多模型分层融合的配用电系统用户数据识别

• 作者: 蔡军 谢航 吴高翔 唐贤伦 邹密
• 来源期刊: 电工电能新技术
• 学科: 工学
• 关键词: 递归差分卷积网络 模型分层加权融合 自适应学习率优化算法 阈值区间 混淆矩阵
• 年，卷（期）: 2022,（4）
• 所属期刊栏目: 新技术应用|New Technology Application
• 页码范围: 49-58
• 页数: 10页
• 分类号: TM731
• 语种: 中文
• DOI: 10.12067/ATEEE2107014

摘要

针对配用电系统用户数据识别中特征选择困难和单模型分类精度不高的问题,本文提出多模型分层融合的识别方法.首先,设计多尺度联结的递归差分卷积网络对用户数据进行特征提取,使浅层融合的有效信息不会随着层数的增长而消失;其次,改进自适应学习率优化算法训练模型,增加模型分类性能;最后对6种基模型分层加权融合,以阈值划分层级,新定义混淆矩阵的错误样本数确定权值,有效克服了基模型适应度缺陷.融合方法在用户特征库的识别上获得99.43％的准确率,比传统卷积神经网络与加权融合方法的准确率分别提高0.53％、0.47％,实现了对用户数据的特征提取和高准确率识别,有助于提高配用电系统信息处理和智能决策水平,为电力需求侧用户服务和经营管理提供支撑.