[发明专利]一种基于kd-kNN的电气指纹识别方法

说明书

本发明属于电气指纹识别技术领域，具体为一种基于kd‑kNN的电气指纹识别方法。本发明采用kd树的KNN算法从负载的电气数据识别出负载类别；包括：获取待识别负载的平均电压、平均电流、平均功率、THD；经过预处理，形成一维向量数据，作为当前采集数据的唯一特征；然后基于构建好的kd‑kNN模型，进行特征分类，根据分类结果获得当前负载类别，实现电气指纹的识别。本发明利用kNN高效分类能力和kd树优化搜索能力，大大提高了电气负载的识别效率；与现有技术相比，能快速且高准确度地对电路中负载的工作状态进行识别，达到对电路进行实时监控、对危险用电进行警示等目的，具有广泛的应用场景。

技术领域

本发明属于电气指纹识别技术领域，具体涉及电气指纹识别方法。

背景技术

不同负载由于自身电阻、电感、电容等参数以及工作环境的不同，产生的电气参数，诸如电流、功率、总谐波失真度等也不同。这些对于不同负载来说独一无二的数据，正如人类的指纹一样，能够区分出不同的电气负载。通过非入侵式监控的方法，采集到电路中的电气数据，识别和记录电路中工作的电气负载，达到合理分配用电的目的。

目前机器学习在电气指纹识别领域的应用十分广泛，例如k近邻算法，受限波尔茨曼机等等。其中k近邻算法不需要模型训练，分类过程简单，分类能力强，但是需要足够的初始样本来计算预测对象与样本的相似度(这里用欧式距离表征)。相似度的计算涉及所有的初始样本，会大大增加计算量，同时降低识别速度。针对这一点，本发明提出一种方法，在传统k近邻算法的基础上，借助kd树加快识别速度，弥补传统k近邻算法在初始样本较多时识别速度低下的缺点，从而快速得到高准确率的识别结果，达到快速准确识别电气负载的目的。

发明内容

本发明针对电气负载高识别率的需求，提供了一种实时、高效，高准确率的电气指纹识别方法。

本发明提供的电气指纹识别方法，采用kd树的KNN算法(以下简称kd-kNN)，从负载的电气数据识别出负载类别，本发明利用kNN简单高效的分类能力，并利用kd树优化搜索能力，大大提高电气负载的识别效率，实现了对负载的监控，从而对用电管理提出指导性意见。

本发明提供的基于kd-kNN的电气指纹识别方法，包括：获得待识别负载的平均电压、平均电流、平均功率、THD(总谐波失真)，经过预处理，形成一维向量数据，作为当前采集数据的唯一特征；然后基于构建好的kd-kNN模型，进行特征分类，根据分类结果获得当前负载类别，实现电气指纹的识别。

具体步骤如下：

步骤1：采集用于对比测试数据的初始样本数据集，数据包括一系列单一电气负载的平均电压、平均电流、平均功率和THD，每个负载的前述参数组织成一维向量的形式，即[平均电压，平均电流，平均功率，THD]；

步骤2：对步骤1采集的电气数据预进行处理，拼接上对应负载的标签值，作为kd-kNN模型的初始样本数据集；

记录初始样本中包含的负载及状态，将其映射成数字，从0开始递增，并将初始负载的电气数据与负载对应的映射标签拼接，即[平均电压，平均电流，平均功率，THD，标签映射值]，构成完整的初始样本数据；

步骤3：将完整的初始样本构建成kd树，形成kd-kNN模型，用于对测试样本的预测；

步骤4：将测试样本输入kd-kNN模型，获得预测结果。

本发明包括初始样本数据集的构造、kd-kNN模型的构建，以及待识别负载数据的采集和分类等。

下面对各个步骤作进一步的具体说明。

步骤1：采集用于对比测试数据的初始样本数据集；