基于信息熵的制造技术

本发明专利技术提供一种基于信息熵的

【技术实现步骤摘要】
基于信息熵的ACO
‑
FCM与特征选择的非侵入式负荷监测方法


[0001]本专利技术涉及非侵入式负荷监测的无监督负荷识别
，具体涉及一种基于信息熵的
ACO
‑
FCM
与特征选择的非侵入式负荷监测方法
。

技术介绍

[0002]20
世纪
80
年代，
Hart
提出了
NILM(Non
‑
intrusive load monitor)
方
。NILM
是通过入户的总线测量装置采集到总的用电信号，通过一些计算机处理手段将总负荷分化成多个单一设备负荷，从而实现对单一设备的识别
。
智能电表技术的发展促进了
NILM
实践应用的发展
。NILM
主要问题在于总用户电信号数据的处理，通常处理方法是机器学习
(Machine learning
，
ML)
技术和深度学习
(Deep learning
，
DL)
技术
。
由于成本低
、
用户接受度好
、
装置简单，非侵入式负荷监测显现出广泛的应用价值与极大的发展前景
。
[0003]目前，
NILM
技术主要采用有监督学习和无监督学习两种分解与识别算法
。
监督学习算法需要对数据进行标记以得到训练集，然后根据训练好的标签对设备的运行状态进行识别
。
监督学习算法可以认为是机器学习的分类任务，而基于非监督学习的负荷识别不需要提前预知标签数据，具有人工干预少
、
实用性高的优点
。
其中聚类算法作为无监督负荷识别的代表，广受研究学者关注
。
传统基于聚类的无监督负荷识别算法主要有以下几点不足之处：一是聚类的负荷特征往往以功率特征为主，容易出现小功率事件误检
、
错检现象；二是部分聚类算法的辨识准确度较低，算法有待改进
。
[0004]本申请涉及的一些术语：
[0005]ACO
算法，蚁群算法；
[0006]FCM
算法，模糊
C
均值算法；
[0007]Relief
算法，
Relief
算法是一种特征权重算法；
1994
年
Kononeill
对其进行了扩展，得到了
Relief
‑
F
算法
。

技术实现思路

[0008]为解决现有技术中的至少一个技术问题，本专利技术实施例提供一种基于信息熵的
ACO
‑
FCM
与特征选择的非侵入式负荷监测方法，可以有效地提高无监督负荷识别的聚类准确率
。
为实现以上技术目的，本专利技术实施例采用的技术方案是：
[0009]本专利技术实施例提供了一种基于信息熵的
ACO
‑
FCM
与特征选择的非侵入式负荷监测方法，包括以下步骤：
[0010]步骤
S1
，对待选择的负荷特征集进行负荷特征选择，得到筛选后的负荷特征集；
[0011]步骤
S2
，对筛选后的负荷特征集采用基于信息熵的
ACO
算法进行第一阶段的聚类，获得聚类结果；
[0012]步骤
S3
，将第一阶段的聚类结果作为
FCM
算法的输入，采用
FCM
算法进行第二阶段的聚类，得到聚类结果
。
[0013]具体地，所述对待选择的负荷特征集进行负荷特征选择，包括：
[0014]步骤
S11
，对待选择的负荷特征集进行
Relief
‑
F
分数排序，
Relief
‑
F
分数指
Relief
‑
F
算法中特征的重要性，设置阈值，筛选出重要性高的负荷特征，得到初筛特征集；
[0015]步骤
S12
，对初筛特征集进行最大信息系数计算，得到
MIC
矩阵，设定最大信息系数阈值，剔除冗余特征，得到筛选后的负荷特征集
。
[0016]具体地，所述对筛选后的负荷特征集采用基于信息熵的
ACO
算法进行第一阶段的聚类，包括：
[0017]步骤
S21
，初始化确定基于信息熵的
ACO
算法最大循环次数；
[0018]步骤
S22
，计算负荷特征样本的信息熵
E(x)
：
[0019]步骤
S23
，通过计算的信息熵进行蚂蚁处理样本数据；对于蚂蚁行为按照如下方式决定：
[0020]如无负载的蚂蚁移动到样本数据
x
i
所处的网格位置，计算比较未拾取
x
i
该邻域的信息熵
E1和拾起
x
i
后该邻域的信息熵
E2，若
E1＞
E2，则拾起
x
i
；当负载
x
i
的蚂蚁移动到空白位置，计算比较若未放下
x
i
时该邻域的
E1和放下
x
i
邻域后的
E2，若
E1＜
E2，则不放下
x
i
。
[0021]具体地，所述采用
FCM
算法进行第二阶段的聚类，包括：
[0022]步骤
S31
，进行初始化，包括：设置聚类数目与模糊加权系数，设置初始聚类中心，设置最大迭代次数与停止阈值；
[0023]步骤
S32
，计算有隶属度值组成的分类矩阵；
[0024]步骤
S33
，更新聚类中心；
[0025]步骤
S34
，在约束条件下计算
FCM
目标函数；
[0026]步骤
S35
，判断目标函数是否达到最小值，如否则继续迭代，如是则输出样本聚类结果
。
[0027]本专利技术实施例提供的技术方案带来的有益效果是：本申请提出的基于信息熵的
ACO
‑
FCM
与特征选择的非侵入式负荷监测方法在收敛速度和目标函数降低效果方面有了一定的改进；另外，为了解决
PQ
特征难以辨识中小功率负荷的问题，本申请使用
Relief
‑
F
分数检验选择重要性高的特征，同时使用最大信息系数矩阵剔除冗余特征，经过特征筛选后的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于信息熵的
ACO
‑
FCM
与特征选择的非侵入式负荷监测方法，其特征在于，包括以下步骤：步骤
S1
，对待选择的负荷特征集进行负荷特征选择，得到筛选后的负荷特征集；步骤
S2
，对筛选后的负荷特征集采用基于信息熵的
ACO
算法进行第一阶段的聚类，获得聚类结果；步骤
S3
，将第一阶段的聚类结果作为
FCM
算法的输入，采用
FCM
算法进行第二阶段的聚类，得到聚类结果
。2.
如权利要求1所述的基于信息熵的
ACO
‑
FCM
与特征选择的非侵入式负荷监测方法，其特征在于，所述对待选择的负荷特征集进行负荷特征选择，包括：步骤
S11
，对待选择的负荷特征集进行
Relief
‑
F
分数排序，
Relief
‑
F
分数指
Relief
‑
F
算法中特征的重要性，设置阈值，筛选出重要性高的负荷特征，得到初筛特征集；步骤
S12
，对初筛特征集进行最大信息系数计算，得到
MIC
矩阵，设定最大信息系数阈值，剔除冗余特征，得到筛选后的负荷特征集
。3.
如权利要求1所述的基于信息熵的
ACO
‑
FCM
与特征选择的非侵入式负荷监测方法，其特征在于，所述对筛选后的负荷特征集采用基于信息熵的
ACO
算法进行第一阶段的聚类，包括：步骤
S21
，初始化确定基于...

【专利技术属性】
技术研发人员：汪文士，叶承宗，闫小关，孙志年，刘小东，
申请(专利权)人：无锡军工智能电气股份有限公司，
类型：发明
国别省市：