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

• 作者: 刘洋 唐子卓 许立雄 郭久亿
• 来源期刊: 电力建设
• 学科: 工学
• 关键词: 深度学习 类别不平衡 极大重叠离散小波变换(MODWT) 负荷分类 长短期记忆神经网络(LSTM)
• 年，卷（期）: 2020,（8）
• 所属期刊栏目: 非侵入式负荷监测技术及其应用
• 页码范围: 17-24
• 页数: 8页
• 分类号: TM74
• 字数: 5301字
• 语种: 中文
• DOI: 10.12204/j.issn.1000-7229.2020.08.003

摘要

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘洋	四川大学电气工程学院	189	780	14.0	20.0
2	许立雄	四川大学电气工程学院	57	457	12.0	20.0
3	唐子卓	四川大学电气工程学院	1	0	0.0	0.0
4	郭久亿	四川大学电气工程学院	1	0	0.0	0.0