基于差量特征与AdaBoost的家用负荷识别方法研究
信息技术与网络安全 3期
王岩俊1，蔡高琰2，骆德汉1，梁炳基2
(1.广东工业大学 信息工程学院，广东 广州510006；2.广东浩迪创新科技有限公司，广东 佛山528200)
摘要： 针对家用负荷提出了一种使用智能电表进行数据采集的非侵入式负荷在线识别方法。该方法使用智能电表计算出负荷的差量特征向量预先建立特征库，训练以决策树作为弱分类器的AdaBoost分类器模型，利用负荷投切时电表的告警信息中包含的特征向量进行分类以实现负荷在线识别，实时性好且提高了单一决策树模型的识别效果。实验结果证明了该方法的可行性，实现了负荷使用信息的获取，具有较好的实际应用价值。
中图分类号： TP391.4
文献标识码： A
DOI： 10.19358/j.issn.2096-5133.2022.03.013
引用格式： 王岩俊，蔡高琰，骆德汉，等. 基于差量特征与AdaBoost的家用负荷识别方法研究[J].信息技术与网络安全，2022，41(3)：78-82.
文献标识码： A
DOI： 10.19358/j.issn.2096-5133.2022.03.013
引用格式： 王岩俊，蔡高琰，骆德汉，等. 基于差量特征与AdaBoost的家用负荷识别方法研究[J].信息技术与网络安全，2022，41(3)：78-82.
Research on household load identification method based on difference features and AdaBoost
Wang Yanjun1，Cai Gaoyan2，Luo Dehan1，Liang Bingji2
(1.School of Information Engineering，Guangdong University of Technology，Guangzhou 510006，China； 2.Hodi Technology Co.，Ltd.，Foshan 528200，China)
Abstract： Aiming at household load, a non-intrusive online load identification method using smart meters for data collection is proposed. This method uses the smart meter to calculate the difference feature vector of the load to build a feature library in advance, trains the AdaBoost classifier model which takes the decision tree as the weak classifier, and uses the feature vector contained in the alarm information of the smart meter when the load is switched to classify the load，and to achieve load online recognition. This method has good real-time performance and improves the recognition effect of a single decision tree model. The experimental results show that the proposed method is feasible，and realizes the acquisition of load usage information, has good practical application value.
Key words : non-intrusive load identification；smart meter；difference feature；adaptive boosting(AdaBoost)
0 引言
随着智能电网的进一步发展，如何获知电力用户的具体用电行为，实现用电信息的大数据挖掘及为电能需求侧管理提供技术支撑成为重要的研究方向。即配电网通过获知电能用户的日常用电行为和电能消耗情况，使其能精细化调配电能及合理引导用户参与到节能减排中来，从而实现高效合理的需求侧管理[1]及电力信息大数据应用[2]，对建设绿色、生态、共享的经济具有重大意义。
实现获取用户具体用电行为的技术称为负荷辨识技术，也称为负荷识别，分为侵入式和非侵入式两种[3]。侵入式负荷识别技术需要在用户的房屋内部对每一个感兴趣的负荷安装专门的监测设备，优点是易于实现，缺点是随着要监测的负荷类别及数量增多，所需的监测设备安装维护成本也会急剧上升，且会对用户的日常使用造成干扰；与之相对，非侵入式负荷识别技术通过采集电力线入户端的电参数并进行特征提取，使用聚类分析[4-7]、人工神经网络[8-10]、K近邻[11]、核支持向量机[12-13]或它们的结合等算法进行负荷识别，无需安装专门的监测设备。
本文详细内容请下载：http://www.chinaaet.com/resource/share/2000004030
作者信息：
王岩俊1，蔡高琰2，骆德汉1，梁炳基2
(1.广东工业大学 信息工程学院，广东 广州510006；2.广东浩迪创新科技有限公司，广东 佛山528200)
此内容为AET网站原创，未经授权禁止转载。