非侵入式负荷监测(non-intrusive load monitoring,NILM)技术绿色节能,已成为电力系统负荷监测的发展趋势。集成学习方法可有效提高负荷识别性能,但其基学习器的优化选择和权重设置问题亟待解决。文中以一种典型智能电表对8种小型用电...非侵入式负荷监测(non-intrusive load monitoring,NILM)技术绿色节能,已成为电力系统负荷监测的发展趋势。集成学习方法可有效提高负荷识别性能,但其基学习器的优化选择和权重设置问题亟待解决。文中以一种典型智能电表对8种小型用电设备及其混合负荷的高频实测实验为基础,基于递归特征消除(recursive feature elimination,RFE)法选择最优特征组合,提出结合准确率和多样性权衡的基学习器组合优化方法,并引入香农熵设置投票权重,形成一种新颖的基于香农熵加权投票的集成式NILM识别方法。通过在自测数据集和公开的全球家庭和行业瞬态能量数据集(worldwide household and industry transient energy dataset,WHITED)验证,与常用集成方法比较,该方法识别准确率高、运行时间短且稳定性高。展开更多
文摘非侵入式负荷监测(non-intrusive load monitoring,NILM)技术绿色节能,已成为电力系统负荷监测的发展趋势。集成学习方法可有效提高负荷识别性能,但其基学习器的优化选择和权重设置问题亟待解决。文中以一种典型智能电表对8种小型用电设备及其混合负荷的高频实测实验为基础,基于递归特征消除(recursive feature elimination,RFE)法选择最优特征组合,提出结合准确率和多样性权衡的基学习器组合优化方法,并引入香农熵设置投票权重,形成一种新颖的基于香农熵加权投票的集成式NILM识别方法。通过在自测数据集和公开的全球家庭和行业瞬态能量数据集(worldwide household and industry transient energy dataset,WHITED)验证,与常用集成方法比较,该方法识别准确率高、运行时间短且稳定性高。
