基于Stacking多模型融合的电力负荷曲线识别

精准识别电力负荷曲线类型对于保障电网安全稳定运行和优化能源利用效率尤为重要。针对现有的时序数据识别方法在电力负荷曲线识别任务中准确率低、鲁棒性差等问题,提出了一种多模型融合集成学习的电网负荷曲线识别方法。首先,适应性改进了时序卷积网络、Transformer和Light GBM 3种基础模型,利用负荷曲线的局部、全局和结构信息预测负荷曲线类别;然后,通过Stacking集成学习自适应融合3种模型预测,用以进一步优化识别结果;此外,提出一种基于截断高斯分布的类内时段信号波动建模数据增广策略,旨在解决数据类别不平衡问题,提升识别模型的鲁棒性。仿真结果表明,相较于XG Boost、LSTM和MLP等方法,提出的方法对电网负荷曲线识别的准确率有显著的提高,满足了实际工程的需求。