[发明专利]一种基于随机森林的非侵入式家用电器识别方法

说明书

技术领域

本发明属于电力监测领域，涉及一种家用电器在线监测方法，具体涉及一种基于随机森林的非侵入式家用电器识别方法。

背景技术

电力负荷监测是指通过智能电表采集负荷运行过程中产生的电气参数，进而分析出其运行状态的技术。对家庭用户来说负荷监测能够使用户清楚每类电器的分时电量、启动和停止时间，并依据此信息指导用电行为，从而达到节能的目的。对电力公司而言，通过对家庭用电情况的监控，建立典型用户数据平台，对不同用户的用电行为进行精细建模、分析、分类、制定套餐，实现电力资源的合理配置。

根据对负荷的影响程度的不同，电力负荷监测技术可以分为侵入式和非侵入式两大类。侵入式将带有数字通信功能的传感器安装在每个电器与电网的接口，从而监测每个电器的运行状态和功率消耗。这种方法优点是计量准确，缺点是投入较大，安装工作需要进入电器内部，影响正常的生产工作，不适宜全面推广。非侵入式仅在电网入口处安装一个传感器，通过采集和分析入口总电流、电压等信息来判断其内每个或每类电器的用电功率和工作状态，从而得出电器的用电规律，建设成本和后期维护难度都大幅降低，有着广阔的市场前景。

发明内容

为了解决现有技术中的问题，本发明提出一种基于随机森林的非侵入式家用电器识别方法，能够在不侵入家庭用户内部的情况下，实现对家庭内部用电情况的监测，识别速度快，准确率高。

为了实现以上目的，本发明所采用的技术方案为：包括以下步骤：

1)选取典型家用电器的负荷特征建立负荷特征数据库；

2)将负荷特征数据库中存储的负荷特征作为原始训练集，通过Bagging抽样法从原始训练集中生成N个训练子集；

3)对每个训练子集进行递归分析，生成决策树；

4)将由N个训练子集生成的N个决策树组合成随机森林；

5)对生成的随机森林进行二次训练以优化不同决策树叶节点的权重；

6)采集家庭用户总线端的电流电压数据，并对电流电压数据进行小波去噪的预处理；

7)对经过预处理的电流电压数据利用二次检测算法检测到投切事件发生，确认暂稳态区域，并获取投切事件发生的起止时间，进而从总线信号中分离出发生投切的电器的电流电压数据；

(8)从分离的电流电压数据中获取负荷特征，并将获取的负荷特征作为输入参数输入到步骤5)优化的随机森林中，通过投票进行负荷辨识，完成家用电器识别。

所述的步骤1)中负荷特征包括电器的稳态特征、暂态特征和运行模式特征三类，稳态特征包括电器的V-I特性及谐波特性；暂态特征包括发生电器投切时电流的畸变率；运行模式特征包括发生电器投切时产生的电流脉冲比和启动、停止持续时间。

所述的步骤2)中采用Bagging无权重抽样，从原始训练集中随机有放回的抽取样本，重复多次生成N个训练子集，每个训练子集中样本数量为原始子集的2/3，重复放回取样使得在每个训练子集存在重复的数据。

所述的步骤3)中以训练子集作为根节点，通过自上而下的递归方式，在每个分裂节点处随机选择训练子集中的负荷特征，并从中选取信息增益率最大的负荷特征作为分裂属性进行分裂，直至所有样本均到达叶节点，且每个叶节点处样本为空或属于同一类别，每个训练子集都将生成一棵决策树。

所述的信息增益率的计算过程如下：

(1)计算分裂节点的信息熵：

其中，m为训练子集中样本类别数目，P_i为该样本m类负荷中某一类的概率；

(2)按照负荷特征Q对训练子集S进行分类所需要的期望信息：

其中，按照特征值Q的取值将训练子集S分成v个子集，S为训练子集的样本总数，S_j为v个子集中的某一个子集；

(3)根据步骤(2)和步骤(3)得到信息增益：

Gain(S)＝H(S)-E_Q(S)

(4)根据步骤(3)得到信息增益率GainRatio(S)：

所述的步骤5)包括：首先对步骤4)生成的随机森林的每个叶节点初始投票权重设置为1，通过Bagging无权重抽样从原始训练集生成若干个训练子集；然后对每棵决策树输入一个训练子集；最后在每棵决策树的叶节点处统计正确率，并将权重修改为该处叶节点的辨识正确率：

所述的步骤6)中预处理采用Haar小波软阀值去噪方法。

所述的步骤7)具体包括以下步骤：