一种AASO联合KELM的电力负荷在线辨识方法技术

本发明专利技术公开了一种AASO联合KELM的电力负荷在线辨识方法，包括：采集不同类型电力负荷在一个连续采样周期内的电流、有功功率、无功功率和视在功率；分别提取电流、有功功率、无功功率和视在功率的时域特征、频域特征和熵特征；将提取到的时域特征、频域特征和熵特征合并，得到电力负荷的联合特征；基于自适应原子搜索算法(AASO)对电力负荷的联合特征进行特征筛选，得到电力负荷筛选特征；将筛选得到的特征作为核极限学习机(KELM)模型的输入，构建电力负荷辨识模型。本发明专利技术借助AASO实现了电力负荷特征的有效筛选，利用AASO进行KELM模型隐含层神经元数目的自整定解决了模型超参数选择的难题。择的难题。择的难题。

【技术实现步骤摘要】
一种AASO联合KELM的电力负荷在线辨识方法


[0001]本专利技术涉及电力负荷辨识领域，更具体的说是涉及一种AASO联合KELM的电力负荷在线辨识方法。

技术介绍

[0002][0003]现阶段电力负荷辨识的基本思路是，在获取原始电力数据后，借助信号的时频域分析得到电力负荷的时频域特征，在此基础上，使用主成分分析(Principal Component Analysis，PCA)等对这些时频域特征进行特征提取，最终借助分类器实现电力负荷的辨识。然而，这类方法存在以下不足，一是PCA提取到的特征是主成分，其并不具备实际的物理意义；二是在构建负荷辨识模型时如何选择合理的模型参数是一个难题。
[0004]因此，如何提供一种电力负荷的在线辨识方法是本领域技术人员亟需解决的问题。

技术实现思路

[0005]鉴于此，本专利技术提供了一种AASO联合KELM的电力负荷在线辨识方法，实现电力负荷的精准辨识。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种AASO联合KELM的电力负荷在线辨识方法，包括：
[0008]S1：采集不同类型电力负荷在一个连续采样周期内的电流、有功功率、无功功率和视在功率；
[0009]S2：分别提取电流、有功功率、无功功率和视在功率的时域特征、频域特征和熵特征；
[0010]S3：将提取到的时域特征、频域特征和熵特征合并，得到电力负荷的联合特征；
[0011]S4：基于自适应原子搜索算法(Adaptive Atom Search Optimization，AASO)对电力负荷的联合特征进行特征筛选，得到电力负荷筛选特征；
[0012]S5：将筛选得到的特征作为核极限学习机(Kernel Extreme Learning Machine，KELM)模型的输入，构建电力负荷辨识模型。
[0013]优选的，S1中，在采集不同类型电力负荷的电流、有功功率、无功功率和视在功率过程中，采样频率设置为1分钟/次，采样周期为24小时。
[0014]优选的，S2中，时域特征包括：最大值、最小值、平均值、峰峰值、整流平均值、方差、标准差、峭度、偏度、均方根、波形因子、峰值因子、脉冲因子和裕度因子；频域特征包括：重心频率、均方频率、均方根频率、频率方差、频率标准差、谱峭度的均值、谱峭度的标准差、谱峭度的偏度和谱峭度的峭度；熵特征包括：功率谱熵、奇异谱熵、能量熵、近似熵、样本熵、模糊熵和排列熵。
[0015]优选的，在分别提取时域特征、频域特征和熵特征后，可以得到每个样本的电流、
有功功率、无功功率以及视在功率的时域特征、频域特征和熵特征，即电流的时域特征TimeFea_I、电流的频域特征FrequencyFea_I、电流的熵特征EntropyFea_I、有功功率的时域特征TimeFea_P、有功功率的频域特征FrequencyFea_P、有功功率的熵特征EntropyFea_P、无功功率的时域特征TimeFea_Q、无功功率的频域特征FrequencyFea_Q、无功功率的熵特征EntropyFea_Q、视在功率的时域特征TimeFea_S、视在功率的频域特征FrequencyFea_S以及视在功率的熵特征EntropyFea_S。
[0016]优选的，S3中，按照电流的时域特征TimeFea_I、电流的频域特征FrequencyFea_I、电流的熵特征EntropyFea_I、有功功率的时域特征TimeFea_P、有功功率的频域特征FrequencyFea_P、有功功率的熵特征EntropyFea_P、无功功率的时域特征TimeFea_Q、无功功率的频域特征FrequencyFea_Q、无功功率的熵特征EntropyFea_Q、视在功率的时域特征TimeFea_S、视在功率的频域特征FrequencyFea_S以及视在功率的熵特征EntropyFea_S依次排序合并，得到电力负荷的时域和频域联合特征，记为JointFea。
[0017]优选的，S4包括以下步骤：
[0018]S41：定义适应度函数。由于AASO是一个求解极小值的过程，因此将电力负荷辨识模型的测试集分类误差作为适应度函数，即：
[0019][0020]其中，N
error
为测试集样本中预测错误的样本数量，N
test
为测试集样本数量，f为适应度；
[0021]S42：AASO参数初始化。从电力负荷联合特征JointFea中随机选取一个特征组合作为初始原子位置，并设置AASO的参数，包括初始深度权重α、系数因子β以及最大迭代次数T。
[0022]S43：初始适应度计算。按照公式(1)计算每个原子个体对应的适应度值，寻找当前最佳原子个体X
*
，并将将结果保存。
[0023]S44：自适应位置更新。在每一次迭代过程中，根据得到的加速度，按照公式(2)更新原子的速度和位置，并计算适应度值。
[0024][0025]其中，表示原子的速度，表示原子的位置，为[0,1]之间的随机数。表示第i个原子在第d维上的加速度，由互相作用力和几何约束力确定，可以表示为：
[0026][0027]在式(3)中，F
id
表示相互作用力，表示周围原子对当前原子i的作用力之和，其求解公式为：
[0028][0029]其中，t为当前迭代次数，rand
j
为[0,1]之间的随机数，d为原子所在的维数，为对原子i产生作用力的原子的集合(N为原子总个数，T为总迭代
次数)，为第t次迭代中第j个原子对原子i的伦纳德
·
琼斯(L
‑
J)势作用力，其中(α
t
＝[f
max
(t
‑
1)
‑
f
min
(t
‑
1)]*α
t
‑1，其中α
t
为第t次迭代时的深度权重，α
t
‑1为第t
‑
1次迭代时的深度权重，f
max
(t
‑
1)表示第t
‑
1次迭代时原子种群中最大适应度值，f
min
(t
‑
1)表示第t
‑
1次迭代时原子种群中最小适应度值)，(σ为长度尺度，表示碰撞直径，r
ij
为两个原子之间的欧几里得距离，x
i
和x
j
分别为原子i和原子j的位置)。
[0030]在式(3)中，表示几何约束力，其求解公式为：
[0031][0032]其中，β为系数因子，为第t次迭代中种群最佳原子位置，为原子第t次迭代的当前位置。
[0033]在式(3)中，m
i
(t)表示第t次迭代中第i个原子的质量，由当前种群个体的适应度值大小决定，可以表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种AASO联合KELM的电力负荷在线辨识方法，其特征在于：包括以下步骤：S1：采集不同类型电力负荷在一个连续采样周期内的电流、有功功率、无功功率和视在功率；S2：分别提取电流、有功功率、无功功率和视在功率的时域特征、频域特征和熵特征；S3：将提取到的时域特征、频域特征和熵特征合并，得到电力负荷的联合特征；S4：基于自适应原子搜索算法(Adaptive Atom Search Optimization，AASO)对电力负荷的联合特征进行特征筛选，得到电力负荷筛选特征；S5：将筛选得到的特征作为核极限学习机(Kernel Extreme Learning Machine，KELM)模型的输入，构建电力负荷辨识模型。2.根据权利要求1所述的一种AASO联合KELM的电力负荷在线辨识方法，其特征在于：所述步骤S1中，在采集不同类型电力负荷的电流、有功功率、无功功率和视在功率过程中，采样频率设置为1分钟/次，采样周期为24小时。3.根据权利要求1所述的一种AASO联合KELM的电力负荷在线辨识方法，其特征在于：所述步骤S2中，时域特征包括：最大值、最小值、平均值、峰峰值、整流平均值、方差、标准差、峭度、偏度、均方根、波形因子、峰值因子、脉冲因子和裕度因子；频域特征包括：重心频率、均方频率、均方根频率、频率方差、频率标准差、谱峭度的均值、谱峭度的标准差、谱峭度的偏度和谱峭度的峭度；熵特征包括：功率谱熵、奇异谱熵、能量熵、近似熵、样本熵、模糊熵和排列熵。4.根据权利要求1所述的一种AASO联合KELM的电力负荷在线辨识方法，其特征在于：在分别提取时域特征、频域特征和熵特征后，可以得到每个样本的电流、有功功率、无功功率以及视在功率的时域特征、频域特征和熵特征，即电流的时域特征TimeFea_I、电流的频域特征FrequencyFea_I、电流的熵特征EntropyFea_I、有功功率的时域特征TimeFea_P、有功功率的频域特征FrequencyFea_P、有功功率的熵特征EntropyFea_P、无功功率的时域特征TimeFea_Q、无功功率的频域特征FrequencyFea_Q、无功功率的熵特征EntropyFea_Q、视在功率的时域特征TimeFea_S、视在功率的频域特征FrequencyFea_S以及视在功率的熵特征EntropyFea_S。5.根据权利要求1所述的一种AASO联合KELM的电力负荷在线辨识方法，其特征在于：所述步骤S3中，按照电流的时域特征TimeFea_I、电流的频域特征FrequencyFea_I、电流的熵特征EntropyFea_I、有功功率的时域特征TimeFea_P、有功功率的频域特征FrequencyFea_P、有功功率的熵特征EntropyFea_P、无功功率的时域特征TimeFea_Q、无功功率的频域特征FrequencyFea_Q、无功功率的熵特征EntropyFea_Q、视在功率的时域特征TimeFea_S、视在功率的频域特征FrequencyFea_S以及视在功率的熵特征EntropyFea_S依次排序合并，得到电力负荷的时域和频域联合特征，记为JointFea。6.根据权利要求1所述的一种AASO联合KELM的电力负荷在线辨识方法，其特征在于：所述步骤S4包括以下步骤：S41：定义适应度函数。由于AASO是一个求解极小值的过程，因此将电力负荷辨识模型的测试集分类误差作为适应度函数，即：
其中，N
error
为测试集样本中预测错误的样本...

【专利技术属性】
技术研发人员：胡锋，胡忆婕，周孟然，朱梓伟，汪锟，崔恩汉，田震，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：