CN113642632B - 基于自适应竞争和均衡优化的电力***客户分类方法及装置 - Google Patents
基于自适应竞争和均衡优化的电力***客户分类方法及装置 Download PDFInfo
- Publication number
- CN113642632B CN113642632B CN202110917886.6A CN202110917886A CN113642632B CN 113642632 B CN113642632 B CN 113642632B CN 202110917886 A CN202110917886 A CN 202110917886A CN 113642632 B CN113642632 B CN 113642632B
- Authority
- CN
- China
- Prior art keywords
- power system
- data
- equalization
- adaptive
- elm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000013523 data management Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于自适应竞争和均衡优化的电力***客户分类方法及装置,所述方法包括:采集电力***客户原始数据,进行筛选与特征选择,生成训练集与测试集;应用自适应竞争的均衡优化方法,优化极限学习机模型并获取其初始权重与偏置,以初始化针对电力***客户数据分类的极限学习机模型;使用经过预处理的训练集数据,使用反向传播算法训练极限学习机模型;使用经过预处理的测试集数据,利用训练完成的ELM模型进行电力***的用户分类,将用电客户划分为高电压用户、低电压非居民用户或低电压居民用户3类。本发明有助于电力企业针对不同用电客户采取差异化采集策略,有效提升电力***数据治理能力与经济效益。
Description
技术领域
本发明属于人工智能、数据挖掘与工程技术交叉领域,具体涉及一种基于自适应竞争和均衡优化的电力***客户分类方法及装置。
背景技术
智能电网是我国能源生产、经济发展的重要基础设施,它通过智能传感和测量技术以及智能化的决策支持***,实现电网安全可靠、经济高效、环境友好和使用安全的目标。智能电表是智能电网数据采集的核心设备,承担着原始电能数据采集、计量和传输的任务,是实现用电信息采集和集成的基础设施。对电力***的客户分类是有效提升电力***差异化管理与发展的手段。合理的用户分类一定意义上为用电用户的不同策略制定以及电力分配、规划等因素具有重大影响。通过对不同类型的客户进行分类,通过差异化的数据采集策略制定,为实现用户数据的按需采集,实现采集任务的按需执行、优先执行,实现数据统计的按需分类统计等数据应用需求提供支持,进而提高电力企业的经济效益与价值。
电力***的客户数据具有噪声大,密度不均匀等特征。面对客户群体,针对其单一的属性来划分客户群体是低效且无针对性的。机器学习方法是处理电力***的客户数据的有效技术手段,进行异常检测,分类,预测等。对于电力***的客户分类问题,采用机器学习方法可快速划分客户偏好,根据不同的数据属性确定客户的特征。
极限学习机(Extreme learning machine,ELM)是一种单层的前馈神经网络。该神经网络中的输入权重与偏置是随机生成的,在训练过程中不需要人为调整,这种设置方式加快了网络的学习与计算速度。极限学习机被应用于各类工程应用领域,例如机械的故障诊断、各类数据的短期预测、恶意软件检测等任务。极限学习机快速有效的训练速度受到工程领域研究者的青睐,如何提高其分类或回归的精度成为进一步推广其应用的问题。
极限学习机的性能很大程度上受到其初始权重与偏置的影响。确定良好的初始权重与偏置可视为多维非线性的优化问题。群智能算法是一类有效应对复杂优化问题的方法。近年来许多全局优化能力较强的群智能算法相继被提出,其中均衡优化(Equilibriumoptimizer,EO)算法由于结构简单而被大量应用与科学研究。基于此,本发明基于电力***客户数据,提出一种自适应竞争的均衡优化应用于电力***客户分类方法。本发明针对均衡优化自身结构特点而提出一种自适应竞争学习的均衡优化(Adaptive competitiveequilibrium optimizer,ACEO)方法。
发明内容
发明目的:本发明基于电力***客户数据,提出一种基于自适应竞争和均衡优化的电力***客户分类方法及装置,有助于丰富并提升现代化电力***的经济效益,对不同用电客户进行差异化服务与个性化管理,为电力***客户管理与服务提供有效技术手段。
技术方案:本发明所述的一种基于自适应竞争和均衡优化的电力***客户分类方法,具体包括以下步骤:
(1)采集电力***客户原始数据,并对原始数据进行预处理,生成训练集与测试集;
(2)采用自适应竞争的均衡优化方法,优化极限学习机模型并获取其初始权重与偏置,以初始化针对电力***客户数据分类的极限学习机模型;
(3)使用训练集数据,采用反向传播算法训练极限学习机模型;
(4)使用测试集数据,利用训练完成的ELM模型进行电力***的用户分类,对用电客户进行分类。
进一步地,所述步骤(1)包括以下步骤:
(11)数据清洗:导出电力***用电客户数据,进行随机抽样生成带有类别标签的训练集与测试集,进行筛选以保证样本数据完整且没有缺失;
(12)特征选择:选取其中具有代表性的9个字段,作为电力企业用电客户数据集的特征,生成带标签的训练集与测试集。
进一步地,步骤(2)所述的自适应竞争的均衡优化方法过程如下:
采用分组学习的方式提高自适应竞争的均衡优化方法的性能,将均衡池选择机制删除,按照种群的适应度将个体进行排序,将排序完成的个体按顺序分别划入3个分组中,各个分组之间采用差分学习的策略:
其中,Cj和Ck是不同于Ci的小组中的个体,F是随时间变化的参数,G是生成率,r是服从0~1之间均匀分布的随机变量;
不同分组之间进行差分学习充分利用了各个个体的信息,保持种群的多样性,按照随机概率对每个分组之间的个体进行更新:
F=a1·sgn(r-0.5)(e-λt-1) (3)
G=GCP(Ceq-λCi)·F (5)
其中,λ,r均为服从0~1之间均匀分布的随机变量,a1设定为常数2,符号sgn表示符号函数,GCP是控制生成率的参数,Ceq为种群则是从均衡池中随机选择的一个学习对象,r1,r2均为服从0~1之间均匀分布的随机变量;
为种群添加变异:当种群的多样性变低或者达到某一个随机概率,则对当前解施加Levy变异:
其中,η是取值为1.5的常数,Γ表示标准的伽马函数,参数s的计算方式:
其中,随机变量U和E分别是服从均值为0和1,方差为σ2和1的正态分布:
对于满足变异条件的个体Ci进行Levy变异,按照最优解的位置对其进行变异重置,如果变异后的解更优则进行替换:
Ci=B(1+Levy) (10)
其中,B表示的是当前种群所能搜索到的最优解,施加Levy变异的计算公式如公式(7)所示。
进一步地,步骤(2)所述优化极限学习机模型并获取其初始权重与偏置实现过程如下:
对于K个样本(xi,yi),其中,xi表示输入的第i个样本,具有N个特征,矩阵表示形式为:[xi1,xi2,...,xiN]T;yi表示的是输出特征;样本输入矩阵为:X=[x1,x2,...,xK]T,输出矩阵为:Y=[y1,y2,...,yK]T;其中T表示对矩阵的转置;L表示设定ELM网络隐含层数目,W表示的是ELM选择的输入权重,β表示隐含层与输出层的连接权重;H是隐含层的输入矩阵;ELM的隐含层激活函数为g(x),偏置为b=[b1,b2,...,bL];
则隐含层输出矩阵H:
H=g(WX+b) (11)
输出样本Y:
Y=Hβ (12)
在ELM模型中W和b的值一旦确定就不再改变,β是模型中唯一要确定的值:
其中,是矩阵H的广义逆阵;如果HTH是非奇异矩阵,/>如果HHT是非奇异矩阵则/>ELM的权重β只需要计算一次,则结束训练过程;对于样本x,计算其输入样本特征:
Y=g(Wx+b)β (14)
利用ACEO最小化J值得到的W与b为ELM确定的初始输出参数:
进一步地,步骤(4)所述用电客户的分类包括高电压用户、低电压非居民用户和低电压居民用户三类。
基于相同的发明构思,本发明还提供一种基于自适应竞争和均衡优化的电力***客户分类装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现上述的基于自适应竞争和均衡优化的电力***客户分类方法。
有益效果:与现有技术相比,本发明的有益效果:本发明基于原始电力***用电客户数据记录,选取9种有效字段作为样本属性,有效降低分类模型的复杂程度与计算复杂度;使用自适应竞争学习的均衡优化方法,种群演化过程中施加变异策略来增强算法的全局搜索能力,避免陷入局部最优解,有效提升ELM模型参数的有效性与可靠性;使用参数优化后的ELM模型进行电力***用电客户的分类,使得模型分类精度得到提高;使用简单有效的ELM模型将电力***用户划分为高电压用户、低电压非居民用户或低电压居民用户3类,有助于电力企业针对不同用电客户采取差异化采集策略,有效提升电力***数据治理能力与经济效益。
附图说明
图1是本发明基于自适应竞争和均衡优化的电力***客户分类的流程图;
图2是极限学习机结构示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明针对均衡优化自身结构特点而提出一种基于自适应竞争和均衡优化(Adaptive competitive equilibrium optimizer,ACEO)的电力***客户分类方法,采集电力***客户原始数据,进行筛选与特征选择,生成训练集与测试集;应用ACEO优化ELM并获取其初始权重与偏置来初始化针对电力***客户数据分类的极限学习机(Extremelearning machine,ELM)模型;使用经过预处理的训练集数据,使用反向传播算法训练ELM模型;使用经过预处理的测试集数据,利用训练完成的ELM模型进行电力***的用户分类,将用电客户划分为高电压用户、低电压非居民用户或低电压居民用户3类。如图1所示,具体包括以下步骤:
步骤1:采集电力***客户原始数据,进行筛选与特征选择,生成训练集与测试集。
首先对采集的原始数据进行清洗:导出电力***用电客户数据,进行筛选以保证样本数据完整且没有缺失,为样本进行标签,类别标签定义如下:
高电压用户:类别标签1;
低电压非居民用户:类别标签2;
低压居民用户:类别标签3。
其次进行特征选择:进行随机抽样生成带有类别标签的训练集与测试集,其中训练集与测试集不重叠,选取其中具有代表性的9个字段,作为电力企业用电客户数据集的特征,以此生成带标签的训练集与测试集,本发明选取的9个字段如下:
①用电客户的外部标识,②负荷的重要程度指数,③合同约定的本用户的容量,④开具***的类型,⑤合同约定的本用户的容量,⑥台区的标识,⑦用电客户的用电类别,⑧供电路径上的线路的标识,⑨供电路径上的变电站的标识。
选取具有代表性的9个字段作为样本的特征,有助于有效降低分类模型的复杂程度与计算复杂度,使得分类器的性能得到提高。
步骤2:采用自适应竞争的均衡优化方法,优化极限学习机模型并获取其初始权重与偏置,以初始化针对电力***客户数据分类的极限学习机模型。
1、自适应竞争的均衡优化方法:
本发明提出自适应竞争的均衡优化(Adaptive competitive equilibriumoptimizer,ACEO)方法,方法的算法描述如表1所示。
表1自适应竞争的均衡优化算法
本发明使用分组学习的方式提高优化算法的性能,分组学习是优化方法中具有针对性的策略之一。相较于传统的均衡优化方法,将均衡池选择机制删除,按照种群的适应度将个体进行排序,然后将排序完成的个体按顺序分别划入3个分组中,各个分组之间采用差分学习的策略,如公式(1)所示。
公式(1)中,Cj和Ck是不同于Ci的小组中的个体,r和λ是服从0~1之间均匀分布的随机变量。
不同分组之间进行差分学习充分利用了各个个体的信息,保持种群的多样性。加快种群的学习速率,向最优个体的学习是必要的。按照随机概率对每个分组之间的个体按照公式(2)进行更新。
对公式(1)与(2)中出现的符号的说明如下:
a)F是随时间变化的参数,即周转率,其计算如式(3)所示。
F=a1·sgn(r-0.5)(e-λt-1) (3)
公式(3)中的参数λ,r均为服从0~1之间均匀分布的随机变量,a1设定为常数2,符号sgn表示符号函数,即:
b)G是生成率,是算法中增加对精确解的条件。GCP是控制生成率的参数,其计算方式如公式(5)与(6)所示。
G=GCP(Ceq-λCi)·F (5)
公式(5)中,Ceq为种群则是从均衡池中随机选择的一个学习对象。公式(6)中,r1,r2均为服从0~1之间均匀分布的随机变量。
本发明为了避免传统均衡优化算法存在种群个体陷入局部最优解的问题,为种群添加变异。变异是指在算法的演化过程中,按照概率对当前个体所在的位置进行扰动,在个体陷入局部最优解的条件下,可以有效改善解的质量。本方法当种群的多样性变低或者达到某一个随机概率,则对当前解施加Levy变异。Levy变异的实施方法如公式(7)所示:
公式(7)中,η是取值为1.5的常数,Γ表示标准的伽马函数,参数s的计算方式如公式(8)所示。
公式(8)中,随机变量U和E分别是服从均值为0和1,方差为σ2和1的正态分布。σ2计算如公式(9)所示。
对于满足变异条件的个体Ci进行Levy变异,按照最优解的位置对其进行变异重置,如果变异后的解更优则进行替换,其执行操作如公式(10)所示。
Ci=B(1+Levy) (10)
其中,B表示的是当前种群所能搜索到的最优解,施加Levy变异的计算公式如公式(7)所示。
自适应竞争的均衡优化方法的特征与优点如下:
1)对于种群中的每一个个体而言,是在当前全局最优解的指引下学***衡的,这一点的随机性限制算法的搜索性能;
2)相较于传统的均衡优化方法,种群总体的朝向是按照均衡池中选择的个体进行靠拢的,这样的学习策略具有单一性,容易使得个体陷入局部最优解的区域而无法进一步更新。为了提高算法的种群多样性,减少种群过早的早熟收敛,以提高算法的收敛精度,设计针对性的学习策略是十分必要的。提出的自适应竞争的均衡优化是在种群演化过程中施加变异策略来增强算法的全局搜索能力,另外针对种群的特性将其划分为不同的分组,分组按照不同的领导者进行解更新。
2、优化极限学习机模型并获取其初始权重与偏置,以初始化针对电力***客户数据分类的极限学习机模型。
极限学习机(Extreme learning machine,ELM)是一种单层前馈神经网络,本方法使用的网络模型,如图2所示。对于K个样本(xi,yi),其中xi表示输入的第i个样本。该样本具有N个特征,矩阵表示形式为:[xi1,xi2,...,xiN]T。yi表示的是输出特征。样本输入矩阵为:X=[x1,x2,...,xK]T,输出矩阵为:Y=[y1,y2,...,yK]T。其中T表示对矩阵的转置。L表示设定ELM网络隐含层数目,W表示的是ELM选择的输入权重,β表示隐含层与输出层的连接权重。H是隐含层的输入矩阵。
假设ELM的隐含层激活函数为g(x),偏置为b=[b1,b2,...,bL]。
则隐含层输出矩阵H的计算方式如公式(11)所示:
H=g(WX+b) (11)
输出样本Y计算如下:
Y=Hβ (12)
在ELM模型中W和b的值一旦确定就不再改变,β是模型中唯一要确定的值,计算如公式(13)所示。
其中是矩阵H的广义逆阵。如果HTH是非奇异矩阵,/>如果HHT是非奇异矩阵则/>ELM的权重β只需要计算一次,则结束训练过程。对于样本x,利用公式(14)计算其输入样本特征。
Y=g(Wx+b)β (14)
利用提出的ACEO优化ELM模型的输入权重与偏置进行电力***客户的分类的工作流程如图2所示。该问题可视为最小化样本误差的问题。表示数据集中的真实样本特征,Y表示通过ELM分类得到的样本特征。所以该问题的适应度函数为公式(15)。即利用ACEO最小化J值得到的W与b为ELM确定的初始输出参数。
针对上述最优化问题,使用ACEO方法进行求解。
步骤3:使用训练集数据,使用反向传播算法训练极限学习机模型;使用经过预处理的测试集数据,利用训练完成的ELM模型进行电力***的用户分类,对用电客户进行分类。
基于相同的发明构思,本发明还提供一种基于自适应竞争和均衡优化的电力***客户分类装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现上述的基于自适应竞争和均衡优化的电力***客户分类方法。
本发明将ACEO最小化适应度函数而得到的初始权重W与偏置b输入ELM模型中,进而得到训练完成的模型。之后选取不同于训练样本的数据进行分类,最终可以得到测试样本中客户的类别,客户的类别是高电压用户、低电压非居民用户或低电压居民用户3类。
Claims (5)
1.一种基于自适应竞争和均衡优化的电力***客户分类方法,其特征在于,包括以下步骤:
(1)采集电力***客户原始数据,并对原始数据进行预处理,生成训练集与测试集;
(2)采用自适应竞争的均衡优化方法,优化极限学习机模型并获取其初始权重与偏置,以初始化针对电力***客户数据分类的极限学习机模型;
(3)使用训练集数据,采用反向传播算法训练极限学习机模型;
(4)使用测试集数据,利用训练完成的ELM模型进行电力***的用户分类,对用电客户进行分类;
步骤(2)所述的自适应竞争的均衡优化方法过程如下:
采用分组学习的方式提高自适应竞争的均衡优化方法的性能,将均衡池选择机制删除,按照种群的适应度将个体进行排序,将排序完成的个体按顺序分别划入3个分组中,各个分组之间采用差分学习的策略:
其中,Cj和Ck是不同于Ci的小组中的个体,F是随时间变化的参数,G是生成率,r是服从0~1之间均匀分布的随机变量;
不同分组之间进行差分学习充分利用了各个个体的信息,保持种群的多样性,按照随机概率对每个分组之间的个体进行更新:
F=a1·sgn(r-0.5)(e-λt-1) (3)
G=GCP(Ceq-λCi)·F (5)
其中,λ,r均为服从0~1之间均匀分布的随机变量,a1设定为常数2,符号sgn表示符号函数,GCP是控制生成率的参数,Ceq为种群从均衡池中随机选择的一个学习对象,r1,r2均为服从0~1之间均匀分布的随机变量;
为种群添加变异:当种群的多样性变低或者达到某一个随机概率,则对当前解施加Levy变异:
其中,η是取值为1.5的常数,Γ表示标准的伽马函数,参数s的计算方式:
其中,随机变量U和E分别是服从均值为0和1,方差为σ2和1的正态分布:
对于满足变异条件的个体Ci进行Levy变异,按照最优解的位置对其进行变异重置,如果变异后的解更优则进行替换:
Ci=B(1+Levy) (10)
其中,B表示的是当前种群所能搜索到的最优解,施加Levy变异的计算公式如公式(7)所示。
2.根据权利要求1所述的基于自适应竞争和均衡优化的电力***客户分类方法,其特征在于,所述步骤(1)包括以下步骤:
(11)数据清洗:导出电力***用电客户数据,进行随机抽样生成带有类别标签的训练集与测试集,进行筛选以保证样本数据完整且没有缺失;
(12)特征选择:选取其中具有代表性的9个字段,作为电力企业用电客户数据集的特征,生成带标签的训练集与测试集。
3.根据权利要求1所述的基于自适应竞争和均衡优化的电力***客户分类方法,其特征在于,步骤(2)所述优化极限学习机模型并获取其初始权重与偏置实现过程如下:
对于K个样本其中,xi表示输入的第i个样本,具有N个特征,矩阵表示形式为:[xi1,xi2,...,xiN]T;yi表示的是输出特征;样本输入矩阵为:X=[x1,x2,...,xK]T,输出矩阵为:Y=[y1,y2,...,yK]T;其中T表示对矩阵的转置;L表示设定ELM网络隐含层数目,W表示的是ELM选择的输入权重,β表示隐含层与输出层的连接权重;H是隐含层的输入矩阵;ELM的隐含层激活函数为g(x),偏置为b=[b1,b2,...,bL]T;
则隐含层输出矩阵H:
H=g(Wx+b) (11)
输出样本y:
y=Hβ (12)
在ELM模型中W和b的值一旦确定就不再改变,β是模型中唯一要确定的值:
其中,是矩阵H的广义逆阵;如果HTH是非奇异矩阵,/>如果HHT是非奇异矩阵则/>ELM的权重β只需要计算一次,则结束训练过程;对于样本x,计算其输出样本特征:
y=g(Wx+b)β (14)
利用ACEO最小化J值得到的W与b为ELM确定的初始输出参数:
4.根据权利要求1所述的基于自适应竞争和均衡优化的电力***客户分类方法,其特征在于,步骤(4)所述用电客户的分类包括高电压用户、低电压非居民用户和低电压居民用户三类。
5.一种基于自适应竞争和均衡优化的电力***客户分类装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被加载至处理器时实现根据权利要求1-4任一项所述的基于自适应竞争和均衡优化的电力***客户分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110917886.6A CN113642632B (zh) | 2021-08-11 | 2021-08-11 | 基于自适应竞争和均衡优化的电力***客户分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110917886.6A CN113642632B (zh) | 2021-08-11 | 2021-08-11 | 基于自适应竞争和均衡优化的电力***客户分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642632A CN113642632A (zh) | 2021-11-12 |
CN113642632B true CN113642632B (zh) | 2023-10-27 |
Family
ID=78420764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110917886.6A Active CN113642632B (zh) | 2021-08-11 | 2021-08-11 | 基于自适应竞争和均衡优化的电力***客户分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642632B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117875775A (zh) * | 2024-01-10 | 2024-04-12 | 杭州云牧科技有限公司 | 一种建筑空调节能效果评估方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650797A (zh) * | 2016-12-07 | 2017-05-10 | 广东电网有限责任公司江门供电局 | 一种基于集成elm的配电网窃电嫌疑用户智能识别方法 |
CN109657147A (zh) * | 2018-12-21 | 2019-04-19 | 岭南师范学院 | 基于萤火虫和加权极限学习机的微博异常用户检测方法 |
CN110046713A (zh) * | 2019-04-19 | 2019-07-23 | 井冈山大学 | 基于多目标粒子群优化的鲁棒性排序学习方法及其应用 |
WO2019210292A1 (en) * | 2018-04-27 | 2019-10-31 | Delphinus Medical Technologies, Inc. | System and method for feature extraction and classification on ultrasound tomography images |
WO2019218263A1 (zh) * | 2018-05-16 | 2019-11-21 | 深圳大学 | 基于极限学习机的极限ts模糊推理方法及*** |
CN112748372A (zh) * | 2020-12-21 | 2021-05-04 | 湘潭大学 | 一种人工蜂群优化极限学习机的变压器故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9275291B2 (en) * | 2013-06-17 | 2016-03-01 | Texifter, LLC | System and method of classifier ranking for incorporation into enhanced machine learning |
US20180240018A1 (en) * | 2016-05-19 | 2018-08-23 | Jiangnan University | Improved extreme learning machine method based on artificial bee colony optimization |
-
2021
- 2021-08-11 CN CN202110917886.6A patent/CN113642632B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650797A (zh) * | 2016-12-07 | 2017-05-10 | 广东电网有限责任公司江门供电局 | 一种基于集成elm的配电网窃电嫌疑用户智能识别方法 |
WO2019210292A1 (en) * | 2018-04-27 | 2019-10-31 | Delphinus Medical Technologies, Inc. | System and method for feature extraction and classification on ultrasound tomography images |
WO2019218263A1 (zh) * | 2018-05-16 | 2019-11-21 | 深圳大学 | 基于极限学习机的极限ts模糊推理方法及*** |
CN109657147A (zh) * | 2018-12-21 | 2019-04-19 | 岭南师范学院 | 基于萤火虫和加权极限学习机的微博异常用户检测方法 |
CN110046713A (zh) * | 2019-04-19 | 2019-07-23 | 井冈山大学 | 基于多目标粒子群优化的鲁棒性排序学习方法及其应用 |
CN112748372A (zh) * | 2020-12-21 | 2021-05-04 | 湘潭大学 | 一种人工蜂群优化极限学习机的变压器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
Predicting permeability of tight carbonates using a hybrid machine learning approach of modified equilibrium optimizer and extreme learning machine;Navid Kardani et al.;《Acta Geotechnica (2022)》;全文 * |
基于PSO-ELM的军用飞机维修保障***效能评估研究;涂刚;郭基联;周义蛟;;航空工程进展(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113642632A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | An improved quantile regression neural network for probabilistic load forecasting | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN108416366B (zh) | 一种基于气象指数的加权ls-svm的电力***短期负荷预测方法 | |
CN106909933B (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
Li et al. | Long-term system load forecasting based on data-driven linear clustering method | |
Yang et al. | Comparative study on parameter extraction of photovoltaic models via differential evolution | |
CN103295075B (zh) | 一种超短期电力负荷预测与预警方法 | |
CN101414366A (zh) | 基于改进极端学习机方法的电力***短期负荷预测方法 | |
CN109583635A (zh) | 一种面向运行可靠性的短期负荷预测建模方法 | |
CN109255726A (zh) | 一种混合智能技术的超短期风功率预测方法 | |
CN111460001B (zh) | 一种配电网理论线损率评估方法及*** | |
Fei et al. | Research on data mining algorithm based on neural network and particle swarm optimization | |
CN113642632B (zh) | 基于自适应竞争和均衡优化的电力***客户分类方法及装置 | |
CN113487064A (zh) | 基于主成分分析和改进lstm的光伏功率预测方法及*** | |
CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
Li et al. | An Integrated Artificial Neural Network-based Precipitation Revision Model. | |
Salman et al. | Artificial neural network backpropagation with particle swarm optimization for crude palm oil price prediction | |
CN111028086A (zh) | 基于聚类与lstm网络的增强指数跟踪方法 | |
Zhu et al. | Short‐Term Load Forecasting Based on Gaussian Process Regression with Density Peak Clustering and Information Sharing Antlion Optimizer | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及*** | |
Zhang et al. | Application of combined neural network based on entropy method in smart city forecast problem | |
CN114037148B (zh) | 基于遗传神经网络和自适应权重的日最大电力负荷预测法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |