仝瑞寧，李鵬，郎恂，沈鑫，曹敏

(1.云南大學(xué)信息學(xué)院，昆明市 650504；2.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，昆明市 650217)

0 引 言

隨著泛在電力物聯(lián)網(wǎng)和堅(jiān)強(qiáng)智能電網(wǎng)的深入推進(jìn)，需求側(cè)能效管理[1]和智能配用電技術(shù)[2-3]越來(lái)越受到關(guān)注。非侵入式用電負(fù)荷監(jiān)測(cè)技術(shù)相比于侵入式負(fù)荷監(jiān)測(cè)技術(shù)而言，無(wú)需繁瑣的硬件安裝，只需要采集電力供給入口處的電壓電流，通過(guò)負(fù)荷辨識(shí)模型便能得到用電負(fù)荷的類(lèi)別狀態(tài)和電能消耗[4]。其可以為引導(dǎo)用戶(hù)節(jié)約用電提供依據(jù)，同時(shí)有助于電網(wǎng)進(jìn)行需求側(cè)能效管理和細(xì)粒度用電信息感知。結(jié)合分時(shí)電價(jià)、激勵(lì)響應(yīng)等政策可以實(shí)現(xiàn)電網(wǎng)削峰填谷和優(yōu)化運(yùn)營(yíng)的目的，是如今智能電網(wǎng)領(lǐng)域的研究熱點(diǎn)[5]。

近年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)非侵入式負(fù)荷辨識(shí)方法進(jìn)行了廣泛的研究。文獻(xiàn)[6]采用動(dòng)態(tài)時(shí)間規(guī)整算法來(lái)度量變長(zhǎng)暫態(tài)功率波形樣本與模板時(shí)間序列的相似性，并采用最近鄰分類(lèi)策略實(shí)現(xiàn)了負(fù)荷辨識(shí)。文獻(xiàn)[7]將功率和15次奇偶電流諧波進(jìn)行組合，作為雙向長(zhǎng)短期記憶(bidirectional long short-term memory，Bi-LSTM)網(wǎng)絡(luò)的輸入進(jìn)行負(fù)荷辨識(shí)。文獻(xiàn)[8]采用Fisher判別分類(lèi)器，結(jié)合功率、諧波特征等多維特征實(shí)現(xiàn)了負(fù)荷識(shí)別，對(duì)運(yùn)行機(jī)理不同的負(fù)荷分類(lèi)效果較好。文獻(xiàn)[9]通過(guò)誤判風(fēng)險(xiǎn)控制將k近鄰與核Fisher判別相結(jié)合用于家庭負(fù)荷識(shí)別。文獻(xiàn)[10]采用支持向量機(jī)(support vector machine，SVM)結(jié)合有功功率和無(wú)功功率進(jìn)行負(fù)荷識(shí)別。文獻(xiàn)[11]利用彈性反向傳播神經(jīng)網(wǎng)絡(luò)(resilient back propagation，RPROP)算法，基于前16次諧波特征訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了疊加態(tài)負(fù)荷分解。文獻(xiàn)[12]結(jié)合功率、諧波等多種特征，使用廣義回歸神經(jīng)網(wǎng)絡(luò)(generalized regression neural network，GRNN)對(duì)常見(jiàn)家用負(fù)荷進(jìn)行識(shí)別。

綜上所述，傳統(tǒng)負(fù)荷辨識(shí)模型往往采用功率、電流諧波等穩(wěn)態(tài)特征相結(jié)合的方法對(duì)功率相近的復(fù)雜負(fù)荷進(jìn)行識(shí)別，但是多維特征之間往往具有高相關(guān)性且存在可分性較差的無(wú)效特征，容易導(dǎo)致模型出現(xiàn)特征冗余度高、辨識(shí)準(zhǔn)確率低、計(jì)算開(kāi)銷(xiāo)大等問(wèn)題。針對(duì)上述問(wèn)題，本文提出一種基于Fisher主元分析(Fisher principal component analysis，F(xiàn)PCA)和核極限學(xué)習(xí)機(jī)(kernel extreme learning machine，KELM)的非侵入式電力負(fù)荷辨識(shí)模型。首先采取Fisher得分和主成分分析相融合的FPCA算法來(lái)降低特征冗余度，然后結(jié)合遺傳算法優(yōu)化的核極限學(xué)習(xí)機(jī)分類(lèi)器實(shí)現(xiàn)負(fù)荷辨識(shí)。算例仿真結(jié)果表明，所提模型可有效地對(duì)用電設(shè)備工作狀態(tài)進(jìn)行快速辨識(shí)。

1 基本原理

1.1 穩(wěn)態(tài)電流諧波含有率特性分析

相比于暫態(tài)特征，負(fù)荷穩(wěn)態(tài)特征數(shù)據(jù)采集的硬件成本較低且抗外界干擾能力強(qiáng)，因此使用穩(wěn)態(tài)特征建模有利于模型的實(shí)際推廣[13]。部分運(yùn)行機(jī)理相似的電器，無(wú)功功率和有功功率均比較相近，單純通過(guò)功率特征難以有效區(qū)分不同設(shè)備狀態(tài)?？紤]到諧波特征具有高維性、豐富性、差異性，因此增加電流諧波特征可以進(jìn)一步區(qū)分功率相近的設(shè)備狀態(tài)[14]。電流諧波含有率是典型的頻域特征，第h次電流諧波含有率定義為第h次電流諧波分量的均方根值與基波分量的均方根值之比，用百分?jǐn)?shù)表示。雖然增加電流諧波特征可提高負(fù)荷辨識(shí)精度，但也帶來(lái)了特征冗余度高的弊端，因此有必要對(duì)穩(wěn)態(tài)電流諧波含有率的特性進(jìn)行分析，從而克服因增加穩(wěn)態(tài)電流諧波特征所帶來(lái)的特征冗余度高的弊端。部分電器的前25次電流諧波含有率如圖1所示。

圖1 部分電器前25次的電流諧波含有率

由圖1可以看出，偶次電流諧波含有率幾乎為0，無(wú)法作為有效的頻域特征。奇次電流諧波含有率具有相對(duì)豐富的負(fù)荷信息，但仍然存在特征維數(shù)高且可分性不明確等問(wèn)題。

1.2 Fisher主元分析原理

Fisher得分可以對(duì)特征的可分離性進(jìn)行打分，其得分越高表明特征可分性越好。通過(guò)剔除可分性較差的特征，可選擇出對(duì)提高模型分類(lèi)效果更有效的特征[15]。

根據(jù)可分性好的特征滿足數(shù)據(jù)類(lèi)內(nèi)變化小，類(lèi)間變化大的特點(diǎn)，F(xiàn)isher得分的評(píng)分函數(shù)可定義為：

(1)

式中：c表示類(lèi)別個(gè)數(shù)；ni表示第i類(lèi)樣本的個(gè)數(shù)；ui和σi分別表示第i類(lèi)樣本中特征f的均值和標(biāo)準(zhǔn)差；u表示全部樣本中特征f的均值。

基于Fisher主元分析的具體步驟如下：

步驟1：設(shè)原始數(shù)據(jù)有n組數(shù)據(jù)，每組數(shù)據(jù)包含k個(gè)特征變量X1,X2,…,Xk，則可以得到原始數(shù)據(jù)矩陣為：

(2)

式中：xnk表示第n組數(shù)據(jù)中第k個(gè)特征代表的樣本。

步驟2：根據(jù)每個(gè)特征的Fisher得分，從原始k個(gè)特征中選取得分高的前p個(gè)特征，得到如式(3)所示的數(shù)據(jù)矩陣：

(3)

式中：xnp表示第n組數(shù)據(jù)中第p個(gè)特征代表的樣本，其中p一般取k/2。

為了進(jìn)一步降低特征之間存在的相關(guān)性，對(duì)特征選擇后的數(shù)據(jù)進(jìn)行主成分分析[16]。

步驟3：將特征選擇后的數(shù)據(jù)矩陣XP進(jìn)行標(biāo)準(zhǔn)化處理：

(4)

步驟4：建立標(biāo)準(zhǔn)化后的變量相關(guān)系數(shù)矩陣R。

(5)

步驟6：計(jì)算各主成分的方差貢獻(xiàn)率βi和累積方差貢獻(xiàn)率β(i)，可表示為：

(6)

(7)

累積方差貢獻(xiàn)率超過(guò)85%時(shí)，所對(duì)應(yīng)的前m個(gè)主成分便包含了p個(gè)變量所能提供的絕大部分信息，同時(shí)可有效地消除原始特征之間的相關(guān)性。

1.3 核極限學(xué)習(xí)機(jī)

核極限學(xué)習(xí)機(jī)用核函數(shù)代替了原始極限學(xué)習(xí)機(jī)中的隱含層特征映射過(guò)程。其采取同時(shí)最小化訓(xùn)練誤差和輸出權(quán)重范數(shù)的訓(xùn)練方法[17]，如式(8)所示：

(8)

式中：β為隱含層節(jié)點(diǎn)和輸出層節(jié)點(diǎn)之間的權(quán)重向量；h(xi)為隱含層的映射向量；yi為目標(biāo)輸出。從標(biāo)準(zhǔn)優(yōu)化理論的觀點(diǎn)看，則上述目標(biāo)可重新改寫(xiě)為：

(9)

式中：ξi為訓(xùn)練誤差；C為懲罰系數(shù)；N為訓(xùn)練樣本數(shù)。

基于KKT理論，極限學(xué)習(xí)機(jī)的訓(xùn)練等價(jià)于解決如下的對(duì)偶優(yōu)化問(wèn)題：

(10)

式中：αi是拉格朗日算子。

求解上述優(yōu)化問(wèn)題，可得：

(11)

αi=Cξi,i=1,…,N

(12)

h(xi)β-yi+ξi=0 ,i=1,…,N

(13)

式中：α=[α1,…,αN]T;H=[h(x1),…,h(xN)]。

將式(11)和式(12)代入到式(13)中，上述公式可等價(jià)寫(xiě)為：

(14)

根據(jù)式(14)和式(11)可得：

(15)

則極限學(xué)習(xí)機(jī)輸出函數(shù)可以表示為：

(16)

根據(jù)Mercer條件，定義核函數(shù)矩陣：

(17)

(18)

將式(17)和式(18)代入式(16)中，則核極限學(xué)習(xí)機(jī)的輸出函數(shù)可表示為：

(19)

2 非侵入式電力負(fù)荷辨識(shí)模型

本文建模的基本思路是利用Fisher主元分析降低特征冗余度，然后建立遺傳算法優(yōu)化的核極限學(xué)習(xí)機(jī)分類(lèi)器進(jìn)行負(fù)荷辨識(shí)?；贔isher主元分析和核極限學(xué)習(xí)機(jī)的非侵入式電力負(fù)荷辨識(shí)建模流程如圖2所示。建模主要分為以下5個(gè)部分：

圖2 基于Fisher主元分析和KELM的非侵入式電力負(fù)荷辨識(shí)建模流程

1)數(shù)據(jù)預(yù)處理；

2)獲取電力負(fù)荷穩(wěn)態(tài)特征；

3)Fisher主元分析降低特征冗余度；

4)遺傳算法優(yōu)化模型參數(shù)；

5)建立基于FPCA-GA-KELM的學(xué)習(xí)網(wǎng)絡(luò)。

2.1 數(shù)據(jù)預(yù)處理

為了降低異常數(shù)據(jù)對(duì)分類(lèi)性能的干擾，因此本文對(duì)數(shù)據(jù)集進(jìn)行以下數(shù)據(jù)預(yù)處理：

1)剔除異常值。用電負(fù)荷正常運(yùn)行時(shí)應(yīng)滿足以下基本條件：運(yùn)行功率不超過(guò)額定功率且運(yùn)行電壓在220 V標(biāo)準(zhǔn)電壓附近波動(dòng)，根據(jù)此條件可以剔除數(shù)據(jù)中的異常值。

2)插補(bǔ)缺失值。為了降低數(shù)據(jù)傳輸和存儲(chǔ)的成本，數(shù)據(jù)集自動(dòng)過(guò)濾掉了功率波動(dòng)小于一定閾值的負(fù)荷數(shù)據(jù)，因此可認(rèn)為在數(shù)據(jù)缺失的時(shí)段內(nèi)，回路中的負(fù)荷數(shù)據(jù)未發(fā)生變化，用缺失前最后一次記錄的數(shù)據(jù)來(lái)填充。

2.2 獲取電力負(fù)荷穩(wěn)態(tài)特征

通過(guò)智能電表中的采集模塊獲得家庭供電終端的總電流和端電壓，利用文獻(xiàn)[18]中所述的基于滑動(dòng)窗的事件探測(cè)方法提取總時(shí)間序列數(shù)據(jù)中穩(wěn)態(tài)負(fù)荷信息。計(jì)算得到電流有效值、電壓有效值、有功功率、無(wú)功功率、功率因數(shù)等時(shí)域特征和3、5、7、9、11、13、15、17、19、21、23、25次電流諧波含有率等頻域特征，共17種穩(wěn)態(tài)特征作為原始輸入變量。

2.3 Fisher主元分析降低特征冗余度

為了達(dá)到減少模型輸入變量個(gè)數(shù)以及降低特征變量相關(guān)性的目的，采用Fisher主元分析對(duì)原始特征變量進(jìn)行處理，將最終提取的主成分作為本文模型的輸入，進(jìn)行模型訓(xùn)練和測(cè)試。具體算法步驟如下所示：

步驟1：首先為每組訓(xùn)練數(shù)據(jù)貼上類(lèi)標(biāo)簽，通過(guò)Fisher評(píng)分函數(shù)計(jì)算每個(gè)特征的類(lèi)別可分性得分。

步驟2：將原始k個(gè)特征按照Fisher得分從高到低進(jìn)行排列，從中選取得分高的前k/2個(gè)有效特征，剔除得分較低的無(wú)效特征。

步驟3：將得分高的前k/2個(gè)有效特征進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，然后進(jìn)行主成分分析。選取累積方差貢獻(xiàn)率超過(guò)85%的前m個(gè)特征向量作為新的坐標(biāo)軸，將原始數(shù)據(jù)映射到新坐標(biāo)軸上得到前m個(gè)主成分。

步驟4：考慮到標(biāo)準(zhǔn)化處理后出現(xiàn)的負(fù)數(shù)和多位小數(shù)對(duì)模型計(jì)算的影響，對(duì)主成分進(jìn)行鏡像平移縮放，即對(duì)其取絕對(duì)值并放大Z倍，Z取100。

步驟5：將最終提取的主成分作為模型的輸入，進(jìn)行訓(xùn)練和測(cè)試。

2.4 遺傳算法優(yōu)化模型參數(shù)

核極限學(xué)習(xí)機(jī)參數(shù)中的懲罰系數(shù)C對(duì)模型的復(fù)雜性和穩(wěn)定性起到了至關(guān)重要的作用，核函數(shù)寬度δ則表征樣本數(shù)據(jù)映射到高維特征空間分布的復(fù)雜程度。為提高模型的分類(lèi)準(zhǔn)確率，本文采用遺傳算法[19-20]對(duì)C和δ進(jìn)行參數(shù)尋優(yōu)。遺傳算法優(yōu)化過(guò)程的相關(guān)參數(shù)設(shè)置如表1所示。

表1 遺傳算法優(yōu)化參數(shù)

選取能反映模型性能的總體分類(lèi)準(zhǔn)確率的倒數(shù)作為適應(yīng)度函數(shù)f(t)，如下所示:

(20)

(21)

2.5 建立基于FPCA-GA-KELM的學(xué)習(xí)網(wǎng)絡(luò)

本文使用Fisher主元分析和遺傳優(yōu)化核極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)來(lái)建立非侵入式負(fù)荷辨識(shí)模型的具體步驟如下：

步驟1：對(duì)智能電表采集計(jì)算得到的原始17種負(fù)荷穩(wěn)態(tài)特征數(shù)據(jù)進(jìn)行Fisher主元分析，將最終提取的主成分作為模型的輸入。

步驟2：選擇合適的核函數(shù)來(lái)搭建核極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)。本文選用RBF函數(shù)作為核函數(shù)，其表達(dá)式如下所示：

(22)

步驟3：遺傳算法對(duì)模型參數(shù)進(jìn)行尋優(yōu)。為了避免人為選擇參數(shù)的隨意性并提高模型的辨識(shí)準(zhǔn)確率，本文采用遺傳算法對(duì)懲罰系數(shù)C和核函數(shù)寬度δ進(jìn)行最優(yōu)參數(shù)選擇。

步驟4：確定最終的負(fù)荷辨識(shí)網(wǎng)絡(luò)。本文建立基于FPCA-GA-KELM的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 基于FPCA-GA-KELM的網(wǎng)絡(luò)結(jié)構(gòu)

3 算例分析

3.1 數(shù)據(jù)來(lái)源與評(píng)價(jià)指標(biāo)

本文從負(fù)荷數(shù)據(jù)集TIPDM[21]中提取出9種用電設(shè)備共29類(lèi)工作狀態(tài)來(lái)驗(yàn)證所提模型的有效性。其中包含了開(kāi)/關(guān)型、有限多狀態(tài)和連續(xù)變狀態(tài)等多種電器類(lèi)型，種類(lèi)豐富，具有代表性。采用以下指標(biāo)對(duì)模型性能進(jìn)行評(píng)價(jià)。

1)分類(lèi)準(zhǔn)確率。

(23)

2)計(jì)算耗時(shí)T。

T=ttrain+ttest

(24)

式中：ttrain為模型訓(xùn)練的計(jì)算時(shí)間；ttest為模型測(cè)試的計(jì)算時(shí)間。

3.2 Fisher主元分析結(jié)果

將電流有效值、功率、功率因數(shù)以及電流諧波含有率等17種原始輸入變量的Fisher得分從高到低進(jìn)行排序。所得17種穩(wěn)態(tài)特征的Fisher得分(F-score)如表2所示。

由表2可知，F(xiàn)isher得分較低的特征可分性較差，為防止模型過(guò)擬合和減小計(jì)算開(kāi)銷(xiāo)，本文選取Fisher得分較高的電流有效值、有功功率、無(wú)功功率、功率因數(shù)以及3、5、7、9次電流諧波含有率等8個(gè)特征變量作為有效特征。為了進(jìn)一步消除有效特征之間的高相關(guān)性，對(duì)其進(jìn)行主成分分析。計(jì)算得到8個(gè)變量的協(xié)方差矩陣特征值如表3所示。

表2 17種穩(wěn)態(tài)特征的Fisher得分

由表3可知，前3個(gè)主成分的方差累積貢獻(xiàn)率已經(jīng)超過(guò)85%，達(dá)到了98%以上。因此Fisher主元分析后，得到的前3個(gè)主成分就代表了原始變量中的大部分信息，并作為本文模型最終輸入。直接對(duì)原始17種穩(wěn)態(tài)特征變量進(jìn)行主成分分析，即單一PCA方法得到的前5個(gè)主成分方差累積貢獻(xiàn)率超過(guò)85%，具體數(shù)據(jù)不再贅述。

表3 8個(gè)變量的協(xié)方差矩陣特征值

3.3 特征去冗余效果對(duì)比

為了驗(yàn)證本文所提Fisher主元分析降低特征冗余度的有效性，分別選用原始17種穩(wěn)態(tài)特征、單一PCA計(jì)算得到的前5個(gè)主成分、單一Fisher特征選擇得到的8個(gè)特征變量以及本文所提FPCA算法計(jì)算得到的前3個(gè)主成分作為遺傳算法優(yōu)化核極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的模型輸入，進(jìn)而對(duì)各負(fù)荷狀態(tài)進(jìn)行識(shí)別。本文實(shí)驗(yàn)按照4:1的比例分配訓(xùn)練樣本與測(cè)試樣本，并在單臺(tái)CPU為2.7 GHz，運(yùn)行內(nèi)存為3 GB的個(gè)人計(jì)算機(jī)上完成，運(yùn)用 MATLAB2016b 軟件進(jìn)行仿真。不同特征下測(cè)試樣本中每一類(lèi)標(biāo)簽的分類(lèi)準(zhǔn)確率如表4所示，其中總體準(zhǔn)確率表示所有測(cè)試樣本中被正確分類(lèi)的樣本數(shù)占測(cè)試樣本總數(shù)的百分比。

由表4可以看出，采用原始17種穩(wěn)態(tài)特征作為模型輸入時(shí)，因?yàn)槎嗑S特征之間存在高相關(guān)性且?jiàn)A雜著可分性較差的無(wú)效特征，其負(fù)荷辨識(shí)總體準(zhǔn)確率僅有87.5%，效果較差。單一主成分分析沒(méi)有剔除原始特征中可分性較差的無(wú)效特征而單一Fisher特征選擇沒(méi)有消除特征之間的高相關(guān)性。分別采取單一的2種方法，雖然模型分類(lèi)準(zhǔn)確率有所提升，但仍然不夠理想。仿真結(jié)果證明，本文所提Fisher主元分析融合算法，充分結(jié)合Fisher特征選擇和PCA的優(yōu)點(diǎn)，并彌補(bǔ)了各自方法中的不足，即同時(shí)剔除了可分性較差的特征和消除了特征之間的高相關(guān)性，總體辨識(shí)準(zhǔn)確率在多次調(diào)試后能夠達(dá)到98.5%，模型性能得到大幅提升。

表4 不同特征下測(cè)試樣本分類(lèi)準(zhǔn)確率

3.4 辨識(shí)算法效果對(duì)比

為了進(jìn)一步驗(yàn)證本文模型在非侵入式電力負(fù)荷辨識(shí)方面的可行性和有效性，分別選取文獻(xiàn)[11]中RPROP負(fù)荷辨識(shí)模型、文獻(xiàn)[12]中GRNN負(fù)荷辨識(shí)模型以及文獻(xiàn)[10]中SVM負(fù)荷辨識(shí)模型，與本文模型進(jìn)行對(duì)比。本文模型的參數(shù)由遺傳算法優(yōu)化得到，懲罰系數(shù)C=63.263 9，核函數(shù)寬度δ=7.268 6。3種對(duì)比模型選取原始17種穩(wěn)態(tài)特征作為模型輸入。4種辨識(shí)模型測(cè)試分類(lèi)準(zhǔn)確率如表5所示。隨著負(fù)荷標(biāo)簽的增多，訓(xùn)練樣本的數(shù)量也會(huì)大幅上升，辨識(shí)模型在處理大樣本數(shù)據(jù)時(shí)的運(yùn)行效率也是衡量模型性能優(yōu)劣的重要指標(biāo)。4種辨識(shí)模型隨樣本數(shù)量的增加，計(jì)算消耗時(shí)間的變化曲線如圖4所示。

表5 4種不同的辨識(shí)模型測(cè)試分類(lèi)準(zhǔn)確率

圖4 模型計(jì)算消耗時(shí)間隨樣本個(gè)數(shù)增加變化曲線

由表5和圖4可以看出，RPROP模型由于網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)需要進(jìn)行迭代求解，其計(jì)算消耗時(shí)間較長(zhǎng)，且辨識(shí)準(zhǔn)確率較差。GRNN模型和SVM模型雖然相較于RPROP模型，其辨識(shí)準(zhǔn)確率和計(jì)算效率均有所提高，但仍然存在辨識(shí)準(zhǔn)確率不足和計(jì)算開(kāi)銷(xiāo)大的問(wèn)題。特別是SVM模型在處理大樣本、多分類(lèi)時(shí)，其計(jì)算消耗時(shí)間會(huì)大幅增長(zhǎng)，不適合用來(lái)辨識(shí)種類(lèi)日益增多的用電負(fù)荷。綜合來(lái)看，本文模型對(duì)于9種家庭常見(jiàn)電器及其29種工作狀態(tài)辨識(shí)準(zhǔn)確率高達(dá)98.5%。同時(shí)由于其在計(jì)算速度上的優(yōu)越性，對(duì)硬件計(jì)算開(kāi)銷(xiāo)的要求比較低。運(yùn)用本文所提模型能更好地滿足實(shí)際應(yīng)用中負(fù)荷識(shí)別的要求，從而能以更低的成本進(jìn)行技術(shù)推廣。

4 結(jié) 論

本文基于負(fù)荷穩(wěn)態(tài)特征，運(yùn)用Fisher主元分析和遺傳算法優(yōu)化核極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)，對(duì)用電負(fù)荷進(jìn)行了有效識(shí)別。經(jīng)負(fù)荷數(shù)據(jù)驗(yàn)證，結(jié)論如下：

1)利用Fisher特征選擇和主成分分析相融合的Fisher主元分析算法，有效降低了特征冗余度，進(jìn)而提升了模型辨識(shí)效果。

2)基于遺傳算法的參數(shù)優(yōu)化可以避免參數(shù)陷入局部最優(yōu)值，同時(shí)克服了人為設(shè)定的隨意性，對(duì)保證模型辨識(shí)準(zhǔn)確率和穩(wěn)定性具有重要的意義。

3)基于核極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的分類(lèi)模型，辨識(shí)準(zhǔn)確率較高，特別是在模型計(jì)算速度上體現(xiàn)出明顯的優(yōu)越性，具備良好的工程應(yīng)用價(jià)值。

4)由于負(fù)荷數(shù)據(jù)中通常存在噪聲和誤差，因此，提高模型的魯棒性和自適應(yīng)性是今后研究的一個(gè)方向。