1.一种基于自适应特征选择的非侵入式家电负荷识别方法，其特征在于，具体按照以下步骤实施：

步骤1、数据预处理，对选取的REDD数据集进行去噪处理；

步骤2、通过改进的广义似然比检验对步骤1中的数据进行事件检测，若检测到事件则执行步骤3，否则返回步骤1；

步骤3、对检测到的事件变点，提取多维负荷特征；

步骤4、根据功率进行分段，针对步骤3得到的多维特征，用自适应mRmR算法，分别提取各区段对应特征；

步骤5、将步骤4得到的特征作为负荷印记，通过改进的K‑means算法建立负荷特征库；

步骤6、根据步骤5得到的负荷特征库，使用kNN算法对用户内部家电负荷工作状态进行识别。

2.根据权利要求1所述的一种非侵入式家电负荷识别方法，其特征在于，所述步骤1具体按照以下步骤实施：

步骤1.1、数据集的选取，选择REDD公开数据集做测试，它包含六个家庭三个礼拜左右的数据，表现为15kHz的高频数据和1Hz的秒级低频数据；

步骤1.2、功率信号的去噪处理，由于孤立的噪声点易被事件检测算法错误识别为事件，故选取中值滤波方法，对原始的功率信号进行处理，保证其消除噪声的同时，不改变边缘信息：假设存在一个数字信号序列xj(‑∞

3.根据权利要求1所述的一种非侵入式家电负荷识别方法，其特征在于，所述步骤2具体按照以下步骤实施：

步骤2.1、根据公式(1)计算基波有功功率P1，将其联合有功功率P作为二维功率时间序列 根据公式(2)提出二元假设检验；

式中，V1为基波电压，I1为基波电流， 为二者的相位差；nc为变点发生时刻，k为窗口总长度，n为窗口中最后一个样本时刻，μ0,∑0为假设检验H0条件下的高斯分布均值，协方差矩阵，μa,∑a为H1条件下变点发生之前的多维信号均值、多维协方差矩阵，μb,∑b为H1条件下变点发生之后的多维信号均值、多维协方差矩阵；

步骤2.2、在此时间序列内定义两个连续的窗口Wa和Wb，两窗口内样本为Xn＝{xm,m＝n‑k+1,…,n}，两窗口长度均为k/2，根据公式(3)、公式(4)分别计算两窗口内的μ和Σ，之后根据公式(5)计算决策函数gn；

步骤2.3、将gn与阈值h1比较，寻找事件发生的可疑点：当决策函数值大于h1时，拒绝H0，两窗口内部数据分布不一致，在变点时刻nc有发生事件的可能；当决策函数小于h1时，拒绝H1，两窗口数据分布一致，无事件发生；由于GLR适用于低阈值检测，故易出现误检；

步骤2.4、以可疑事件点为基点，进行快速事件再检验,即利用相邻检测点之间的差值变化对可疑事件点进行二次判别；根据公式(6)、公式(7)、公式(8)计算nc点相邻样本的差值变化，考虑到噪声的影响，根据公式(9)计算综合变化量R；将R与阈值h2比较，当R大于10时则判断该点有事件发生；

δ(nc)＝|x(nc)‑x(nc‑1)|           (6)δ(nc‑1)＝|x(nc‑1)‑x(nc‑2)|           (7)

4.根据权利要求1所述的一种非侵入式家电负荷识别方法，其特征在于，所述步骤3具体按照以下步骤实施：

步骤3.1、提取变点的功率特征，具体有：有功功率、基波有功功率、无功功率、基波无功功率、视在功率、失真功率、功率因数角、基波功率因数；

步骤3.2、提取变点处的谐波特征，具体有电压、电压的一至九次的各次谐波幅值、各次谐波含有率、各次谐波含有率之差、总谐波畸变率；电流波形特征，包括其波峰值、平均值、波峰系数；

步骤3.3、提取变点处的V‑I轨迹特征，具体有：对称性、环绕方向、环绕面积、交点个数、Y轴截距、Y轴跨距、中线曲率、轨迹中间部分峰值、左右部分面积、中间部分形状、瞬时导纳标准差。

5.根据权利要求1所述的一种非侵入式家电负荷识别方法，其特征在于，所述步骤4具体按照以下步骤实施：

步骤4.1、根据功率对样本进行分段，在每个功率段内，根据公式(10)计算各特征与样本标签的最大信息系数(MIC)、绝对值余弦(AC)，对其根据公式(11)进行整合，再根据公式(12)分别计算各特征与样本标签的相关度D和冗余度R；

*

式中，I (X,Y)表示不同X×Y网格划分下的互信息最大值，In(min(|X|,|Y|))表示将不同划分下的最大互信息值归一化，Fi表示第i个特征，Y为电器标签；

步骤4.2、建立特征候选集H，选择最大相关度Dmax对应特征作为候选集首项H1，根据公式(13)依次选择第k个特征Fk放入H中；

步骤4.3、选择H中前i个特征成为特征组Hi，根据公式(14)计算特征组与类标签间的相似度，根据公式(15)取其平均值；建立特征集HH,当 时，在H中选择前i个特征放入HH中；

式中，i＝1,…,N代表共有N个特征；

步骤4.4、根据公式(16)计算未被选入HH的特征增益，若ΔD(Hi,Y)＞α,则选取第i个特征进入HH；

ΔD(Hi,Y)＝D(Hi,Y)‑D(Hi‑1,Y)            (16)式中，|X′|为HH的已选特征属性数量，r为特征组增益标记，正为0，负为1，|r|为增益为负的特征组数量；

步骤4.5、在得到各功率区段的特征后，根据公式(18)计算得到各特征权重；

6.根据权利要求1所述的一种非侵入式家电负荷识别方法，其特征在于，所述步骤5具体按照以下步骤实施：

步骤5.1、确定K‑means初始聚类中心；a、计算整个功率段数据集的平均值x，记距平均值最远的样本点为C1；b、根据公式(19)计算每个数据点与已选聚类中心的最小距离Dx，选择Dx最大值点作为新的聚类中心，c、重复步骤b直至选出k个初始聚类中心；

Dx＝min d(xi,C′k) k′＝1,…,kselected      (19)式中，k为已选择的聚类中心，ωi为各特征所占权重；

步骤5.2、聚类并形成负荷库；计算所有样本xi与各中心C1,C2,…,CK的距离并升序排列进而计算第二小距离与最小距离的比值ri，将所有ri＞ε的样本xi划分到最小距离对应类别中，ε一般为1.5；若ri≤ε，则观察xi的最近邻样本类别，若近邻样本类别已知，则xi与其类别一致；若近邻样本类别未知，则根据公式(21)计算空间密度相似距离，若L(xi,C′1)＜L(xi,C′2)，则xi属于C′1类别，若L(xi,C′1)＞L(xi,C′2)，则xi属于C′2类别；

‑8

根据公式(22)计算聚类误差，若其小于10 ，则聚类结束，将最终的多维聚类中心放入负荷特征库，否则，计算质心作为新的聚类中心，重复步骤5.2；

式中，mean为C′i簇内样本的平均欧氏距离。

7.根据权利要求1所述的一种非侵入式家电负荷识别方法，其特征在于，所述步骤6具体按照以下步骤实施：

步骤6.1、对于待分类电器x，首先根据公式(23)判断它是否为负荷特征库内的已知电器，如果没有任何簇类满足该不等式，则直接将其归类为新出现的攻击类型，k∈[2,20]，选择识别率最高的记为k值；

d(x,Ci)≤maxD(Ci)        (23)式中，maxD(Ci)表示簇类中距离簇中心最大的距离；

步骤6.2、根据公式(24)、公式(25)分别计算近邻点的不同距离、不同类别对样本x类别的影响，根据公式(26)对其组合，确定kNN的最终样本权重；

式中，d为待测样本到近邻点的距离，C取0.5，d1c表示第c类近邻点的近邻平均距离，d2c表示待测样本点x与第c类近邻点的平均距离，Nc为类别c的近邻点数，ki为样本点x的近邻个数，也是x近邻点的近邻个数，dmn为待测样本类别c的近邻点与其邻域点n之间的距离，dj为近邻点j到待测样本的距离；

步骤6.3、将待测样本进行分类，对同属一类的加权距离进行求和，计算每类样本的加权距离总和与类权重之和的比值，将各个分类的比值进行对比，最大比值对应的类别即为算法的识别结果，其中，加权距离为近邻样本权重Wj与其高斯距离dj的乘积。