CN112821559A - 一种非侵入式家电负荷深度再识别方法 - Google Patents

一种非侵入式家电负荷深度再识别方法 Download PDF

Info

Publication number
CN112821559A
CN112821559A CN202110089840.XA CN202110089840A CN112821559A CN 112821559 A CN112821559 A CN 112821559A CN 202110089840 A CN202110089840 A CN 202110089840A CN 112821559 A CN112821559 A CN 112821559A
Authority
CN
China
Prior art keywords
sample
formula
identification
value
load
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110089840.XA
Other languages
English (en)
Other versions
CN112821559B (zh
Inventor
张志禹
周咪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Wanzhida Technology Co ltd
Wuxing Technology Shenzhen Co ltd
Original Assignee
Xian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110089840.XA priority Critical patent/CN112821559B/zh
Publication of CN112821559A publication Critical patent/CN112821559A/zh
Application granted granted Critical
Publication of CN112821559B publication Critical patent/CN112821559B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/10—The network having a local or delimited stationary reach
    • H02J2310/12—The local stationary network supplying a household or a building
    • H02J2310/14—The load or loads being home appliances
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种非侵入式家电负荷深度再识别方法，具体按照以下步骤实施：对获取的用户高频数据进行去噪处理；对数据进行事件检测；对检测到的事件变点，提取多维负荷特征；针对提取的多维特征筛选相关特征；将得到的特征作为负荷印记，通过建立负荷特征库，使用最大隶属度对用户内部家电负荷工作状态进行识别，对GRNN网络的参数光滑因子进行训练，利用训练好的GRNN网络进行待测样本的深度再识别，完成非侵入式家电负荷最终识别。解决了现有技术中存在的单一算法导致负荷识别准确率低下的问题。

Description

一种非侵入式家电负荷深度再识别方法
技术领域
本发明属于家用电器负荷识别技术领域，涉及一种非侵入式家电负荷深度再识别方法。
背景技术
负荷监测技术是建设泛在电力物联网与透明电网的基础技术之一，通过其了解用电规律能帮助用户节省高达14％的电能支出，而非侵入式负荷监测(NILM)技术，由于低成本的特点，成为电网服务商和用户的关注对象。
非侵入式负荷监测是指在电力入口处安装监测设备，通过监测该处的电压、电流等信号分析得到负荷集群中单个负荷的种类和运行情况，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，它的过程集中在三步：事件检测、特征提取、负荷识别。在事件检测方面，广义似然估计(GLR)主要考虑均值，易出现误判，而F检验可以反映样本方差；在特征提取方面，通常根据经验主观确定特征类型，对已有信息利用不足，而半监督的Relief-F和最大相关与最小冗余(mRmR)相结合的过滤式特征选择可以充分利用已知标签信息，量化特征；另外，现有技术存在功率重叠和单一算法导致负荷识别准确率低下的问题。
发明内容
本发明的目的是提供一种非侵入式家电负荷深度再识别方法，解决了现有技术中存在的单一算法导致负荷识别准确率低下的问题。
本发明所采用的技术方案是，一种非侵入式家电负荷深度再识别方法，具体按照以下步骤实施：
步骤1、获取用户高频数据，对获取的用户高频数据进行去噪处理；
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、针对步骤3提取的多维特征，用半监督的Relief-F与mRmR相结合的算法，筛选相关特征；
步骤5、将步骤4得到的特征作为负荷印记，通过自适应FCM算法建立负荷特征库，使用最大隶属度对用户内部家电负荷工作状态进行识别，若两种FCM算法识别结果一致，则结束，不一致则执行步骤6；
步骤6、对GRNN网络的参数光滑因子采用SA-BAS(模拟退火-天牛须)算法进行训练，利用训练好的GRNN网络进行待测样本的深度再识别，完成非侵入式家电负荷的最终识别。
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、获取包含电气参数的高频家电负荷数据，具体表现为电压、电流和对应功率；
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xj(-∞<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xi-N,…,xi,…,xi+N，其中xi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：
步骤2.1、根据式(1)计算基波有功功率P1，将其联合有功功率P作为二维功率时间序列
Figure BDA0002912022900000031
根据式(2)提出二元假设检验；
Figure BDA0002912022900000032
Figure BDA0002912022900000033
式中，V1为基波电压，I1为基波电流，
Figure BDA0002912022900000034
为二者的相位差。nc为变点发生时刻，k为窗口总长度，n为窗口中最后一个样本时刻，μ0,∑0为假设检验H0条件下的高斯分布均值，协方差矩阵，μa,∑a为H1条件下变点发生之前的多维信号均值、多维协方差矩阵，μb,∑b为H1条件下变点发生之后的多维信号均值、多维协方差矩阵；
步骤2.2、在此时间序列内定义两个连续的窗口Wa和Wb，两窗口内样本为Xn＝{xm,m＝n-k+1,…,n}，两窗口长度均为k/2，根据式(3)、式(4)分别计算两窗口内的μ和Σ，之后根据式(5)计算决策函数gn；
Figure BDA0002912022900000035
Figure BDA0002912022900000037
Figure BDA0002912022900000036
步骤2.3、将gn与阈值h1比较，寻找事件发生的可疑点：当决策函数值大于h1时，拒绝H0，两窗口内部数据分布不一致，在变点时刻nc有发生事件的可能；当决策函数小于h1时，拒绝H1，两窗口数据分布一致，无事件发生。且当检测出的多个事件的采样点连续或间隔在3个之内时，将其视为仅有最大gn对应的事件发生；
步骤2.4、以此事件点为基点，对误检的事件进行F检验筛选。首先假设基点前后窗口数据的方差值相等：
Figure BDA0002912022900000041
根据公式(6)计算统计量F的数值，给定显著水平α，若F的数值满足式(7)，则拒绝假设H0，认为两个母体方差有显著差异，判断该点有事件发生；
Figure BDA0002912022900000042
Figure BDA0002912022900000043
或
Figure BDA0002912022900000044
式中，
Figure BDA0002912022900000045
分别为基点前后窗口的样本容量和方差。
步骤3具体按照以下实施：提取变点的功率特征，具体有：有功功率、基波有功功率、无功功率、基波无功功率、视在功率、失真功率、功率因数角、基波功率因数；提取变点处的谐波特征，具体有电压、电压的一至九次的各次谐波幅值、各次谐波含有率、各次谐波含有率之差、总谐波畸变率；电流波形特征，包括其波峰值、平均值、波峰系数；提取变点处的V-I轨迹特征，具体有：对称性、环绕方向、环绕面积、交点个数、Y轴截距、Y轴跨距、中线曲率、轨迹中间部分峰值、左右部分面积、中间部分形状、瞬时导纳标准差。
步骤4具体按照以下步骤实施：
步骤4.1、将部分多维特征样本贴上标签，记为有标记样本S1，剩余记为无标记样本S2，标签为C，多维特征集合为A＝(A1,A2,…,AN)；
步骤4.2、从S1中随机抽取一个样本s，其类别为Cq(Cq∈C)；从S2中选出d个近邻样本，记为
Figure BDA0002912022900000051
在S1中从除Cq之外的每一类Cp∈C(p≠q)中，分别求解s的一个最近邻样本x；并在S2中求解x的d个近邻样本，记为
Figure BDA0002912022900000052
其中近邻公式如式(8)所示；基于公式(9)更新所有特征权重；
Figure BDA0002912022900000053
Figure BDA0002912022900000054
Figure BDA0002912022900000055
式中，M表示迭代次数，d为近邻样本个数，
Figure BDA0002912022900000056
为样本s所属的q类中的第t个近邻样本，
Figure BDA0002912022900000057
表示不同于样本s类别的第p类中的第t个近邻样本，P(Cp)表示第p类目标的概率，Ak为第k个特征，
Figure BDA0002912022900000058
表示样本s和样本
Figure BDA0002912022900000059
关于特征Ak的距离；
步骤4.3、将步骤4.2循环执行M次，并得到半监督Relief-F最终输出的特征权重ωk'(k＝1,2,…,w')，剔除权重系数小于θ的特征，得到一个候选特征子集，进而对其进行半监督mRmR特征选择；
步骤4.4、根据公式(11)在有标记样本S1中计算各特征与样本标签的相关度，根据公式(12)在无标记样本S2中计算各特征的冗余度；
Figure BDA00029120229000000510
Figure BDA00029120229000000511
式中，
Figure BDA00029120229000000512
表示在有标签样本S1中计算Ak与标签C的互信息，R(Ak,Sm-1)表示已有特征子集Sm-1，其包含m-1个特征，不在Sm-1子集中的特征Ak与已选特征的冗余度；
步骤4.5、建立特征候选集H，选择最大相关度Dmax对应特征作为候选集首项H1，根据式(13)依次选择第k个特征Ak放入H中，直至选出指定特征个数w；
Figure BDA0002912022900000061
步骤4.6、根据式(14)计算各特征权重。
Figure BDA0002912022900000062
步骤5具体按照以下步骤实施：
步骤5.1、设置初始聚类数目b，基于最大最小距离算法确定初始聚类中心，同时，计数器k归零；
a、计算数据集的平均值
Figure BDA0002912022900000063
记距平均值最远的样本点为V1j(j＝1,2,…,w)；b、根据公式(15)计算每个数据点与已选聚类中心的最小距离Dx，选择Dx最大值点作为新的聚类中心；c、重复步骤b直至选出b个初始聚类中心；
Dx＝min d(xi,Z'k) k'＝1,…,kselected (15)
Figure BDA0002912022900000064
步骤5.2、构建FCM1算法的损失函数L1如式(17)所示，对uij，λj和vik求偏导并组合，利用推导出的式(18)和式(19)进行uij和vik的迭代更新；
Figure BDA0002912022900000065
Figure BDA0002912022900000071
Figure BDA0002912022900000072
式中，n为样本个数，b为聚类数目，w为特征数目，
Figure BDA0002912022900000073
为样本权重，uij为第j个样本属于第i类的隶属度，v为聚类中心矩阵，Tu∈(0,∞)取代模糊指数m，用于控制熵值，引入了最大熵作为正则化；
步骤5.3、计算J1的值，若
Figure BDA0002912022900000074
初始聚类数目b的聚类完成，迭代终止，否则，k＝k+1，转至步骤5.2继续迭代，直至满足要求；
步骤5.4、根据公式(20)计算初始聚类数b的聚类有效性指标，即轮廓系数Sb，若其满足Sb-2＜Sb-1且Sb-1＞Sb，则自适应FCM1分类结束，否则，判断聚类数目b是否达到最大值
Figure BDA0002912022900000075
若达到最大值，则取所有Sb中最大值所对应的b,u,v，若未达到最大值，则b＝b+1，并返回执行步骤5.1；
Figure BDA0002912022900000076
式中，n为样本个数，a(i)为样本点i与同簇剩余样本对象的平均距离，b(i)为样本点i与剩余每个簇的样本对象平均距离的最小值，Sb在[-1,1]之间，S值越大，聚类效果越好；
步骤5.5、将FCM1的最佳聚类数目b设置为FCM2的聚类数，同样采取最大最小距离算法确定初始聚类中心，同时，计数器k归零；
步骤5.6、构建FCM2算法的损失函数J2如式(21)所示，对vik求偏导，利用推导出的式(22)进行vik的迭代更新，采样投影梯度下降法对uij进行迭代：
Figure BDA0002912022900000081
Figure BDA0002912022900000082
式中，λ≥0为正交约束参数，函数第二项为对隶属度矩阵增加近似正交约束，来平衡不平衡数据的影响，其中uip表示第i个样本点属于类簇p的隶属度，它是由原始隶属度函数uip'经过
Figure BDA0002912022900000083
变换而来；
步骤5.7、计算J2的值，若
Figure BDA0002912022900000084
则FCM2聚类完成，迭代终止，否则，k＝k+1，转至步骤5.6继续迭代，直至满足
Figure BDA0002912022900000085
负荷特征库中的FCM算法的聚类数和聚类中心确定完毕；
步骤5.8、输入待测样本，由负荷特征库确定初始聚类中心，通过FCM聚类得到隶属度函数，取待辨识样本对应的隶属度向量并输出，对隶属度进行排序，取最大隶属度对应类别，记为待辨识样本的所属负荷类别。若FCM1和FCM2的样本辨识结果一致，则算法识别结束，最大隶属度对应类别即为样本最终识别结果，若不一致，则执行步骤6。
步骤6具体按照以下步骤实施：
步骤6.1、将FCM辨识结果一致的样本组合起来，作为训练集来训练改进的GRNN神经网络；
步骤6.2、设置参数：输入层神经元个数为特征维数w；模式层神经元为训练集的样本集样本个数n，对于第i个神经元的传递函数如式(23)所示；求和层包含两种类型的神经元，一种是对所有模式层神经元的输出进行算数求和，其传递函数如式(24)所示，另一种是对所有模式层神经元的输出进行加权求和，其传递函数如式(25)所示；输出层神经元个数等于训练样本中输出向量的维数，即聚类的电器类别数b，它的网络输出为两种神经元相除，如式(26)所示；
Figure BDA0002912022900000091
Figure BDA0002912022900000092
Figure BDA0002912022900000093
Figure BDA0002912022900000094
式中，X为输入样本，Xi为训练集第i个样本数据，σ为光滑因子，Yij为第i个输出样本Yi中的第j个元素；
步骤6.3、GRNN的网络参数只有光滑因子，因此我们使用SA-BAS算法来寻找最优光滑因子σ；首先输入训练数据，并初始化参数：天牛初始位置X0＝1，温度T＝200，步长因子α＝0.95，最大迭代次数N＝200，退火循环次数L＝100，质心到触须的距离d＝1.5，计数器h归为1；
步骤6.4、设置天牛的步长S＝T，同时计数器t归为1；
步骤6.5、根据公式(27)更新天牛左、右须位置，根据公式(28)更新天牛位置Xt+1，根据Metropolis准则计算其概率，判断是否接受Xt+1作为新解，如式(29)所示，更新步长St＝αSt-1，根据式(30)更新质心到触须的距离，判断计数器t是否大于等于退火循环次数L，若是，则执行步骤6.6，否则，t＝t+1，循环执行步骤6.5；
Figure BDA0002912022900000101
Figure BDA0002912022900000102
Figure BDA0002912022900000103
Figure BDA0002912022900000104
式中，
Figure BDA0002912022900000105
为随机单位向量，取右须指向左须的方向为天牛在空间中的朝向，sign()为符号函数，值大于零，取1，小于零，取-1，等于零，取0，T为当前温度，ΔT＝f(Xt+1)-f(Xt)，
Figure BDA0002912022900000106
为适应度函数的表达式，ωj为特征权重，xij为训练样本网络输出值，
Figure BDA0002912022900000107
为训练样本预期输出值；
步骤6.6、根据公式(31)更新自适应因子β，T＝βT，判断计数器h是否大于等于迭代次数N，若达到，则输出最优天牛位置作为最优光滑因子，训练结束，否则，h＝h+1，执行步骤6.4。
Figure BDA0002912022900000108
式中，fh为当前适应度值，fmin为历史最优适应度值；
利用训练好的光滑因子结合步骤6.2条件，搭建GRNN网络，从而进行待测样本的深度再识别，完成非侵入式家电负荷最终识别。
本发明的有益效果是：本发明一种非侵入式家电负荷深度再识别方法，解决了现有技术中存在的单一算法导致负荷识别准确率低下的问题。通过GLR与F检验相结合的事件检测算法，定位事件发生时刻，使用半监督的Relief-F与mRmR相结合的算法，筛选出与电气标签相关性大的特征，通过自适应FCM1与FCM2组合进行一次判别，使用改进的GRNN进行二次判别，减少了误判和特征冗余，具有识别准确率高，识别速率快的优点。
附图说明
图1是本发明一种非侵入式家电负荷深度再识别方法的流程图；
图2是本发明一种非侵入式家电负荷深度再识别方法的基于GLR与F检验的事件检测流程图；
图3是本发明一种非侵入式家电负荷深度再识别方法的基于半监督的Relief-F和mRmR的特征选择流程图；
图4是本发明一种非侵入式家电负荷深度再识别方法的基于自适应FCM1算法的一次识别的负荷辨识流程图；
图5是本发明一种非侵入式家电负荷深度再识别方法的基于自适应FCM2算法的一次识别的负荷辨识流程图；
图6是本发明一种非侵入式家电负荷深度再识别方法的基于改进的GRNN神经网络的二次判别的负荷辨识流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种非侵入式家电负荷深度再识别方法，如图1所示，具体按照以下步骤实施：
步骤1、获取用户高频数据，对获取的用户高频数据进行去噪处理；
步骤1具体按照以下步骤实施：
步骤1.1、获取包含电气参数的高频家电负荷数据，具体表现为电压、电流和对应功率；
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xj(-∞<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xi-N,…,xi,…,xi+N，其中xi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、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；
如图2所示，步骤2具体按照以下步骤实施：
步骤2.1、根据式(1)计算基波有功功率P1，将其联合有功功率P作为二维功率时间序列
Figure BDA0002912022900000121
根据式(2)提出二元假设检验；
Figure BDA0002912022900000122
Figure BDA0002912022900000123
式中，V1为基波电压，I1为基波电流，
Figure BDA0002912022900000124
为二者的相位差。nc为变点发生时刻，k为窗口总长度，n为窗口中最后一个样本时刻，μ0,∑0为假设检验H0条件下的高斯分布均值，协方差矩阵，μa,∑a为H1条件下变点发生之前的多维信号均值、多维协方差矩阵，μb,∑b为H1条件下变点发生之后的多维信号均值、多维协方差矩阵；
步骤2.2、在此时间序列内定义两个连续的窗口Wa和Wb，两窗口内样本为Xn＝{xm,m＝n-k+1,…,n}，两窗口长度均为k/2，根据式(3)、式(4)分别计算两窗口内的μ和Σ，之后根据式(5)计算决策函数gn；
Figure BDA0002912022900000131
Figure BDA0002912022900000132
Figure BDA0002912022900000133
步骤2.3、将gn与阈值h1比较，寻找事件发生的可疑点：当决策函数值大于h1时，拒绝H0，两窗口内部数据分布不一致，在变点时刻nc有发生事件的可能；当决策函数小于h1时，拒绝H1，两窗口数据分布一致，无事件发生。且当检测出的多个事件的采样点连续或间隔在3个之内时，将其视为仅有最大gn对应的事件发生；
步骤2.4、以此事件点为基点，对误检的事件进行F检验筛选。首先假设基点前后窗口数据的方差值相等：
Figure BDA0002912022900000134
根据公式(6)计算统计量F的数值，给定显著水平α，若F的数值满足式(7)，则拒绝假设H0，认为两个母体方差有显著差异，判断该点有事件发生；
Figure BDA0002912022900000135
Figure BDA0002912022900000136
或
Figure BDA0002912022900000137
式中，
Figure BDA0002912022900000138
分别为基点前后窗口的样本容量和方差。
步骤3、对检测到的事件变点，提取多维负荷特征；
步骤3具体按照以下实施：提取变点的功率特征，具体有：有功功率、基波有功功率、无功功率、基波无功功率、视在功率、失真功率、功率因数角、基波功率因数；提取变点处的谐波特征，具体有电压、电压的一至九次的各次谐波幅值、各次谐波含有率、各次谐波含有率之差、总谐波畸变率；电流波形特征，包括其波峰值、平均值、波峰系数；提取变点处的V-I轨迹特征，具体有：对称性、环绕方向、环绕面积、交点个数、Y轴截距、Y轴跨距、中线曲率、轨迹中间部分峰值、左右部分面积、中间部分形状、瞬时导纳标准差。步骤4、针对步骤3提取的多维特征，用半监督的Relief-F与mRmR相结合的算法，筛选相关特征；
如图3所示，步骤4具体按照以下步骤实施：
步骤4.1、将部分多维特征样本贴上标签，记为有标记样本S1，剩余记为无标记样本S2，标签为C，多维特征集合为A＝(A1,A2,…,AN)；
步骤4.2、从S1中随机抽取一个样本s，其类别为Cq(Cq∈C)；从S2中选出d个近邻样本，记为
Figure BDA0002912022900000141
在S1中从除Cq之外的每一类Cp∈C(p≠q)中，分别求解s的一个最近邻样本x；并在S2中求解x的d个近邻样本，记为
Figure BDA0002912022900000142
其中近邻公式如式(8)所示；基于公式(9)更新所有特征权重；
Figure BDA0002912022900000143
Figure BDA0002912022900000144
Figure BDA0002912022900000145
式中，M表示迭代次数，d为近邻样本个数，
Figure BDA0002912022900000146
为样本s所属的q类中的第t个近邻样本，
Figure BDA0002912022900000147
表示不同于样本s类别的第p类中的第t个近邻样本，P(Cp)表示第p类目标的概率，Ak为第k个特征，
Figure BDA0002912022900000148
表示样本s和样本
Figure BDA0002912022900000149
关于特征Ak的距离；
步骤4.3、将步骤4.2循环执行M次，并得到半监督Relief-F最终输出的特征权重ωk'(k＝1,2,…,w')，剔除权重系数小于θ的特征，得到一个候选特征子集，进而对其进行半监督mRmR特征选择；
步骤4.4、根据公式(11)在有标记样本S1中计算各特征与样本标签的相关度，根据公式(12)在无标记样本S2中计算各特征的冗余度；
Figure BDA0002912022900000151
Figure BDA0002912022900000152
式中，
Figure BDA0002912022900000153
表示在有标签样本S1中计算Ak与标签C的互信息，R(Ak,Sm-1)表示已有特征子集Sm-1，其包含m-1个特征，不在Sm-1子集中的特征Ak与已选特征的冗余度；
步骤4.5、建立特征候选集H，选择最大相关度Dmax对应特征作为候选集首项H1，根据式(13)依次选择第k个特征Ak放入H中，直至选出指定特征个数w；
Figure BDA0002912022900000154
步骤4.6、根据式(14)计算各特征权重。
Figure BDA0002912022900000155
步骤5、将步骤4得到的特征作为负荷印记，通过自适应FCM算法建立负荷特征库，使用最大隶属度对用户内部家电负荷工作状态进行识别，若两种FCM算法识别结果一致，则结束，不一致则执行步骤6；
如图4、图5所示，步骤5具体按照以下步骤实施：
步骤5.1、设置初始聚类数目b，基于最大最小距离算法确定初始聚类中心，同时，计数器k归零；
a、计算数据集的平均值
Figure BDA0002912022900000161
记距平均值最远的样本点为V1j(j＝1,2,…,w)；b、根据公式(15)计算每个数据点与已选聚类中心的最小距离Dx，选择Dx最大值点作为新的聚类中心；c、重复步骤b直至选出b个初始聚类中心；
Dx＝min d(xi,Z'k) k'＝1,…,kselected (15)
Figure BDA0002912022900000162
步骤5.2、构建FCM1算法的损失函数L1如式(17)所示，对uij，λj和vik求偏导并组合，利用推导出的式(18)和式(19)进行uij和vik的迭代更新；
Figure BDA0002912022900000163
Figure BDA0002912022900000164
Figure BDA0002912022900000165
式中，n为样本个数，b为聚类数目，w为特征数目，
Figure BDA0002912022900000166
为样本权重，uij为第j个样本属于第i类的隶属度，v为聚类中心矩阵，Tu∈(0,∞)取代模糊指数m，用于控制熵值，引入了最大熵作为正则化；
步骤5.3、计算J1的值，若
Figure BDA0002912022900000167
初始聚类数目b的聚类完成，迭代终止，否则，k＝k+1，转至步骤5.2继续迭代，直至满足要求；
步骤5.4、根据公式(20)计算初始聚类数b的聚类有效性指标，即轮廓系数Sb，若其满足Sb-2＜Sb-1且Sb-1＞Sb，则自适应FCM1分类结束，否则，判断聚类数目b是否达到最大值
Figure BDA0002912022900000168
若达到最大值，则取所有Sb中最大值所对应的b,u,v，若未达到最大值，则b＝b+1，并返回执行步骤5.1；
Figure BDA0002912022900000171
式中，n为样本个数，a(i)为样本点i与同簇剩余样本对象的平均距离，b(i)为样本点i与剩余每个簇的样本对象平均距离的最小值，Sb在[-1,1]之间，S值越大，聚类效果越好；
步骤5.5、将FCM1的最佳聚类数目b设置为FCM2的聚类数，同样采取最大最小距离算法确定初始聚类中心，同时，计数器k归零；
步骤5.6、构建FCM2算法的损失函数J2如式(21)所示，对vik求偏导，利用推导出的式(22)进行vik的迭代更新，采样投影梯度下降法对uij进行迭代：
Figure BDA0002912022900000172
Figure BDA0002912022900000173
式中，λ≥0为正交约束参数，函数第二项为对隶属度矩阵增加近似正交约束，来平衡不平衡数据的影响，其中uip表示第i个样本点属于类簇p的隶属度，它是由原始隶属度函数uip'经过
Figure BDA0002912022900000174
变换而来；
步骤5.7、计算J2的值，若
Figure BDA0002912022900000175
则FCM2聚类完成，迭代终止，否则，k＝k+1，转至步骤5.6继续迭代，直至满足
Figure BDA0002912022900000176
负荷特征库中的FCM算法的聚类数和聚类中心确定完毕；
步骤5.8、输入待测样本，由负荷特征库确定初始聚类中心，通过FCM聚类得到隶属度函数，取待辨识样本对应的隶属度向量并输出，对隶属度进行排序，取最大隶属度对应类别，记为待辨识样本的所属负荷类别。若FCM1和FCM2的样本辨识结果一致，则算法识别结束，最大隶属度对应类别即为样本最终识别结果，若不一致，则执行步骤6。
步骤6、对GRNN网络的参数光滑因子采用SA-BAS算法进行训练，利用训练好的GRNN网络进行待测样本的二次识别，完成非侵入式家电负荷二次识别。
如图6所示，步骤6具体按照以下步骤实施：
步骤6.1、将FCM辨识结果一致的样本组合起来，作为训练集来训练改进的GRNN神经网络；
步骤6.2、设置参数：输入层神经元个数为特征维数w；模式层神经元为训练集的样本集样本个数n，对于第i个神经元的传递函数如式(23)所示；求和层包含两种类型的神经元，一种是对所有模式层神经元的输出进行算数求和，其传递函数如式(24)所示，另一种是对所有模式层神经元的输出进行加权求和，其传递函数如式(25)所示；输出层神经元个数等于训练样本中输出向量的维数，即聚类的电器类别数b，它的网络输出为两种神经元相除，如式(26)所示；
Figure BDA0002912022900000181
Figure BDA0002912022900000182
Figure BDA0002912022900000183
Figure BDA0002912022900000184
式中，X为输入样本，Xi为训练集第i个样本数据，σ为光滑因子，Yij为第i个输出样本Yi中的第j个元素；
步骤6.3、GRNN的网络参数只有光滑因子，因此我们使用SA-BAS算法来寻找最优光滑因子σ；首先输入训练数据，并初始化参数：天牛初始位置X0＝1，温度T＝200，步长因子α＝0.95，最大迭代次数N＝200，退火循环次数L＝100，质心到触须的距离d＝1.5，计数器h归为1；
步骤6.4、设置天牛的步长S＝T，同时计数器t归为1；
步骤6.5、根据公式(27)更新天牛左、右须位置，根据公式(28)更新天牛位置Xt+1，根据Metropolis准则计算其概率，判断是否接受Xt+1作为新解，如式(29)所示，更新步长St＝αSt-1，根据式(30)更新质心到触须的距离，判断计数器t是否大于等于退火循环次数L，若是，则执行步骤6.6，否则，t＝t+1，循环执行步骤6.5；
Figure BDA0002912022900000191
Figure BDA0002912022900000192
Figure BDA0002912022900000193
Figure BDA0002912022900000194
式中，
Figure BDA0002912022900000195
为随机单位向量，取右须指向左须的方向为天牛在空间中的朝向，sign()为符号函数，值大于零，取1，小于零，取-1，等于零，取0，T为当前温度，ΔT＝f(Xt+1)-f(Xt)，
Figure BDA0002912022900000196
为适应度函数的表达式，ωj为特征权重，xij为训练样本网络输出值，
Figure BDA0002912022900000197
为训练样本预期输出值；
步骤6.6、根据公式(31)更新自适应因子β，T＝βT，判断计数器h是否大于等于迭代次数N，若达到，则输出最优天牛位置作为最优光滑因子，训练结束，否则，h＝h+1，执行步骤6.4。
Figure BDA0002912022900000201
式中，fh为当前适应度值，fmin为历史最优适应度值；
用训练好的光滑因子结合步骤6.2条件，搭建GRNN网络，从而进行待测样本的深度再识别，完成非侵入式家电负荷二次识别。
本发明一种非侵入式家电负荷深度再识别方法，通过GLR与F检验相结合的事件检测算法，定位事件发生时刻，使用半监督的Relief-F与mRmR相结合的算法，筛选出与电气标签相关性大的特征，通过自适应FCM1与FCM2组合进行一次判别，使用改进的GRNN进行最终判别，减少了误判和特征冗余，结果与其他文献方法相比，识别准确率较高，识别速率快。

Claims (7)

1.一种非侵入式家电负荷深度再识别方法，其特征在于，具体按照以下步骤实施：
步骤1、获取用户高频数据，对获取的用户高频数据进行去噪处理；
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、针对步骤3提取的多维特征，用半监督的Relief-F与mRmR相结合的算法，筛选相关特征；
步骤5、将步骤4得到的特征作为负荷印记，通过自适应FCM算法建立负荷特征库，使用最大隶属度对用户内部家电负荷工作状态进行识别，若两种FCM算法识别结果一致，则结束，不一致则执行步骤6；
步骤6、对GRNN网络的参数光滑因子采用SA-BAS算法进行训练，利用训练好的GRNN网络进行待测样本的二次识别，完成非侵入式家电负荷深度再识别。
2.根据权利要求1所述的一种非侵入式家电负荷深度再识别方法，其特征在于，所述步骤1具体按照以下步骤实施：
步骤1.1、获取包含电气参数的高频家电负荷数据，具体表现为电压、电流和对应功率；
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xj(-∞<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xi-N,…,xi,…,xi+N，其中xi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。
3.根据权利要求1所述的一种非侵入式家电负荷深度再识别方法，其特征在于，所述步骤2具体按照以下步骤实施：
步骤2.1、根据式(1)计算基波有功功率P1，将其联合有功功率P作为二维功率时间序列
Figure FDA0002912022890000021
根据式(2)提出二元假设检验；
Figure FDA0002912022890000022
Figure FDA0002912022890000023
式中，V1为基波电压，I1为基波电流，
Figure FDA0002912022890000024
为二者的相位差。nc为变点发生时刻，k为窗口总长度，n为窗口中最后一个样本时刻，μ0,∑0为假设检验H0条件下的高斯分布均值，协方差矩阵，μa,∑a为H1条件下变点发生之前的多维信号均值、多维协方差矩阵，μb,∑b为H1条件下变点发生之后的多维信号均值、多维协方差矩阵；
步骤2.2、在此时间序列内定义两个连续的窗口Wa和Wb，两窗口内样本为Xn＝{xm,m＝n-k+1,…,n}，两窗口长度均为k/2，根据式(3)、式(4)分别计算两窗口内的μ和Σ，之后根据式(5)计算决策函数gn；
Figure FDA0002912022890000025
Figure FDA0002912022890000031
Figure FDA0002912022890000032
步骤2.3、将gn与阈值h1比较，寻找事件发生的可疑点：当决策函数值大于h1时，拒绝H0，两窗口内部数据分布不一致，在变点时刻nc有发生事件的可能；当决策函数小于h1时，拒绝H1，两窗口数据分布一致，无事件发生。且当检测出的多个事件的采样点连续或间隔在3个之内时，将其视为仅有最大gn对应的事件发生；
步骤2.4、以此事件点为基点，对误检的事件进行F检验筛选。首先假设基点前后窗口数据的方差值相等：
Figure FDA0002912022890000033
根据公式(6)计算统计量F的数值，给定显著水平α，若F的数值满足式(7)，则拒绝假设H0，认为两个母体方差有显著差异，判断该点有事件发生；
Figure FDA0002912022890000034
Figure FDA0002912022890000035
式中，n1,
Figure FDA0002912022890000036
n2,
Figure FDA0002912022890000037
分别为基点前后窗口的样本容量和方差。
4.根据权利要求1所述的一种非侵入式家电负荷深度再识别方法，其特征在于，所述步骤3具体按照以下实施：提取变点的功率特征，具体有：有功功率、基波有功功率、无功功率、基波无功功率、视在功率、失真功率、功率因数角、基波功率因数；提取变点处的谐波特征，具体有电压、电压的一至九次的各次谐波幅值、各次谐波含有率、各次谐波含有率之差、总谐波畸变率；电流波形特征，包括其波峰值、平均值、波峰系数；提取变点处的V-I轨迹特征，具体有：对称性、环绕方向、环绕面积、交点个数、Y轴截距、Y轴跨距、中线曲率、轨迹中间部分峰值、左右部分面积、中间部分形状、瞬时导纳标准差。
5.根据权利要求1所述的一种非侵入式家电负荷深度再识别方法，其特征在于，所述步骤4具体按照以下步骤实施：
步骤4.1、将部分多维特征样本贴上标签，记为有标记样本S1，剩余记为无标记样本S2，标签为C，多维特征集合为A＝(A1,A2,…,AN)；
步骤4.2、从S1中随机抽取一个样本s，其类别为Cq(Cq∈C)；从S2中选出d个近邻样本，记为
Figure FDA0002912022890000041
在S1中从除Cq之外的每一类Cp∈C(p≠q)中，分别求解s的一个最近邻样本x；并在S2中求解x的d个近邻样本，记为
Figure FDA0002912022890000042
其中近邻公式如式(8)所示；基于公式(9)更新所有特征权重；
Figure FDA0002912022890000043
Figure FDA0002912022890000044
Figure FDA0002912022890000045
式中，M表示迭代次数，d为近邻样本个数，
Figure FDA0002912022890000046
为样本s所属的q类中的第t个近邻样本，
Figure FDA0002912022890000047
表示不同于样本s类别的第p类中的第t个近邻样本，P(Cp)表示第p类目标的概率，Ak为第k个特征，
Figure FDA0002912022890000048
表示样本s和样本
Figure FDA0002912022890000049
关于特征Ak的距离；
步骤4.3、将步骤4.2循环执行M次，并得到半监督Relief-F最终输出的特征权重ωk'(k＝1,2,…,w')，剔除权重系数小于θ的特征，得到一个候选特征子集，进而对其进行半监督mRmR特征选择；
步骤4.4、根据公式(11)在有标记样本S1中计算各特征与样本标签的相关度，根据公式(12)在无标记样本S2中计算各特征的冗余度；
Figure FDA0002912022890000051
Figure FDA0002912022890000052
式中，
Figure FDA0002912022890000053
表示在有标签样本S1中计算Ak与标签C的互信息，R(Ak,Sm-1)表示已有特征子集Sm-1，其包含m-1个特征，不在Sm-1子集中的特征Ak与已选特征的冗余度；
步骤4.5、建立特征候选集H，选择最大相关度Dmax对应特征作为候选集首项H1，根据式(13)依次选择第k个特征Ak放入H中，直至选出指定特征个数w；
Figure FDA0002912022890000054
步骤4.6、根据式(14)计算各特征权重。
Figure FDA0002912022890000055
6.根据权利要求1所述的一种非侵入式家电负荷深度再识别方法，其特征在于，所述步骤5具体按照以下步骤实施：
步骤5.1、设置初始聚类数目b，基于最大最小距离算法确定初始聚类中心，同时，计数器k归零；
a、计算数据集的平均值x，记距平均值最远的样本点为V1j(j＝1,2,…,w)；
b、根据公式(15)计算每个数据点与已选聚类中心的最小距离Dx，选择Dx最大值点作为新的聚类中心；c、重复步骤b直至选出b个初始聚类中心；
Dx＝min d(xi,Z'k)k'＝1,…,kselected (15)
Figure FDA0002912022890000061
步骤5.2、构建FCM1算法的损失函数L1如式(17)所示，对uij，λj和vik求偏导并组合，利用推导出的式(18)和式(19)进行uij和vik的迭代更新；
Figure FDA0002912022890000062
Figure FDA0002912022890000063
Figure FDA0002912022890000064
式中，n为样本个数，b为聚类数目，w为特征数目，
Figure FDA0002912022890000065
为样本权重，uij为第j个样本属于第i类的隶属度，v为聚类中心矩阵，Tu∈(0,∞)取代模糊指数m，用于控制熵值，引入了最大熵作为正则化；
步骤5.3、计算J1的值，若
Figure FDA0002912022890000066
初始聚类数目b的聚类完成，迭代终止，否则，k＝k+1，转至步骤5.2继续迭代，直至满足要求；
步骤5.4、根据公式(20)计算初始聚类数b的聚类有效性指标，即轮廓系数Sb，若其满足Sb-2＜Sb-1且Sb-1＞Sb，则自适应FCM1分类结束，否则，判断聚类数目b是否达到最大值
Figure FDA0002912022890000067
若达到最大值，则取所有Sb中最大值所对应的b,u,v，若未达到最大值，则b＝b+1，并返回执行步骤5.1；
Figure FDA0002912022890000068
式中，n为样本个数，a(i)为样本点i与同簇剩余样本对象的平均距离，b(i)为样本点i与剩余每个簇的样本对象平均距离的最小值，Sb在[-1,1]之间，S值越大，聚类效果越好；
步骤5.5、将FCM1的最佳聚类数目b设置为FCM2的聚类数，同样采取最大最小距离算法确定初始聚类中心，同时，计数器k归零；
步骤5.6、构建FCM2算法的损失函数J2如式(21)所示，对vik求偏导，利用推导出的式(22)进行vik的迭代更新，采样投影梯度下降法对uij进行迭代：
Figure FDA0002912022890000071
Figure FDA0002912022890000072
式中，λ≥0为正交约束参数，函数第二项为对隶属度矩阵增加近似正交约束，来平衡不平衡数据的影响，其中uip表示第i个样本点属于类簇p的隶属度，它是由原始隶属度函数uip'经过
Figure FDA0002912022890000073
变换而来；
步骤5.7、计算J2的值，若
Figure FDA0002912022890000074
则FCM2聚类完成，迭代终止，否则，k＝k+1，转至步骤5.6继续迭代，直至满足
Figure FDA0002912022890000075
负荷特征库中的FCM算法的聚类数和聚类中心确定完毕；
步骤5.8、输入待测样本，由负荷特征库确定初始聚类中心，通过FCM聚类得到隶属度函数，取待辨识样本对应的隶属度向量并输出，对隶属度进行排序，取最大隶属度对应类别，记为待辨识样本的所属负荷类别。若FCM1和FCM2的样本辨识结果一致，则算法识别结束，最大隶属度对应类别即为样本最终识别结果，若不一致，则执行步骤6。
7.根据权利要求1所述的一种非侵入式家电负荷深度再识别方法，其特征在于，所述步骤6具体按照以下步骤实施：
步骤6.1、将FCM辨识结果一致的样本组合起来，作为训练集来训练改进的GRNN神经网络；
步骤6.2、设置参数：输入层神经元个数为特征维数w；模式层神经元为训练集的样本集样本个数n，对于第i个神经元的传递函数如式(23)所示；求和层包含两种类型的神经元，一种是对所有模式层神经元的输出进行算数求和，其传递函数如式(24)所示，另一种是对所有模式层神经元的输出进行加权求和，其传递函数如式(25)所示；输出层神经元个数等于训练样本中输出向量的维数，即聚类的电器类别数b，它的网络输出为两种神经元相除，如式(26)所示；
Figure FDA0002912022890000081
Figure FDA0002912022890000082
Figure FDA0002912022890000083
Figure FDA0002912022890000084
式中，X为输入样本，Xi为训练集第i个样本数据，σ为光滑因子，Yij为第i个输出样本Yi中的第j个元素；
步骤6.3、GRNN的网络参数只有光滑因子，因此我们使用SA-BAS算法来寻找最优光滑因子σ；首先输入训练数据，并初始化参数：天牛初始位置X0＝1，温度T＝200，步长因子α＝0.95，最大迭代次数N＝200，退火循环次数L＝100，质心到触须的距离d＝1.5，计数器h归为1；
步骤6.4、设置天牛的步长S＝T，同时计数器t归为1；
步骤6.5、根据公式(27)更新天牛左、右须位置，根据公式(28)更新天牛位置Xt+1，根据Metropolis准则计算其概率，判断是否接受Xt+1作为新解，如式(29)所示，更新步长St＝αSt-1，根据式(30)更新质心到触须的距离，判断计数器t是否大于等于退火循环次数L，若是，则执行步骤6.6，否则，t＝t+1，循环执行步骤6.5；
Figure FDA0002912022890000091
Figure FDA0002912022890000092
Figure FDA0002912022890000093
Figure FDA0002912022890000094
式中，
Figure FDA0002912022890000095
为随机单位向量，取右须指向左须的方向为天牛在空间中的朝向，sign()为符号函数，值大于零，取1，小于零，取-1，等于零，取0，T为当前温度，ΔT＝f(Xt+1)-f(Xt)，
Figure FDA0002912022890000096
为适应度函数的表达式，ωj为特征权重，xij为训练样本网络输出值，
Figure FDA0002912022890000097
为训练样本预期输出值；
步骤6.6、根据公式(31)更新自适应因子β，T＝βT，判断计数器h是否大于等于迭代次数N，若达到，则输出最优天牛位置作为最优光滑因子，训练结束，否则，h＝h+1，执行步骤6.4。
Figure FDA0002912022890000098
式中，fh为当前适应度值，fmin为历史最优适应度值；
用训练好的光滑因子结合步骤6.2条件，搭建GRNN网络，从而进行待测样本的深度再识别，完成非侵入式家电负荷最终识别。
CN202110089840.XA 2021-01-22 2021-01-22 一种非侵入式家电负荷深度再识别方法 Active CN112821559B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110089840.XA CN112821559B (zh) 2021-01-22 2021-01-22 一种非侵入式家电负荷深度再识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110089840.XA CN112821559B (zh) 2021-01-22 2021-01-22 一种非侵入式家电负荷深度再识别方法

Publications (2)

Publication Number Publication Date
CN112821559A true CN112821559A (zh) 2021-05-18
CN112821559B CN112821559B (zh) 2023-08-01

Family

ID=75858877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110089840.XA Active CN112821559B (zh) 2021-01-22 2021-01-22 一种非侵入式家电负荷深度再识别方法

Country Status (1)

Country Link
CN (1) CN112821559B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113595242A (zh) * 2021-06-28 2021-11-02 湖南大学 一种基于深度cnn-hmm的非侵入式负荷辨识方法
CN113723479A (zh) * 2021-08-18 2021-11-30 南京工程学院 一种基于grnn与均值漂移算法的非侵入式负荷识别方法
CN114325081A (zh) * 2021-12-29 2022-04-12 润建股份有限公司 一种基于多模态特征的非侵入式负荷识别方法
CN114384999A (zh) * 2021-11-19 2022-04-22 福州大学 基于自适应学习的用户无关肌电手势识别***
CN116893314A (zh) * 2023-09-04 2023-10-17 国网浙江省电力有限公司余姚市供电公司 一种非侵入式电力负荷监测方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160141032A (ko) * 2015-05-27 2016-12-08 전자부품연구원 S-fhmm을 이용한 비접촉식 기기 부하 식별 방법 및 시스템
CN108846530A (zh) * 2018-09-28 2018-11-20 国网上海市电力公司 一种基于“聚类-回归”模型的短期负荷预测方法
CN108898154A (zh) * 2018-09-29 2018-11-27 华北电力大学 一种电力负荷som-fcm分层聚类方法
CN110555369A (zh) * 2019-07-16 2019-12-10 浙江工业大学 一种基于mlcdtl的非侵入式负荷识别方法
CN110866841A (zh) * 2019-11-20 2020-03-06 江苏方天电力技术有限公司 基于双聚类法的电力用户行业维度用电模式辨识分析方法及***
CN110991818A (zh) * 2019-11-14 2020-04-10 广西电网有限责任公司电力科学研究院 一种融合事件检测和神经网络的负荷识别方法
CN112101110A (zh) * 2020-08-13 2020-12-18 西安理工大学 一种电力***用户侧非侵入式负荷识别的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160141032A (ko) * 2015-05-27 2016-12-08 전자부품연구원 S-fhmm을 이용한 비접촉식 기기 부하 식별 방법 및 시스템
CN108846530A (zh) * 2018-09-28 2018-11-20 国网上海市电力公司 一种基于“聚类-回归”模型的短期负荷预测方法
CN108898154A (zh) * 2018-09-29 2018-11-27 华北电力大学 一种电力负荷som-fcm分层聚类方法
CN110555369A (zh) * 2019-07-16 2019-12-10 浙江工业大学 一种基于mlcdtl的非侵入式负荷识别方法
CN110991818A (zh) * 2019-11-14 2020-04-10 广西电网有限责任公司电力科学研究院 一种融合事件检测和神经网络的负荷识别方法
CN110866841A (zh) * 2019-11-20 2020-03-06 江苏方天电力技术有限公司 基于双聚类法的电力用户行业维度用电模式辨识分析方法及***
CN112101110A (zh) * 2020-08-13 2020-12-18 西安理工大学 一种电力***用户侧非侵入式负荷识别的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
PAULO RICARDO ZAMBELLI TAVEIRA ET AL.: "Non-Intrusive Identification of Loads by Random Forest and Fireworks Optimization", 《IEEE》 *
江帆 等: "基于广义回归神经网络的非侵入式负荷识别方法", 《电测与仪表》 *
汪繁荣 等: "基于聚类特征及seq2seq深度CNN的家电负荷识别方法研究", 《电测与仪表》 *
满蔚仕 等: "利用快速S变换的电能质量扰动识别方法", 《西安交通大学学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113595242A (zh) * 2021-06-28 2021-11-02 湖南大学 一种基于深度cnn-hmm的非侵入式负荷辨识方法
CN113595242B (zh) * 2021-06-28 2024-02-20 湖南大学 一种基于深度cnn-hmm的非侵入式负荷辨识方法
CN113723479A (zh) * 2021-08-18 2021-11-30 南京工程学院 一种基于grnn与均值漂移算法的非侵入式负荷识别方法
CN114384999A (zh) * 2021-11-19 2022-04-22 福州大学 基于自适应学习的用户无关肌电手势识别***
CN114384999B (zh) * 2021-11-19 2023-07-21 福州大学 基于自适应学习的用户无关肌电手势识别***
CN114325081A (zh) * 2021-12-29 2022-04-12 润建股份有限公司 一种基于多模态特征的非侵入式负荷识别方法
CN116893314A (zh) * 2023-09-04 2023-10-17 国网浙江省电力有限公司余姚市供电公司 一种非侵入式电力负荷监测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112821559B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN112821559B (zh) 一种非侵入式家电负荷深度再识别方法
Ahmed et al. Feature selection–based detection of covert cyber deception assaults in smart grid communications networks using machine learning
CN109145516B (zh) 一种基于改进型极限学习机的模拟电路故障识别方法
CN109886464B (zh) 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法
CN112732748B (zh) 一种基于自适应特征选择的非侵入式家电负荷识别方法
CN111563827A (zh) 基于电器物理特性及居民用电行为的负荷分解方法
CN113641906A (zh) 基于资金交易关系数据实现相似目标人员识别处理的***、方法、装置、处理器及其介质
CN115375921A (zh) 两级非侵入式负荷识别方法及终端
CN112085111A (zh) 一种负荷辨识方法和装置
CN115079052A (zh) 一种变压器故障诊断方法和***
Wu et al. Weak NAS Predictor Is All You Need
CN115114484A (zh) 异常事件检测方法、装置、计算机设备和存储介质
Abbas et al. Volterra-system identification using adaptive real-coded genetic algorithm
Herath et al. Comprehensive analysis of convolutional neural network models for non-instructive load monitoring
CN117278314A (zh) 一种DDoS攻击检测方法
CN112422546A (zh) 一种基于变邻域算法和模糊聚类的网络异常检测方法
CN111797979A (zh) 基于lstm模型的振动传递***
Al-Khamees et al. Data Stream Clustering Using Fuzzy-based Evolving Cauchy Algorithm.
CN116400168A (zh) 一种基于深度特征聚类的电网故障诊断方法及***
CN116318925A (zh) 一种多cnn融合入侵检测方法、***、介质、设备及终端
CN115022138A (zh) 一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法
CN114124437A (zh) 基于原型卷积网络的加密流量识别方法
Chandrasekhar et al. Performance analysis of enhanced clustering algorithm for gene expression data
Reddy et al. Reducing runtime values in minimum spanning tree based clustering by visual access tendency
Perez et al. Face Patches Designed through Neuroevolution for Face Recognition with Large Pose Variation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230706

Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Wanzhida Technology Co.,Ltd.

Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 5

Applicant before: XI'AN University OF TECHNOLOGY

Effective date of registration: 20230706

Address after: 628, building 118, No.72 Guowei Road, Xianhu community, Liantang street, Luohu District, Shenzhen, Guangdong 518000

Applicant after: Wuxing Technology (Shenzhen) Co.,Ltd.

Address before: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Applicant before: Shenzhen Wanzhida Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant