[发明专利]一种基于Boost模型的非侵入式用电器识别方法

权利要求书

1.一种基于Boost模型的非侵入式用电器识别方法，其特征在于，包括以下步骤：

步骤一：采用无标签数据收集，对电表数据进行收集，实时判断功率值突变的时点，并对前后短时间段内的数据进行储存；

步骤二：进入用户训练阶段，指引用户对需要识别的用电器分别进行开关操作，并记录相应时段中的电表功率突变事件前后短时间段内的数据和对应的用电器标签；

步骤三，训练初步模型，先利用Bootstrap算法扩展有标签集，与无标签集一起组合成训练集，再用Boost算法为每一种有标签的用电器建立一个分类模型；

所述Boost算法过程如下：

S21：从样本整体集合D中，不放回的随机抽样n₁ n个样本，得到集合D1，用以训练弱分类器C1；

S22：从样本整体集合D中，抽取 n₂ n 个样本，其中合并进一半被 C1 分类错误的样本，得到样本集合 D2，用以训练弱分类器C2；

S23：重复S21、S22步，得到n分类器的集合（C1，C2，…,Cn），当待识别数据进入时，用所有分类器的分类结果的加权和Y=I(∑yi/n)作为输出分类，其中yi表示每个分类器对待识别数据的预测结果，I(x)为符号函数，若x为非负数，则结果输出1，若x为负数，结果输出-1；

步骤四，预识别阶段，即实时收集功率突变事件，用训练好的模型对其分类，并向用户显示识别出的用电器结果，并让用户选择正确或错误；

步骤五，精度提高阶段，即通过预识别阶段的新样本和新标签，并将其添加到原有的有标签数据集中，重复步骤三和步骤四；

步骤六，正式识别阶段，即用已经达到精度要求的模型对用电器进行识别，并实时反馈给用户或需求方。

2.根据权利要求1所述的一种基于Boost模型的非侵入式用电器识别方法，其特征在于，通过所述弱分类器推导决策树分类器，具体算法如下：

S31：根据i=argmax IG(xi) 选择最大熵增变量，其中IG()为信息增益函数；

S32：将以变量i的值大小为分类标准，建立二叉分类树；

S33：重复S31、S31步，直到无法选出显著熵增变量，所有分类规则组成的序列即是一个决策树分类器。

3.根据权利要求2所述的一种基于Boost模型的非侵入式用电器识别方法，其特征在于，所述二叉分类树的推导过程如下：

S41：假设样本X是n为向量，X={x₁, x₂, x₃, …, x_n}，通过计算x₁, x₂, x₃, …, x_n的信息增益；

S42：选取信息增益最大的维度，假设计算x₁的信息增益最大，根据x₁的信息，将数据集划分成两类，分别为左节点集和右节点集，构造一个决策树桩；

S43：分别对左节点集或者右节点集重复上述步骤，最终我们就可以得到一个二叉分类树。