计及用电模式的居民负荷梯度提升树分类识别方法

王守相，刘天宇

（天津大学智能电网教育部重点实验室，天津 300072）

计及用电模式的居民负荷梯度提升树分类识别方法

王守相，刘天宇

（天津大学智能电网教育部重点实验室，天津 300072）

居民负荷分类与识别是负荷监测与需求侧管理的研究基础。为了实现居民负荷用电模式的提取和识别，本文对负荷公共数据集运用主成分分析降维并聚类，提出了一种计及典型用电模式的梯度提升树负荷分类识别方法。首先对负荷公共数据集重采样并获得各类负荷能耗特征样本，归一化后通过主成分分析法降维得到特征的主成分。再通过改进K均值聚类法获得各类负荷的典型用电模式，训练梯度提升树并进行超参数优化，对测试集负荷类型进行识别。在公共数据集与实测数据上测试发现，该方法对于居民负荷分类识别有良好效果，能够实现对负荷的分类识别。

公共数据集；负荷用电模式；改进K均值聚类；梯度提升树

Abstract:Classification and identification for residential load are the basis of load monitoring and demand-side manage⁃ment.In order to realize the extraction and identification of the load power consumption modes for residents，a gradient boosting decision tree method for load classification and identification，which takes typical power consumption modes into account，is proposed in this paper by using principal component analysis（PCA）to deduce and aggregate the com⁃mon dataset of load.Firstly，the load data are resampled and the characteristic samples of various types of load energy consumption data are obtained，which are further normalized and reduced by PCA to acquire the principal components.Secondly，by means of improvedK-means clustering method，typical power consumption modes are obtained.More⁃over，gradient boosting decision tree is trained with super-parameter optimization，and the test set is used to identify dif⁃ferent types of loads.Through the tests on the common dataset and measured data，it is found that the proposed method has good effect on load classification and identification.

Key words:public dataset；power consumption mode；improvedK-means clustering；gradient boosting decision tree

对负荷分类与能耗监测是进行需求响应与节能降耗的基础。非侵入式负荷监测于1980年由Hart[1]提出，相比于侵入式负荷监测存在硬件成本高、布线复杂、维护困难等缺陷，该方法利用在负荷入口处采集有功功率及无功功率等负荷特征对电气设备进行辨识，实现建筑的负荷监测。1996年Norford等[2]首次将非侵入式负荷监测用于商业办公建筑，通过匹配负荷的启动功率特征进行识别，主要识别负荷为供水泵、鼓风机、制冷设备等。

近年来，国内外研究者更关注家庭用户的负荷监测方法，而居民负荷的电气特性和参数是进行负荷监测的基础，居民用户侧的负荷能耗多数来自于居民电器的消耗。文献[3]应用了配电系统中的高级计量基础设施实现负载监控，在智能电表级别完成分布式计算的负荷分解。文献[4]提出了居民负荷的分解特征（即有功、无功、谐波含量、冲击有无、相数），运用聚类的方法给出了常见居民负荷各特征的变化范围，并对负荷起停事件进行了分类。文献[5]给出了在用于目前智能电表限制下的非侵入性负荷监测住宅楼宇电器识别领域应用时间多标签分类方法的新颖尝试。文献[6]提出了一种基于半监督机器学习和小波分析的新型非侵入式负荷监测方法，设计新的小波后采用两个机器学习分类器共同训练，从而自动化学习负载模式。文献[7]运用改进的电流波形作为负荷功率签名，使用功率理论将电流波形分解为活动电流和非活动电流，可以实现更好的负载分解。文献[8]综述了智能电表中使用的负荷分解技术，将家庭负荷的特征分为暂态和稳态。

居民电器的负荷特性不仅表现在其电气特性，也与用户使用习惯有关。文献[9]在基于无监督学习的异常用电模式检测模型当中，对用户的用电曲线经过聚类分析形成时间序列，将多个用户用电模式的用能信息通过主成分分析PCA（principal com⁃ponent analysis）降维，计算用电模式的离群度寻找异常。文献[10]首先通过对负荷曲线进行聚类分析得到每类用户的特征曲线，然后进行异常用电模式分解。文献[11]将非侵入式电力负荷监测问题转化为隐马尔可夫模型的解码问题，应用改进Viterbi算法求解用电设备个数或状态数较多情况下的用电设备状态。

通过负荷能耗信息，可以分析居民负荷的运行情况与典型用电模式，从而进行分类识别[12]。本文基于公共数据集包含的负荷运行数据与部分实测数据，经过重采样统一数据频率，经主成分分析降低数据维度，再运用改进K均值聚类获取代表用户典型使用习惯的负荷用电模式，进一步研究使用梯度提升树超参数优化实现不同负荷用能信息的分类识别。最后，本文通过测试集数据验证了基于负荷用电模式和梯度提升树超参数优化的居民负荷分类识别的可行性。

1 用电负荷公共数据集

国外的研究人员已经开始公开发布电力负荷数据集，通过这些公共数据集可以进行用电负荷特征的提取。根据收集的11项，共计超过40 GB的公共负荷数据集包括能源分解参考数据集REDD（reference energy disaggregation dataset）[13]、建筑能源分解全标记数据集BLUED（building level fully la⁃beled dataset for electricity disaggregation）[14]等。REDD包含了6个美国家庭的真实家庭负荷以及每个负荷独立回路的监测数据，监测的周期在几周到几个月之间。采样的周期分为高频和低频两类，高频采样频率为kHz，低频采样周期为3～4 s，具体监测指标包括线路的电压和两相电源的电流。高频率（kHz）电流和电压数据均可用于电源电路，而低频功率测量（3～4 s的间隔）可用于具体电器负荷电路。

2 计及用电模式的梯度提升树负荷分类方法

依据包含多种用电设备的负荷公共数据集，通过负荷分类与电能信息96点重采样，获得单一类型负荷多日能耗信息数据，形成多类型负荷能耗特征样本。对各类负荷寻找轮廓系数最大的聚类情况，从而确定各负荷用电模式特征，形成负荷用电模式特征空间。由于负荷用电模式特征之间和多类型负荷能耗特征数据之间存在一定关联，使用PCA对特征数据进行降维，筛选保留方差贡献率居前的主成分。依据降维后的负荷用电模式特征，结合超参数优化后的梯度提升树将测试集负荷进行分类，实现对测试负荷的识别与分类。

2.1 负荷典型用电模式

负荷暂态特征与稳态特征直接体现了负荷本身电气特性，但仅就照明类负荷中LED光源来看，由于其发光原理存在技术性差异，暂稳态特征中包含的电气特性差异使其难以归为一类负荷。而负荷日能耗信息，即负荷实际使用中日能耗特性，由用户使用时间、使用时长、使用模式决定，是伴随季节、气温、光照、节假日、用户使用习惯等有规律变化的时间序列信息。通过对各负荷日能耗特征进行聚类分析，便可得到每类负荷的典型日用电曲线，即负荷典型用电模式。

公共数据集数据中具有负荷类别标签，根据已有类别标签负荷的多日能耗信息，建立模型学习用负荷典型用电模式，就可实现对未知负荷样本的分类识别。

2.2 基于改进K均值聚类的用电模式预分类

经过重采样的能耗信息数据仍然维度较高，因此需要通过PCA实现降维，寻找低维样本数据，使其所含特征方差贡献率接近原始信息。由于同一类型负荷存在耗能水平差异，因此首先定义能耗特征空间X为

对X进行归一化处理后得

式中：X为能耗特征空间；Xmin、Xmax分别为由能耗特征空间中最小值、最大值填充的与X维度相同的矩阵；Xscaled为归一化处理后的能耗特征空间；Xstd为能耗特征空间归一化的辅助量；xmin、xmax分别为能耗特征空间一列中的最小值和最大值；xij为第i个负荷的第j项指标数值；n为负荷样本数量；e为指标维度。

wi为归一化后的第i个样本的平均值，其计算公式为

式中，xscaled，it为归一化后的能耗特征空间第i行的第t个样本。

计算归一化能耗特征空间的离散度矩阵Q为

式中：Q为离散度矩阵；Xscaled，t为归一化后的能耗特征空间第t行样本；W为由wi构成的归一化后样本平均值向量。

由式（5）可计算得到其e个特征值λ1≤λ2≤…≤λe。特征值的累积方差贡献率为

式中：T为累积方差贡献率；λt为主成分t对应的特征值；a为累积贡献率超过90%时的能耗指标数量。

选择累积贡献率超过90%的能耗指标为主成分，除去无关成分，从而实现对能耗特征空间的降维。K均值聚类算法流程是首先随机确定c个样本作为各簇的聚类中心（u1,u2,…,uc），使用欧式距离测定相似度后决定其他样本的簇标签yi，再使用样本均值更新聚类中心，最后以误差平方和作为聚类收敛准则。计算方法为

式中：xi为第i个样本；yi为xi对应的簇标签；μy为簇y的聚类中心；ny为簇y中的样本数；c为簇的数量。

对归一化后的数据进行改进K均值聚类的流程是首先对K均值聚类算法进行超参数优化，使K值从2至样本数变化分别进行K均值聚类；然后针对各K值下的聚类结果，计算轮廓系数，选择轮廓系数最大的聚类结果。聚类轮廓系数[15]计算公式为

其中

式中：si为聚类i中轮廓系数；di,j为样本i、j之间的距离；nc为聚类c中样本数；Cc为聚类c的集合；np为聚类p中样本数；Cp为聚类p的集合；若样本i聚为c类，ai为样本i和同属c类的其他所有样本之间的平均距离；bi为样本i和非c类的各个类中所有样本的平均距离的最小值。

轮廓系数从类内距离与类间距离反映了聚类结果的内聚程度与各类之间的分散情况，可以体现聚类的合理程度。依据轮廓系数，选定最恰当的K值，并保留改进K均值聚类的结果，以此作为该类型负荷的K类用电模式特征。

2.3 梯度提升树类型判别

PCA法实现了对能耗特征的降维，从而筛选出方差贡献率最高的有效特征。对降维后的能耗信息数据，再利用改进K均值聚类处理，依据轮廓系数最大的筛选原则，可以得到每类负荷的典型用电模式特征。用各类负荷的用电模式特征训练梯度回归树，同时对Boosting框架和弱学习器（决策树）的参数进行超参数优化，得到的梯度回归树能对不同负荷能耗数据实现有效识别。

梯度提升树GBDT（gradient boosting decision tree）[16]，又称为 MART（multiple additive regression tree），是包含Boosting迭代过程的决策树算法。该算法由多棵决策树共同参与决策，每棵树学习之前所有树的残差（结论和与真实值的偏差量），所有树的结论累加成为最终答案。该算法在被提出之初就和支持向量机SVM（support vector machine）算法一起被认为是泛化能力较强的算法，适用于各类分类问题。

对于用电模式特征训练集{（xi，yi）}n，其中i=1,2,…,n，xi为第i个用电模式特征，yi为第i个负荷类型，损失函数L[y，F（x）]，F（x）为模型得到的识别类型，决策树数量（或迭代次数）为M。记第m次更新模型记为Fm（x），第0次迭代初始化梯度提升树模型F0（x）为定值，即

式中：x为用电模式特征；γ为本次迭代初始化的负荷类型。

针对第m次迭代，即第m颗决策树hm-1（x）的模型识别结果F（x）取上一颗决策树的输出Fm-1（x），然后计算残差rim，计算公式为

由式（15）得到新训练集{（xi，ri）}n，其中i=1，2，…，n，训练第m+1决策树hm（x），本次迭代初始化的负荷类型γm的计算式为

由hm（x）和本次迭代初始化的负荷类型γm得到第m次更新模型为

经过最大迭代次数M次更新模型，得到模型最终分类类型FM（x）。

2.4 基于梯度提升树超参数优化的负荷分类

梯度提升树在实际处理类型量解决多元分类问题时，类型判别的输出不是连续的数值量，而是离散的类型量，因此无法直接从输出类别去拟合类别输出的误差。在选择不同的损失函数的情况下，对于误差的计算方式截然不同。对于分类问题，损失函数一般有对数似然损失函数和指数损失函数两种，在指数损失函数的情况下梯度提升算法与Adaboost算法相同，仅讨论对数似然损失函数下通过类别的预测概率值和真实概率值的差来拟合损失的情况。对数似然损失函数计算公式为

式中：G为输入样本类；若输入样本类别为g，则yg=1；pg（x）为第g类型的概率，其表达式为

式中，Fg(x)为判别结果落在g类中的模型输出值。

根据式（18）和式（19），可以计算出第m次迭代过程的第i个样本对应类别l的负梯度误差为

针对梯度提升树模型进行超参数优化，从Boosting框架的参数空间和决策树的参数空间中寻找最适合该负荷识别问题的参数组合。Boosting框架的参数有决策树数量M、学习步长γm、子采样率和损失函数L[y，F（x）]。决策树参数包括最大特征数、最大深度、划分最小样本数、叶节点最小样本数、最大叶节点数等。训练梯度提升树模型时采用并行化网格搜索，针对参数空间进行寻优。

基于梯度提升树超参数优化的负荷识别算法流程如图1所示。

图1 负荷识别算法流程Fig.1 Flow chart of load identification algorithm

3 实例验证及应用

3.1 实验准备

本文采用REDD低频数据集数据，应用Python编程语言Pandas开源库，实现时间序列数据清洗与重采样，将各类负荷用能原始数据转换为日用电96点信息。后续数据分析过程采用Python开源库Sklearn，并行化参数网格搜索的系统平台为OSX系统，CPU为1.6GHz i5-6500U，4G1600MHz DDR3内存，256G SSD硬盘。同时采用某2 500 m2建筑面积的商用建筑分项计量用能信息，对本文算法进行了实例验证。

公共负荷数据集样本为6户居民住宅内的11种负荷（空调、洗碗机、垃圾处理器、电热器、电烤箱、排风扇、照明灯、微波炉、冰箱、电炉、洗衣机），采用均值重采样，应用前向填充方法填补缺失数据，共计1 369个负荷日能耗样本。

实测商业建筑数据集样本为总建筑面积约为2 500 m2的商用办公建筑内4种负荷（空调、照明、电梯、其他负荷），监测模块采样频率5 kHz。

3.2 模式特征提取

本文采用REDD与商用建筑负荷相结合的多类型负荷能耗特征，降维后运用改进K均值聚类法提取各负荷典型用电模式。首先对REDD公共数据集数据重采样，将其转化为1/900 Hz采样频率的日用电功率96点信息。对日用电功率96点信息经PCA保留有效成分Z1,Z2,…,Z6，分析结果如表1所示，对各类负荷分别提取典型用电模式特征。保留各负荷聚类时轮廓系数最大的聚类中心，作为对应各负荷类型的典型用电模式特征，形成用电模式特征训练集。

表1 PCA结果Tab.1 Results of PCA

本文选取11种负荷（类型同前）提取典型用电模式特征。根据未经降维处理的典型用电模式96点曲线，可以总结出这11类负荷的典型用电特点如下。

（1）洗碗机、电热器、排风扇、冰箱、电炉和洗衣机存在两种典型工作模式，全天内处在低功耗状态（关停）或运行状态。洗碗机、冰箱、电炉在运行状态存在明显周期性，反映了设备间断运行的特点。电热器在早晚气温较低期间功耗上升，午后气温回升时功耗下降。洗衣机在中午达到功率峰值。排风扇运行时功耗波动较小。

（2）垃圾处理器、电烤箱、微波炉的工作状态较多，能耗峰值均集中在早中晚三餐期间，符合三者作为厨房电器的运行规律。电烤箱启动时间在三者中较早，符合烤制食物准备时间更长的特点。

（3）空调存在最多种类的典型用电模式，除低功耗关闭状态外，还包括周期性运行、仅夜晚运行和早中晚分时段运行。周期性运行模式与空调全天处在自动调温状态相符合，仅夜晚运行模式符合居民下班后使用空调的习惯，而早中晚分时段运行模式应当与当地气温变化存在明显关联。空调负荷的典型用电模式有8种，如图2所示。

（4）照明负荷的用电模式除关闭状态外，还包含全天使用、早晚较低功耗使用和早晚正常使用3种用电模式。全天使用符合阴雨天气条件下居民用户的照明负荷使用模式，产生最高能耗。正常气象条件下，根据居民家中人员的数量不同，存在早晚较低功耗使用和早晚正常使用两种用电模式。照明负荷的典型用电模式有4种，如图3所示。

图2 空调负荷典型用电模式Fig.2 Typical power consumption mode of air conditioner

图3 照明负荷典型用电模式Fig.3 Typical power consumption mode of lighting

3.3 实验结果

采用交叉验证（K-fold）方法划分测试集和训练集，使得每次使用的测试集互斥，保证了数据集当中每一样本都经过模型验证。运用Python开源库Sklearn当中的train_test_split函数，每次取1/10的样本做为测试集，保证所有数据都有被训练和被验证的机会，使得辨识结果更真实可信。

在简化的情况下介绍梯度提升方法的训练学习与对测试集负荷的分类判别过程，仅考虑冰箱负荷与洗碗机负荷的两种典型用电模式，保留典型用电模式的前4个主成分（记为Z1、Z2、Z3、Z4），类型量简记为数值量采用回归树方法来判别。已知冰箱负荷典型用电模式A（记类型为数值1）的主成分为（－1.05，0.146，0.149，－0.318）；典型用电模式B（记类型为数值2）的主成分为（3.51，－0.511，0.094，－0.192）；洗碗机负荷典型用电模式C（记类型为数值3）的主成分为（1.37，－0.081，0.179，－0.295）；典型用电模式D（记类型为数值4）的主成分为（－1.52，0.165，0.103，－0.319）。

为便于直观理解计算，梯度提升树模型训练学习过程中的残差计算方式以求解实际值与预测值的差值来计算，而式（15）使用的为损失函数的负梯度。限定叶子节点数量为2，决策树数量为2，梯度提升回归树模型学习过程如图4所示。

图4 梯度提升回归树学习过程Fig.4 Learning process of gradient boosting regression tree

由于迭代次数太少，信息数量不足，残差没有达到接近0的状态，分类得到的类型需要计算残差影响，完成训练学习后，训练完成的一组树模型将根据以下几组规则进行判断。

规则1 如果主成分Z1大于0，且主成分Z3大于0.12，则类型数值为2.5+（-0.5）+1，判断为典型用电模式C。

规则2 如果主成分Z1大于0，且主成分Z3小于0.12，则类型数值为2.5+0.5+1，判断为典型用电模式D。

规则3 如果主成分Z1小于0，且主成分Z3大于0.12，则类型数值为2.5+（-0.5）-1，判断为典型用电模式A。

规则4 如果主成分Z1小于0，且主成分Z3小于0.12，则类型数值为2.5+0.5-1，判断为典型用电模式B。

此时存在测试集冰箱负荷主成分为（-1，0.2，0.3，－0.5），则按照规则3，可以判断其类型数值为1，为典型用电模式A。

采用交叉验证（K-fold）方法划分测试集和训练集，运用 Python开源库 Sklearn当中的 train_ test_split函数，每次取部分样本做为测试集，保证所有数据都有被训练和被验证的机会，使得辨识结果更真实可信。利用Sklearn下的进行GridSearchCV函数进行超参数优化，学习速率以0.01为步长从0.01～0.20变化，最大特征数包括对数和平方，残差计算方式包括Friedman_mse、均方误差MSE（mean square error）、绝对均值误差MAE（mean absolute er⁃ ror）。优化结果为学习速率0.08，最大特征数取平方，残差计算方式friedman_mse。采用最优参数的情况下，为了显示误差变化情况，应用最小平方误差损失函数的梯度提升回归树算法，算法在REDD训练与测试过程中的误差变化情况如图5所示。

图5 训练集与测试集误差Fig.5 Errors in training set and test set

测试集负荷的识别报告如表2所示。精确率是分解正确的数量占分解正确与误分解为此类型的和的比率，召回率是分解正确的数量占分解正确与误分解为其他类型的和的比率，F1值是精确率与召回率的调和平均数，支持样本数是测试集中对该类负荷进行判别测试的样本（从测试集产生的未知的典型用电模式）数量。

表2 识别报告Tab.2 Identification report

典型用电模式的6个主成分在梯度提升树分类识别中的相对重要性如图6所示。

图6 变量相对重要性Fig.6 Relative importance graph of variables

随机森林模型是基于决策树的集成学习模型当中作为对比的基线系统，极端提升森林是利用信息熵或基尼不纯性挑选最佳节点特征来构建各决策树分裂节点的变种随机森林模型。本文采用这两种集成模型进行超参数优化与梯度提升树模型进行对比，最佳参数为平方作为最大特征数，信息熵作为节点分裂依据，梯度提升树算法比两类集成模型准确率高20%左右。

5 结语

本文依据非侵入负荷监测公共数据集中居民负荷用电数据，提出计及用电模式的居民负荷梯度提升树分类识别方法。首先消除能耗信息中无关成分，保留能耗信息主成分实现对原始样本的降维。再通过改进K均值聚类获得各类负荷典型用电特征，用来训练梯度提升树实现对测试集的有效辨识。经算例验证，对比其他基线系统计及用电模式的居民负荷梯度提升树分类识别方法对于多种类型的居民负荷分类识别效果显著，可以依据居民用能信息判别未知负荷的类型。

算法中依据负荷日用能信息得到的典型用电模式，可以考虑结合当地地理气象特征和用户社会属性，对工业用户各组分负荷未来的用电模式进行预测，从而实现对工业用户未来用能信息与节能优化潜力的精准预测。另外基于C++编程语言的梯度提升树XGBoost软件包可以自动利用CPU并行化运算，对于本文算法计算速度与精度的提高，有待于进行进一步的研究实验。

[1]Hart G W.Nonintrusive appliance load monitoring[J].Pro⁃ceedings of the IEEE，1992，80（12）：1870-1891.

[2]Norford L K，Leeb S B.Non-intrusive electrical load moni⁃toring in commercial buildings based on steady-state and transient load-detection algorithms[J].Energy and Build⁃ings，1996，24（1）：51-64.

[3]Ahmadi H，Marti J R.Load decomposition at smart meters level using eigenloads approach[J].IEEE Trans on Power Systems，2015，30（6）：3425-3436.

[4]Dong Ming，Meira P C M，Xu Wilsun，et al.Non-intrusive signature extraction for major residential loads[J].IEEE Trans on Smart Grid，2013，4（3）：1421-1430.

[5]Basu K，Debusschere V，Bacha S，et al.Nonintrusive load monitoring：A temporal multilabel classification approach [J].IEEE Trans on Industrial Informatics，2015，11（1）：262-270.

[6]Gillis Jessie M，Morsi Walid G.Non-intrusive load moni⁃ toring using semi-supervised machine learning and wave⁃let design[J].IEEE Trans on Smart Grid，2016，article in press.

[7]Huang T D，Wang Wensheng，Lian Kuolung.A new power signature for nonintrusive appliance load monitoring[J].IEEE Trans on Smart Grid，2015，6（4）：1994-1995.

[8]李坦，杨洪耕，高云（Li Tan，Yang Honggeng，Gao Yun）.智能电表家用负荷识别技术综述（Overview of explora⁃tion on household load identification of intelligent meter⁃ing）[J].供用电（Distribution&Utilization），2011，28（6）：39-42.

[9]庄池杰，张斌，胡军，等（Zhuang Chijie，Zhang Bin，Hun Jun，et al）.基于无监督学习的电力用户异常用电模式检测（Anomaly detection for power consumption patterns based on unsupervised learning）[J].中国电机工程学报（Proceedings of the CSEE），2016，36（2）：379-387.

[10]Nizar A H，Dong Z Y，Wang Y.Power utility nontechnical loss analysis with extreme learning machine method[J].IEEE Trans on Power Systems，2008，23（3）：946-955.

[11]陈鸿川，刘博，栾文鹏，等（Chen Hongchuan，Liu Bo，Luan Wenpeng，et al）.用于非侵入式电力负荷监测的改进Viterbi算法（Modified viterbi algorithm for nonintrusive load monitoring）[J].电力系统及其自动化学报（Proceed⁃ings of the CSU-EPSA），2017，29（2）：84-88.

[12]祁兵，程媛，武昕（Qi Bing，Cheng Yuan，Wu Xin）.基于Fisher有监督判别的非侵入式居民负荷辨识方法（Nonintrusive household appliance load identification method based on fisher supervised discriminant）[J].电网技术（Power System Technology），2016，40（8）：2484-2491.

[13]Kolter J Z，Johnson M J.REDD：A public data set for en⁃ergy disaggregation research[C]//Workshop on Data Min⁃ing Applications in Sustainability（SIGKDD）.San Diego，USA，2011：59-62.

[14]Filip A.Blued：A fully labeled public dataset for eventbased non-intrusive load monitoring research[C]//2nd Workshop on Data Mining Applications in Sustainability（SustKDD）.2012.

[15]张靖，段富（Zhang Jing，Duan Fu）.优化初始聚类中心的改进k-means算法（Improvedk-means algorithm with me⁃liorated initial centers）[J].计算机工程与设计（Comput⁃er Engineering and Design），2013，34（5）：1691-1694，1699.

[16]Ma Xiaolei，Ding Chuan，Luan Sen，et al.Prioritizing influ⁃ential factors for freeway incident clearance time predic⁃tion using the gradient boosting decision trees method[J].IEEE Trans on Intelligent Transportation Systems，2017，99：1-8.

Gradient Boosting Decision Tree Method for Residential Load Classification Considering Typical Power Consumption Modes

WANG Shouxiang，LIU Tianyu
（Key Laboratory of Smart Grid of Ministry of Education，Tianjin University，Tianjin 300072，China）

TM713

A

1003-8930（2017）09-0027-07

10.3969/j.issn.1003-8930.2017.09.005

2017-05-27；

2017-07-07

天津市应用基础与前沿技术研究计划资助项目（14JCYBJC21100）

王守相（1973—），男，博士，教授，博士生导师，研究方向为分布式发电、微电网与智能配电系统。Email：sxwang@tju.edu.cn

刘天宇（1991—），男，硕士研究生，研究方向为负荷监测识别。Email：lty5063081@163.com