何为非侵入式负荷识别-负荷辨识
1 前言
在负荷识别中负荷辨识一直是被建模为分类任务，因此一切能用于分类的算法和模型都可以研究。不管是什么算法，只有特征选的好才能最大程度发挥算法的性能。最开始Hart[1]使用了有功功率和无功功率。在那以后的一段时间内，研究者们主要是提出了各种特征，如电流有效值、电流谐波、vi轨迹特征以及暂态特征等。这些都是需要对原始数据进行再处理，因此若特征选择的不对，又或者太多，就会导致原始数据的信息丢失或者冗余。最开始，研究者们主要研究的是传统的机器学习算法，如支持向量机、最近邻KNN算法等等分类器。近些年，越来越多的人开始研究深度学习网络。神经网络是一个解释性不强但可能很有效的算法，既可以做回归任务也可以做分类任务。最开始，研究者们仅仅只是将神经网络作为分类器。神经网络做分类器是一件很有趣的事情，因为其实我们并不知道它是怎么分类，你说不清楚，你无法用数学公式推导出来。它可能不是直接用你的特征，但肯定是基于你的特征进行了很多很复杂的计算，就像婴儿认识新事物一样，你并不能解释它的原理。但是既然它是基于你的特征进行再计算，那么我是不是可以直接跳过提取特征这件事情呢？因此，就有研究者直接将序列数据输入网络，并输出类别。负荷辨识大致就是这样的研究路程，其中还有研究者变着花样的倒腾分类器的输入，不管是图像特征加数值特征，还是不同的数值特征，其实都是在研究特征提取，我并不将他归咎于负荷辨识的研究。
2 特征数据库
在特征提取篇我们提取了很多的特征，但那只是一个样本，为了训练负荷辨识模型我们需要更多的样本。将所有电器样本集合后，需要对其进行贴标签，就是加一个数值作为label。通常如果有500个样本，每个样本10个特征，那么最终的数据集应该是500*11，其中最后一列就是标签。
3 负荷辨识模型
常见的机器学习方法有K最近邻、支持向量机、决策树、稀疏编码技术、聚类等。深度学习算法存在着各种各样的网络，一个网络你随便再加一层卷积或者全连接层就变成新的网络了，他的效果可能也差不多，因此深度学习算法不讨论模型具体结构，只讨论深度学习模型的输入和输出的结构，也就是输入的特征是什么，输出了什么。
4 难点
就如前言所说的，难在特征上。换个角度来说，如果你的电器数不多，那么特征就好取了，那么这时候就可以来考虑分类器的难点了。
1）分类器要具备处理多个类别的电器能力。比如说当电器种类过多时，传统SVM就会效果就会变差，这时候就需要改进。
2）如何解决未知负荷的识别。我们不能保证我们的特征数据库中的电器包含了所有用户的电器，又或者说你直接使用了用户当前所有电器的样本训练了模型，当用户购买新的设备时，你能否保证这个设备不会被分类到已知电器种类中，而是识别为未知负荷呢？
3）特征数据库或者说数据集的建立需要不断投切电器得来，因此，在针对特定的用户时，你的数据集样本并不多，如何在样本数不多的情况下，提高模型的识别率。
接下来几篇我将实现几种不同方式的负荷辨识。传统机器学习（SVM）、深度学习算法（特征值作为输入、高频采样点作为输入）。其实还有很多各种各样的的分类模式，我仅实现几种常见的模型。