基于随机森林-遗传算法-极限学习机的非侵入式负荷识别方法

• 作者: 安琪 王占彬 安国庆 李争 陈贺 李峥 王耀强
• 来源期刊: 科学技术与工程
• 学科: 工学
• 关键词: 非侵入式负荷识别 随机森林 特征选择 遗传算法 极限学习机
• 年，卷（期）: 2022,（5）
• 所属期刊栏目: 论文|Papers
• 页码范围: 1929-1935
• 页数: 7页
• 分类号: TM925
• 语种: 中文
• DOI: 10.3969/j.issn.1671-1815.2022.05.025

摘要

提高负荷识别准确率是实现非侵入式负荷监测的关键技术.针对现有模型识别准确率低、特征冗余度高、可分性较差的问题,提出一种基于随机森林(random forest,RF)和遗传算法优化极限学习机(genetic algorithm optimized extreme learning machine,GA-ELM)的负荷识别方法.首先,从稳态电流信号中提取时域和频域信息作为负荷特征;其次,为进一步减小特征集的冗余度并剔除可分性较差的特征,使用随机森林算法对特征进行优选,得到最优特征集;最后,使用遗传算法优化极限学习机的权值和偏置参数,建立负荷识别模型.利用所建立的模型对11个家用电器共16种负荷状态进行识别,实验结果表明,所提模型可以提高识别准确率,对家用负荷可以进行快速有效识别.