一种非侵入式负荷识别中关键特征的筛选方法技术

本发明专利技术适用于电力负荷监测技术领域，提供了一种非侵入式负荷识别中关键特征的筛选方法，获取电力负荷的特征信息和相适配的样本数据，计算出每个特征信息对应数据的平均值，每个样本数据减去对应的平均值，得到新的样本，使用pca算法计算出数据的协方差矩阵，根据协方差矩阵计算出想对应的特征值，将特征值按照从大到小的顺序排列，取前k个最大特征值，从而得出前k个最大特征值对应的特征信息，通过pca算法计算出的特征值，可以过滤掉特征间相关性较大的相关特征，避免人为筛选特征信息带有极强的主观因素。

A screening method of key features in noninvasive load identification

【技术实现步骤摘要】
一种非侵入式负荷识别中关键特征的筛选方法
本专利技术属于电力负荷监测
，尤其涉及一种非侵入式负荷识别中关键特征的筛选方法。
技术介绍
随着智能电网的发展，电力负荷中居民用户用电负荷所占的比重越来越大，作为电力负荷的重要组成部分，居民用户域负荷日益引起社会的广泛关注，居民用户域的负荷在线监测是实现居民用户用电可视化的基础，它有助于用户了解家庭内不同时段各电器设备的具体能耗情况，据此来制定合理的用电计划，完善能源消费结构，促进能源有效利用，减少家庭电费开支，居民用户域负荷在线监测对推进整个社会的节能减排、缓解能源危机起着重要的作用。如今，有很多学者和工程师使用机器学习方法来进行非侵入式负荷识别，机器学习的一个重要的部分就是特征的输入，其中最关键的影响因素就是电力特征的选择；现有的特征的组织和提取方法，一般是通过研究者自己的主观判断来进行的，带有极强的主观因素，同时特征之间很多又可能会有较强的相关性，不必要的特征会对机器学习训练过程产生影响。
技术实现思路
本专利技术针对非侵入式负荷识别中的关键特征的选取，提供了一种基于pca算法的筛选方法，过滤掉特征间相关性较大的那部分。本专利技术解决其技术问题所采用的技术方案是：一种非侵入式负荷识别中关键特征的筛选方法，其特征在于：所述方法包括以下步骤：步骤1：获取电力负荷的若干特征信息；步骤2：获取m个样本数据，每个样本数据分别对应的若干特征信息数据；步骤3：对所有样本数据进行数据中心化；步骤4：基于数据中心化的所有样本数据，使用pca算法计算出协方差矩阵C；步骤5：根据协方差矩阵C计算出对应的特征值，将特征值从大到小排序；步骤6：获取前k个特征值，得出前k个最大特征值对应的特征信息作为非侵入式负荷识别的关键特征。优选的，所述步骤1中，获取电力负荷的特征信息，其特征信息包括选取负荷启动时的冲击电流、高次谐波、稳态电流、采样电流序列的平均值和方差。优选的，所述步骤1中的特征信息的数量为n个，所述特征信息为n维数据。优选的，所述步骤2中获取m个样本数据，组成m*n的样本矩阵。优选的，所述步骤3中，对所有样本数据进行中心化具体包括以下步骤：步骤3.1：计算出每个特征信息对应的数据平均值；步骤3.2：每个样本数据都减去相对应的数据平均值；步骤3.3：经过处理后得到新的样本数据值。优选的，所述步骤6设置有多次筛选。优选的，所述多次筛选是重复步骤2至步骤5十次，得出每组特征值排序后对应的特征信息排序，根据十组数据的综合排列顺序，选出前k个特征信息作为非侵入式负荷识别的关键特征。优选的，所述步骤6中，将得到的k个特征信息传输到控制中心。优选的，所述步骤6中，k为预先设定的需要筛选出关键特征的数量。优选的，所述k的值小于等于所述n的值。本专利技术的有益效果是：获取电力负荷的特征信息和相适配的样本数据，计算出每个特征信息对应数据的平均值，每个样本数据减去对应的平均值，得到新的样本，使用pca算法计算出数据的协方差矩阵，根据协方差矩阵计算出想对应的特征值，将特征值按照从大到小的顺序排列，取前k个最大特征值，从而得出前k个最大特征值对应的特征信息，通过pca算法计算出的特征值，可以过滤掉特征间相关性较大的相关特征，避免人为筛选特征信息带有极强的主观因素。附图说明图1为本专利技术的流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。请参阅图1，一种非侵入式负荷识别中关键特征的筛选方法，其特征在于：方法包括以下步骤：步骤1：获取电力负荷的若干特征信息；步骤2：获取m个样本数据，每个样本数据分别对应的若干特征信息数据；步骤3：对所有样本数据进行数据中心化；步骤4：基于数据中心化的所有样本数据，使用pca算法计算出协方差矩阵C；步骤5：根据协方差矩阵C计算出对应的特征值，将特征值从大到小排序；步骤6：获取前k个特征值，得出前k个最大特征值对应的特征信息作为非侵入式负荷识别的关键特征。本专利技术中，获取电力负荷的特征信息，特征信息的数量为n个，同时获取对应特征信息的的样本数据，样本数据的数量为m个，得到n维样本数据和m*n的样本矩阵，计算出每个特征信息对应数据的平均值，每个样本数据减去对应的平均值，得到新的样本矩阵，使用pca算法计算出样本数据的协方差矩阵，通过协方差矩阵计算出对应的特征值，将获取的特征值按照从大到小顺序排列，取前k个最大的特征值，其中k为预先设定的需要筛选出特征值的数量，根据得到的特征值获取对应的特征信息，将特征信息传输到控制中心，经过pca算法筛选出的特征信息，过滤了特征间相关性较大的相关特征，避免人为筛选特征信息带有极强的主观因素。进一步的，步骤1中，获取电力负荷的特征信息，其特征信息包括选取负荷启动时的冲击电流、高次谐波、稳态电流、采样电流序列的平均值和方差。本专利技术中，电力负荷特征可以抽象出来的特征可以多达近百种，例如选取负荷启动时的冲击电流、高次谐波、稳态电流、采样电流序列的平均值和方差等特征信息。进一步的，步骤1中的特征信息的数量为n个，特征信息为n维数据。进一步的，步骤2中获取m个样本数据，组成m*n的样本矩阵。本专利技术中，步骤1中的特征信息的数量为n个，步骤2中获取m个样本数据，组成了m*n的样本数据矩阵，同时，特征信息为n维数据。进一步的，步骤3中，对所有样本数据进行中心化具体包括以下步骤：步骤3.1：计算出每个特征信息对应的数据平均值；步骤3.2：每个样本数据都减去相对应的数据平均值；步骤3.3：经过处理后得到新的样本数据值。本专利技术中，首先计算出每个特征信息对应数据的平均值，每个样本数据减去对应的平均值，得到新的样本数据值，此步骤为样本数据中心化。进一步的，步骤6设置有多次筛选。进一步的，多次筛选是重复步骤2至步骤5十次，得出每组特征值排序后对应的特征信息排序，根据十组数据的综合排列顺序，选出前k个特征信息作为非侵入式负荷识别的关键特征。本专利技术中，通过多次筛选综合得出关键特征，保证筛选出的关键特征的准确性，同时避免关键特征被过滤。进一步的，步骤6中，将得到的k个特征信息传输到控制中心。进一步的，所述步骤6中，k为预先设定的需要筛选出关键特征的数量。进一步的，k的值小于等于n的值。本专利技术中，k为预先设定的需要筛选出特征值的数量,将k个特征信息传输到控制中心，方便对负荷信息的识别，通过pca算法筛选的特征信息，可以避免人为筛选特征信息带有极强的主观因素。以上所述的实施例只是本专利技术的一种非侵入式负荷识别中关键特征的筛选方法较佳的方案，并非对本专利技术作任何形式上的限制，本文档来自技高网...

【技术保护点】
1.一种非侵入式负荷识别中关键特征的筛选方法，其特征在于：所述方法包括以下步骤：/n步骤1：获取电力负荷的若干特征信息；/n步骤2：获取m个样本数据，每个样本数据分别对应的若干特征信息数据；/n步骤3：对所有样本数据进行数据中心化；/n步骤4：基于数据中心化的所有样本数据，使用pca算法计算出协方差矩阵C；/n步骤5：根据协方差矩阵C计算出对应的特征值，将特征值从大到小排序；/n步骤6：获取前k个特征值，得出前k个最大特征值对应的特征信息作为非侵入式负荷识别的关键特征。/n

【技术特征摘要】
1.一种非侵入式负荷识别中关键特征的筛选方法，其特征在于：所述方法包括以下步骤：
步骤1：获取电力负荷的若干特征信息；
步骤2：获取m个样本数据，每个样本数据分别对应的若干特征信息数据；
步骤3：对所有样本数据进行数据中心化；
步骤4：基于数据中心化的所有样本数据，使用pca算法计算出协方差矩阵C；
步骤5：根据协方差矩阵C计算出对应的特征值，将特征值从大到小排序；
步骤6：获取前k个特征值，得出前k个最大特征值对应的特征信息作为非侵入式负荷识别的关键特征。


2.如权利要求1所述的一种非侵入式负荷识别中关键特征的筛选方法，其特征在于：所述步骤1中，获取电力负荷的特征信息，其特征信息包括选取负荷启动时的冲击电流、高次谐波、稳态电流、采样电流序列的平均值和方差。


3.如权利要求1所述的一种非侵入式负荷识别中关键特征的筛选方法，其特征在于：所述步骤1中的特征信息的数量为n个，所述特征信息为n维数据。


4.如权利要求3所述的一种非侵入式负荷识别中关键特征的筛选方法，其特征在于：所述步骤2中获取m个样本数据，组成m*n的样本矩阵。


5.如权利要求4所述的一...

【专利技术属性】
技术研发人员：梁昆，张轩铭，王利强，钱伟，
申请(专利权)人：杭州拓深科技有限公司，
类型：发明
国别省市：浙江;33