技术摘要：
本发明公开了一种基于多维度集成的电力指纹识别方法，包括以下步骤：步骤S1、获取用电器的电力指纹数据；步骤S2、根据时间维度数据集训练分类器C1；步骤S3、根据暂态维度数据集训练分类器C2；步骤S4、根据暂态维度数据集训练分类器C3；步骤S5、将待识别电器的数据输入  全部
背景技术：
目前所提出的众多电力负荷识别方法，主要集中在用不同的机器学习算法和人工 规则对电器的暂态特征、稳态特征或者用户行为特征来进行识别。 如唐璐等人提出的基于卷积神经网络的非侵入式负荷识别方法(唐璐,颜钟宗,温 和,唐立军.基于卷积神经网络的非侵入式负荷识别方法[J].云南电力技术,2019,47(02): 2-4 10.)，通过采集离散的功率点，然后用卷积神经网络来训练识别模型；刘恒勇等人提出 的一种基于LSTM模型的电力负荷辨识方法(刘恒勇,刘永礼,邓世聪,史帅彬,闵若琳,周东 国.一种基于LSTM模型的电力负荷辨识方法[J].电测与仪表,2019,56(23):62-69.)，利用 高斯窗移动变点寻优算法监测负荷事件，再提取谐波分量作为负荷特征标签作为LSTM模型 的输入来识别负荷；华亮亮等人提出基于DTW算法的非侵入式家居负荷行为识别方法(华亮 亮,黄伟,杨子力,王钰,张可佳.基于DTW算法的非侵入式家居负荷行为识别方法[J].电测 与仪表,2019,56(14):17-22.)，通过采集设备突变的稳态功率波形，利用动态时间弯曲算 法与数据库匹配来识别负荷。这几类方法总体而言有以下两大特点：识别率高但是个别电 器识别率低、自身样本识别率高但是泛化能力差的问题，从本质上来讲这些方法都是利用 单一维度数据来进行负荷识别，没有考虑负荷在不同的维度上存在不同的辨识度。电力指 纹识别技术从电力负荷识别技术发展而来，通过综合多个维度特征的识别结果，来弥补不 同算法、不同特征下识别模型的缺陷问题，实现可以保持较高总体的识别率，又可以解决部 分电器识别率低的问题。
技术实现要素：
基于此，本发明提出一种基于多维度集成的电力指纹识别方法。该方法基于贝叶 斯原理，可以解决多个维度特征识别结果的综合问题，并具备一定的灵活性和扩展性；同时 将概率的放大倍数作为识别结果的评判依据，既能够体现上述方法对正确结果概率的提升 作用，又能够解决某类电器初始概率较小导致识别不出的问题；最后提出了将结果代入到 查全率较高的分类器中观察的新型检验方式。 一种基于多维度集成的电力指纹识别方法，包括以下步骤： 步骤S1、获取用电器的电力指纹数据； 步骤S2、将步骤S1获取的时间维度数据集D1训练分类器C1，并计算出每个用电器的 概率矩阵M1； 步骤S3、将步骤S1获取的暂态维度数据集D2训练分类器C2，并计算出每个用电器的 概率矩阵M2； 步骤S4、将步骤S1获取的稳态维度数据集D3训练分类器C3，并计算出每个用电器的 4 CN 111582357 A 说　明　书 2/5 页 概率矩阵M3； 步骤S5、将待识别电器的数据输入分类器C1、分类器C2、分类器C3中，依次得到分类 结果R1、R2、R3； 步骤S6、根据步骤S5得到的分类结果查询概率矩阵M1、M2、M3相应的数据，依次校正 每个电器类别i的初始概率P 0i ，得到每个电器的后验概率P 1i ； 步骤S7、根据步骤S5得到的P 1i ，对比于初始概率P 0i ，选取放大倍数α最大的作为识 别结果； 步骤S8、检验步骤S7得到的结果，若通过检验，则完成识别，否则检验不通过。 进一步地，步骤S1获取的电力指纹数据包括：包含N种电器类别的电器类别集合A、 电器类别对应的初始概率P 0i 以及集合A中所有电器类别的时间维度数据集D1、暂态维度数 据集D2、稳态维度数据集D3。 进一步地，所述时间维度数据集D1的特征包括但不限于：电器的类型Ai、电器的开 启时刻t、电器的持续时间T1、电器的日开启频率f，其中t和T1为任意的时间格式，Ai表示为 第i个类别； 所述暂态维度数据集D2的特征包括但不限于：电器的类型Ai、电器开启时刻暂态波 形S1、电器关闭时刻暂态波形S2、电器的暂态持续时间T2、暂态过电流倍数β，其中电器开启 时刻暂态波形S1和电器关闭时刻暂态波形S2以任意采样频率采集； 所述的稳态维度数据集D3的特征包括但不限于：电器的类型Ai、电器稳定运行时的 有功功率P、无功功率Q、视在功率S、功率因素 电压谐波HV、电流谐波HC，其中电压谐波、 电流谐波为相量形式，谐波次数为2-11次或者更多。 进一步地，步骤S2所述分类器C1通过时间维度数据集D1训练得到，分类器C1的具体 形式为贝叶斯分类器、BP(back  propagation)神经网络或者决策树；概率矩阵M1为N×N矩 阵，其中第j行第k列的元素代表训练过程中，分类器C1对训练数据的识别结果为j，但实际 为k的比率。 进一步地，步骤S3所述分类器C2通过暂态维度数据集D2训练得到，分类器C2具体形 式为卷积神经网络或者BP神经网络；概率矩阵M2为N×N矩阵，其中第j行第k列的元素代表 训练过程中，分类器C2对训练数据的识别结果为j，但实际为k的比率。 进一步地，步骤S4所述分类器C3通过时间维度数据集D3训练得到，分类器C3具体形 式为深度神经网络、随机深林、长短记忆网络或者支持向量机；概率矩阵M3为N×N矩阵，其 中第j行第k列的元素代表训练过程中，分类器C3对训练数据的识别结果为j，但实际为k的 比率。 进一步地，步骤S5将待识别的电器的数据输入分类器C1～C3，依次得到分类结果R1 ～R3，其中分类结果R1、R2、R3为电器类别集合A中的类别。 进一步地，步骤S6根据步骤S5得到的分类结果以及概率矩阵M1、M2、M3校正每个电 器类别i的初始概率P 0i ，得到每个电器的后验概率P 1i ： 5 CN 111582357 A 说　明　书 3/5 页 其中：Pi '、Pi”为经过概率矩阵M1、概率矩阵M2校正之后电器类别i的后验概率，为 校正过程的中间量，M1(R1,i)、M2(R2,i)、M3(R3,i)分别为概率矩阵M1、M2、M3的第Rn行第i列元 素,n＝1,2,3。 进一步地，步骤S7根据步骤S5得到的P 1i ，对比初始概率P 0i ，选取放大倍数α最大的 作为识别结果R： 进一步地，步骤S8根据步骤S7得到结果，代入到查全率REi最高的分类器Cl,l＝1, 2,3中，输出结果R'，若识别结果R与识别结果R'结果一致，则通过检验，查全率REi计算如 下： 其中，M1(j,i)、M2(i,i)、M3(i,i)分别为概率矩阵M1、M2、M3的第j行第i列元素。 上述一种基于多维度集成的电力指纹识别方法。该方法基于贝叶斯原理，可以解 决多个维度特征识别结果的综合问题，并具备一定的灵活性和扩展性；同时将概率的放大 倍数作为识别结果的评判依据，既能够体现上述方法对正确结果概率的提升作用，又能够 解决某类电器初始概率较小导致识别不出的问题；最后提出了将结果代入到查全率R较高 的分类器中观察的新型检验方式。 相对于现有技术具，本发明有如下的优点及效果： (1)本发明所提出的方法考虑了多个数据维度共同参与识别，可以综合多个维度 分类模型的优点，解决了单一维度分类模型无法分类两个相似电器的问题。 (2)本发明以现实中每种电器数量占所有电器数量的比率作为初始概率，把实际 识别过程中每种电器出现的概率考虑进去，更具备实用性。 (3)本发明将概率的放大倍数作为识别结果的评判依据，既能够体现上述方法对 正确结果概率的提升作用，又能够解决某类电器初始概率较小导致识别不出的问题。 (4)本发明提出了将结果代入到查全率R较高的分类器中观察的新型检验方式，利 用查全率高的模型来进一步确认结果，降低错误识别率。 附图说明 图1为本实施例的一种基于多维度集成的电力指纹识别方法流程图。 6 CN 111582357 A 说　明　书 4/5 页