[发明专利]一种基于改进kNN算法的非侵入式负荷辨识方法

权利要求书

1.一种基于改进kNN算法的非侵入式负荷辨识方法，包括以下步骤：步骤S01：选择V-I轨迹作为负荷特征，提取轨迹特征，在提取轨迹特征中增加幅值特征；步骤S02：改进KNN算法，在KNN算法中为训练样本分配不同的权重，增加少数类样本在分类判决时的表决权，步骤S03：在步骤S01提取了二值V-I轨迹和幅值两种负荷特征，引入综合相似度概念，利用步骤S02改进的KNN算法，将两种负荷特征相结合，确定待测样本的类别对负荷进行辨识。

2.如权利要求1所述的方法，其特征在于，所述幅值特征包括用电设备稳态运行时的基波有功、无功功率、基波电流幅值和3、5、7次谐波电流幅值。

3.如权利要求2所述的方法，其特征在于：在增加幅值特征的情况下，对电压和电流进行快速傅里叶变换即可得基波和各次谐波的幅值与相位，功率的计算公式如下：其中：a₁和b₁分别为基波电压和电流的幅值；为两者之间的的相位差。

4.如权利要求1所述的方法，其特征在于：步骤S02中，改进后的KNN算法具体为：其中：weight(T_j)为训练样本T_j的权重。

5.如权利要求3所述的方法，其特征在于：多数类样本权重分配方法如下：weight(T_j)＝1/size(C_Tj)，其中size(C_Tj)表示T_j所属类别包含的训练样本数目。

6.如权利要求1-5任一项权利要求所述的方法，其特征在于：步骤S03具体为：步骤S031：计算待测样本与所有训练样本的V-I轨迹相似度和幅值相似度，分别记为Sim1和Sim2：

Sim＝1/(1+dist)

Sim2＝1/(1+dist2)，其中：dist1和dist2分别为2个样本间V-I轨迹的距离和幅值的距离；步骤S032：按照Sim1的大小降序排列，取前K个Sim1最大的训练样本作为当前测试样本的K最近邻；步骤S033：计算当前测试样本与所有K最近邻的综合相似度：Sim(a，T_j)＝Sim1(a，T_j)×weight(T_j)+Sim2(a，T_j)；步骤S034：统计待测样本与K个最近邻中各类的总综合相似度，取总综合相似度最大的类作为预测结果。

7.如权利要求6所述的方法，其特征在于：所述dist1和dist2都是欧氏距离。