[發明專利]一種基于自適應特征選擇的非侵入式家電負荷識別方法

在審

• 申請號: 202110019049.1
• 申請日: 2021-01-07
• 公開（公告）號: CN112732748A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 張志禹;周咪
• 申請（專利權）人: 西安理工大學
• 主分類號: G06F16/245
• 分類號: G06F16/245;G06F16/215;G06F16/28
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 燕肇琪

本發明公開了一種基于自適應特征選擇的非侵入式家電負荷識別方法，具體按照以下步驟實施：數據預處理，對選取的REDD數據集進行去噪處理；通過改進的廣義似然比檢驗對處理后的數據進行事件檢測；對檢測到的事件變點，提取多維負荷特征；根據功率進行分段，針對多維特征，用自適應mRmR算法分別提取各區段對應特征；將選擇后的特征作為負荷印記，通過改進的K?means算法建立負荷特征庫；以負荷特征庫為基礎，使用kNN算法對用戶內部家電負荷工作狀態進行識別。解決了現有技術中存在的易出現誤判情況的問題，提高了識別準確率。

技術領域

本發明屬于家用電器負荷識別技術領域，涉及一種基于自適應特征選擇的非侵入式家電負荷識別方法。

背景技術

隨著堅強智能電網和新一輪電力體制改革的持續推進，利用非侵入式負荷監測(NILM)技術充分挖掘用電信息，對用戶行為分析、用戶與電網的雙向實時互動具有理論指導意義。

非侵入式家電負荷識別是面向用戶側的非侵入式負荷監測技術，它的過程可以概括為四步：數據量取、事件檢測、特征提取、負荷識別。在事件檢測方面，以廣義似然比檢驗(GLR)為代表的概率模型憑借其嚴謹的數學推導和變點檢測的原理被慣用，但同時易出現誤判情況，故很有必要對其進行二次判別；在特征提取方面，學者關注較少，通常根據經驗主觀確定特征類型，而基于最大相關與最小冗余(mRmR)的過濾式特征選擇可以充分量化數據自身固有性質，具有通用性和可解釋性；在負荷識別方面，研究成果諸多，其中聚類算法以其無監督而備受關注，K-means聚類算法簡單快速、易于實現，kNN原理簡單，在多分類問題表現效果良好。綜上，針對非侵入式家電負荷識別這一問題，基于GLR與快速事件再檢驗的事件檢測、自適應mRmR的特征選擇、K-means和kNN的負荷識別亟待提出。

發明內容

本發明的目的是提供一種基于自適應特征選擇的非侵入式家電負荷識別方法，解決了現有技術中存在的易出現誤判情況的問題，提高識別準確度。

本發明所采用的技術方案是，一種基于自適應特征選擇的非侵入式家電負荷識別方法，具體按照以下步驟實施：

步驟1、數據預處理，對選取的REDD數據集進行去噪處理；

步驟2、通過改進的廣義似然比檢驗對步驟1中的數據進行事件檢測，若檢測到事件則執行步驟3，否則返回步驟1；

步驟3、對檢測到的事件變點，提取多維負荷特征；

步驟4、根據功率進行分段，針對步驟3得到的多維特征，用自適應mRmR算法，分別提取各區段對應特征；

步驟5、將步驟4得到的特征作為負荷印記，通過改進的K-means算法建立負荷特征庫；

步驟6、根據步驟5得到的負荷特征庫，使用kNN算法對用戶內部家電負荷工作狀態進行識別。

本發明的特點還在于：

步驟1具體按照以下步驟實施：

步驟1.1、數據集的選取，選擇REDD公開數據集做測試，它包含六個家庭三個禮拜左右的數據，表現為15kHz的高頻數據和1Hz的秒級低頻數據；

步驟1.2、功率信號的去噪處理，由于孤立的噪聲點易被事件檢測算法錯誤識別為事件，故選取中值濾波方法，對原始的功率信號進行處理，保證其消除噪聲的同時，不改變邊緣信息：假設存在一個數字信號序列x_j(-∞j+∞)，對其進行濾波處理時，首先定義一個長度為奇數L的窗口，L＝2N+1，N為正整數，假設在某一時刻i，窗口內的信號樣本為x_i-N,…,x_i,…,x_i+N，其中x_i是位于窗口中心的信號樣本值，對這L個信號從小到大重新排列后，其中值便定義為中值濾波器的輸出值。

步驟2具體按照以下步驟實施：