基于XGBoost的非侵入式负荷分解 |
| |
作者姓名: | 欧飞 刘敏 |
| |
作者单位: | 贵州大学电气工程学院 |
| |
基金项目: | 贵州省科技计划项目资助(黔科合支撑[2021]一般409); |
| |
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(Referenceenergy 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 |
|
|