CN111898694A - 一种基于随机树分类的非入侵式负荷识别方法及装置 - Google Patents

Abstract

本申请公开了一种基于随机树分类的非入侵式负荷识别方法及装置，方法包括：S1：采用预置形态学算子对预置负荷数据进行特征提取，得到时域特征；S2：根据预置随机分裂属性计算从所述时域特征中获取的初始时域属性的分裂阈值；S3：根据所述分裂阈值中的最优分裂阈值对预置负荷数据集进行样本集划分、构造子树，并重复步骤S2‑S3，直至得到预置数量的决策树；S4：通过由所述预置数量的决策树构成的极限随机树进行负荷识别，得到负荷识别结果。本申请能够解决有的非入侵式负荷识别技术对负荷特征提取不充分，且计算效率和准确率较低的技术问题。

Description

一种基于随机树分类的非入侵式负荷识别方法及装置

技术领域

本申请涉及非入侵式负荷识别技术领域，尤其涉及一种基于随机树分类的非入侵式负荷识别方法及装置。

背景技术

电网是能源传输、分配和使用的重要载体，在电力系统中深入分析用户内部负荷成分，从而获取不同精细程度的用户用电信息，一方面有助于指导居民用户科学用电，节约电能，实现对用户用能行为的管理，提高用能效率，另一方面有助于电网公司掌握地区负荷用电规律及趋势，完善电力规划，制订电网运行计划，以适应日益成熟的电力市场需求，因此，用电负荷识别无论对用户还是电网公司都有着重要的现实意义。通常，负荷监测识别有侵入式和非侵入式两种方案，侵入式方案通常在用户的各用电设备上都安装传感器记录其使用情况，该方法优点在于监测数据准确可靠，缺点是实际可操作性差、实施成本高、用户接受程度较低，因此侵入式方案在实际应用中实施难度较大，未能进行大范围的推广应用。相比之下，非侵入式方案只需在用户入口处布置监测装置提取信号，再使用智能算法从监测信号中识别负荷，可有效避免侵入式方案的缺陷，因而备受青睐，得到更多的关注与研究。

目前，针对非侵入式负荷识别的现有技术主要可以划分为如下几类：1)选取频域谐波幅值作为特征值，通过计算簇间熵确定最佳聚类数和负荷相似度后，使用模糊聚类实现负荷识别，但是该方法对暂态特征提取不充分；2)采用差量特征提取法提取特征变化值后，再使用模拟退火算法和遗传算法进行优化，实现了多类型电器负荷的聚类识别，但是该方法监测数据量较大时，计算负荷大；3)使用改进的最近邻算法对建立的特征库进行分类，从而实现负荷识别，该算法识别准确率较低。现有非入侵式负荷识别技术要么对负荷特征提取不充分，要么计算效率或者识别准确率较低，无法满足现有的非入侵负荷识别需求。

发明内容

本申请提供了一种基于随机树分类的非入侵式负荷识别方法及装置，用于解决现有的非入侵式负荷识别技术对负荷特征提取不充分，且计算效率和准确率较低的技术问题。

有鉴于此，本申请第一方面提供了一种基于随机树分类的非入侵式负荷识别方法，包括：

S1：采用预置形态学算子对预置负荷数据进行特征提取，得到时域特征，所述预置形态学算子包括Top-Hat算子、Bottom-Hat算子和骨架提取算子，所述时域特征包括局部暂态时域信息和全局稳态时域信息；

S2：根据预置随机分裂属性计算从所述时域特征中获取的初始时域属性的分裂阈值，所述分裂阈值与所述初始时域属性一一对应；

S3：根据所述分裂阈值中的最优分裂阈值对预置负荷数据集进行样本集划分、构造子树，并重复步骤S2-S3，直至得到预置数量的决策树，所述预置负荷数据集包括所述预置负荷数据，每个所述决策树包括左子树和右子树；

S4：通过由所述预置数量的决策树构成的极限随机树进行负荷识别，得到负荷识别结果。

可选的，步骤S1之前还包括：

对原始家用负荷数据进行分析挑选，获取所述预置负荷数据，所述预置负荷数据包括无功功率和谐波电流。

可选的，步骤S1包括：

采用所述Top-Hat算子和所述Bottom-Hat算子提取所述预置负荷数据的所述局部暂态时域信息；

采用所述骨架提取算子提取所述预置负荷数据的所述全局稳态时域信息。

可选的，所述步骤S2包括：

从所述时域特征中随机选择多个所述初始时域属性，得到时域属性集；

对所述时域属性集中的每一个所述初始时域属性随机选择一个对应的所述预置随机分裂属性；

根据所述预置随机分裂属性计算所述初始时域属性的所述分裂阈值，所述分裂阈值的数量与所述初始时域属性的数量一致。

可选的，步骤S3之前还包括：

将所述初始时域属性对应的所有所述分裂阈值进行最优选择计算，得到所述最优分裂阈值。

本申请第二方面提供了一种基于随机树分类的非入侵式负荷识别装置，包括：

特征提取模块，用于采用预置形态学算子对预置负荷数据进行特征提取，得到时域特征，所述预置形态学算子包括Top-Hat算子、Bottom-Hat算子和骨架提取算子，所述时域特征包括局部暂态时域信息和全局稳态时域信息；

计算模块，用于根据预置随机分裂属性计算从所述时域特征中获取的初始时域属性的分裂阈值，所述分裂阈值与所述初始时域属性一一对应；

构造模块，用于根据所述分裂阈值中的最优分裂阈值对预置负荷数据集进行样本集划分、构造子树，并触发所述计算模块，直至得到预置数量的决策树，所述预置负荷数据集包括所述预置负荷数据，每个所述决策树包括左子树和右子树；

识别模块，用于通过由所述预置数量的决策树构成的极限随机树进行负荷识别，得到负荷识别结果。

可选的，还包括：

预处理模块，用于对原始家用负荷数据进行分析挑选，获取所述预置负荷数据，所述预置负荷数据包括无功功率和谐波电流。

可选的，所述特征提取模块具体用于：

采用所述Top-Hat算子和所述Bottom-Hat算子提取所述预置负荷数据的所述局部暂态时域信息；

采用所述骨架提取算子提取所述预置负荷数据的所述全局稳态时域信息。

可选的，所述计算模块具体用于：

从所述时域特征中随机选择多个所述初始时域属性，得到时域属性集；

对所述时域属性集中的每一个所述初始时域属性随机选择一个对应的所述预置随机分裂属性；

根据所述预置随机分裂属性计算所述初始时域属性的所述分裂阈值，所述分裂阈值的数量与所述初始时域属性的数量一致。

可选的，还包括：

最优计算模块，用于将所述初始时域属性对应的所有所述分裂阈值进行最优选择计算，得到所述最优分裂阈值。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请中，提供了一种基于随机树分类的非入侵式负荷识别方法，包括：S1：采用预置形态学算子对预置负荷数据进行特征提取，得到时域特征，预置形态学算子包括Top-Hat算子、Bottom-Hat算子和骨架提取算子，时域特征包括局部暂态时域信息和全局稳态时域信息；S2：根据预置随机分裂属性计算从时域特征中获取的初始时域属性的分裂阈值，分裂阈值与初始时域属性一一对应；S3：根据分裂阈值中的最优分裂阈值对预置负荷数据集进行样本集划分、构造子树，并重复步骤S2-S3，直至得到预置数量的决策树，预置负荷数据集包括预置负荷数据，每个决策树包括左子树和右子树；S4：通过由预置数量的决策树构成的极限随机树进行负荷识别，得到负荷识别结果。

本申请提供的基于随机树分类的非入侵式负荷识别方法，根据数学形态学原理，采用多种不同的形态学算子针对性的提取预置负荷数据的不同层面的时域特征，从而获取更加有效的特征表达，并且提取的特征在满足有效性的同时减少了冗余负荷信息的获取，在一定程度上提升了算法的计算效率；采用构造的随机树对负荷特征进行多标签分类识别能够保障负荷识别的准确率，且使算法具有较好的鲁棒性。因此，本申请能够解决有的非入侵式负荷识别技术对负荷特征提取不充分，且计算效率和准确率较低的技术问题。

附图说明

图1为本申请实施例提供的一种基于随机树分类的非入侵式负荷识别方法的一个流程示意图；

图2为本申请实施例提供的一种基于随机树分类的非入侵式负荷识别方法的另一个流程示意图；

图3为本申请实施例提供的一种基于随机树分类的非入侵式负荷识别装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了便于理解，请参阅图1，本申请提供的一种基于随机树分类的非入侵式负荷方法的实施例一，包括：

步骤101、采用预置形态学算子对预置负荷数据进行特征提取，得到时域特征，预置形态学算子包括Top-Hat算子、Bottom-Hat算子和骨架提取算子，时域特征包括局部暂态时域信息和全局稳态时域信息。

需要说明的是，数学形态学是建立在格论和拓扑学基础之上的图像分析学科，是数学形态学图像处理的基本理论；其基本的运算包括：腐蚀和膨胀、开运算和闭运算、骨架抽取、极限腐蚀、击中击不中变换、形态学梯度、Top-hat变换、颗粒分析、流域变换等。本实施例中的预置形态学算子包括Top-Hat算子、Bottom-Hat算子和骨架提取算子，Top-Hat算子和Bottom-Hat算子是在腐蚀运算和膨胀运算的基础上进一步构造出来的形态学算子；采用骨架提取算子提取一维信号的特征能够最大程度的保留原始全局时域信息的同时减少信号数据处理量，降低计算量，提升计算效率。预置负荷数据是经过分析和选择的表征负荷变化特点的电力数据，例如功率、电压或者电流等参数，可以在用户入口处布置监测装置获取到，或者通过电力数据计算得到，在此不赘述。同时获取预置负荷数据的局部暂态时域信息和全局稳态时域信息更有利于负荷的识别，从而保障识别准确率。

步骤102、根据预置随机分裂属性计算从时域特征中获取的初始时域属性的分裂阈值，分裂阈值与初始时域属性一一对应。

需要说明的是，预置随机分裂属性根据初始时域属性随机选择，且预置随机分裂属性与初始时域属性也存在对应关系，根据预置随机分裂属性可以计算得到对应的分裂阈值，分裂阈值与初始时域属性一一对应，因此，分裂阈值的数量与初始时域属性的数量一致。初始时域属性从时域特征中选择得到，因此，初始时域属性的数量小于或者等于时域特征数量，但实际过程中一般是远远小于的关系。

步骤103、根据分裂阈值中的最优分裂阈值对预置负荷数据集进行样本集划分、构造子树，并重复步骤102-103，直至得到预置数量的决策树，预置负荷数据集包括预置负荷数据，每个决策树包括左子树和右子树。

需要说明的是，最优分裂阈值可以将预置负荷数据集划分为两个样本集，可以根据这样的划分方式构建同一决策树上的左子树和右子树，而重复步骤102-103则可以完成多个决策树的构建，从而得到决策树的“集群”。采用决策树对负荷特征的类别进行划分可以有效的解决过拟合问题，且抗干扰能力强，训练速度快。

步骤104、通过由预置数量的决策树构成的极限随机树进行负荷识别，得到负荷识别结果。

需要说明的是，预置数量可以根据实际情况设定，由于极限随机树存在大量的子树分支，因此基于极限随机树分类的负荷识别结果准确度较高。

本实施例提供的基于随机树分类的非入侵式负荷识别方法，根据数学形态学原理，采用多种不同的形态学算子针对性的提取预置负荷数据的不同层面的时域特征，从而获取更加有效的特征表达，并且提取的特征在满足有效性的同时减少了冗余负荷信息的获取，在一定程度上提升了算法的计算效率；采用构造的随机树对负荷特征进行多标签分类识别能够保障负荷识别的准确率，且使算法具有较好的鲁棒性。因此，本实施例能够解决有的非入侵式负荷识别技术对负荷特征提取不充分，且计算效率和准确率较低的技术问题。

为了便于理解，请参阅图2，本申请提供了一种基于随机树分类的非入侵式负荷方法的实施例二，包括：

步骤201、对原始家用负荷数据进行分析挑选，获取预置负荷数据，预置负荷数据包括无功功率和谐波电流。

需要说明的是，用电设备在运行中体现的独特的能反映用电状态的特征称之为负荷印记，本实施例选择无功功率和谐波电流作为负荷印记，也称作预置负荷数据；无功功率不对外做功，主要反映了根据电磁感应原理工作的部分用电设备，例如配电变压器或者电动机等，是进行能量交换的幅度。一般稳态无功功率Q的计算公式如下：

其中，u_k、i_k分别是离散电压和电流，N＝f_s/50，为一个工频周期包含的电流电压采样点数量，f_s为电流电压的采样频率，m为无功功率序列的计算时间窗口包含的工频周期数量，n为无功功率序列的计算时间窗口数量。

当供电电压负荷国际规定时，用电设备正常工作的稳态电流(含基波和谐波)具有一定统计规律，稳态电流表示如下：

i(t)＝I_l·cos(ωt+θ_l)+......+I_k·cos(kωt+θ_k)；

I_k＝α_kI_l；

其中，i(t)为某一用电设备稳态工作电流的瞬时值，I_l是工作电流中基波分量的幅值，ω是工作电流中基波分量的角频率，θ_l是工作电流中的基波分量的初相角，k为预置正整数，I_k为工作电流中第k次谐波分量的幅值，kω为工作电流中第k次谐波分量的角频率，θ_k为工作电流中第k次谐波分量的初相角，α_k为表示I_l和I_k比例关系小于1的非负实数。

通过以上公式和方法可以获取到无功功率和谐波电流，即预置负荷数据，便于后续分析计算。

步骤202、采用Top-Hat算子和Bottom-Hat算子提取预置负荷数据的局部暂态时域信息。

需要说明的是，数学形态学的基本运算包括腐蚀运算和膨胀运算，其灰度形态变化可定义为：

其中x、s均为离散点，f(x)即为待处理的一维信号，在本实施例中即为预置负荷数据，g(x)为用于提取信号特征的结构元素，D_f为信号定义域，即负荷数据定义域，D_s为结构元素定义域，Θ为腐蚀运算算子，

为膨胀运算算子。

将上述两种基本运算级联使用即可得到开运算和闭运算，开运算是先进行腐蚀运算后进行膨胀运算，闭运算则是顺序相反的运算过程，可以定义为：

其中，о表示开运算算子，·表示闭运算算子，在开闭运算的基础上，进一步构造出形态学的Top-Hat算子和Bottom-Hat算子，Top-Hat算子主要用于提取待处理信号的波峰部分，定义为：

而Bottom-Hat算子主要是提取待处理信号的波谷部分，定义为：

Bh(f)＝f-f·g；

根据Top-Hat算子和Bottom-Hat算子就可以获取到预置负荷数据的局部暂态时域信息。

步骤203、采用骨架提取算子提取预置负荷数据的全局稳态时域信息。

需要说明的是，本实施例中的预置形态学算子除了包括Top-Hat算子和Bottom-Hat算子，还包括骨架提取算子；时域特征除了包括局部暂态时域信息，还包括全局稳态时域信息。骨架提取算子提取一维信号的特征能够最大限度的保留原始全局时域信息的同时减少信号数据处理量，降低计算负荷。具体的提取过程表述如下：

其中，e_ρ(f)为采用长度为ρ的扁平结构元素进行腐蚀运算的结果，取其最大值点为骨架点S_ρ(f)，骨架点的坐标为(x_ρ,y_ρ)，S(f)为所有骨架点的集合，X_t为所有骨架点横坐标的集合，Y_t为所有骨架点纵坐标的集合。采用骨架提取算子可以获取预置负荷数据的全局稳态时域信息。从局部和全局两个方面对预置负荷数据进行特征提取，能更好的保障识别结果的可靠性。

步骤204、从时域特征中随机选择多个初始时域属性，得到时域属性集。

步骤205、对时域属性集中的每一个初始时域属性随机选择一个对应的预置随机分裂属性。

步骤206、根据预置随机分裂属性计算初始时域属性的分裂阈值。

需要说明的是，分裂阈值与初始时域属性一一对应，所以，分裂阈值的数量与初始时域属性的数量一致。从时域特征中随机选择k个初始时域属性，其实就是时域特征，但是便于随机树的研究分析，称作初始时域属性，初始时域属性可以表示为{a₁,a₂,...,a_k}，即时域属性集；时域属性集中的每一个初始时域属性都可以对应的随机选择一个预置随机分裂属性，根据这个预置随机分裂属性就可以求得k个分裂阈值，表示为{d₁,d₂,…,d_k}。

步骤207、将初始时域属性对应的所有分裂阈值进行最优选择计算，得到最优分裂阈值。

需要说明的是，假设本实施例中输入的预置负荷数据集的集合表示为D，也就是提取特征后的无功功率和谐波电流数据集合为D，选择最优分裂阈值的方法如下：

Score(d_*,D)＝max_{i＝1,2,…,k}Score(d_i,D)；

其中，d_*即为最优分裂阈值。

步骤208、根据分裂阈值中的最优分裂阈值对预置负荷数据集进行样本集划分、构造子树，并重复步骤204-208，直至得到预置数量的决策树，预置负荷数据集包括预置负荷数据，每个决策树包括左子树和右子树。

需要说明的是，根据最优分裂阈值d_*可以建立树节点，将预置负荷数据集D划分为D_l和D_r，构建得到的子树为t_l和t_r；重复计算并构建子树的过程，可以得到预置数量M棵决策树，预置数量根据实际需求设置，在此不作限定，组合这些决策树即得到极限随机树T＝{t₁,t₂,…,t_M}。

步骤209、通过由预置数量的决策树构成的极限随机树进行负荷识别，得到负荷识别结果。

需要说明的是，极限随机树的构建训练主要涉及三个影响较大的参数，一个是预置随机分裂属性的数量k，一个是分裂一个节点所需要的最小预置负荷数据集，或者样本集n_min，另一个是极限随机树中决策树的总数M。k决定属性选择过程的强度，n_min决定平均输出噪声的强度，M决定集成模型方差减少的强度。本实施例的负荷识别是一种基于随机树分类的负荷识别方法，识别准确度较高，计算量较小，且具有一定的鲁棒性。

为了便于理解，请参阅图3，本申请还提供了一种基于随机树分类的非入侵式负荷装置的实施例，包括：

特征提取模块301，用于采用预置形态学算子对预置负荷数据进行特征提取，得到时域特征，预置形态学算子包括Top-Hat算子、Bottom-Hat算子和骨架提取算子，时域特征包括局部暂态时域信息和全局稳态时域信息。

计算模块302，用于根据预置随机分裂属性计算从时域特征中获取的初始时域属性的分裂阈值，分裂阈值与初始时域属性一一对应。

构造模块303，用于根据分裂阈值中的最优分裂阈值对预置负荷数据集进行样本集划分、构造子树，并触发计算模块302，直至得到预置数量的决策树，预置负荷数据集包括预置负荷数据，每个决策树包括左子树和右子树。

识别模块304，用于通过由预置数量的决策树构成的极限随机树进行负荷识别，得到负荷识别结果。

进一步地，还包括：

预处理模块305，用于对原始家用负荷数据进行分析挑选，获取预置负荷数据，预置负荷数据包括无功功率和谐波电流。

进一步地，特征提取模块具体用于：

采用Top-Hat算子和Bottom-Hat算子提取预置负荷数据的局部暂态时域信息；

采用骨架提取算子提取预置负荷数据的全局稳态时域信息。

进一步地，计算模块具体用于：

从时域特征中随机选择多个初始时域属性，得到时域属性集；

对时域属性集中的每一个初始时域属性随机选择一个对应的预置随机分裂属性；

根据预置随机分裂属性计算初始时域属性的分裂阈值，分裂阈值的数量与初始时域属性的数量一致。

进一步地，还包括：

最优计算模块306，用于将初始时域属性对应的所有分裂阈值进行最优选择计算，得到最优分裂阈值。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于随机树分类的非入侵式负荷识别方法，其特征在于，包括：

S1：采用预置形态学算子对预置负荷数据进行特征提取，得到时域特征，所述预置形态学算子包括Top-Hat算子、Bottom-Hat算子和骨架提取算子，所述时域特征包括局部暂态时域信息和全局稳态时域信息；

S2：根据预置随机分裂属性计算从所述时域特征中获取的初始时域属性的分裂阈值，所述分裂阈值与所述初始时域属性一一对应；

S3：根据所述分裂阈值中的最优分裂阈值对预置负荷数据集进行样本集划分、构造子树，并重复步骤S2-S3，直至得到预置数量的决策树，所述预置负荷数据集包括所述预置负荷数据，每个所述决策树包括左子树和右子树；

S4：通过由所述预置数量的决策树构成的极限随机树进行负荷识别，得到负荷识别结果。

2.根据权利要求1所述的基于随机树分类的非入侵式负荷识别方法，其特征在于，步骤S1之前还包括：

对原始家用负荷数据进行分析挑选，获取所述预置负荷数据，所述预置负荷数据包括无功功率和谐波电流。

3.根据权利要求1所述的基于随机树分类的非入侵式负荷识别方法，其特征在于，步骤S1包括：

采用所述Top-Hat算子和所述Bottom-Hat算子提取所述预置负荷数据的所述局部暂态时域信息；

采用所述骨架提取算子提取所述预置负荷数据的所述全局稳态时域信息。

4.根据权利要求1所述的基于随机树分类的非入侵式负荷识别方法，其特征在于，所述步骤S2包括：

从所述时域特征中随机选择多个所述初始时域属性，得到时域属性集；

对所述时域属性集中的每一个所述初始时域属性随机选择一个对应的所述预置随机分裂属性；

根据所述预置随机分裂属性计算所述初始时域属性的所述分裂阈值，所述分裂阈值的数量与所述初始时域属性的数量一致。

5.根据权利要求1所述的基于随机树分类的非入侵式负荷识别方法，其特征在于，步骤S3之前还包括：

将所述初始时域属性对应的所有所述分裂阈值进行最优选择计算，得到所述最优分裂阈值。

6.一种基于随机树分类的非入侵式负荷识别装置，其特征在于，包括：

特征提取模块，用于采用预置形态学算子对预置负荷数据进行特征提取，得到时域特征，所述预置形态学算子包括Top-Hat算子、Bottom-Hat算子和骨架提取算子，所述时域特征包括局部暂态时域信息和全局稳态时域信息；

计算模块，用于根据预置随机分裂属性计算从所述时域特征中获取的初始时域属性的分裂阈值，所述分裂阈值与所述初始时域属性一一对应；

构造模块，用于根据所述分裂阈值中的最优分裂阈值对预置负荷数据集进行样本集划分、构造子树，并触发所述计算模块，直至得到预置数量的决策树，所述预置负荷数据集包括所述预置负荷数据，每个所述决策树包括左子树和右子树；

识别模块，用于通过由所述预置数量的决策树构成的极限随机树进行负荷识别，得到负荷识别结果。

7.根据权利要求6所述的基于随机树分类的非入侵式负荷识别装置，其特征在于，还包括：

预处理模块，用于对原始家用负荷数据进行分析挑选，获取所述预置负荷数据，所述预置负荷数据包括无功功率和谐波电流。

8.根据权利要求6所述的基于随机树分类的非入侵式负荷识别装置，其特征在于，所述特征提取模块具体用于：

采用所述Top-Hat算子和所述Bottom-Hat算子提取所述预置负荷数据的所述局部暂态时域信息；

采用所述骨架提取算子提取所述预置负荷数据的所述全局稳态时域信息。

9.根据权利要求6所述的基于随机树分类的非入侵式负荷识别装置，其特征在于，所述计算模块具体用于：

从所述时域特征中随机选择多个所述初始时域属性，得到时域属性集；

对所述时域属性集中的每一个所述初始时域属性随机选择一个对应的所述预置随机分裂属性；

根据所述预置随机分裂属性计算所述初始时域属性的所述分裂阈值，所述分裂阈值的数量与所述初始时域属性的数量一致。

10.根据权利要求6所述的基于随机树分类的非入侵式负荷识别装置，其特征在于，还包括：

最优计算模块，用于将所述初始时域属性对应的所有所述分裂阈值进行最优选择计算，得到所述最优分裂阈值。

Images