邱磊鑫，余 濤，彭秉剛

基于異構基Stacking機制的居民負荷特征圖像識別方法

邱磊鑫，余 濤，彭秉剛

(華南理工大學電力學院，廣東 廣州 510640)

負荷識別技術能將不同電器類型有效區(qū)分開，對于用電策略制定、需求響應具有重要意義。針對當前負荷識別技術無法有效實現負荷特征融合以及不同識別器模型結合的問題，提出一種基于異構基Stacking機制的居民用電負荷識別特征圖像集成學習方法。該方法通過構建特征圖像實現特征融合，利用卷積神經網絡充分挖掘特征圖像中蘊含的深層次特征，解決傳統(tǒng)方法對特征挖掘不夠深入的問題。同時引入集成學習Stacking方法將多種異質負荷識別模型結合，綜合各種模型的優(yōu)勢，解決傳統(tǒng)方法模型單一化的問題。最后使用公開數據集PLAID進行驗證并在實驗室電器設備上完成工程應用。結果表明，所提方法具有較高的識別準確率和應用價值。

負荷識別；集成學習；特征圖像；卷積神經網絡；特征篩選

0 引言

在智能電網的建設中，負荷識別[1-2]技術能在電網與用戶之間搭建起良好的信息互動機制。負荷識別技術能應用于即插即用設備，有效幫助用戶了解自己內部各種電器的實時使用情況和能耗對比；同時負荷識別技術能夠實現對用戶用電的分類計量，為需求側響應技術提供必要的數據支持。

特征選擇與識別算法的設計是負荷識別的兩項關鍵技術。在特征選擇上，將多種負荷特征進行結合是常見的做法，文獻[3]便將負荷開關時的各種暫態(tài)功率信息組合作為指標進行識別；文獻[4]利用穩(wěn)態(tài)電流諧波特性作為辨識特征；文獻[5]將電壓和電流波形數據以V-I軌跡的形式組合，并采用圖像識別的方法解決，該方法將特征組合轉化為圖像來挖掘特征，但V-I軌跡沒有將電流幅值大小考慮進來，難以區(qū)分波形相似的電器；文獻[6]對V-I軌跡進行改進，構建出電壓-電流-功率三維軌跡特征用于識別。以上方法對于特征的選擇與構建還停留在特征簡單組合的層面，沒有進一步考慮特征的融合。

在識別算法上，目前傳統(tǒng)機器學習方法的應用已經較為成熟，如聚類、決策樹、支持向量機等。文獻[7]采用K最近鄰算法和人工神經網絡兩種方法對負荷的通斷電暫態(tài)特性進行識別；文獻[8]對傳統(tǒng)K均值聚類方法進行改進，提高了聚類質量與識別精度；文獻[9]采用支持向量機方法對二值V-I軌跡進行識別。近年來，隨著深度學習和集成學習方法的發(fā)展，卷積神經網絡[6,10]、遞歸神經網絡[11-12]、圖卷積神經網絡[8]等方法也被用于負荷識別；文獻[13]運用集成學習的bagging思想，相比于其他機器學習方法取得了較佳的效果；文獻[14]提出了一種平衡隨機森林模型，實現對類不平衡負荷數據集的識別，但在空調、洗衣機等負荷上的識別精度還有待提高。以上方法雖然都取得了一定效果，但單獨某一種模型難以在所有電器上都取得較高的識別精度，同時模型的泛化性能也不盡如人意。

基于對上述研究的分析可以發(fā)現，目前研究過程中存在以下問題。

1) 單純的特征堆疊會造成特征冗余，難以挖掘出特征組合中蘊含的深層次信息，阻礙負荷識別精度的提升；

2) 對單一識別算法進行優(yōu)化改進從而提高分類精度的做法陷入了瓶頸，引入bagging機制融合同質學習器的方法可以提升總體效果，但對于部分電器存在識別精度不佳的問題，可以考慮將多種異質分類器融合，結合異質分類器在不同方面上的優(yōu)勢來改進模型。

因此，本文提出一種基于異構基Stacking機制的居民用電負荷識別特征圖像集成學習方法，該方法首先利用mRMR方法篩選出典型負荷特征，根據負荷特征構建負荷特征向量和負荷圖像，其次引入集成學習Stacking機制將殘差卷積神經網絡與傳統(tǒng)機器學習方法相融合構建負荷識別模型，最后使用PLAID公開數據集和實驗室自建數據集對模型進行訓練和測試，驗證了本文方法的有效性以及工程價值。

1 負荷特征構建

1.1 特征篩選

負荷特征的提取和選擇是負荷識別的基礎工作。通過對文獻[15]進行分析，選取了工程特征中的有功功率、無功功率、電流有效值、1～31次諧波電流幅值和相角等運行特征進行計算，以提取負荷穩(wěn)定運行過程中的特征信息。

雖然上述特征都具有一定的代表性，但使用過多特征會增加問題的復雜程度。首先，某些特征的加入對于負荷識別起到了阻礙作用；此外，具有相關關系的特征之間，可能存在信息重復冗余的情況，反而會使得識別精度下降。

常用的特征篩選方法包括相關系數法、互信息法等。這些方法的基本原理都是計算特征變量與目標值之間的相關程度，從而篩選出最具代表性的特征，但這些方法沒有考慮特征變量之間存在的數據冗余現象，因此本文采用文獻[16]提出的mRMR方法篩選出與負荷類型結果相關度最高的一組特征。

mRMR方法建立在互信息法的基礎上，基本原理是篩選出一組特征子集使得彼此的互信息最小而其與目標值的互信息最大，這樣就可以在確保識別精度的前提下減少信息冗余[17-18]。

互信息被定義為兩個隨機變量之間的概率密度函數，如式(1)所示。

式中：和為兩個隨機變量；()和()為概率密度函數。

本文應用mRMR方法進行特征篩選的具體步驟如下。

1) 確定所需的特征種類數，并依次從總特征集中劃分出所有可能的特征子集。

2) 計算特征子集與標簽之間的相關度。

3) 計算每個特征子集的冗余度。

4) 計算每個特征子集的mRMR值，并篩選出mRMR值最大的特征子集作為目標特征子集。

式中：為步驟2)計算的相關度結果；為步驟3)計算的冗余度結果。

1.2 負荷特征向量及特征圖像的構建

對于1.1節(jié)篩選出的種負荷特征，可以考慮采用以下兩種方法對采集得到的負荷數據進行處理。

一種方法是計算各個電器一個周波內的種穩(wěn)態(tài)負荷特征，并以此構建形狀為(1,)的負荷特征向量，對此可以考慮采用傳統(tǒng)機器學習方法如決策樹進行識別。

另一種方法是將負荷特征向量理解為一個反映該電器用電行為特性的RGB圖像，同時考慮某些電器所具有的非周期性或長周期性的工作特性，將多個周期內負荷運行特征的統(tǒng)計性數據如平均值、方差、峰峰值等加入原有的單周波數據中，從而構建負荷特征圖像。

負荷特征圖像的具體構建方式如下所述。

對于每個電器，采集其穩(wěn)態(tài)運行時一個周波內的個特征，記作當前值，同時計算各個特征在個(通常取10)周波內的最大值、平均值，從而獲得形狀為(1,, 3)的三維矩陣。為了構建圖像，采用最大最小歸一化方法對矩陣進行歸一化，然后對其進行縮放，使其數值位于[0, 255]內，如式(5)所示，最后將當前值、最大值、平均值各作為圖像的一個通道，以此構建長為、寬為1的RGB負荷特征圖像。

對于負荷特征圖像可以引入CNN、RNN等神經網絡方法提取電器獨特的運行特性，以實現負荷識別。

圖1展示了幾種典型居民用電負荷穩(wěn)態(tài)運行時的負荷特征圖像?？梢园l(fā)現，運行特性差異較大的電器的特征圖像有比較明顯的區(qū)別，例如微波爐和筆記本電腦亮度條的數量、位置和亮度都有所不同。相應地，具有相近特性的電器的特征圖像具有相似的特征，例如吹風機和水壺從原理上都屬于熱阻類電器，它們的亮度條具有比較一致的特點。上述分析直觀地展示出特征圖像的構建對于挖掘負荷特征的效果。

2 負荷識別模型

2.1 傳統(tǒng)機器學習方法

傳統(tǒng)機器學習從數據自身角度出發(fā)，能夠有效提取數據的特征，發(fā)現同類數據中所具有的統(tǒng)計規(guī)律，適用于解決負荷識別問題，常用的機器學習方法包括支持向量機(support vector machine, SVM)、K最近鄰算法(K-nearest neighbour, KNN)、隨機森林(random forest, RF)和極限樹(extra trees, ET)等。

SVM本質上是一種線性分類模型，通過在特征空間構建超平面將不同類樣本盡可能劃分開，進而實現分類。

KNN算法的思想是找到待分類數據點在特征空間中最相鄰的個數據點，然后根據多數原則，將待分類點歸入到個點中占比最大的類別。

隨機森林方法是對決策樹(decision tree, DT)的拓展和優(yōu)化，通過隨機選取特征、樣本、參數和模型的方法構建多棵決策樹，將多棵樹的分類結果整合在一起，提升了樹的分類性能。該方法廣泛應用于電能質量研究[19]、負荷預測[20]和輸電線路故障識別[21]等領域。

極限樹的方法與隨機森林類似，區(qū)別是極限樹使用了所有樣本進行訓練，同時在樹的分支上的選擇是隨機的。

2.2 Att-ResNet卷積神經網絡

在負荷識別任務中，從電器的原始電壓電流波形中提取此類電器獨有的運行特性信息是實現負荷識別的關鍵。卷積神經網絡(convolutional neural network, CNN)可以通過構造不同的卷積核實現對負荷特征圖像中深層特性信息的提取。

卷積神經網絡的性能與網絡的深度息息相關，有關研究發(fā)現，隨著網絡層數的增加，梯度消失和梯度爆炸的現象將會阻礙模型的收斂。為了解決這一問題，本文引入文獻[22]提出的殘差機制和文獻[23]提出的卷積塊注意力機制。

殘差機制引入了快捷連接的思想，原始輸入通過快捷連接跳過多個卷積層，直接與殘差部分疊加到輸出中，這種操作使得殘差卷積網絡可以直接從輸入中學習到原始特征，從而避免梯度消失或爆炸的問題。

卷積塊注意力機制(convolutional block attention module, CBAM)通過對通道注意力子模塊和空間注意力子模塊的應用，關注數據在通道和空間這兩個維度上對分類有意義的典型特征。

通道注意力子模塊的原理：首先對于一個形狀為(,,)的特征圖像，分別采用Maxpool和AvgPool壓縮成兩個形狀為(1, 1,)的圖像，然后兩個圖像經過神經元個數分別為/和的兩層全連接層，最后得到的結果直接相加并選取恰當的激活函數，完成通道注意力過程。

結合殘差機制和卷積塊注意力機制的卷積神經網絡Att-ResNet，可以充分挖掘負荷特征圖像中的深層次特征信息，提高負荷識別的精度。本文用于負荷識別的Att-ResNet模型結構如圖2所示，負荷特征圖像先通過一個卷積層輸入模型，然后通過兩個殘差塊堆疊提取特征，CBAM插入殘差塊中的兩個卷積層之間，最后通過兩個全連接層實現負荷圖像到識別負荷類型的映射。

圖2 Att-ResNet模型結構圖

2.3 異構基Stacking機制

為了實現傳統(tǒng)機器學習方法與卷積神經網絡的模型融合，本文引入Stacking策略，將多種異質負荷識別模型作為基學習器，隨機森林作為次級學習器對基學習器的分類結果再次進行訓練，以獲得更優(yōu)的分類結果。

Stacking是集成學習思想的其中一種體現，它讓多個異質學習器并行進行學習，最后再通過投票法或是再訓練一個元模型將多個基學習器的分類結果組合起來，以期獲得一個比單個基學習器更強的模型[24]。Stacking方法已經在配電網網損預測[25]和停電空間預測[26]等領域有所應用，但在負荷識別上的研究還不常見。Stacking能夠成功的關鍵在于多個基學習器能針對原始訓練數據得出有差異性且預測能力好的輸出值，這樣通過次級學習器進一步學習后，能夠在多個基學習器中取長補短，提升預測的準確度和穩(wěn)定性，因此，基學習器一般會選擇擬合度高的模型，而次級學習器則一般選擇簡單模型。

3 基于異構基Stacking機制的負荷識別模型設計

3.1 基于異構基Stacking機制的負荷識別模型構建

本文提出的基于異構基Stacking機制的負荷識別模型，如圖3所示。

將Att-ResNet、RF、SVM、KNN和ET作為基學習器，DT作為次級學習器，以此構建負荷識別模型。其中，特征數據以負荷特征圖像輸入Att-ResNet，以負荷特征向量輸入其他基學習器。

3.2 Stacking框架效果比較

以Att-ResNet作為基礎，依次將SVM、KNN、ET和RF方法添加進Stacking框架中，模型的負荷識別精度變化情況如圖4所示。

可以看出，融合后的模型識別精度相較于融合前的單一模型均有所提升；同時，隨著Stacking框架中融合方法的增加，識別精度也在提高。

圖3 基于異構基Stacking機制的負荷識別模型結構

圖4 基學習器對Stacking模型識別精度的影響

3.3 訓練方法

由于負荷識別是典型的多分類問題，采用交叉熵作為模型訓練過程中的損失函數，損失函數如式(6)所示。同時對于Att-ResNet模型采用Early-Stopping機制防止數據過擬合。

同時，為了減小過擬合的風險，Stacking一般使用K-折交叉訓練方法進行訓練，如圖5所示。

Stacking的具體訓練過程如下。

1) 將訓練集劃分為折；

3) 上一步得到個基學習器對于訓練集的組分類結果，將其作為訓練樣本輸入次級學習器，進行訓練再預測，得到最終的分類結果。

圖5 Stacking機制訓練過程

4 實驗及分析

4.1 實驗步驟

本文提出的負荷識別方法具體包括以下步驟。

步驟1：對于待識別負荷的原始電壓和電流波形數據進行處理。計算負荷運行過程中每個周期的有功功率、無功功率、視在功率、功率因數和電流的平均值、峰峰值、有效值、峰均比、波形畸變率等特征，同時采用FFT算法計算負荷1～31次電流諧波幅值和相位、1～31次諧波阻抗幅值和相位。

步驟2：使用mRMR方法篩選出典型特征。使用mRMR算法對步驟1計算得到的特征進行篩選，得到其中得分最高的個特征，以此作為負荷識別的典型特征。本文提出的模型在不同特征數目下的性能如圖6所示。

從圖6可以看出，使用30個特征的模型宏觀F1值可達0.9以上，這表示通過mRMR方法篩選出的排名靠前的30個特征已經包含數據集的大部分信息。最終篩選得到的30個特征如表1所示。

步驟3：取步驟3獲得的典型特征構建負荷特征向量和特征圖像。

圖6 不同特征數目下模型的性能

表1 mRMR方法篩選出的特征

步驟4：將負荷特征向量和特征圖像分別送入傳統(tǒng)機器學習模型和Att-ResNet模型進行訓練。

步驟5：基于Stacking思想，將步驟4的基分類器模型的分類結果代入次級學習器，進行訓練再預測，完成最終模型的訓練。

步驟6：使用測試數據對訓練后模型的準確度和泛化能力進行測試。常用的評價指標包括Recall、Precision、F1-score等，具體公式為

4.2 公開數據集實驗

采用PLAID(plug load appliance identification dataset)[27]公開數據集的電氣數據對本文提出的負荷方法進行驗證，PLAID是由Jingkun Gao等人建立的電器運行數據集，以30 kHz的采樣頻率采集了美國55個家庭中10余種家用電器的電壓和電流數據，其中每種電器都對應多個不同的品牌和型號。

本文選取其中10種電器，包括空調、熒光燈、風扇、冰箱、吹風機、加熱器、白熾燈、筆記本電腦、微波爐和吸塵器作為研究對象。采用3:1:1的比例劃分訓練集、驗證集和訓練集。為了更好地測試模型的泛化能力，在數據集的劃分時不會將每一電器的所有品類都加入訓練集。同時由于PLAID數據集中不同種類的電器數目不平衡，本文采用SMOTE方法[28]對訓練集中的少數類樣本進行過采樣，從而使各類樣本達到平衡。

為了驗證本文所提模型的優(yōu)越性能，以文獻[7]提出的KNN方法、文獻[14]提出的隨機森林方法和本文提出的方法進行比較，使用同樣的訓練集、驗證集和測試集進行實驗，不同方法的各項性能指標如表2所示。由實驗結果可知：

表2 PLAID數據集各類指標比較

1) 在KNN、隨機森林、Att-ResNet這3種單一模型中，KNN效果最差，冰箱的識別準確率僅有54%；而隨機森林和Att-ResNet的效果比較接近，多種電器的識別準確率達到90%以上，總體準確率達到95%以上，其中隨機森林方法對于風扇、吹風機和筆記本電腦等電器的識別優(yōu)于Att-ResNet，而Att-ResNet則對于加熱器、洗衣機的識別略勝一籌。

2) 在應用了基于異構基Stacking機制的負荷識別方法后，大部分電器的識別準確率都有所提高，比如冰箱的識別準確率相較于隨機森林和Att-ResNet提高了8%左右，總體準確率也高于單一模型，達到了97%，充分說明了本文方法的有效性。

4.3 在實際設備上的工程應用

此外，由于PLAID數據集測量的是國外的電器數據，電氣環(huán)境與國內有所區(qū)別，同時數據集中選取的某些電器在國內并不常用，為了更好地驗證模型的泛化性與實用性，在實驗室中搭建負荷識別平臺，采用高精度采樣儀采集了一批常用家用電器的電壓電流波形數據，并建立數據集對本文所提模型進行測試，實驗室平臺如圖7所示。

圖7 實驗室平臺展示圖

實驗波形數據采集儀器是HIOKI公司型號為MR8875-30的采樣儀，采樣頻率為20 kHz，采集的電器類型包括了多種常用家用電器，部分電器的電流波形如圖8所示。為了增加采樣數據的普遍程度，使結果更加具有推廣意義，每類電器都有兩種以上不同品牌樣本，每個樣本都重復采樣數據10次以上。

圖8 實驗室部分電器電流波形圖

選取了實驗室數據集中的部分電器，包括電熱毯、電吹風、電風扇、臺燈和電熱水壺，對本文提出的負荷識別方法進行泛化驗證。本實驗中的Att-ResNet模型，除了改變最后一層全連接層的神經元個數以外(與電器類別數一致)，結構與公開數據集實驗完全一致，該實驗也能驗證Att-ResNet模型的遷移學習能力與通用性。

本實驗同樣以KNN方法和隨機森林方法作比較，得到不同負荷識別方法的性能指標，如表3所示。由實驗結果可知：

1) 在KNN、隨機森林、Att-ResNet這3種單一模型中，KNN方法在電熱毯上的識別效果較差，僅有77%的準確率，隨機森林在電風扇上的準確率為85%，除此之外其他方法的準確率都達到90%以上，3種方法的總體準確率也都在90%以上。

2) 在應用了基于Stacking原理的負荷識別方法后，所有電器的識別準確率都有所提高，電熱毯、電吹風、電風扇和臺燈的識別準確率達到了100%，總體準確率也高于單一模型的效果，達到了99%以上，說明了本文方法的有效性以及實用價值。

表3 實驗室數據集各類指標比較

5 結論

本文提出了一種基于異構基Stacking機制的居民用電負荷識別特征圖像集成學習方法，在特征提取上，該方法選取了常規(guī)的電氣參數如有功功率、無功功率等，并利用mRMR算法對于負荷特征進行初步篩選，并將負荷組合特征用RGB圖像的形式表征出來，更好地提取負荷的深層特性；在分類器的選擇上，引入了集成學習Stacking思想，融合多種異構模型，將Att-ResNet模型與多種傳統(tǒng)機器學習算法作為基學習器對居民電器特征數據進行訓練，再構建次級學習器，對于基學習器的結果進行學習，實現對電器類型的有效辨識。該模型在PLAID數據集和實驗室數據集上都進行了仿真實驗，結果表明該模型有較好的識別精度和泛化能力，未來期望能進一步縮小模型的規(guī)模，提高模型的計算速度，從而能在實際居民用電負荷識別場景中發(fā)揮作用。

[1] 時光遠, 王云飛, 姜世公, 等. 基于融合模糊識別和人工神經網絡的交直流配電系統(tǒng)發(fā)展階段評估研究[J]. 供用電, 2020, 37(5): 11-17.

SHI Guangyuan, WANG Yunfei, JIANG Shigong, et al. Research on developmental stage evaluation of AC/DC distribution system based on fuzzy recognition and artificial neural network[J]. Distribution & Utilization, 2020, 37(5): 11-17.

[2] 江帆, 楊洪耕. 基于廣義回歸神經網絡的非侵入式負荷識別方法[J]. 電測與儀表, 2020, 57(3): 1-6.

JIANG Fan, YANG Honggeng. RNon-intrusive load identification method based on general regression neural network[J]. Electrical Measurement & Instrumentation, 2020, 57(3): 1-6.

[3] 高云, 楊洪耕. 基于暫態(tài)特征貼近度匹配的家用負荷識別[J]. 電力系統(tǒng)自動化, 2013, 37(9): 54-59.

GAO Yun, YANG Honggeng. Household load identificationbased on closeness matching of transientcharacteristics[J]. Automation of Electric Power Systems, 2013, 37(9): 54-59.

[4] 李如意, 王曉換, 胡美璇, 等. RPROP神經網絡在非侵入式負荷分解中的應用[J]. 電力系統(tǒng)保護與控制, 2016, 44(7): 55-61.

LI Ruyi, WANG Xiaohuan, HU Meixuan, et al. Application of RPROP neural network in nonintrusive load decomposition[J]. Power System Protection and Control, 2016, 44(7): 55-61.

[5] WANG Longjun, CHEN Xiaoming, WANG Gang, et al. Non-intrusive load monitoring algorithm based on features of V-I trajectory[J]. Electric Power Systems Research, 2018, 157: 134-144.

[6] LIU Jiangyong, LIU Ning, SONG Huina, et al. Non- intrusive load identification model based on 3D spatial feature and convolutional neural network[J]. Energy and Power Engineering, 2021, 13(4): 30-40.

[7] TSAI M S, LIN Y H. Modern development of an adaptive non-intrusive appliance load monitoring system in electricity energy conservation[J]. Applied Energy, 2012, 96: 55-73.

[8] GAO Mingze, PAN Shibo, CHEN Sirui, et al. Identification method of electrical load for electrical appliances based on K-Means++ and GCN[J]. IEEE Access, 2021, 9: 27026-27037.

[9] REN Zhiren, TANG Bo, WANG Longfeng, et al. Household appliance identification based on a novel load signature processing framework[C] // 2019 IEEE 3rd Conference on Energy Internet and Energy System Integration (EI2), November 8-10, 2019, Changsha, China: 2076-2080.

[10] ZHANG Ying, YIN Bo, CONG Yanping, et al. Multi-state household appliance identification based on convolutional neural networks and clustering[J]. Energies, 2020, 13(4): 792-803.

[11] KIM J, LE T T H, KIM H. Nonintrusive load monitoring based on advanced deep learning and novel signature[J]. Computational Intelligence and Neuroscience, 2017, 2017: 31-42.

[12] 劉恒勇, 史帥彬, 徐旭輝, 等. 一種關聯RNN模型的非侵入式負荷辨識方法[J]. 電力系統(tǒng)保護與控制, 2019, 47(13): 162-170.

LIU Hengyong, SHI Shuaibin, XU Xuhui, et al. A non-intrusive load identification method based on RNN model[J]. Power System Protection and Control, 2019, 47(13): 162-170.

[13] HIMEUR Y, ALSALEMI A, BENSAALI F, et al. Robust event-based non-intrusive appliance recognition using multi-scale wavelet packet tree and ensemble bagging tree[J]. Applied Energy, 2020, 267: 1-10.

[14] LIU Hui, WU Haiping, YU Chenming. A hybrid model for appliance classification based on time series features[J]. Energy and Buildings, 2019, 196: 112-123.

[15] GAO Jingkun, KARA E C, GIRI S, et al. A feasibility study of automated plug-load identification from high- frequency measurements[C] // IEEE Global Conference on Signal & Information Processing (GlobalSIP), December 14-16, 2015, Orlando, USA: 220-224.

[16] PENG Hanchuan, LONG Fuhui, DING C. Feature selection based on mutual information criteria of max-dependency, max-relevance, and min-redundancy[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2005, 27(8): 1226-1238.

[17] RAMIREZ-GALLEGO S, LASTRA I, MARTINEZ- REGO D, et al. Fast-mRMR: fast minimum redundancy maximum relevance algorithm for high-dimensional big data[J]. International Journal of Intelligent Systems, 2017, 32(2): 1-13.

[18] 胡威, 張新燕, 李振恩, 等. 基于優(yōu)化的VMD-mRMR- LSTM模型的短期負荷預測[J]. 電力系統(tǒng)保護與控制, 2022, 50(1): 88-97.

HU Wei, ZHANG Xinyan, LI Zhen'en, et al. Short-term load forecasting based on an optimized VMD-mRMR- LSTM model[J]. Power System Protection and Control, 2022, 50(1): 88-97.

[19] KIRANMAI S A, LAXMI A J. Data mining for classification of power quality problems using WEKA and the effect of attributes on classification accuracy[J]. Protection and Control of Modern Power Systems, 2018, 3(3): 303-314.

[20] 李焱, 賈雅君, 李磊, 等. 基于隨機森林算法的短期電力負荷預測[J]. 電力系統(tǒng)保護與控制, 2020, 48(21):117-124.

LI Yan, JIA Yajun, LI Lei, et al. Short term power load forecasting based on a stochastic forest algorithm[J]. Power System Protection and Control, 2020, 48(21): 117-124.

[21] 楊杰, 吳浩, 董星星, 等. 基于電流故障分量特征和隨機森林的輸電線路故障類型識別[J]. 電力系統(tǒng)保護與控制, 2021, 49(13): 53-63.

YANG Jie, WU Hao, DONG Xingxing, et al. Transmission line fault type identification based on the characteristics of current fault components and random forest[J]. Power System Protection and Control, 2021, 49(13): 53-63.

[22] HE Kaiming, ZHANG Xiangyu, REN Shaoqing, et al. Deep residual learning for image recognition[C] // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, June 27-30, 2016, Las Vegas, USA: 770-778.

[23] WOO S H, PARK J, LEE J Y, et al. CBAM: convolutional block attention module[C] // 15th IEEE European Conference on Computer Vision, 2018, Munich, Germany: 3-19.

[24] ZHOU Zhihua. Ensemble methods: foundations and algorithms[M]. Taylor & Francis, 2012.

[25] 鄧威, 郭釔秀, 李勇, 等. 基于特征選擇和Stacking集成學習的配電網網損預測[J]. 電力系統(tǒng)保護與控制, 2020, 48(15): 108-115.

DENG Wei, GUO Yixiu, LI Yong, et al. Power losses prediction based on feature selection and Stacking integrated learning[J]. Power System Protection and Control, 2020, 48(15): 108-115.

[26] 侯慧, 陳希, 李敏, 等. 一種Stacking集成結構的臺風災害下停電空間預測方法[J]. 電力系統(tǒng)保護與控制, 2022, 50(3): 76-84.

HOU Hui, CHEN Xi, LI Min, et al. A space prediction method for power outage in a typhoon disaster based on a Stacking integrated structure[J]. Power System Protection and Control, 2022, 50(3): 76-84.

[27] GAO Jingkun, GIRI S, KARA E C, et al. PLAID: a public dataset of high-resolution electrical appliance measurements for load identification research: demo abstract[J]. ACM, 2014.

[28] HAN Hui, WANG Wenyuan, MAO Binghuan. Borderline- SMOTE: a new over-sampling method in imbalanced data sets learning[C] // Proceedings of the 2005 International Conference on Advances in Intelligent Computing, Volume Part I, 2005: 878-887.

Image recognition method of resident load characteristics based on heterogeneous basis Stacking mechanism

QIU Leixin, YU Tao, PENG Binggang

(School of Electric Power Engineering, South China University of Technology, Guangzhou 510640, China)

Load identification technology can effectively distinguish different electrical types. This is of significance for power consumption strategy formulation and demand response. There is a problem in that the present load identification technology cannot effectively realize the load feature fusion and the combination of different recognizer models. Thus an integrated learning method of residential power load identification feature image based on heterogeneous basis Stacking mechanism is proposed. This method realizes feature fusion by constructing feature images and fully excavates the deep-seated features contained in feature images using a convolutional neural network, so as to solve the problem that the traditional methods are not deep enough in feature mining. At the same time, the ensemble learning Stacking method is introduced to combine a variety of heterogeneous load identification models to integrate the advantages of various models and overcome the problem of the simplification of traditional methods. Finally, the public data set PLAID is used to verify and complete the engineering application on laboratory electrical equipment. The results show that this method has high recognition accuracy and application value.

load identification; integrated learning; feature image; convolutional neural network; feature selection

10.19783/j.cnki.pspc.220048

國家自然科學基金委員會-國家電網公司智能電網聯合基金項目資助(U2066212)

This work is supported by the Joint Project of the Commission of National Natural Science Foundation of China- Smart Grid of State Grid Corporation of China (No. U2066212).

2022-01-11；

2022-03-14

邱磊鑫(1998—)，男，碩士研究生，研究方向為非侵入式負荷分解、負荷識別；E-mail: 810236717@qq.com

余 濤(1974—)，男，通信作者，博士，教授，博士生導師，研究方向為復雜電力系統(tǒng)的非線性控制理論和仿真、優(yōu)化及機器學習；E-mail: taoyu1@scut.edu.cn

彭秉剛(1997—)，男，碩士研究生，研究方向為非侵入式負荷分解、機器學習。E-mail: 344532641@qq.com

(編輯 許 威)