CN110111012A - 一种基于稳态图像特征的接触网负荷识别方法 - Google Patents

Abstract

本发明公开了一种基于稳态图像特征的接触网负荷识别方法，包括：获取列车负荷事件的稳态负荷信号，并进行预处理得到对应的原始V‑I曲线图；对原始V‑I曲线图二值化处理，得到二值化V‑I曲线图；从二值化V‑I曲线图中提取5种图形特征，并构建特征向量；利用特征向量构建训练样本，再针对每种负荷类型，均利用训练样本并采用AdaBoost算法训练弱分类器，并集成得到与负荷类型对应的AdaBoost二分类器；将待识别列车负荷事件的特征向量输入至所有AdaBoost二分类器中，将最大输出值所对应的负荷类型作为待识别运行事件的负荷类型。本发明方法在计算上操作简单，对负荷运行事件的识别速度快，而且识别准确率高。

Description

一种基于稳态图像特征的接触网负荷识别方法

技术领域

本发明涉及接触网电力负荷监测领域，具体是指一种基于稳态图像特征的接触网负荷识别方法。

背景技术

高速铁路接触网电力负荷监测能将用电功率监测细化到总负荷内部每辆列车的功率，从而实现对铁路网上列车运行状态的监测，可望为铁路公司以及乘客带来多方面效益。对调度人员而言，对铁路网上各辆列车运行的状态进行监测，既可以清晰的掌握当前轨道网络上的列车运行数量以及运行状况，又可以监测接触网是否处于健康的运行状态，如若有故障发生，可以第一时间进行调度作业，减小铁路公司的损失。对维修人员而言，能及时快速、准确定位故障发生的车辆，并对故障类型进行初步诊断。对于供电段而言，可以通过这些数据分析接触网负荷的发展趋势，进行电力系统调度和补偿，以提高供电质量。对于乘客而言，故障的及时发现和排除，能给其提供一个安全系数更高的铁路网络，保障其人身安全。

各型号列车运行时，会在接触网上产生不同的电力负荷，接触网上的主要负荷便是由各型号列车运行时产生的负荷组成。本发明中，定义这类负荷为列车负荷事件。高速铁路接触网电力负荷监测系统，以高速铁路接触网总线采集到的电压电流数据作为原始数据，通过事件检测模块检测是否有列车启动或者停止，事件分类模块判断是哪种型号列车，数据后处理模块对该列车的运行状态进行评估，可以实现对铁路网上各列车运行状态进行监测。事件分类模块作为其中的重要模块之一，其对列车型号进行判断的运行效率及检测准确度，对于高速铁路接触网电力负荷监测系统的最终实现起着尤为关键的作用。

发明内容

基于列车型号进行判断的运行效率及检测准确度的重要性，本发明提出一种基于稳态图像特征的接触网负荷识别方法，有着较好的负荷事件分类精度，误检事件的数量少，进而保证了对铁路网上列车内部的运行细节检测的准确度。

为实现上述技术目的，本发明采用如下技术方案：

一种基于稳态图像特征的接触网负荷识别方法，包括以下步骤：

步骤1，列车负荷事件的稳态负荷信号获取及数据预处理；

步骤1.1，获取列车历史负荷事件的稳态负荷信号，已知历史负荷事件的类型，且稳态负荷信号为包括Num1个稳态运行周期的电压值和电流值，每个稳态运行周期包括Num2个样本点；

步骤1.2，以电压为纵坐标、电流为横坐标，为稳态负荷信号绘制V-I曲线，得到与稳态负荷信号对应的原始V-I曲线图；

步骤2，原始V-I曲线图二值化处理；

将步骤1得到的原始V-I曲线图分割为N×N的网格图，并依次判断网格图中的各网格是否被稳态负荷信号的V-I曲线穿过，若是则赋值为1，否则赋值为0，得到二值化V-I曲线图；

步骤3，二值化V-I曲线图特征提取；

从步骤2得到的二值化V-I曲线图中提取以下5个图形特征：图形欧拉数、图形面积、图形周长、图形膨胀后面积改变率、图形连通区域数量，并将得到的5个图形特征构建负荷事件的特征向量；

步骤4，构建训练样本集；

按步骤1-3获取n个历史负荷事件的特征向量x_i,i＝1,2,…,n，构建n个训练样本(x_i,y_i)，所有训练样本构成训练样本集；其中，y_i表示相应历史负荷事件的类别标号；

步骤5，针对每种负荷类型，均按以下步骤训练相应的AdaBoost二分类器，用于负责识别相应的负荷类型；

步骤5.1，确定正负训练样本；

按照负责识别的负荷类型，从训练样本集中选取训练样本作为正训练样本，其余训练样本作为负训练样本，所述正训练样本的类别标号y_i＝1，所述负训练样本的类别标号y_i＝-1；

步骤5.2，训练弱分类器；

给定M个SVM模型，设定迭代次数t＝1,2,...,T，利用训练样本集并采用AdaBoost算法对M个SVM模型进行迭代训练，得到M个弱分类器f_m(x_i)以及相应的权重a_m，m＝1,2,…,M；

步骤5.3，将步骤5.2训练得到的M个弱分类器按以下公式集成，得到AdaBoost二分类器：

步骤5，对列车负荷事件进行识别；

获取待识别列车负荷事件的稳态负荷信号，按步骤1-3获取其特征向量，并输入至步骤5得到的每个AdaBoost二分类器中，每个AdaBoost二分类器均根据特征向量进行二分类；最终，将所有AdaBoost二分类器的最大输出值所对应的负荷类型，作为待识别运行事件的负荷类型。

本方案通过获取列车负荷事件的稳态负荷信号，构建相应的二值化VI曲线图，并从中提取5个特征以构成负荷事件的特征向量，从而作为训练数据对分类模型进行训练，得到负荷运行事件的多分类器。

其中提取图形特征，在计算上操作简单，得到的图形特征在后续处理过程无需要用到傅里叶变换等手段，将其组成的特征向量输入至多分类器中即可得到负荷类型，即是说可得知当前的负荷事件是由哪种型号的列车产生的，计算速度快，节省了计算资源，同时图形特征具有极高的分辨度，可以精确区分各种不同型号列车的负荷事件。同时，在准确得知当前负荷事件是由哪种型号的列车产后的之后，进而可以实现数据后处理模块对该型号列车的运行状态进行评估，保证对铁路网上各型号列车内部的运行细节检测的准确度。

通过为N×N的网格图赋值,构建二值化VI曲线图，该网格划分密度N可以根据实际计算资源进行调整，提高识别系统的泛用性，适应不同客户的个性化要求。

此处，分类模型采用AdaBoost_SVM集成多分类器，相比于单独的SVM等其他传统的分类器，具体更高精度的分类性能，且不用担心出现过度拟合的问题。

进一步地，步骤2的具体过程为：

步骤2.1，获取稳态负荷信号中每个样本点的电压值v_k和电流值i_k，k＝1,...,K表示样本点的编号，K＝Num1*Num2；

步骤2.2，确定最大电压值v_max、最小电压值v_min、最大电流值i_max和最小电流值i_min：

v_max＝maxv_k，i_max＝maxi_k，v_min＝minv_k，i_min＝mini_k；

步骤2.3，确定网格图中各网格的划分边界；

给定一个N×N的网格图，每个网格在纵坐标轴上的宽度△v和在横坐标轴上的宽度△i分别为：

则网格图中的所有网格在纵坐标轴上的起始坐标点构成集合A，在横坐标轴上的起始坐标点构成集合B：

A＝{v_min,v_min+△v,v_min+2△v,...,v_min+(N-2)·△v,v_max}，

B＝{i_min,i_min+△i,i_min+2△i,...,i_min+(N-2)·△i,i_max}；

其中，第i行j列的网格范围，在纵坐标轴上为：[A_i，A_i+△v]，在横坐标轴上为：[B_j，B_j+△i]，A_i、B_j分别为集合A、B中的第i个元素和第j个元素；

步骤2.4，网格矩阵赋值；

建立一个N×N矩阵，与N×N的网格图对应；

从左上角第一个网格开始，遍历所有样本点的电压值和电流值，判断是否存在样本点的电压值和电流值落在当前网格范围，若有则将当前网格所对应的矩阵元素置1，否则置0；

依次遍历所有网格，将最终得到的N×N矩阵作为二值化V-I曲线图。

进一步地，所述图形欧拉数E是指，二值化V-I曲线图中的连接体数与孔洞数之差；

所述图形面积S是指，二值化V-I曲线图中闭合的环形曲线以及其内部总共所占的的像素点数量；

所述图形周长L是指，二值化V-I曲线图中像素值为1的像素点数量；

所述图形膨胀后面积改变率P的计算公式为：其中S表示当前二值化V-I曲线图的图形面积，S₁表示当前二值化V-I曲线图在膨胀操作后的图形面积；

所述图形连通区域数量NUM，是指二值化V-I曲线图中连通区域的数量。

进一步地，所述膨胀操作采用3×3的结构元素。

进一步地，在步骤5.2中，对M个SVM模型进行第t次迭代训练的具体过程为：

步骤d1，归一化各训练样本的样本权重并在当前样本权重下训练第m个弱分类器其中归一化公式为：

步骤d2，计算第m个弱分类器的分类错误率

式中表示训练样本集中在训练弱分类器时，被错误分类的训练样本的个数，如果或者则停止训练过程；

步骤d3，计算弱分类器的系数

步骤d4，更新各训练样本的样本权重：

式中，exp()表示自然指数函数；

步骤d5，返回步骤d1，训练下一个弱分类器直到训练完M个弱分类器或者满足训练终止条件，则完成对M个弱分类器的第t次训练；

其中，在第1次迭代训练对第1个弱分类器进行训练时，各训练样本的初始样本权重设为：

以上一次迭代训练对最后1个弱分类器训练完毕后更新的样本权重，作为下一次迭代训练对第1个弱分类器进行训练的样本权重。

进一步地，Num1＝5，Num2＝200。

进一步地，N＝30。

有益效果

本方案通过获取列车负荷事件的稳态负荷信号，构建相应的二值化VI曲线图，并从中提取5个特征以构成负荷事件的特征向量，从而作为训练数据对分类模型进行训练，得到负荷运行事件的多分类器。

其中提取图形特征，在计算上操作简单，得到的图形特征在后续处理过程中无需要用到傅里叶变换等手段，将其组成的特征向量输入至多分类器中即可得到负荷类型，即是说可得知当前的负荷事件是由哪种型号的列车产生的，计算速度快，大大提升了系统的识别速度，节省了计算资源，同时图形特征具有极高的分辨度，可以精确区分各种不同型号列车的负荷事件。同时，在准确得知当前负荷事件是由哪种型号的列车产后的之后，进而可以实现数据后处理模块对该型号列车的运行状态进行评估，保证对铁路网上各型号列车内部的运行细节检测的准确度。

通过为N×N的网格图赋值，构建二值化VI曲线图，该网格划分密度N可以根据实际计算资源进行调整，提高识别系统的泛用性，适应不同客户的个性化要求。

此处，分类模型采用AdaBoost_SVM集成多分类器，相比于单独的SVM等其他传统的分类器，具体更高精度的分类性能，且不用担心出现过度拟合的问题。

附图说明

图1为本发明所述方法的流程示意图；

图2中，2(a)表示本发明所述方法中的L型图元示意图，2(b)为本发明所述方法的田字型图元示例图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。

本发明针对现有的高速铁路接触网监测系统，提出了一种高速铁路接触网负荷识别方法，整体上采用针对列车负荷运行事件的二值化V-I曲线图的特征提取法，以及AdaBoost_svm集成模型分类的方法，有着较好的事件分类精度，误检事件的数量少，进而保证了对铁路网上列车运行细节检测的准确度。总体上，本发明提出了一种将高速铁路接触网的列车负荷事件的稳态负荷信号的V-I曲线转化成二值化图像的方法，并提出了一组基于二值化V-I曲线图的特征量构成每种负荷运行事件的特征向量，其中二值化V-I曲线图的特征量分别为：图像欧拉数、图形面积、图形周长、图形膨胀后的面积改变率以及图形连通区域数量。每种负荷运动事件提取一定数目的训练样本投入AdaBoost_SVM集成多分类模型中进行学习，并保存相关参数，当新数据流过来时便可以直接对此样本进行分类，实现对高速铁路接触网上各型号列车所施加负荷的识别。

如图1所示，本发明提供一种基于稳态图像特征的接触网负荷识别方法，包括以下步骤：

步骤1，负荷信号获取及数据预处理；

步骤1.1，获取列车历史负荷事件的稳态负荷信号，已知历史负荷事件的类型，且稳态负荷信号为包括Num1个稳态运行周期的电压值和电流值，每个稳态运行周期包括Num2个样本点；

本发明采用电压互感器从接触网总线端以10kHz的采样频率采集电压电流实时数据作为原始数据，然后通过求取有效值的方式将其转换为额定工作频率50Hz的稳态负荷信号，包括电压时间序列U(t)和电流时间序列I(t)。

结合前置的事件检测系统的结果，即已知列车的历史负荷事件的类型，定位每个历史负荷运行事件的起始时间段，依此提取每类列车负荷运行事件的稳态负荷信号。为了保证提取的V-I图的完整性，提取的数据量应大于负荷稳态运行一个周期的数据量。在本实施例中，采集频率为10kHz,额定工作频率为50Hz，故每个稳态运行周期包括Num2＝200个样本点的电压值和电流值，而本发明为了防止偶然情况的干扰，采用5个周期，即取Num1＝5共1000个样本点的电压值和电流值作为每个历史负荷运行事件的稳态负荷信号。

步骤1.2，以电压为纵坐标、电流为横坐标，为稳态负荷信号绘制V-I曲线，得到与稳态负荷信号对应的原始V-I曲线图。

步骤2，V-I曲线图二值化处理；

二值化处理就是将原始图像转换为亮度值非黑即白的二值图像。因此在该步骤2，将步骤1得到的原始V-I曲线图分割为N×N的网格图，并依次判断网格图中的各网格是否被稳态负荷信号的V-I曲线穿过，若是则赋值为1，否则赋值为0，从而得到二值化V-I曲线图。具体二值化处理过程为：

步骤2.1，负载数据载入；

载入步骤1中提取的历史负荷运行事件的稳态负荷信号，即历史负荷事件稳态运行时的共K个样本点的电压值v_k和电流值i_k，以(v_k,i_k)表示第k个样本点，k＝1,...,K表示样本点的编号，在本实施例中K＝1000。

步骤2.2，确定最大电压值v_max、最小电压值v_min、最大电流值i_max和最小电流值i_min：

v_max＝maxv_k，i_max＝maxi_k，v_min＝minv_k，i_min＝mini_k。

步骤2.3，确定网格图中各网格的划分边界；

假定当前有一个N×N的网格，各网格的宽度由下列两式中定义：

△v、△i分别表示纵坐标轴与横坐标轴上每个网格的宽度。由此可以得到两个包含N个元素的集合：

A＝{v_min,v_min+△v,v_min+2△v,...,v_min+(N-2)·△v,v_max}，

B＝{i_min,i_min+△i,i_min+2△i,...,i_min+(N-2)·△i,i_max}；

每个集合中的元素即为该网格的起始坐标点，第i行j列的网格范围如下：

在V轴上为：[A_i，A_i+△v]，在I轴上为：[B_j，B_j+△i]，A_i为集合A中的第i个元素，B_j为集合B中的第j个元素。

本发明中，从分类准确率以及运算资源两方面考虑网格数N的取值，最终决定取N＝30。

步骤2.4，网格赋值；

建立一个N×N矩阵用来存储对应网格的值，将所有的网格的初始值置0，从左上角第一个网格开始，遍历所有样本点，判断是否存在样本点落在网格中，若有则将网格值置1，否则为0。依次遍历所有网格，最终得到一个N×N的0、1矩阵。此矩阵即为二值化V-I曲线图。

步骤3，二值化V-I曲线图特征提取；

为了区分各型号列车运行时所产生的负荷，必须找出可以表示其特征的量，本发明中，定义了如下五个图形特征构成各列车负荷事件的特征向量：图形欧拉数、图形面积、图形周长、图形膨胀后面积改变率、图形连通区域数量，并将得到的5个特征构建列车负荷事件的特征向量，具体的各特征的计算方法为：

特征1：图形欧拉数E

欧拉数是拓扑学中的范畴，是二值图像分析中重要的拓扑特征之一，在图像分析与几何对象识别中有着十分重要的作用。在本发明中二值化V-I曲线图的图形欧拉数E的计算公式表示如下：

E＝V-H+F，

V表示二值化V-I曲线图中像素值为1的像素点数目，H表示形如图2(a)所示的L型图元的数目，F表示形如图2(b)所示的田字型图元的数目；其中L型图元的形状为字母‘L’顺时针旋转90°后再上下翻转得到的图形。

特征2：图形面积S

由于电压电流为周期性变化，各负荷运行事件的稳态负荷信号的V-I曲线会是一端闭合的环形曲线，先对二值化V-I曲线图进行边缘检测后，再进行填充操作，计算其中填充的像素点数量即为该二值化V-I曲线图的图形面积S。

特征3：图形周长L

遍历二值化V-I曲线图中的所有像素点，统计像素值为1的像素点的数量，即为二值化V-I曲线图的图形周长L。

特征4：图形膨胀后面积改变率P

膨胀是将与物体接触的全部背景点合并到该物体中，使边界向外部扩张的过程，能够用来填补物体中的空洞。在本实施例中，采用3x3的结构元素，扫描二值化V-I曲线图中的每个像素点，用结构元素与结构元素所覆盖的像素点分别进行“或”操作：若每个像素点的操作结果都为0，则结构元素所覆盖的像素点置0，否则为1。膨胀运算结果会使二值化V-I曲线图扩大一圈。定义膨胀运算前后的面积分别为S、S₁，则二值化V-I曲线图的图形膨胀后面积改变率P为：

特征5：图形连通区域数量NUM

在图像中，最小的单位是像素点，每个像素点周围有8个邻接像素点，常见的邻接关系有2种：4邻接与8邻接。4邻接一共4个点，即上下左右；8邻接的点一共有8个，包括了对角线位置的点。如果像素点A与B邻接，我们称A与B连通。在视觉上看来，彼此连通的像素点形成了一个区域，而不连通的点形成了不同的区域。这样的一个所有的点彼此连通点构成的集合，我们称为一个连通区域。

在本发明中，采用matlab中现有的bwlabel函数即可进行求解，便可求得该二值化V-I曲线图的图形连通区域数量NUM。

综上，本发明由以上计算得到的二值化V-I曲线图5个特征，构成相应负荷运行事件的特征向量feature，表示为：feature＝[E,S,L,P,NUM]。

步骤4，构建训练样本集；

按步骤1-3获取n个历史负荷事件的特征向量x_i,i＝1,2,…,n，构建n个训练样本(x_i,y_i)，所有训练样本构成训练样本集；其中，y_i表示相应历史负荷事件的类别标号；

步骤5，针对每种负荷类型，均按以下步骤训练相应的AdaBoost二分类器，用于负责识别相应的负荷类型；

AdaBoost是一种迭代算法，核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。

对每一种类型的负荷运行事件，本发明均采用SVM(Support Vector Machine，即支持向量机)，作为AdaBoost算法中的内置弱分类器，构建相应的AdaBoost二分类器，负责识别一种负荷运行事件。训练每个AdaBoost二分类器时，以相应类型事件作为正例，其他所有类型事件作为反例。则H类事件需要构建H个AdaBoost二分类器，识别时，选择所有AdaBoost二分类器输出最大值对应的类型作为最终分类结果，形成最终的AdaBoost_SVM集成多分类器。其中，每个AdaBoost二分类器构建步骤如下：

步骤5.1，确定正负训练样本；

按照负责识别的负荷类型，从训练样本集中选取训练样本作为正训练样本，其余训练样本作为负训练样本，所述正训练样本的类别标号y_i＝1，所述负训练样本的类别标号y_i＝-1；步骤5.2，训练弱分类器；

给定M个SVM模型，设定迭代次数t＝1,2,...,T，利用训练样本集并采用AdaBoost算法对M个SVM模型进行迭代训练，得到M个弱分类器f_m(x_i)以及相应的权重a_m，m＝1,2,…,M；

其中对M个SVM模型进行第t次迭代训练的具体过程为：

步骤d1，归一化各训练样本的样本权重并在当前样本权重下训练第m个弱分类器其中归一化公式为：

步骤d2，计算第m个弱分类器的分类错误率

式中表示训练样本集中在训练弱分类器时，被错误分类的训练样本的个数，如果或者则停止训练过程；

步骤d3，计算弱分类器的系数

步骤d4，更新各训练样本的样本权重：

式中，exp()表示自然指数函数；

步骤d5，返回步骤d1，训练下一个弱分类器直到训练完M个弱分类器或者满足训练终止条件，则完成对M个弱分类器的第t次训练。

其中，第1次对第1个弱分类器进行训练时，各训练样本的初始样本权重设w₁₁(i)为：

另外，以上一次迭代训练对最后1个弱分类器训练完毕后更新的样本权重，作为下一次迭代训练对第1个弱分类器进行训练的样本权重。

步骤5.3，将步骤5.2训练得到的M个弱分类器按以下公式集成，得到AdaBoost二分类器：

其中，即此时各分类器取最后一次训练得到的相应弱分类器，各分类器的系数取最后一次训练时的相应弱分类器的系数。

针对每种负荷类型，均按上述过程训练得到对应的1个AdaBoost二分类器后，用于识别该种负荷类型的负荷事件。在本实施例中，针对H种负荷类型的负荷事件进行分类，因此共训练得到H个AdaBoost二分类器。

识别时，选择所有AdaBoost二分类器输出最大值对应的类作为最终分类结果，形成最终的AdaBoost_SVM集成多分类器。

步骤6，对接触网负荷进行识别；

获取待识别列车负荷事件的稳态负荷信号，按步骤1-3获取其特征向量，并输入至步骤5得到的每个AdaBoost二分类器中，每个AdaBoost二分类器均根据特征向量进行二分类；最终，将所有AdaBoost二分类器的最大输出值所对应的负荷类型，作为待识别运行事件的类型。

以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (7)

1.一种基于稳态图像特征的接触网负荷识别方法，其特征在于，包括以下步骤：

步骤1，列车负荷事件的稳态负荷信号获取及数据预处理；

步骤1.1，获取列车历史负荷事件的稳态负荷信号，已知历史负荷事件的类型，且稳态负荷信号为包括Num1个稳态运行周期的电压值和电流值，每个稳态运行周期包括Num2个样本点；

步骤1.2，以电压为纵坐标、电流为横坐标，为稳态负荷信号绘制V-I曲线，得到与稳态负荷信号对应的原始V-I曲线图；

步骤2，原始V-I曲线图二值化处理；

将步骤1得到的原始V-I曲线图分割为N×N的网格图，并依次判断网格图中的各网格是否被稳态负荷信号的V-I曲线穿过，若是则赋值为1，否则赋值为0，得到二值化V-I曲线图；

步骤3，二值化V-I曲线图特征提取；

从步骤2得到的二值化V-I曲线图中提取以下5个图形特征：图形欧拉数、图形面积、图形周长、图形膨胀后面积改变率、图形连通区域数量，并将得到的5个图形特征构建负荷事件的特征向量；

步骤4，构建训练样本集；

按步骤1-3获取n个历史负荷事件的特征向量x_i,i＝1,2,…,n，构建n个训练样本(x_i,y_i)，所有训练样本构成训练样本集；其中，y_i表示相应历史负荷事件的类别标号；

步骤5，针对每种负荷类型，均按以下步骤训练相应的AdaBoost二分类器，用于负责识别相应的负荷类型；

步骤5.1，确定正负训练样本；

按照负责识别的负荷类型，从训练样本集中选取训练样本作为正训练样本，其余训练样本作为负训练样本，所述正训练样本的类别标号y_i＝1，所述负训练样本的类别标号y_i＝-1；

步骤5.2，训练弱分类器；

给定M个SVM模型，设定迭代次数t＝1,2,...,T，利用训练样本集并采用AdaBoost算法对M个SVM模型进行迭代训练，得到M个弱分类器f_m(x_i)以及相应的权重a_m，m＝1,2,…,M；

步骤5.3，将步骤5.2训练得到的M个弱分类器按以下公式集成，得到AdaBoost二分类器：

步骤5，对列车负荷事件进行识别；

获取待识别列车负荷事件的稳态负荷信号，按步骤1-3获取其特征向量，并输入至步骤5得到的每个AdaBoost二分类器中，每个AdaBoost二分类器均根据特征向量进行二分类；最终，将所有AdaBoost二分类器的最大输出值所对应的负荷类型，作为待识别运行事件的负荷类型。

2.根据权利要求1所述的方法，其特征在于，步骤2的具体过程为：

步骤2.1，获取稳态负荷信号中每个样本点的电压值v_k和电流值i_k，k＝1,...,K表示样本点的编号，K＝Num1*Num2；

步骤2.2，确定最大电压值v_max、最小电压值v_min、最大电流值i_max和最小电流值i_min：

v_max＝max v_k，i_max＝max i_k，v_min＝min v_k，i_min＝min i_k；

步骤2.3，确定网格图中各网格的划分边界；

给定一个N×N的网格图，每个网格在纵坐标轴上的宽度△v和在横坐标轴上的宽度△i分别为：

则网格图中的所有网格在纵坐标轴上的起始坐标点构成集合A，在横坐标轴上的起始坐标点构成集合B：

A＝{v_min,v_min+△v,v_min+2△v,...,v_min+(N-2)·△v,v_max}，

B＝{i_min,i_min+△i,i_min+2△i,...,i_min+(N-2)·△i,i_max}；

其中，第i行j列的网格范围，在纵坐标轴上为：[A_i，A_i+△v]，在横坐标轴上为：[B_j，B_j+△i]，A_i、B_j分别为集合A、B中的第i个元素和第j个元素；

步骤2.4，网格矩阵赋值；

建立一个N×N矩阵，与N×N的网格图对应；

从左上角第一个网格开始，遍历所有样本点的电压值和电流值，判断是否存在样本点的电压值和电流值落在当前网格范围，若有则将当前网格所对应的矩阵元素置1，否则置0；

依次遍历所有网格，将最终得到的N×N矩阵作为二值化V-I曲线图。

3.根据权利要求1所述的方法，其特征在于，

所述图形欧拉数E是指，二值化V-I曲线图中的连接体数与孔洞数之差；

所述图形面积S是指，二值化V-I曲线图中闭合的环形曲线以及其内部总共所占的的像素点数量；

所述图形周长L是指，二值化V-I曲线图中像素值为1的像素点数量；

所述图形膨胀后面积改变率P的计算公式为：其中S表示当前二值化V-I曲线图的图形面积，S₁表示当前二值化V-I曲线图在膨胀操作后的图形面积；

所述图形连通区域数量NUM，是指二值化V-I曲线图中连通区域的数量。

4.根据权利要求3所述的方法，其特征在于，所述膨胀操作采用3×3的结构元素。

5.根据权利要求1所述的方法，其特征在于，在步骤5.2中，对M个SVM模型进行第t次迭代训练的具体过程为：

步骤d1，归一化各训练样本的样本权重并在当前样本权重下训练第m个弱分类器其中归一化公式为：

步骤d2，计算第m个弱分类器的分类错误率

式中表示训练样本集中在训练弱分类器时，被错误分类的训练样本的个数，如果或者则停止训练过程；

步骤d3，计算弱分类器的系数

步骤d4，更新各训练样本的样本权重：

式中，exp()表示自然指数函数；

步骤d5，返回步骤d1，训练下一个弱分类器直到训练完M个弱分类器或者满足训练终止条件，则完成对M个弱分类器的第t次训练；

其中，在第1次迭代训练对第1个弱分类器进行训练时，各训练样本的初始样本权重设为：

以上一次迭代训练对最后1个弱分类器训练完毕后更新的样本权重，作为下一次迭代训练对第1个弱分类器进行训练的样本权重。

6.根据权利要求1所述的方法，其特征在于，Num1＝5，Num2＝200。

7.根据权利要求1所述的方法，其特征在于，N＝30。