Bigbboylover的博客

正如之前所说的，在研究深度学习做负荷辨识时，我们更应该关注的是网络的输入和输出分别是什么。如果大家想发文章的话，或许这个远比你的网络结构来的重要。毕竟网络你只需要换一换就不一样了。神经网络做分类时，输出一般是固定的，也就是01向量。而输入则“五花八门”，常见的有各种各样的特征值组成的向量，有图像特征（一般是VI轨迹），还有采样序列，但这并不能限制研究者们的创造力，研究者们开始研究以下几种组合：1）将特征值和图像特征直接融合，即输入是向量和图像数据；2）将特征值用热码表示，并和图像矩阵拼接起来，输入仍然是图像

其实我觉得这个部分可能没什么好讲的，但是我确实也遇到一些同学刚入门时搞不懂怎么去做负荷辨识，这篇主要针对这部分同学。本篇用支持向量机(SVM)作为代表，介绍传统机器学习算法在负荷辨识的应用。在介绍完方法后，我也会讨论SVM有哪些有趣的变体。 数据集就是很多个特征向量组成的矩阵，最后一列是标签，如下图所示。 SVM是一种监督学习方法，其输入是一个个代表样本特征的向量，样本空间则是由输入的向量共同张成的空间。基本想法是根据已有的样本集合在样本空间内找到一个超平面，使不同类别的样本处在

在负荷识别中负荷辨识一直是被建模为分类任务，因此一切能用于分类的算法和模型都可以研究。不管是什么算法，只有特征选的好才能最大程度发挥算法的性能。最开始Hart使用了有功功率和无功功率。在那以后的一段时间内，研究者们主要是提出了各种特征，如电流有效值、电流谐波、vi轨迹特征以及暂态特征等。这些都是需要对原始数据进行再处理，因此若特征选择的不对，又或者太多，就会导致原始数据的信息丢失或者冗余。最开始，研究者们主要研究的是传统的机器学习算法，如支持向量机、最近邻KNN算法等等分类器。近些年，越来越多的人开始研究深