[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

本發明提供了一種基于VAE預處理和RP?2DCNN的不平衡負荷數據類型辨識方法，包括以下步驟：步驟1，采集負荷數據；步驟2，對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負荷數據進行平衡化處理；步驟4，使用遞歸圖算法將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，將遞歸圖輸入負荷數據類型辨識模型求取負荷數據的分類結果。

技術領域

本發明屬于電力負荷分類識別領域，具體涉及一種基于VAE預處理和RP-2DCNN的不平衡負荷數據類型辨識方法。

背景技術

近年來，隨著電力物聯網智能化的飛速發展，越來越多的高級量測體系投入運營，使得用戶用電數據大量積累。從海量負荷數據中挖掘并提取有價值的潛在信息，研究合理有效的負荷分類算法，有利于制定個性化的用電策略，對于電力資源合理調控、提升能源利用率、提高企業經濟效益具有重要意義。

目前，負荷分類的方法可分為無監督聚類和有監督分類。無監督聚類是在未知樣本的標簽下，按照指定的規則對數據進行劃分，然而該方法存在調參復雜、對數據敏感等問題。隨著負荷數據量的飛速增長，無監督聚類往往需要大量的運行時間，并且浪費了其中部分有標簽的數據，難以勝任海量負荷數據背景下快速分類的需求。

而監督分類方法則能有效的兼顧分類速度和分類精度，但其在訓練過程中會受到數據類別不平衡的影響，進而導致分類結果差。此外，現有分類器大都從序列角度出發，難以提取其深層特征，影響最終的負荷辨識結果。

發明內容

本發明是為了解決上述問題而進行的，目的在于提供一種基于 VAE預處理和RP-2DCNN的不平衡負荷數據類型辨識方法。

本發明提供了一種基于VAE預處理和RP-2DCNN的不平衡負荷數據類型辨識方法，具有這樣的特征，包括以下步驟：步驟1，采集負荷數據；

步驟2，對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負荷數據進行平衡化處理；

步驟4，使用遞歸圖算法將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，將遞歸圖輸入負荷數據類型辨識模型求取負荷數據的分類結果。

在本發明提供的基于VAE預處理和RP-2DCNN的不平衡負荷數據類型辨識方法中，還可以具有這樣的特征：其中，步驟2中包括以下子步驟：

步驟2-1，對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。

在本發明提供的基于VAE預處理和RP-2DCNN的不平衡負荷數據類型辨識方法中，還可以具有這樣的特征：其中，步驟3中包括以下子步驟：

步驟3-1，搭建變分自編碼器的網絡結構；