基于XGBoost的非侵入式负荷分解

欧飞刘敏

贵州大学;

摘要：

为提高非侵入式负荷分解的准确率,更准确地挖掘电力用户的用电信息,提出了基于机器学习XGBoost算法的非侵入式负荷分解方法.以决策树中的回归树模型为基础,通过梯度提升树得到由回归树构成的强评估器.同时,以损失函数和模型复杂度为目标函数,并引入叶子结点,得到更准确的XGBoost非侵入式负荷识别模型.在公开数据集(Reference energy disaggregation data set,REDD)上对模型进行了验证.结果表明,所提方法能大幅提高非侵入式负荷识别的准确性.

关键词：电力系统负荷分析、非侵入式负荷分解、机器学习、XGBoost算法

所属期刊栏目：39

分类号：TM73(输配电工程、电力网及电力系统)

资助基金：贵州省科技计划项目2021

在线出版日期：2023-06-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：24-30