[发明专利]一种非侵入式家庭电力负荷分解特征选择方法及装置

权利要求书

1.一种非侵入式家庭电力负荷分解特征选择方法，其特征在于，包括：

获取用户入口处的监测装置采集的用电数据；

对所述用电数据进行特征提取，得到所述用电数据对应的特征集；

将所述特征集输入预先构建的特征选择模型中进行特征选择，得到用于负荷分解的最优特征子集，所述特征选择模型是基于Trace Ratio组稀疏子空间的大间隔特征选择算法构建的。

2.根据权利要求1所述的方法，其特征在于，所述对所述用电数据进行特征提取，得到所述用电数据对应的特征集，包括：

对所述用电数据进行预处理，得到标准用电数据；

对所述标准用电数据进行统计分析、信号分析和频谱分析，得到所述特征集。

3.根据权利要求1所述的方法，其特征在于，所述将所述特征集输入预先构建的特征选择模型中进行特征选择，得到用于负荷分解的最优特征子集，包括：

将所述特征集投影到子空间，每个特征对应一个样本；

以Trace Ratio形式表示样本大间隔；

基于Trace Ratio形式的样本大间隔构建目标函数，并对所述目标函数进行稀疏表示；

利用Trace Ratio组稀疏子空间的大间隔特征选择算法求解所述目标函数，得到所述最优特征子集。

4.根据权利要求3所述的方法，其特征在于，所述用Trace Ratio形式表示样本大间隔，包括：

将样本与不同类最近邻间的距离除以样本与同类最近邻的距离的商值，确定为样本大间隔；

通过定义预设列向量，对样本大间隔的表示形式进行简化，得到简化后的样本大间隔表示形式。

5.根据权利要求3所述的方法，其特征在于，所述基于Trace Ratio形式的样本大间隔构建目标函数，并对所述目标函数进行稀疏表示，包括：

基于Trace Ratio形式的样本大间隔构建表示效用函数最大化的目标函数；

在所述目标函数的分母加入正则项，对所述目标函数进行稀疏表示，以使最终得到的最优特征子集具有行稀疏性。

6.一种非侵入式家庭电力负荷分解特征选择装置，其特征在于，包括：

用电数据获取单元，用于获取用户入口处的监测装置采集的用电数据；

特征提取单元，用于对所述用电数据进行特征提取，得到所述用电数据对应的特征集；

特征选择单元，用于将所述特征集输入预先构建的特征选择模型中进行特征选择，得到用于负荷分解的最优特征子集，所述特征选择模型是基于TraceRatio组稀疏子空间的大间隔特征选择算法构建的。

7.根据权利要求6所述的装置，其特征在于，所述特征提取单元，具体用于：

对所述用电数据进行预处理，得到标准用电数据；

对所述标准用电数据进行统计分析、信号分析和频谱分析，得到所述特征集。

8.根据权利要求6所述的装置，其特征在于，所述特征选择单元，包括：

特征投影子单元，用于将所述特征集投影到子空间，每个特征对应一个样本；

大间隔表示子单元，用于以Trace Ratio形式表示样本大间隔；

目标函数构建子单元，用于基于Trace Ratio形式的样本大间隔构建目标函数，并对所述目标函数进行稀疏表示；

目标函数求解子单元，用于利用Trace Ratio组稀疏子空间的大间隔特征选择算法求解所述目标函数，得到所述最优特征子集。

9.根据权利要求8所述的装置，其特征在于，所述大间隔表示子单元，具体用于：

将样本与不同类最近邻间的距离除以样本与同类最近邻的距离的商值，确定为样本大间隔；

通过定义预设列向量，对样本大间隔的表示形式进行简化，得到简化后的样本大间隔表示形式。

10.根据权利要求8所述的装置，其特征在于，所述目标函数构建子单元，具体用于：

基于Trace Ratio形式的样本大间隔构建表示效用函数最大化的目标函数；

在所述目标函数的分母加入正则项，对所述目标函数进行稀疏表示，以使最终得到的最优特征子集具有行稀疏性。