基于K-means聚类与PSO特征优选KNN的分级负荷识别方法
DOI:
作者:
作者单位:

1.河北科技大学电气工程学院;2.河北省智能配用电装备产业技术研究院(石家庄科林电气股份有限公司)

作者简介:

通讯作者:

中图分类号:

基金项目:

河北省省级科技计划资助(20311801D),2020年通用航空增材制造协同创新中心课题(15号)


Author:
Affiliation:

1.School of Electrical Engineering, Hebei University of Science&2.Technology;3.Hebei Institute of Intelligent Distribution&4.Electric Equipment Technology(Shijiazhuang Kelin Electric Company Limited.)

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对非侵入式负荷辨识中,单一V-I轨迹特征无法对相似的轨迹特征进行有效识别以及所提取特征易出现冗余甚至噪声特征的问题,提出了一种基于K-means聚类与PSO特征优选的分级非侵入式负荷识别方法。该方法进行两级分类,首先,利用K-means算法对负荷V-I轨迹的HOG特征进行初步分类,将轨迹相似的电器分为一类;然后,对每一类中的电器电流数据进行多维特征提取并采用PSO算法选取最优特征子集;最后,利用KNN模型进行二级负荷识别。实验结果表明,该方法有效提高了负荷识别准确率;提取V-I轨迹的HOG特征解决了同一电器V-I轨迹波动的问题;对一级分类后的每一大类单独进行PSO特征优选KNN二级分类,解决了部分电器对特征子集适应性差的问题。所提方法一定程度上解决了冗余特征甚至噪声特征对辨识准确率的影响,为负荷特征的选取提供了新的思路,对负荷辨识的实际应用具有重要的参考意义。

    Abstract:

    参考文献
    相似文献
    引证文献
引用本文
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2022-01-12
  • 最后修改日期:2022-03-08
  • 录用日期:2022-03-09
  • 在线发布日期:
  • 出版日期:
文章二维码