[发明专利]一种基于多维度集成的电力指纹识别方法

说明书

本发明公开了一种基于多维度集成的电力指纹识别方法，包括以下步骤：步骤S1、获取用电器的电力指纹数据；步骤S2、根据时间维度数据集训练分类器C1；步骤S3、根据暂态维度数据集训练分类器C2；步骤S4、根据暂态维度数据集训练分类器C3；步骤S5、将待识别电器的数据输入分类器C1、C2、C3中得到结果；步骤S6、根据分类器输出结果校正每个电器类别的初始概率，得到后验概率；步骤S7、比较所有电器的后验概率，选出最大的作为识别结果，完成识别；步骤S8、检验步骤S7得到的结果，若通过检验，则完成识别。

技术领域

本发明涉及电气负荷识别领域，特别是涉及一种基于多维度集成的电力指纹识别方法。

背景技术

目前所提出的众多电力负荷识别方法，主要集中在用不同的机器学习算法和人工规则对电器的暂态特征、稳态特征或者用户行为特征来进行识别。

如唐璐等人提出的基于卷积神经网络的非侵入式负荷识别方法(唐璐,颜钟宗,温和,唐立军.基于卷积神经网络的非侵入式负荷识别方法[J].云南电力技术,2019,47(02):2-4+10.)，通过采集离散的功率点，然后用卷积神经网络来训练识别模型；刘恒勇等人提出的一种基于LSTM模型的电力负荷辨识方法(刘恒勇,刘永礼,邓世聪,史帅彬,闵若琳,周东国.一种基于LSTM模型的电力负荷辨识方法[J].电测与仪表,2019,56(23):62-69.)，利用高斯窗移动变点寻优算法监测负荷事件，再提取谐波分量作为负荷特征标签作为LSTM模型的输入来识别负荷；华亮亮等人提出基于DTW算法的非侵入式家居负荷行为识别方法(华亮亮,黄伟,杨子力,王钰,张可佳.基于DTW算法的非侵入式家居负荷行为识别方法[J].电测与仪表,2019,56(14):17-22.)，通过采集设备突变的稳态功率波形，利用动态时间弯曲算法与数据库匹配来识别负荷。这几类方法总体而言有以下两大特点：识别率高但是个别电器识别率低、自身样本识别率高但是泛化能力差的问题，从本质上来讲这些方法都是利用单一维度数据来进行负荷识别，没有考虑负荷在不同的维度上存在不同的辨识度。电力指纹识别技术从电力负荷识别技术发展而来，通过综合多个维度特征的识别结果，来弥补不同算法、不同特征下识别模型的缺陷问题，实现可以保持较高总体的识别率，又可以解决部分电器识别率低的问题。

发明内容

基于此，本发明提出一种基于多维度集成的电力指纹识别方法。该方法基于贝叶斯原理，可以解决多个维度特征识别结果的综合问题，并具备一定的灵活性和扩展性；同时将概率的放大倍数作为识别结果的评判依据，既能够体现上述方法对正确结果概率的提升作用，又能够解决某类电器初始概率较小导致识别不出的问题；最后提出了将结果代入到查全率较高的分类器中观察的新型检验方式。

一种基于多维度集成的电力指纹识别方法，包括以下步骤：

步骤S1、获取用电器的电力指纹数据；

步骤S2、将步骤S1获取的时间维度数据集D₁训练分类器C₁，并计算出每个用电器的概率矩阵M₁；

步骤S3、将步骤S1获取的暂态维度数据集D₂训练分类器C₂，并计算出每个用电器的概率矩阵M₂；

步骤S4、将步骤S1获取的稳态维度数据集D₃训练分类器C₃，并计算出每个用电器的概率矩阵M₃；

步骤S5、将待识别电器的数据输入分类器C₁、分类器C₂、分类器C₃中，依次得到分类结果R₁、R₂、R₃；