基于K-means聚類與PSO特征優(yōu)選KNN的分級(jí)負(fù)荷識(shí)別方法

安琪　梁宇飛　王耀強(qiáng)　王占彬　李爭(zhēng)　李崢　安國(guó)慶

摘要：針對(duì)非侵入式負(fù)荷辨識(shí)中，單一V-I軌跡特征無法對(duì)相似的軌跡特征進(jìn)行有效識(shí)別以及所提取特征易出現(xiàn)冗余甚至噪聲特征的問題，提出了一種基于K-means聚類與PSO特征優(yōu)選的分級(jí)非侵入式負(fù)荷識(shí)別方法。首先，利用K-means算法對(duì)負(fù)荷V-I軌跡的HOG特征進(jìn)行初步分類，將軌跡相似的電器分為一類;然后，對(duì)每一類中的電器電流數(shù)據(jù)進(jìn)行多維特征提取并采用PSO算法選取最優(yōu)特征子集;最后，利用KNN模型進(jìn)行二級(jí)負(fù)荷識(shí)別。實(shí)驗(yàn)結(jié)果表明，該方法有效提高了負(fù)荷識(shí)別準(zhǔn)確率;提取V-I軌跡的HOG特征解決了同一電器V-I軌跡波動(dòng)的問題;對(duì)一級(jí)分類后的每一大類單獨(dú)進(jìn)行PSO特征優(yōu)選KNN二級(jí)分類，解決了部分電器對(duì)特征子集適應(yīng)性差的問題。所提方法在一定程度上解決了冗余特征甚至噪聲特征對(duì)辨識(shí)準(zhǔn)確率的影響，為負(fù)荷特征的選取提供了新的思路，對(duì)負(fù)荷辨識(shí)的實(shí)際應(yīng)用具有重要的參考意義。

關(guān)鍵詞：電氣測(cè)量技術(shù)及其儀器儀表;非侵入式負(fù)荷辨識(shí);V-I軌跡;HOG特征;K-means聚類分析;特征優(yōu)選

中圖分類號(hào)：TM933文獻(xiàn)標(biāo)識(shí)碼：A

DOI：10.7535/hbkd.2022yx03004

Hierarchical load identification method based on K-means clustering and PSO feature optimization KNN

AN Qi LIANG Yufei WANG Yaoqiang WANG Zhanbin LI Zheng LI Zheng AN Guoqing

（1.School of Electrical Engineering，Hebei University of Science and Technology，Shijiazhuang，Hebei 050018，China;2.Hebei Institute of Intelligent Distribution and Electric Equipment Technology [JP2]（Shijiazhuang Kelin Electric Company Limited），[JP]Shijiazhuang，Hebei 050222，China）

Abstract：In order to solve the problem that a single V-I track feature can not effectively identify similar track features and the extracted features are prone to redundacy or even noise features in non-invasive load identification，a hierarchical non-invasive load identification method based on K-means clustering and PSO feature optimization was proposed.Firstly，K-means algorithm was used to initially classify the HOG features of load V-I trajectories，and the appliances with similar trajectories were classified into one category.Then，multi-dimensional features are extracted from electrical current data in each category and the optimal feature subset is selected by PSO algorithm.Finally，KNN model was used for secondary load identification.The experimental results show that this method effectively improves the accuracy of load identification.Extracting the HOG feature of V-I trajectory solves the problem of fluctuation of the same electrical appliance.PSO feature optimized KNN secondary classification is carried out for each category after the first level classification，which solves the problem of poor adaptability of some electrical appliances to feature subset.The proposed method solves the influence of redundant features and even noise features on the identification accuracy to a certain extent，and provides a new idea for the selection of load features，which has important reference significance for the practical application of load identification.

Keywords：

electrical measuring technology and its instrumentation;non-invasive load identification;V-I trajectory;HOG features;K-means clustering analysis;feature selection

根據(jù)中國(guó)政府提出的“碳達(dá)峰”、“碳中和”的發(fā)展要求，建設(shè)清潔低碳、安全高效的能源體系已經(jīng)迫在眉睫。隨著居民用電量在國(guó)民經(jīng)濟(jì)總用電量占比的不斷增加，對(duì)能源的精細(xì)化管理顯得極為重要。非侵入式負(fù)荷監(jiān)測(cè)（non-invasive load monitoring，NILM）技術(shù)不僅可以幫助居民掌握詳細(xì)的家庭用電信息，還可以為電力公司的電力部署以及新能源并網(wǎng)提供數(shù)據(jù)支撐，有助于更精準(zhǔn)地對(duì)用戶行為進(jìn)行建模，實(shí)現(xiàn)對(duì)用戶的差異化、精準(zhǔn)化服務(wù)[1-2]。近年來NILM受到了業(yè)界的大力扶持，相關(guān)工作也有了很大進(jìn)展。

NILM的基礎(chǔ)是通過提取負(fù)荷的特征來實(shí)現(xiàn)負(fù)荷識(shí)別。目前常用的負(fù)荷特征分為穩(wěn)態(tài)特征和暫態(tài)特征2類，主要包括電壓和電流波形、有功和無功功率、電流諧波、電壓-電流軌跡（V-I 軌跡）等[3]。文獻(xiàn)[4]使用K-means聚類算法對(duì)負(fù)荷的有功和無功功率進(jìn)行初步分類，并將初步分類后的“非唯一”類包含的負(fù)荷進(jìn)行V-I軌跡構(gòu)建和顏色編碼處理，生成帶顏色的V-I軌跡，運(yùn)用AlexNet神經(jīng)網(wǎng)絡(luò)對(duì)負(fù)荷進(jìn)行訓(xùn)練和分類，但由于“非唯一”類過多，導(dǎo)致需要訓(xùn)練很多AlexNet網(wǎng)絡(luò)，造成算力資源的浪費(fèi)。文獻(xiàn)[5]根據(jù)不同負(fù)荷內(nèi)部電路的拓?fù)浣Y(jié)構(gòu)將負(fù)荷分為7大類，對(duì)比分析了不同類別負(fù)荷V-I軌跡的差異，并使用自組織映射網(wǎng)絡(luò)對(duì)從V-I軌跡中提取的特征進(jìn)行負(fù)荷分類，但在對(duì)模型進(jìn)行訓(xùn)練時(shí)，需要提前人為對(duì)負(fù)荷進(jìn)行分類，工作量較大。文獻(xiàn)[6]對(duì)用電的電流、有功功率和諧波電流進(jìn)行數(shù)據(jù)預(yù)處理和降噪處理后，繪制三維立體圖并將其投影到平面，提取投影面的方向梯度直方圖（histogram of oriented gradient，HOG）特征，使用支持向量機(jī)（support vector machine，SVM）進(jìn)行負(fù)荷識(shí)別，但SVM參數(shù)是根據(jù)經(jīng)驗(yàn)選取的，有一定的主觀因素，不具備普遍性。文獻(xiàn)[7]提取電流的峰值因數(shù)、裕度因子和譜熵作為負(fù)荷特征，并結(jié)合粒子群（PSO）優(yōu)化SVM參數(shù)的方法實(shí)現(xiàn)負(fù)荷辨識(shí)，將振動(dòng)領(lǐng)域的特征引入到負(fù)荷識(shí)別領(lǐng)域中，然而所提取的3個(gè)特征并未在更多的電器上進(jìn)行驗(yàn)證，無法證明其是否具有普適性。文獻(xiàn)[8]將V-I軌跡作為負(fù)荷特征，使用基于變樣本權(quán)重的K最近鄰（K-nearest-neighbor，KNN）算法進(jìn)行負(fù)荷識(shí)別，但是對(duì)于V-I軌跡相似的負(fù)荷無法準(zhǔn)確識(shí)別。文獻(xiàn)[9]以功率變化作為事件檢測(cè)的準(zhǔn)則，通過平滑和插值提取差值的V-I軌跡，并基于物理意義量化出10個(gè)V-I軌跡特征，最后采用支持向量機(jī)多分類算法進(jìn)行負(fù)載識(shí)別，但對(duì)多負(fù)荷識(shí)別有一定的局限性，即若2個(gè)負(fù)荷投切時(shí)間過短時(shí)則無法判斷事件是否發(fā)生。文獻(xiàn)[10]基于V-I軌跡的曲率尺度空間，提出了曲率尺度空間局部極值檢測(cè)和直接曲率尺度空間2種二維穩(wěn)態(tài)特征作為新的負(fù)荷特征。文獻(xiàn)[11]在對(duì)V-I軌跡的圖形模板進(jìn)行了裁剪和圖像金字塔縮減的基礎(chǔ)上，利用主成分分析和K最近鄰算法設(shè)計(jì)并實(shí)現(xiàn)了一套多階段的負(fù)荷分類算法，并在實(shí)際數(shù)據(jù)集上驗(yàn)證了該算法的有效性。

電器的V-I軌跡作為一種有效的負(fù)荷特征，廣泛應(yīng)用于非侵入式負(fù)荷識(shí)別中，但由于V-I軌跡圖是由歸一化的電流、電壓數(shù)據(jù)繪制的，從原理上無法表征電器工作時(shí)電流的大小，因此，利用單一的V-I軌跡對(duì)V-I軌跡相似的不同電器無法進(jìn)行有效區(qū)分?；诖耍疚奶岢鲆环N結(jié)合K-means聚類和PSO特征優(yōu)選KNN算法的二級(jí)特征分類負(fù)荷辨識(shí)方法。該方法首先使用穩(wěn)態(tài)電流和電壓構(gòu)建V-I軌跡二值圖并提取其HOG特征，使用K-means算法對(duì)HOG特征進(jìn)行一級(jí)分類;然后在一級(jí)分類的結(jié)果上，分別對(duì)每個(gè)分類中包含的電器穩(wěn)態(tài)電流進(jìn)行多維波形特征提取，利用PSO算法進(jìn)行特征優(yōu)選，得到最優(yōu)特征子集進(jìn)行KNN模型的負(fù)荷識(shí)別。

1基于HOG特征的K-means一級(jí)分類

1.1構(gòu)建V-I軌跡圖

1.2HOG特征提取

HOG特征是一種在計(jì)算機(jī)視覺和圖像處理中用來進(jìn)行物體檢測(cè)的特征描述子，HOG特征描述子對(duì)梯度和方向敏感，可以很好地描述圖像輪廓[14]。同時(shí)，HOG特征對(duì)幾何形變可以保持很好的不變性[15]。其基本原理：將目標(biāo)圖像分成若干個(gè)很小的細(xì)胞單元（cells），再把小的cells單元組合成1個(gè)塊單元，接著采集每個(gè)cells中各像素點(diǎn)梯度，最后將這些特征組合起來構(gòu)成HOG 描述器[15-16]。

V-I軌跡圖雖然具有很好的區(qū)分度，但有些電器的V-I軌跡圖存在相似的情況，如此便無法準(zhǔn)確識(shí)別V-I軌跡相似的電器，故將軌跡相似的電器劃分為一類后再進(jìn)行后續(xù)的精細(xì)化識(shí)別。HOG特征可以維持幾何形變的特性，因此可以很好地描述V-I軌跡的輪廓，基于此，提取V-I軌跡的HOG特征后，使用K-means聚類算法對(duì)電器進(jìn)行一級(jí)分類。

1.3K-means聚類算法

2基于PSO特征優(yōu)選的KNN二級(jí)分類

2.1電流波形特征提取

2.2KNN算法

KNN算法是一種經(jīng)典的機(jī)器學(xué)習(xí)算法，簡(jiǎn)單且易實(shí)現(xiàn)。KNN通過對(duì)比訓(xùn)練樣本與待測(cè)樣本之間的距離或相似度來對(duì)待測(cè)樣本進(jìn)行分類[19-20]。其具體步驟如下：

1）計(jì)算待測(cè)樣本與訓(xùn)練樣本之間的歐氏距離;

2）找出訓(xùn)練樣本中與待測(cè)樣本最鄰近的r個(gè)點(diǎn);

3）統(tǒng)計(jì)r個(gè)點(diǎn)中每個(gè)類別的個(gè)數(shù);

4）將r個(gè)點(diǎn)里出現(xiàn)頻率最高的類別，作為該樣本點(diǎn)的預(yù)測(cè)類別。

由于KNN算法對(duì)數(shù)據(jù)依賴較大，同時(shí)2.1中所提取的特征可能存在維數(shù)過多、冗余特征甚至噪聲特征等，都會(huì)導(dǎo)致KNN分類準(zhǔn)確率的下降[21]，故采用PSO進(jìn)行特征優(yōu)選，尋找最佳特征子集。

2.3基于PSO特征優(yōu)選的KNN算法

PSO算法是基于群體智能的啟發(fā)式算法，常用于求解多目標(biāo)、非線性和多變量。粒子群優(yōu)化過程從隨機(jī)產(chǎn)生的初始粒子開始，不斷對(duì)粒子的位置、速度進(jìn)行更新，并用適應(yīng)度值來表示粒子的優(yōu)劣，通過追蹤最優(yōu)粒子找到最優(yōu)解[22]。

通過PSO進(jìn)行最優(yōu)特征子集的選取，可以有效提高KNN算法分類的準(zhǔn)確率，同時(shí)也降低了特征維數(shù)和KNN分類的空間復(fù)雜度[23-24]，算法實(shí)現(xiàn)過程如下。

3.1實(shí)驗(yàn)數(shù)據(jù)采集

實(shí)驗(yàn)采集了空調(diào)（制冷）、微波爐、熱水器、熱水壺、電熱爐、電飯煲、電磁爐、洗衣機(jī)、油煙機(jī)共9種電器運(yùn)行時(shí)的電流、電壓數(shù)據(jù)，采樣頻率為6.4 kHz。

3.2基于PSO特征優(yōu)選的KNN負(fù)荷辨識(shí)

通過對(duì)比圖1 a）和圖1 b）可知，經(jīng)PSO特征優(yōu)選后，電器的識(shí)別率明顯上升，但洗衣機(jī)和油煙機(jī)仍存在較大的識(shí)別錯(cuò)誤。

各電器的具體識(shí)別率如表2所示。由表2可知，經(jīng)PSO特征優(yōu)選后，各電器平均識(shí)別率從89.56%上升至92.28%，其中空調(diào)（制冷）、微波爐和熱水壺的識(shí)別準(zhǔn)確率均上升至100%，洗衣機(jī)和油煙機(jī)的識(shí)別率分別從89.5%和31%上升至93%和40.5%。實(shí)驗(yàn)結(jié)果說明，針對(duì)大部分電器，通過PSO特征優(yōu)選可以有效選出最優(yōu)特征子集，提高識(shí)別模型的性能。

然而油煙機(jī)的識(shí)別率雖有所上升，但仍遠(yuǎn)不及預(yù)期，這可能是因?yàn)樗x出的特征子集在部分電器上的適應(yīng)性差造成的。故提出基于K-means聚類與PSO特征優(yōu)選的分級(jí)負(fù)荷識(shí)別方法。先對(duì)電器從V-I軌跡圖的特征上使用K-means進(jìn)行大類劃分，然后對(duì)每一類電器分別進(jìn)行基于PSO特征優(yōu)選的KNN二級(jí)分類。[LM]

3.3基于K-means聚類和PSO特征優(yōu)選的KNN二級(jí)分類

3.3.1基于HOG特征的K-means一級(jí)分類

使用3.2所獲得的穩(wěn)態(tài)電流和電壓數(shù)據(jù)構(gòu)建V-I軌跡圖，并提取軌跡圖的HOG特征，100組訓(xùn)練集用于K-means聚類尋找聚類中心，200組測(cè)試集用于驗(yàn)證聚類中心的有效性。其中，所采集電器的V-I軌跡圖圖2所示。為確定K-means聚類中心數(shù)k的取值，對(duì)測(cè)試集進(jìn)行k=1～7的聚類試驗(yàn)，并計(jì)算不同k值下聚類結(jié)果的誤差平方和（sum of the squared errors，SSE），通過SSE值確定聚類中心數(shù)k的取值。實(shí)驗(yàn)結(jié)果如圖3所示。

3.3.2KNN二級(jí)分類

由表4可知，在K-means聚類結(jié)果的基礎(chǔ)上，對(duì)A，B，C 3類電器分別進(jìn)行PSO-KNN建模識(shí)別，可以有效選出更加適應(yīng)某類電器的特征子集，提高負(fù)荷辨識(shí)的準(zhǔn)確率。

在實(shí)際應(yīng)用中，6.4 kHz的采樣頻率會(huì)增加設(shè)備成本，基于現(xiàn)實(shí)應(yīng)用考慮，對(duì)3.2 kHz采樣頻率的數(shù)據(jù)進(jìn)行所提算法的驗(yàn)證。

3.4降低采樣頻率時(shí)的二級(jí)分類結(jié)果

采樣頻率的降低會(huì)導(dǎo)致軌跡圖斷點(diǎn)增多，降低軌跡圖的連續(xù)性，影響聚類結(jié)果。為解決這一問題，將軌跡圖的像素從32×32降為20×20，如圖5所示。

由表5可知，采樣頻率的降低導(dǎo)致電器的V-I軌跡連續(xù)性變差，造成所提取的HOG特征聚類效果變差。通過減小軌跡圖的像素至20×20，改善了軌跡的連續(xù)性，將K-means聚類的平均準(zhǔn)確率從94.9%提高至98.9%。

在聚類結(jié)果的基礎(chǔ)上，對(duì)A，B，C 3類電器分別進(jìn)行二級(jí)建模識(shí)別，A，B，C 3類電器中具體電器的識(shí)別率如表6所示。

由表6可知，當(dāng)采樣頻率為3.2 kHz時(shí)，各類電器的識(shí)別率雖有所下降，如洗衣機(jī)和油煙機(jī)分別下降至92.5%和90.5%，下降幅度最大，但仍基本滿足所需要的識(shí)別精度。

當(dāng)采樣頻率降為1.6 kHz時(shí)，將軌跡圖像素也相應(yīng)降低至12×12，其K-means聚類結(jié)果如表7所示。由表7可知，隨著采樣頻率的降低，V-I軌跡圖的像素也隨之變小，導(dǎo)致像素信息缺失，使得聚類效果變差，由于此時(shí)的聚類結(jié)果不再滿足實(shí)際應(yīng)用的需要，故未進(jìn)行后續(xù)實(shí)驗(yàn)。

上述結(jié)果表明，該算法對(duì)3.2 kHz的采樣頻率仍具有較好的適應(yīng)性，可以有效降低實(shí)際應(yīng)用的設(shè)備成本。

4結(jié)語

本文提出了一種基于K-means聚類與PSO特征優(yōu)選KNN的二級(jí)分類非侵入式負(fù)荷辨識(shí)方法，首先使用K-means聚類算法對(duì)V-I軌跡的HOG特征進(jìn)行一級(jí)大類劃分;然后對(duì)各大類中的電器電流提取波形特征，使用PSO進(jìn)行最優(yōu)特征子集的選取，采用最優(yōu)特征子集進(jìn)行KNN二級(jí)分類。該方法有以下優(yōu)勢(shì)。

1）即使同一電器的V-I軌跡也會(huì)存在差異，而HOG特征對(duì)幾何形變可以保持很好的不變性，基于HOG的這一特性，可以確保聚類結(jié)果的準(zhǔn)確性。

2）隨著電器的增多，PSO特征優(yōu)選得到的最優(yōu)特征子集適應(yīng)性會(huì)降低。而本文提出的二級(jí)分類方法，對(duì)一級(jí)大類劃分后的每一大類分別進(jìn)行PSO特征優(yōu)選，可以針對(duì)性地選出該大類中可分性較好的特征子集，降低KNN模型的空間復(fù)雜度，提高負(fù)荷識(shí)別準(zhǔn)確率。

3）該方法在采樣頻率降低的情況下，也具有較好的適應(yīng)性，對(duì)實(shí)際應(yīng)用具有一定參考價(jià)值。

在實(shí)際應(yīng)用中，由于數(shù)據(jù)采樣頻率要求較高且樣本庫的構(gòu)建工程較大，導(dǎo)致本文方法的應(yīng)用場(chǎng)景有限。未來需進(jìn)一步研究其在低采樣頻率下性能的提升方法，拓寬該方法的應(yīng)用范圍。

參考文獻(xiàn)/References：

[1]鄧曉平，張桂青，魏慶來，等.非侵入式負(fù)荷監(jiān)測(cè)綜述[J].自動(dòng)化學(xué)報(bào)，2022，48（3）：644-663.DENG Xiaoping，ZHANG Guiqing，WEI Qinglai，et al.A survey on the non-intrusive load monitoring[J].Acta Automatica Sinica，2022，48（3）：644-663.

[2]邵琪，包永強(qiáng)，張旭旭.基于分?jǐn)?shù)階Hilbert倒譜特征提取的非侵入式負(fù)荷監(jiān)測(cè)研究方法[J].電子器件，2020，43（6）：1314-1319.SHAO Qi，BAO Yongqiang，ZHANG Xuxu.Non-intrusive load monitoring research method based on fractional Hilbert cepstrum feature extraction[J].Chinese Journal of Electron Devices，2020，43（6）：1314-1319.

[3]程祥，李林芝，吳浩，等.非侵入式負(fù)荷監(jiān)測(cè)與分解研究綜述[J].電網(wǎng)技術(shù)，2016，40（10）：3108-3117.CHENG Xiang，LI Linzhi，WU Hao，et al.A survey of the research on non-intrusive load monitoring and disaggregation[J].Power System Technology，2016，40（10）：3108-3117.

[4]解洋，梅飛，鄭建勇，等.基于V-I軌跡顏色編碼的非侵入式負(fù)荷識(shí)別方法[J].電力系統(tǒng)自動(dòng)化，2022，46（4）：93-102.XIE Yang，MEI Fei，ZHENG Jianyong，et al.Non-intrusive load monitoring method based on V-I trajectory color coding[J].Automation of Electric Power Systems，2022，46（4）：93-102.

[5]DU Liang，HE Dawei，HARLEY R G，et al.Electric load classification by binary voltage-current trajectory mapping[J].IEEE Transactions on Smart Grid，2016，7（1）：358-365.

[6]程麗娟.基于HOG和SVM的非侵入式負(fù)荷識(shí)別[J].安徽師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，44（1）：17-21.CHENG Lijuan.Non-Intrusive load identification based on HOG and SVM[J].Journal of Anhui Normal University（Natural Science），2021，44（1）：17-21.

[7]安國(guó)慶，梁宇飛，蔣子堯，等.基于CF-MF-SE聯(lián)合特征的非侵入式負(fù)荷辨識(shí)[J].河北科技大學(xué)學(xué)報(bào)，2021，42（5）：462-469.AN Guoqing，LIANG Yufei，JIANG Ziyao，et al.Non-intrusive load identification based on CF-MF-SE joint feature[J].Journal of Hebei University of Science and Technology，2021，42（5）：462-469.

[8]延菲，張瑞祥，孫耀杰，等.基于改進(jìn)kNN算法的非侵入式負(fù)荷識(shí)別方法[J].復(fù)旦學(xué)報(bào)（自然科學(xué)版），2021，60（2）：182-188.YAN Fei，ZHANG Ruixiang，SUN Yaojie，et al.Non-intrusive load identification method based on improved kNN algorithm[J].Journal of Fudan University（Natural Science），2021，60（2）：182-188.

[9]WANG Longjun，CHEN Xiaomin，WANG Gang，et al.Non-intrusive load monitoring algorithm based on features of V-I trajectory[J].Electric Power Systems Research，2018，157：134-144.

[10]de PAULA RODRIGUES R，da SILVEIRA P M.Curvature scale space-based signatures for electrical load classification in NILM[J].Electrical Engineering，2021，103（2）：1239-1252.

[11]YANG C C，SOH C S，YAP V V.A systematic approach in load disaggregation utilizing a multi-stage classification algorithm for consumer electrical appliances classification[J].Frontiers in Energy，2019，13（2）：386-398.

[12]GAO Jingkun，KARA E C，GIRI S，et al.A feasibility study of automated plug-load identification from high-frequency measurements[C]//2015 IEEE Global Conference on Signal and Information Processing （GlobalSIP）.Orlando：IEEE，2015：220-224.

[13]郇嘉嘉，汪超群，洪海峰，等.基于圖像編碼與深度學(xué)習(xí)的非侵入式負(fù)荷識(shí)別方法[J].科學(xué)技術(shù)與工程，2021，21（21）：8901-8908.HUAN Jiajia，WANG Chaoqun，HONG Haifeng，et al.Non-intrusive load monitoring method based on color encoding and deep learning[J].Science Technology and Engineering，2021，21（21）：8901-8908.

[14]薄文嘉，倪受東.結(jié)合HOG與SVM的電子元件多位姿目標(biāo)檢測(cè)研究[J].機(jī)械設(shè)計(jì)與制造，2021（10）：76-80.BO Wenjia，NI Shoudong.Research on multi-position target detection of electronic components combined with HOG and SVM[J].Machinery Design & Manufacture，2021（10）：76-80.

[15]李小勇，韋澤賢，楊玉琳.HOG與SVM在動(dòng)態(tài)稱重輪軸識(shí)別中的應(yīng)用研究[J].公路交通科技，2021，38（7）：145-151.LI Xiaoyong，WEI Zexian，YANG Yulin.Study on application of HOG and SVM in weigh-in-motion and axle recognition[J].Journal of Highway and Transportation Research and Development，2021，38（7）：145-151.

[16]徐超，高夢(mèng)珠，查宇鋒，等.基于HOG和SVM的公交乘客人流量統(tǒng)計(jì)算法[J].儀器儀表學(xué)報(bào)，2015，36（2）：446-452.XU Chao，GAO Mengzhu，ZHA Yufeng，et al.Bus passenger flow calculation algorithm based on HOG and SVM[J].Chinese Journal of Scientific Instrument，2015，36（2）：446-452.

[17]李秉晨，于惠鈞，劉靖宇.基于Kmeans和CEEMD-PE-LSTM的短期光伏發(fā)電功率預(yù)測(cè)[J].水電能源科學(xué)，2021，39（4）：204-208.LI Bingchen，YU Huijun，LIU Jingyu.Prediction of short-term photovoltaic power generation based on Kmeans and CEEMD-PE-LSTM[J].Water Resources and Power，2021，39（4）：204-208.

[18]孟華，孫浩，裴迪，等.基于聚類及優(yōu)化集成神經(jīng)網(wǎng)絡(luò)的地鐵車站空調(diào)負(fù)荷預(yù)測(cè)[J].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，49（11）：1582-1589.MENG Hua，SUN Hao，PEI Di，et al.Air-conditioning load prediction of subway station based on clustering and optimization algorithm ensemble neural network[J].Journal of Tongji University（Natural Science），2021，49（11）：1582-1589.

[19]毋雪雁，王水花，張煜東.K最近鄰算法理論與應(yīng)用綜述[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（21）：1-7.WU Xueyan，WANG Shuihua，ZHANG Yudong.Survey on theory and application of K-nearest-neighbors algorithm[J].Computer Engineering and Applications，2017，53（21）：1-7.

[20]謝妙，林泳昌，朱曉姝.一種基于信息熵的自適應(yīng)k值KNN二分類方法[J].合肥工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，44（11）：1483-1486.XIE Miao，LIN Yongchang，ZHU Xiaoshu.An adaptive k-value KNN bisecting classification method based on information entropy[J].Journal of Hefei University of Technology（Natural Science），2021，44（11）：1483-1486.

[21]陳茜，李錄平，劉瑞，等.基于PCA-KNN融合算法的風(fēng)力機(jī)變槳角度故障診斷方法[J].中國(guó)電力，2021，54（11）：190-198.CHEN Xi，LI Luping，LIU Rui，et al.Fault diagnosis method of wind turbine pitch angle based on PCA-KNN fusion algorithm[J].Electric Power，2021，54（11）：190-198.

[22]劉冬梅，霍龍龍，王浩然，等.基于PSO-SVM的電流放大器故障診斷研究[J].傳感器與微系統(tǒng)，2021，40（8）：50-52.LIU Dongmei，HUO Longlong，WANG Haoran，et al.Study on fault diagnosis for current amplifier based on PSO-SVM[J].Transducer and Microsystem Technologies，2021，40（8）：50-52.

[23]李科.基于PSO-KNN的變電站設(shè)備三維點(diǎn)云識(shí)別方法研究[J].電力系統(tǒng)保護(hù)與控制，2021，49（18）：182-187.LI Ke.3D point cloud research on an identification method based on PSO-KNN substation equipment[J].Power System Protection and Control，2021，49（18）：182-187.

[24]任江濤，姚樹宇，紀(jì)慶革.一種基于PSO同步進(jìn)行特征選擇及參數(shù)優(yōu)化的核K近鄰分類算法[J].小型微型計(jì)算機(jī)系統(tǒng)，2007，28（8）：1461-1464.REN Jiangtao，YAO Shuyu，JI Qingge.Kernel KNN algorithm based on simultaneous feature selection and parameter optimization by PSO[J].Journal of Chinese Computer Systems，2007，28（8）：1461-1464.