[发明专利]一种用于智能电能表的非侵入式特征提取方法

说明书

本发明公开了一种用于智能电能表的非侵入式特征提取方法，在采集到居民用户中的数据信息后，提取出电力负荷的特征信息，特征数量为n个，同时得到对应的特征样本数据，样本数据共有m个，得到n维样本数据，样本集为m*n的样本矩阵，利用ReliefF算法计算出所有样本特征的权重值，对样本特征的权重数据进行归一化处理，计算每类特征的加权平均值，并对其排序，取大于权重平均值的特征作为初步筛选特征集合，将初选特征集合的特征间的相关性进行计算，将强相关的特征进行选择，保留排序靠前的特征，滤除排序靠后的数据，得到最终的特征集合。本发明在特征选择中有效进行了特征选择，避免了特征冗余和人为主观因素对特征筛选的影响。

技术领域

本发明涉及智能电能表和非侵入式识别领域，特别涉及一种用于智能电能表的非侵入式特征提取方法。

背景技术

随着智能化电网的进步和发展，电力物联网概念的提出，电网对信息的交互及数据的分析和挖掘，提出了更高的要求。有效的非侵入监测不仅能够及时的获取数据，合理的调配用电；而且能够提高大大提高电力资源利用效。非侵入式负荷监测可以进行实时的电量统计，用电预测及能耗的评价，进而对节能策略进行相应的配合调整，实现电力数据的科学收集和管理。

对比于工业用电与商业用电，居民用电负荷信息分布较为离散，私密性较强，难以获取。非侵入式负荷监测，仅需要在用户用电入口处即可分析用户用电信息，进而来识别用户内部的负荷用电情况，从而预测用电规律和耗能等信息，具有较好的经济性和实用性，因此备受关注。

当前负荷识别方法众多，主要借助机器学习进行识别，机器学习方法中关键在于特征的输入，优异的特征提取算法对识别有着重要的意义。优异的特征可以大大的提高识别效率。在特征选择中，现有的方法一般是依靠研究者的主观判断进行选择具有较强的经验主观性，不同的特征间又具有较强的相关性，会造成信息的冗余，影响识别的效果。

发明内容

有鉴于此，本发明的第一方面的目的是提供一种用于智能电能表的非侵入式特征提取方法。用于克服背景技术中存在的问题，非侵入式识别对于绿色发展、可持续发展，实现能源的合理有效利用具有非常重要的价值和意义。

本发明的第一方面的目的是通过以下技术方案实现的：

本发明针对非侵入式负荷特征进行了选择，提供了一种ReliefF-Spearman(斯皮尔曼相关性系数)特征选择算法，对特征信息进行选择，过滤冗余、无效特征，筛选出有效特征。

该种用于智能电能表的非侵入式特征提取方法，包括以下步骤：

步骤S1：采集居民用户的电力数据，提取出负荷特征信息，使每一样本数据对应多个特征信息数据。

步骤S2：对特征数据进行归一化处理

步骤S3：针对所有样本数据使用ReliefF算法对所有信息进行排序，

步骤S4：将所有特征的相关度数据进行归一化处理，对每一特征的相关度数据求和，保留大于平均值的特征数据，

步骤S5：对所有保留特征利用斯皮尔曼相关性系数法进行相关性计算，当相关度大于80％时判定为强相关，保留强相关特征，作为有效特征，用于后续负荷识别的关键特征。

进一步，所述步骤S1中，获取居民用户的电力数据包含负荷启动的冲击电流、稳态电流高次谐波，电流序列的平均值等，特征数据的个数为n个，相应的特征信息为n维特征。

进一步，所述步骤S2中，对m个样本特征归一化，得到m*n维的样本集。

进一步，所述步骤S3中，利用ReliefF算法计算所有样本特征的权重

进一步，所述步骤S4中，将样本特征数据进行归一化处理，计算每一特征的权重和求取平均值，保留大于平均值的特征：