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

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.

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)

所属期刊栏目：41

分类号：TM74(输配电工程、电力网及电力系统)

资助基金：国家电网公司科技项目521996180007

在线出版日期：2020-08-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：17-24