[发明专利]基于状态矩阵决策树的非侵入式负荷检测与分解方法

说明书

本发明涉及基于状态矩阵决策树的非侵入式负荷检测与分解方法，包括以下步骤：S1、对样本数据进行预处理，包括数据清洗、数据集成和数据归约，得到有效的样本数据；S2、利用频谱分析确定数据样本周期；S3、基于顺序向前特征选择算法与K‑means聚类算法选择负荷特征，再根据样本周期，利用时序特征选择算法，提取辨识度高的负荷特征；S4、基于改进型滑动窗双边CUSUM事件检测算法与决策树的负荷识别与分解，建立自动识别的单一设备工作状态模型，在此基础上，引入状态矩阵决策树，建立负荷时序特征概率模型，从而实现叠加设备工作状态的自动识别。本发明的方法识别效率高，具有很好的实用性。

技术领域

本发明涉及电力大数据领域，具体地涉及基于状态矩阵决策树的非侵入式负荷检测与分解方法。

背景技术

近几年，基于量测传感技术的自动用电负荷监测与分解方法较人工调查方法具有明显优势，因而被广泛关注。其实现方式主要分为两种：

一种在总负荷内部为每个用电设备配备带有数字通信功能的传感器，通过通讯网络采集各用电设备的用电信息，这种方式称为侵入式电力负荷监测(intrusiveresidential load monitoring，ILM)；另一种仅在电网的用户入口处安装一个传感器，通过采集和分析用户用电总功率或总电流来监测每个或每类用电设备的用电功率和工作状态，从而了解用户家中每个或每类用电设备的耗电情况和用电规律，这种方式称作非侵入式电力负荷监测与分解(non-intrusive load monitoring and decomposition，NILMD)。

基于NILMD技术的用电分析计量是以具体到户内用电设备的用电信息为监测目标的，因而所得信息对于电力公司优化电网的规划、运行和管理，用户节省耗电量和电费，以及全社会把提高生态文明意识落实到具体行动中去均有重要意义。相较于内置传感器的侵入式检测，非侵入式居民电力负荷检测与分解技术是目前最为流行且成本较低的负荷耗电细节检测技术。

现有非侵入式居民电力负荷检测与分解方法在负荷识别的运用中效率并不是十分理想，并且算法相对复杂。

发明内容

为此，本发明提出一种基于状态矩阵决策树的非侵入式负荷检测与分解方法，以解决上述技术问题。为此，本发明采用的具体方案如下：

基于状态矩阵决策树的非侵入式负荷检测与分解方法，包括以下步骤：

S1、对样本数据进行预处理，包括数据清洗、数据集成和数据归约，得到有效的样本数据；

S2、利用频谱分析确定数据样本周期；

S3、基于顺序向前特征选择算法与K-means聚类算法选择负荷特征，再根据样本周期，利用时序特征选择算法，提取辨识度高的负荷特征；

S4、基于改进型滑动窗双边CUSUM事件检测算法与决策树的负荷识别与分解，建立自动识别的单一设备工作状态模型，在此基础上，引入状态矩阵决策树，建立负荷时序特征概率模型，从而实现叠加设备工作状态的自动识别。

进一步地，数据清洗的方法为格拉布斯法，通过判断样本数据中的“可疑值”，计算偏离值确定“可疑值”，并计算G_i值，通过查找格拉布斯表，将G_i值与格拉布斯表给出的临界值GP(n)比较，若G_i值大于表中的临界值GP(n)，则判断该样本数据是异常值。

进一步地，数据集成的方法为相关系数法，通过计算经过数据清洗后的样本数据的标准差和协方差计算得出相关系数，根据相关系数的数值判断两者关系的强弱，相关系数的取值区间在1到-1之间，其中，1表示两个变量完全线性相关，-1表示两个变量完全负相关，0表示两个变量不相关，数据越趋近于0表示相关关系越弱。