论文部分内容阅读
首先,本文实际测量了不同组合负荷的电气量数据,并逐一对电流、功率、谐波三类特征在不同负荷上的表现做了细致的分析。然后对采集到的数据集进行数据预处理与特征选择,通过皮尔森相关系数、随机森林重要度评估、主成分分析和小波除噪几种方法过滤掉无效的样本特征变量并筛选出更合适的特征变量。其次,针对目前居民负荷识别存在的问题,本文提出了一种基于多标签随机森林的非侵入式负荷识别方法。首先采用多标签技术对传统随机森林进行改编,通过构建多标签CART决策树组成多标签随机森林,接着然后对多标签随机森林进行优化和调参,使模型能够达到一个较好的状态。该算法支持多标签数据集,可以较好地处理复杂情况下的负荷识别问题,进一步扩展了传统树类算法的适用范围。仿真测试结果表明该负荷识别方法快速高效,识别精度极高,泛化能力强,抗噪性能优越,训练成本低,对比单标签随机森林及其他算法有很大的优点,有助于非侵入式居民负荷识别的进一步研究、应用和推广。再次,本文还将深度森林这一新兴的算法首次应用到负荷识别上来,并取得了较好的识别效果。深度森林在性能上媲美深度神经网络,但训练成本更低,而且相比深度神经网络需要更少的超参数,即便在默认参数下也能表现出较好的效果。最后,本文对负荷分解的方法也进行了相关的研究。隐马尔科夫模型是负荷分解的经典模型,有着众多的扩展。本文给出了条件因子隐半马尔科夫模型在负荷分解上的一种实现。本文还采用了三种智能优化算法:遗传算法、离散二进制粒子群算法、模拟退火算法在组合负荷的线性数学规约下分别实现了负荷的分解。在深度神经网络方面,本文还通过在两个双向LSTM层中增加了卷积层对LSTM网络的结构进行了优化,并给出了另一种RNN网络变体GRU的实现。将两种网络进行比较,发现LSTM的分解表现优于GRU,但GRU的训练成本比LSTM要低得多。最后,还比较了去噪自动编码器和两种循环神经网络的效果,发现去噪自动编码器在分解表现和训练成本两方面都优于LSTM和GRU网络。该论文有图51幅,表10个,参考文献118篇。