[发明专利]基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法

权利要求书

1.一种基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法，其特征在于，包括以下步骤：

步骤一：根据家庭配电进线处发生功率变化来判断投切事件，当发生投切事件时，在家庭配电进线处采集发生投切事件的电器电流样本，构成后续Adaboost特征提取和RNN模型训练使用的数据集；

步骤二：对采集到的电流样本进行频域分析，提取其频域谐波幅值作为各电器的负荷特征，每一类电器的负荷特征形成一个特征域，所有特征域形成负荷特征库，该特征库包含每一类电器的负荷特征；

步骤三：对步骤二得到的负荷特征库进行精简，使用AdaBoost算法筛选并保留特征库中每一类电器特征域的域边界样本，减少域内样本。

步骤四：设计适用于非侵入式负荷识别的RNN网络，确定RNN网络的输入层和输出层神经元个数、RNN网络隐含层层数和神经元个数、网络各层的激活函数，为RNN网络选取损失函数；输入层神经元个数由输入负荷特征向量的维数决定，而相应期望负荷标签向量的维数则决定输出层神经元的个数。隐含层层数和神经元个数根据实际工程需要进行选择。

步骤五：初始化RNN网络参数。其中参数包括：输入层-隐含层之间的权重ω_ij、隐含层-输出层之间的权重ω_jk、学习率、最大迭代次数以及误差限值(error-gate)；

步骤六：将经过AdaBoost算法筛选的各类电器负荷特征作为RNN模型的输入，电器类别作为RNN模型的输出，使用采集的训练数据集对RNN网络进行训练，将待辨识的发生投切事件的电器电流样本进行频域分析并提取负荷特征，然后经过AdaBoost算法筛选后输入到训练后的RNN模型，得到负荷特征辨识结果。

2.根据权利要求1所述的一种基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法，其特征在于，在一定长度的时间窗内以某个时刻点为界划分为两类，该时刻点之前归为一类，之后归为另一类，使得同类内部的方差和最小，类间方差和最大。此时，如果两类均值距离超过限定阈值，则认为该时刻是变点，存在投切事件。所述限定阈值由功率最小的负荷决定。

3.根据权利要求1所述的一种基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法，其特征在于，所述步骤三中，判断样本是否属于域边界样本的过程具体为：AdaBoost算法进行分类时，输入一个样本，输出为该样本属于A类域，B类域，……，N类域的概率P_A,P_B,……,P_N。当输入样本属于i类域和j类域的概率满足条件：|P_i-P_j|＜0.1，表明输入样本是i类域和j类域的域边界样本，容易发生误判，则保留该样本；并随机删除不满足条件的50％样本；减少域内样本的具体步骤如下：

(1)从负荷特征库中选择两类电器i和j的样本集合X_i,X_j，并组成样本序列：

S＝(X_i,X_j)

对于由m_i个电器i和m_j个电器j的样本组成的序列S，其中每一个样本的期望输出为样本的类别i或j，于是样本序列S的期望输出s为：

(2)初始化：设两类负荷样本总数为m，初始化负荷样本序列权重：

D₁(u)＝1/m

式中，m＝m_i+m_j,u＝1,2,……,m

(3)弱分类器分类：对于第t个弱分类器，根据分类错误样本的权重计算分类误差：

式中，l为分类错误样本，g_t(l)为第t个弱分类器对于分类错误样本的分类结果，s(l)为对于分类错误样本的期望分类结果。

(4)第t个弱分类器权重：

(5)调整样本权重：

式中，S(u)为对所有负荷样本的期望分类结果，g_t(u)为第t个分类器对所有负荷样本的的分类结果，B_t为归一化因子。

(6)重复步骤(2)～(5)步直到将根据需求设定数目n的弱分类器训练完，得到电器样本的最终权重。弱分类器的数目n取值一般为50～200。若想获得更好的效果，可以采用交叉验证进行调参。

(7)改变样本的类别，重复以上步骤，完成N种电器两两之间的权重计算。权重计算完成后，对于权重发生变化的电器组合，从中选出权重大于0.008的样本进行保留，权重小于0.002及权重不变的电器组合样本则随机删除50％样本量。