基于電力負(fù)荷曲線的設(shè)備識(shí)別方法

摘要：電力設(shè)備的負(fù)荷曲線隨著時(shí)間而變化,其本質(zhì)上是時(shí)間序列數(shù)據(jù).為此提出了一種新的通過負(fù)荷曲線識(shí)別電力設(shè)備的方法,該方法在多個(gè)粒度劃分出的負(fù)載曲線上使用卷積神經(jīng)網(wǎng)絡(luò)作為基分類器構(gòu)造出一個(gè)集成學(xué)習(xí)器來(lái)提高分類精度.首先我們對(duì)原始數(shù)據(jù)進(jìn)行不同粒度的劃分,得到若干不同的新數(shù)據(jù)集.其次使用這些新的數(shù)據(jù)集訓(xùn)練不同的基學(xué)習(xí)器,并根據(jù)驗(yàn)證集上的精度得到不同基學(xué)習(xí)器的權(quán)重.將測(cè)試樣本按照相同的粒度劃分方式得到不同的測(cè)試數(shù)據(jù)集,使用不同的基分類器對(duì)這些測(cè)試數(shù)據(jù)集進(jìn)行測(cè)試,得到對(duì)應(yīng)的預(yù)測(cè)標(biāo)簽.最后對(duì)不同基分類器預(yù)測(cè)的標(biāo)簽進(jìn)行加權(quán),并選出權(quán)重最大的那個(gè)標(biāo)簽作為預(yù)測(cè)標(biāo)簽.在實(shí)際的電力負(fù)荷數(shù)據(jù)上將該模型與單個(gè)CNN模型進(jìn)行對(duì)比,實(shí)驗(yàn)結(jié)果表明,該模型具有更高的設(shè)備識(shí)別精度.