[发明专利]基于多分类TrAdaBoost的目标域负荷识别方法

说明书

本发明公开了一种基于多分类TrAdaBoost的目标域负荷识别方法，所述方法为通过预先采集单体负荷波形数据构建电气特征，建立源域数据集，再针对实际应用环境采集并标注数据建立目标域数据集，使用多分类TrAdaBoost算法进行训练，利用源域中域间差异小的样本，实现目标域负荷识别；解决了对源域、目标域样本量较少的场景下负荷准确识别。

技术领域

本发明属于负荷识别技术领域，尤其涉及一种基于多分类TrAdaBoost的目标域负荷识别方法。

背景技术

随着数字电网的发展，用户级负荷数据的利用价值日益凸显，用于挖掘其信息的负荷识别技术是实现需求响应、用户能源管理、细粒度负荷预测的基础。但目前绝大多数负荷识别研究仅针对单一的源域数据集，即讨论在一个包含较多预先收集的用电负荷样本的数据集上的识别效果。但实际家庭用电负荷种类、品牌众多，源域数据集所包含的样本只占一小部分。将负荷识别模型投入实际应用时，由于不同地区的负荷电器品牌、生产标准、测量手段等的差异，导致实际应用的目标域数据分布与源域数据集上的分布不同，致使训练好的模型性能可能出现大幅下降。现有少量研究使用深度学习模型在样本量较大的源域数据集中进行预训练，在样本量较小的目标域数据集中进行微调来应对这一问题，但难以收集到样本量足够的源域数据集，且目标域数据集样本量较小，微调容易导致过拟合，未能针对负荷识别领域的特点。文献(陈红,余志斌.基于深度迁移学习的家用电器识别研究[J].传感器与微系统,2020,039(006):48-50,54.)采用Alexnet进行预训练与微调对V-I图进行负荷识别，虽使用大型图像数据集进行预训练减少了源域样本量较少的影响，但其目标域样本量较少且丰富度较低，容易导致过拟合。文献(梁家阁.基于可变输入LSTM和迁移学习的非侵入式电力负荷分解[D].湖南科技大学.)采用LSTM进行预训练与微调实现负荷分解，但受限于目标域样本量较少，微调后的泛化性能较低。基于此，如何在有效利用源域数据集与少量有标注的目标域数据集，是提升负荷识别模型在目标域应用效果的关键。

发明内容

本发明要解决的技术问题：提供一种基于多分类TrAdaBoost的目标域负荷识别方法，以解决对源域、目标域样本量较少的场景下负荷准确识别。

本发明技术方案：

一种基于多分类TrAdaBoost的目标域负荷识别方法，所述方法为通过预先采集单体负荷波形数据构建电气特征，建立源域数据集，再针对实际应用环境采集并标注数据建立目标域数据集，使用多分类TrAdaBoost算法进行训练，利用源域中域间差异小的样本，实现目标域负荷识别。

所述方法具体包括：

步骤S1、预先通过智能插座采集电器负荷波形数据；

步骤S2、对步骤S1中获得的负荷波形数据进行滑窗式事件检测，得到单体负荷波形数据；

步骤S3、对步骤S2中获得的单体负荷波形数据构造电气特征，建立源域数据集；

步骤S4、对目标应用场景按步骤S1～S3构建目标域数据集；

步骤S5、对步骤S3、S4获得的源域、目标域数据集，使用多分类TrAdaBoost算法进行训练与参数调优；

步骤S6、将步骤S5训练得到的目标域负荷识别模型进行目标域负荷识别。

智能插座采集电器负荷波形数据采样频率大于1000Hz。

对步骤S1中获得的负荷波形数据进行滑窗式事件检测是通过负荷电流序列在负荷事件发生前后的统计学差异进行检测。

滑窗式事件检测采用CUSUM算法，通过负荷事件发生前后，在首末端窗口中的统计学差异进行检测，决策判据如下式所示：

其中，d为决策的阈值，对应滑动时间窗前后端两个电流序列的计算均值，的计算方法如下式所示：