公开(公告)号：CN112183387A

公开(公告)日：2021-01-05

申请号：CN202011057921.3

申请日：2020-09-30

Applicant: 上海电力大学

Inventor： 蒋伟 ,  张金水 ,  王宇航 ,  薛乃凡 ,  许佳辉

IPC: G06K9/00 ,  G06N20/00 ,  G01R31/00

Abstract: 本发明公开了结合证据折扣的深度超级学习机(deep super learner,DSL)的局部放电模式识别方法，主要包括以下步骤：(S1)信号采集：通过传感器收集局部放电信号；(S2)数据预处理：对原始信号进行去噪等处理；(S3)深度超级学习机初级诊断局部放电信号，构造出多个证据体的基本概率分配(basic probability assignment,BPA)；(S4)证据折扣：对步骤(S3)构造出的各个证据体的BPA进行证据折扣；(S5)构建新特征：将步骤(S4)折扣后的证据附加到原始特征数据中，并作为新的特征向量送入深度超级学习机进行下一次迭代；(S6)重复步骤(S3)‑(S5)，直到损失函数不再减小，得到最终的深度超级学习机输出的模式识别结果。与现有技术相比，本发明有着较高的识别准确度；对结果的可解释性强，具有广阔的市场前景和应用价值。

公开(公告)号：CN110472778A

公开(公告)日：2019-11-19

申请号：CN201910690227.6

申请日：2019-07-29

Applicant: 上海电力大学

Inventor： 许佳辉 ,  王向文 ,  杨俊杰 ,  刘子琦 ,  孙充 ,  戚创创

IPC: G06Q10/04 ,  G06Q10/06 ,  G06Q50/06 ,  G06N20/20 ,  G06N20/10

Abstract: 本发明涉及一种基于Blending集成学习的短期负荷预测方法，包括步骤：1、数据预处理；2、将数据分为训练集、验证集、测试集；3、搭建两层Blending模型，第一层模型选择学习能力、预测性能优秀的多个不同模型作为初学习器，第二层选择XGBoost模型作为次学习器，并再将训练集、验证集以HOLD-OUT方法分成两部分，第一部分数据集作为第一层模型的训练数据，将训练好的优秀模型分别预测第二部分数据集和步骤2中的测试集；4、将步骤3中预测的输出作为一个新的数据集，来训练XGBoost模型；5、调整XGBoost模型超参数，使其达到最好的效果得到预测结果。与现有技术相比，本发明具有更好的泛化能力，比单一模型具有更好的自适应能力及更高的精度。