取為4～6，

公式(2)中，x′_i表示歸一化后的負荷數據，x_max表示負荷數據中的最大值，x_min表示負荷數據中的最小值。

3.根據權利要求1所述的基于VAE預處理和RP-2DCNN的不平衡負荷數據類型辨識方法，其特征在于：

其中，步驟3中包括以下子步驟：

步驟3-1，搭建所述變分自編碼器的網絡結構；

步驟3-2，以少數類的所述負荷數據作為所述變分自編碼器的輸入，通過訓練所述變分自編碼器學習少數類的所述負荷數據的分布特征；

步驟3-3，從標準正態分布N(0,1)中采樣隱變量并輸入所述變分自編碼器的生成器生成指定數量的樣本；

步驟3-4，重復步驟3-2～步驟3-3，將所述變分自編碼器的生成數據與原始數據進行合并，得到擴充后的所述負荷數據，完成對少數類的所述負荷數據的平衡化處理。

4.根據權利要求1所述的基于VAE預處理和RP-2DCNN的不平衡負荷數據類型辨識方法，其特征在于：

其中，步驟4包括以下子步驟：

步驟4-1，將所述負荷數據x_i重構到二維空間，公式如下：

X_i＝(x_i,x_i+τ,…,x_i+(m-1)τ) (3)

公式(3)中，τ為延遲時間，m表示嵌入維度，

步驟4-2，根據遞歸矩陣繪制所述遞歸圖，所述遞歸圖中各個元素R_ij由以下公式計算：

R_ij＝θ(ε-E_ij) (4)

公式(4)中，E_ij為重構向量X_i與X_j之間的歐式距離，ε為閾值函數，θ(x)為Heaviside函數，表達式如下所示：

5.根據權利要求1所述的基于VAE預處理和RP-2DCNN的不平衡負荷數據類型辨識方法，其特征在于：

其中，步驟5中包括以下子步驟：

步驟5-1，將所述遞歸圖按照1.5:1劃分為訓練集與測試集，并設計所述二維卷積神經網絡的輸入層，卷積層，池化層，扁平化層以及分類層；

步驟5-2，將所述訓練集輸入所述二維卷積神經網絡，進行迭代學習，通過計算所述二維卷積神經網絡的輸出結果和真實值之間的交叉熵損失來判斷網絡是否收斂，優化卷積神經網絡參數后保存所述所述二維卷積神經網絡作為所述負荷數據類型辨識模型；

步驟5-3，將所述測試集輸入所述負荷數據類型辨識模型，求取所述負荷數據的分類結果。