[发明专利]一种基于自适应特征选择的非侵入式家电负荷识别方法

说明书

本发明公开了一种基于自适应特征选择的非侵入式家电负荷识别方法，具体按照以下步骤实施：数据预处理，对选取的REDD数据集进行去噪处理；通过改进的广义似然比检验对处理后的数据进行事件检测；对检测到的事件变点，提取多维负荷特征；根据功率进行分段，针对多维特征，用自适应mRmR算法分别提取各区段对应特征；将选择后的特征作为负荷印记，通过改进的K‑means算法建立负荷特征库；以负荷特征库为基础，使用kNN算法对用户内部家电负荷工作状态进行识别。解决了现有技术中存在的易出现误判情况的问题，提高了识别准确率。

技术领域

本发明属于家用电器负荷识别技术领域，涉及一种基于自适应特征选择的非侵入式家电负荷识别方法。

背景技术

随着坚强智能电网和新一轮电力体制改革的持续推进，利用非侵入式负荷监测(NILM)技术充分挖掘用电信息，对用户行为分析、用户与电网的双向实时互动具有理论指导意义。

非侵入式家电负荷识别是面向用户侧的非侵入式负荷监测技术，它的过程可以概括为四步：数据量取、事件检测、特征提取、负荷识别。在事件检测方面，以广义似然比检验(GLR)为代表的概率模型凭借其严谨的数学推导和变点检测的原理被惯用，但同时易出现误判情况，故很有必要对其进行二次判别；在特征提取方面，学者关注较少，通常根据经验主观确定特征类型，而基于最大相关与最小冗余(mRmR)的过滤式特征选择可以充分量化数据自身固有性质，具有通用性和可解释性；在负荷识别方面，研究成果诸多，其中聚类算法以其无监督而备受关注，K-means聚类算法简单快速、易于实现，kNN原理简单，在多分类问题表现效果良好。综上，针对非侵入式家电负荷识别这一问题，基于GLR与快速事件再检验的事件检测、自适应mRmR的特征选择、K-means和kNN的负荷识别亟待提出。

发明内容

本发明的目的是提供一种基于自适应特征选择的非侵入式家电负荷识别方法，解决了现有技术中存在的易出现误判情况的问题，提高识别准确度。

本发明所采用的技术方案是，一种基于自适应特征选择的非侵入式家电负荷识别方法，具体按照以下步骤实施：

步骤1、数据预处理，对选取的REDD数据集进行去噪处理；

步骤2、通过改进的广义似然比检验对步骤1中的数据进行事件检测，若检测到事件则执行步骤3，否则返回步骤1；

步骤3、对检测到的事件变点，提取多维负荷特征；

步骤4、根据功率进行分段，针对步骤3得到的多维特征，用自适应mRmR算法，分别提取各区段对应特征；

步骤5、将步骤4得到的特征作为负荷印记，通过改进的K-means算法建立负荷特征库；

步骤6、根据步骤5得到的负荷特征库，使用kNN算法对用户内部家电负荷工作状态进行识别。

本发明的特点还在于：

步骤1具体按照以下步骤实施：

步骤1.1、数据集的选取，选择REDD公开数据集做测试，它包含六个家庭三个礼拜左右的数据，表现为15kHz的高频数据和1Hz的秒级低频数据；

步骤1.2、功率信号的去噪处理，由于孤立的噪声点易被事件检测算法错误识别为事件，故选取中值滤波方法，对原始的功率信号进行处理，保证其消除噪声的同时，不改变边缘信息：假设存在一个数字信号序列x_j(-∞j+∞)，对其进行滤波处理时，首先定义一个长度为奇数L的窗口，L＝2N+1，N为正整数，假设在某一时刻i，窗口内的信号样本为x_i-N,…,x_i,…,x_i+N，其中x_i是位于窗口中心的信号样本值，对这L个信号从小到大重新排列后，其中值便定义为中值滤波器的输出值。

步骤2具体按照以下步骤实施：