基于负荷数据频域特征和LSTM网络的类别不平衡负荷典型用电模式提取方法

发布时间：2022-07-20 18:38

　　现有用户用电模式提取技术主要基于负荷数据时域特征提取,无法准确分辨时域上欧式距离接近但频域上波动特性差异较大的负荷数据,且对类别不平衡负荷数据的分类准确率较低。为解决上述问题,文章首先通过基于样本支持向量的过采样方法（support vector machines-synthetic minority over-sampling technique,SVM-SMOTE）对存在类别不平衡问题的负荷数据进行处理;然后,通过极大重叠离散小波变换（maximal overlap discrete wavelet transform,MODWT）对负荷数据进行分解,并将分解后的尺度系数和细节系数组成频域的特征矩阵;最后将频域特征矩阵输入深度长短期记忆（long short-term memory,LSTM）神经网络进行负荷分类并通过求取各个类别质心来获取典型用电模式。实验结果表明,该方法具有良好的类别不平衡数据处理能力和负荷分类效果。 

【文章页数】：8 页

【部分图文】：

LSTM+MODWT网络分类结果

4类典型用户用电负荷曲线

负荷曲线形态特征对比

【参考文献】：
期刊论文
[1]基于改进聚类方式的牵引负荷分类方法[J]. 张丽艳,陈映月,韩正庆.  西南交通大学学报. 2020(01)
[2]基于LSTM网络的谐波多标签分类[J]. 陈倩,齐林海,王红.  电力建设. 2019(07)
[3]计及数据类别不平衡的海量用户负荷典型特征高性能提取方法[J]. 刘洋,刘洋,许立雄,王剑.  中国电机工程学报. 2019(14)
[4]基于深度长短时记忆网络的区域级超短期负荷预测方法[J]. 张宇帆,艾芊,林琳,袁帅,李昭昱.  电网技术. 2019(06)
[5]电力市场中基于Attention-LSTM的短期负荷预测模型[J]. 彭文,王金睿,尹山青.  电网技术. 2019(05)
[6]不平衡数据分类方法综述[J]. 李艳霞,柴毅,胡友强,尹宏鹏.  控制与决策. 2019(04)
[7]采用深度学习和多维模糊C均值聚类的负荷分类方法[J]. 石亮缘,周任军,张武军,余虎,李彬,王珑.  电力系统及其自动化学报. 2019(07)
[8]适用于海量负荷数据分类的高性能反向传播神经网络算法[J]. 刘洋,刘洋,许立雄.  电力系统自动化. 2018(21)
[9]面向海量用户用电数据的集成负荷预测[J]. 杨德昌,赵肖余,何绍文,杜松怀,苏娟,巨云涛.  电网技术. 2018(09)
[10]基于形态距离的日负荷数据自适应稳健聚类算法[J]. 李阳,刘友波,刘俊勇,程明畅,马铁丰,魏文涛,尹龙,宁世超.  中国电机工程学报. 2019(12)



本文编号：3664540