1.一种基于KNN结合逻辑回归的非侵入式负荷识别方法,其特征在于,包括如下步骤:S1:采用非侵入方式采集电器的负荷数据,作为原始负荷数据集;
S2:对负荷数据进行数据平滑处理;
S3:利用双边累计和对负荷的投切点进行定位,提取负荷数据的稳态特征,并构建特征库;
S4:采用KNN算法计算获取到测试样本前两个近邻,从特征库中提取对应的数据作为二次特征库;
S5:采用逻辑回归算法,根据二次特征库,对前两个近邻做出最终识别,输出测试样本的类别;
步骤S4中二次特征库的构建方法具体为:
B1:计算测试样本到一次稳态特征库中所有数据的欧式距离,计算公式如下:其中,xtj为测试样本,Xt为其集合;xij为一次特征库中的数据,j为维度,Xi为其集合;d(Xt,Xi)为xtj与一次特征库中数据xij之间的距离集合;
B2:对步骤B1中获取的距离集合d(Xt,Xi)中的数据进行降序组合,取前两个数据作为测试样本的近邻;
B3:根据测试样本的前两个近邻,从一次特征库中提取出所有与近邻对应的数据和标签,构建二次特征库;
步骤S5具体包括如下过程:
C1:设置迭代学习速率α和迭代次数c的初始值;
C2:根据sigmoid函数公式f(y)=1/(1+ey),得到逻辑回归的分类模型:其中,ωx=ω0+ω1x1+…ωixi,而x1,x2,…xi则是二次特征库中的负荷特征,ω0,ω1,…ωi则是分类模型的回归参数;
C3:求解模型的回归参数ω0,ω1,…ωi;
C4:更新回归参数ωj,公式为
C5:若迭代次数小于初始值c,则重复步骤C4;运用最终的sigmoid公式计算分类概率P1=g(ωTx),P2=1-g(ωTx),根据分类概率对测试样本的类别进行判别;
步骤C3中回归参数ω0,ω1,…ωi的求解过程为:确定对数似然函数:
根据对数似然函数求解回归参数:
其中,因为KNN算法只取了每个测试样本的前两个近邻,因此m=2。
2.根据权利要求1所述的一种基于KNN结合逻辑回归的非侵入式负荷识别方法,其特征在于,所述步骤S2中数据平滑处理包括:将负荷数据中连续N个数据点作为一段,计算每一段的均值,根据相邻数据段的均值差确定阈值H,计算相邻前后数据段之间的均值差,大于阈值H的数据段,以前后2N个数据点的均值替代;小于阈值H的数据段则保留。
3.根据权利要求2所述的一种基于KNN结合逻辑回归的非侵入式负荷识别方法,其特征在于,所述步骤S2中数据平滑处理的具体步骤如下:A1:对负荷数据取连续M个点的稳定电流数据,N个数据为一小段,计算每一小段的平均值A2:根据平均值来计算数据偏离阈值H,公式如下:A3:针对原始负荷电流数据,重复步骤S1,判断当前段数据均值与相邻数据段均值之间的差,若小于H则保留,如大于H,则做如下处理:
4.根据权利要求1所述的一种基于KNN结合逻辑回归的非侵入式负荷识别方法,其特征在于,所述步骤S3具体为:利用双边累计和定位负荷投切点,不断累积连续数据点的标准差Xn,当累计标准差超过设定的阈值e时,则判断当前发生了投切事件,其中,Sn表示当前数据点累计的标准差和;
根据投切事件的定位,提取前后稳定的数据段,并提取稳态特征,和电器标签一一对应,存放到一次稳态特征库中。