一种识别电器的用电状态的方法和系统技术方案

本发明专利技术涉及一种识别电器的用电状态的方法和系统，所述方法包括：步骤1、基于电器的电压电流数据计算特征参数，构建电器用电工作状态特征数据集；步骤2、构建电器用电工作状态隐马尔可夫模型，利用步骤1中计算得到的用电工作状态特征数据集进行模型训练并获取最优模型参数；步骤3、结合基于最优模型参数得到的状态转移方程和观测方程，利用进化粒子滤波算法，通过已知的观测序列去计算在此观测序列下出现的状态序列的后验概率密度函数，从而实现对电器复杂用电状态的识别。所述系统包括数据采集单元、特征提取单元、隐马尔可夫模型构建单元和电器用电状态识别单元。

A method and system for identifying the electrical state of an appliance

The invention relates to a method and system for the identification of electric power state, the method includes: Step 1, based on the data of voltage and current of electrical parameters, construction of electrical power working state data set; step 2, construction of electrical power working state hidden Markov model, using the calculated in step 1 the working state of data set for model training and obtain the optimal model parameters; step 3, the optimal combination of the parameters of the model state equation and the observation equation based on the evolutionary particle filter algorithm, through the observation sequence known to calculate the state sequence in this observation sequence under the posterior probability density function, so as to realize the identification of complicated electrical appliances state. The system comprises a data acquisition unit, a feature extraction unit, a hidden Markov model building unit, and an electrical state identification unit for electrical appliances.

【技术实现步骤摘要】
一种识别电器的用电状态的方法和系统
本专利技术涉及智能电表领域，并且更具体地，涉及一种识别电器的用电状态的方法和系统。
技术介绍
随着传统电表中出现的诸多问题，智能电表的发展迫在眉睫。实施智能电表发展战略能使用户获得高安全性、高可靠性、高质量性、高效率和价格合理的电力供应。智能电表是智能家庭中重要的一个环节，智能电表能够监测到家庭中不同电器的用电信息，可以使用户能准确了解家庭的用电情况，这样可以让用户能够更加合理、有效的使用家庭中的电器。对于多数电器，一般只有两种状态：开状态和关状态，例如电灯、电视机等。但是有些电器有很多不同状态，像电风扇除了有开关状态，还有不同档位的几个状态，在不同状态它的用电情况是不同的。如果我们只能了解到一个家庭中总的用电信息，但是不知道电器正处于什么样的用电状态，这就需要智能电表能够根据电器的用电信息，识别出此刻电器处于的用电状态。本专利技术主要解决的问题是：对于一些复杂状态的电器进行用电状态的智能识别。
技术实现思路
为了解决
技术介绍
存在的对电器的复杂用电状态进行识别的问题，本专利技术提供一种方法：首先通过构建隐马尔可夫模型对电器的用电状态进行建模分析，再运用进化粒子滤波算法，通过已知的观测序列，去计算在此观测序列下最有可能出现的状态序列的后验概率密度函数，从而实现对家用电器复杂用电状态的识别。本专利技术所述的识别电器的用电状态的方法包括：步骤1、基于电器的电压电流数据计算特征参数，构建电器用电工作状态特征数据集，其中，所述特征参数包括有功功率、无功功率、频率、电流的均方根、电压的均方根和谐波分量；步骤2、构建电器用电工作状态隐马尔可夫模型，利用步骤1中计算得到的用电工作状态特征数据集进行模型训练并获取最优模型参数；步骤3、结合基于最优模型参数得到的状态转移方程和观测方程，利用进化粒子滤波算法，通过已知的观测序列去计算在此观测序列下出现的状态序列的后验概率密度函数，从而实现对电器复杂用电状态的识别。进一步地，所述电器的电压电流数据是分别采用电压传感器和电流传感器实时采集电器的电压电流信号，然后通过A/D转换模块把电压、电流的模拟信号转换成数字信号而得到的。进一步地，用电工作状态特征数据集中所述特征参数的计算公式如下：有功功率P＝UIcosα；无功功率Q＝UIsinα；电流的均方根电压的均方根其中P为有功功率，Q为无功功率，Irms为电流的均方根，Urms为电压的均方根。进一步地，构建电器用电工作状态的隐马尔可夫模型，利用步骤1中计算得到的用电工作状态特征数据集进行模型训练并获取最优模型参数包括：建立用电过程的状态集合Q＝{q1,q2,...,qN}和观测集合V＝{v1,v2,...,vM}，其中，集合Q＝{q1,q2,...,qN}用于描述电器的工作状态，N为状态的个数，V＝{v1,v2,...,vM}是所有可能的观测集合，M为可能的观测数；建立用电过程的离散状态序列S＝{s1,s2,...,st,...,sT}和观测序列O＝{o1,o2,...,ot,...,oT}，其中st∈Q表示电器在t时刻的状态，ot表示电器在t时刻电器输出的特征参数值，T表示运行时间段；基于初始状态概率向量π、状态转移方程系数A和观测方程系数确定隐马尔可夫模型，其中，状态转移方程系数A＝[aij]N×N,aij＝P(st+1＝qj|st＝qi)表示在时刻t处于状态qi的条件下时刻t+1转移到状态qj的概率，观测方程系数B＝[bsk]N×M，bsk＝P(ot＝vk|st＝qi)表示在时刻t处于状态qi的条件下生成观测vk的概率，初始状态概率向量π＝(πi)，πi＝P(s1＝qi)是时刻t＝1处于状态qi的概率；在确定的隐马尔可夫模型中，通过机器学习的方式，用观测到的特征参数值对模型参数λ＝(A,B,π)进行训练，训练N次后，将N次得出来的参数值λ＝(A,B,π)取平均值，所述模型参数的平均值为最优的模型参数，最优模型参数中的A、B即为最优的状态转移方程和观测方程的系数。进一步地，在确定的隐马尔可夫模型中，通过机器学习的方式，用观测到的特征参数值对模型参数λ＝(A,B,π)进行训练的次数N＝8。进一步地，结合基于最优模型参数得到的状态转移方程和观测方程，利用进化粒子滤波算法，通过已知的观测序列去计算在此观测序列下出现的状态序列的后验概率密度函数，从而实现对电器复杂用电状态的识别包括：步骤1、样本初始化，即在k时刻，根据已知的先验概率密度函数抽样出N个样本，作为初始的抗体，所述抗体即为识别电器用电工作状态所要使用的粒子，其中，每个粒子用表示，令k＝1；步骤2、对样本进行更新，即当用电过程是隐马尔可夫过程时，根据带有噪声的观测值，利用隐马尔可夫模型的观测方程和状态转移方程将经过初始化的N个粒子更新为K时刻的粒子，计算每个粒子的权重以及对N个粒子的权重进行归一化，然后将更新后的N个粒子作为初始抗体群进行保存，其中：观测方程：状态转移方程：vk是系统的过程噪声，nk是系统的观测噪声，两者都是随机误差，他们相互独立且各自独立，xk是将要计算的k时刻的状态，zk是k时刻的观测值；步骤3、计算N个抗体中的每个抗体的亲和力affk(i)和抗体与抗体之间的排斥力repk(i,j)，计算公式如下：affk(i)越小,表明抗体与抗原匹配得越好，repk(i,j)越小,表明第i个抗体与第j个抗体越相似；步骤4、克隆抗体，即根据每个抗体的亲和力对抗体进行克隆，克隆数目的计算公式如下：其中round{}表示向最近的整数取整，选用cos函数能使亲和力小的粒子克隆数目较大，并且分布在0-1之间，克隆的原则是促进亲和力小的抗体，而抑制亲和力大的抗体，以使系统能快速收敛于全局最优解；步骤5、对抗体进行变异，变异的公式如下：其中，randn()是随机抽取的一个满足N(0,1)分布的随机数，变异的原则是对亲和力小的抗体变异量小,而对亲和力大的抗体变异量大；步骤6、选择最优抗体，即计算变异后所有抗体的affk(i)和repk(i,j)，抛弃repk(i,j)<0.0001中的一个抗体，并按affk(i)进行排序，选出前面的N个抗体进行保存，返回步骤3，当所得的抗体的排斥力repk(i,j)≥0.0001时进行步骤7；步骤7、根据保存的N个抗体作为新一代的粒子，计算电器用电状态的状态序列在k+1时刻的后验概率密度函数，实现对电器复杂用电状态的识别，计算公式如下：进一步地，得到电器用电状态的状态序列在k+1时刻的后验概率密度函数的计算公式包括：根据带有噪声的观测值，结合观测方程(1)和状态转移方程(2)递归估计用电工作状态的后验概率密度P(x0:k|z1:k)，即通过已知的观测序列，去计算在此观测序列下出现的状态序列的后验概率密度函数，其中，x0:k＝{x0,x1,...,xk}表示0到k时刻系统所产生的状态序列，z1:k＝{z1,z2,...,zk}表示观测值序列，观测序列是在每个时刻观测到的输出的特征参数，状态序列则为在每一个时刻与观测序列一一对应的电器的状态；使用N个粒子构成的集合来表示系统的后验概率密度P(x0:k|z1:k)，其中，x0:k＝{x0,x1,...,xk}表示0到k时刻系统所产生的状态序列，，为相应的权重，且则K时刻的后验本文档来自技高网...

【技术保护点】
一种识别电器的用电状态的方法，其特征在于，所述方法包括：步骤1、基于电器的电压电流数据计算特征参数，构建电器用电工作状态特征数据集，其中，所述特征参数包括有功功率、无功功率、频率、电流的均方根、电压的均方根和谐波分量；步骤2、构建电器用电工作状态隐马尔可夫模型，利用步骤1中计算得到的用电工作状态特征数据集进行模型训练并获取最优模型参数；步骤3、结合基于最优模型参数得到的状态转移方程和观测方程，利用进化粒子滤波算法，通过已知的观测序列去计算在此观测序列下出现的状态序列的后验概率密度函数，从而实现对电器复杂用电状态的识别。

【技术特征摘要】
1.一种识别电器的用电状态的方法，其特征在于，所述方法包括：步骤1、基于电器的电压电流数据计算特征参数，构建电器用电工作状态特征数据集，其中，所述特征参数包括有功功率、无功功率、频率、电流的均方根、电压的均方根和谐波分量；步骤2、构建电器用电工作状态隐马尔可夫模型，利用步骤1中计算得到的用电工作状态特征数据集进行模型训练并获取最优模型参数；步骤3、结合基于最优模型参数得到的状态转移方程和观测方程，利用进化粒子滤波算法，通过已知的观测序列去计算在此观测序列下出现的状态序列的后验概率密度函数，从而实现对电器复杂用电状态的识别。2.根据权利要求1所述的方法，其特征在于，步骤1中所述电器的电压电流数据是分别采用电压传感器和电流传感器实时采集电器的电压电流信号，然后通过A/D转换模块把电压、电流的模拟信号转换成数字信号而得到的。3.根据权利要求1所述的方法，其特征在于，步骤1中所述特征参数的计算公式如下：有功功率P＝UIcosα；无功功率Q＝UIsinα；电流的均方根电压的均方根其中P为有功功率，Q为无功功率，Irms为电流的均方根，Urms为电压的均方根。4.根据权利要求1所述的方法，其特征在于，构建电器用电工作状态隐马尔可夫模型，利用步骤1中计算得到的用电工作状态特征数据集进行模型训练并获取最优模型参数包括：建立用电过程的状态集合Q＝{q1,q2,...,qN}和观测集合V＝{v1,v2,...,vM}，其中，集合Q＝{q1,q2,...,qN}用于描述电器的工作状态，N为状态的个数，V＝{v1,v2,...,vM}是所有可能的观测集合，M为可能的观测数；建立用电过程的离散状态序列S＝{s1,s2,...,st,...,sT}和观测序列O＝{o1,o2,...,ot,...,oT}，其中st∈Q表示电器在t时刻的状态，ot表示电器在t时刻电器输出的特征参数值，T表示运行时间段；基于初始状态概率向量π、状态转移方程系数A和观测方程系数确定隐马尔可夫模型，其中，状态转移方程系数A＝[aij]N×N,aij＝P(st+1＝qj|st＝qi)表示在时刻t处于状态qi的条件下时刻t+1转移到状态qj的概率，观测方程系数B＝[bsk]N×M，bsk＝P(ot＝vk|st＝qi)表示在时刻t处于状态qi的条件下生成观测vk的概率，初始状态概率向量π＝(πi)，πi＝P(s1＝qi)是时刻t＝1处于状态qi的概率；在确定的隐马尔可夫模型中，通过机器学习的方式，用观测到的特征参数值对模型参数λ＝(A,B,π)进行训练，训练N次后，将N次得出来的参数值λ＝(A,B,π)取平均值，所述模型参数的平均值为最优的模型参数，最优模型参数中的A、B即为最优的状态转移方程和观测方程的系数。5.根据权利要求4所述的方法，其特征在于，在确定的隐马尔可夫模型中，通过机器学习的方式，用观测到的特征参数值对模型参数λ＝(A,B,π)进行训练的次数N＝8。6.根据权利要求1所述的方法，其特征在于，结合基于最优模型参数得到的状态转移方程和观测方程，利用进化粒子滤波算法，通过已知的观测序列去计算在此观测序列下出现的状态序列的后验概率密度函数，从而实现对电器复杂用电状态的识别包括：步骤1、样本初始化，即在k时刻，根据已知的先验概率密度函数抽样出N个样本，作为初始的抗体，所述抗体即为识别电器用电工作状态所要使用的粒子，其中，每个粒子用表示，令k＝1；步骤2、对样本进行更新，即当用电过程是隐马尔可夫过程时，根据带有噪声的观测值，利用隐马尔可夫模型的观测方程和状态转移方程将经过初始化的N个粒子更新为K时刻的粒子，计算每个粒子的权重以及对N个粒子的权重进行归一化，然后将更新后的N个粒子作为初始抗体群进行保存，其中：观测方程：状态转移方程：vk是系统的过程噪声，nk是系统的观测噪声，两者都是随机误差，他们相互独立且各自独立，xk是将要计算的k时刻的状态，zk是k时刻的观测值；步骤3、计算N个抗体中的每个抗体的亲和力affk(i)和抗体与抗体之间的排斥力repk(i,j)，计算公式如下：affk(i)越小,表明抗体与抗原匹配得越好，repk(i,j)越小,表明第i个抗体与第j个抗体越相似；步骤4、克隆抗体，即根据每个抗体的亲和力对抗体进行克隆，克隆数目的计算公式如下：其中round{}表示向最近的整数取整，选用cos函数能使亲和力小的粒子克隆数目较大，并且分布在0-1之间，克隆的原则是促进亲和力小的抗体，而抑制亲和力大的抗体，以使系统能快速收敛于全局最优解；步骤5、对抗体进行变异，变异的公式如下：其中，randn()是随机抽取的一个满足N(0,1)分布的随机数，变异的原则是对亲和力小的抗体变异量小,而对亲和力大的抗体变异量大；步骤6、选择最优抗体，即计算变异后所有抗体的affk(i)和repk(i,j)，抛弃repk(i,j)<0.0001中的一个抗体，并按affk(i)进行排序，选出前面的N个抗体进行保存，返回步骤3，当所得的抗体的排斥力repk(i,j)≥0.0001时进行步骤7；步骤7、根据保存的N个抗体作为新一代的粒子，计算电器用电状态的状态序列在k+1时刻的后验概率密度函数，实现对电器复杂用电状态的识别，计算公式如下：7.根据权利要求6所述的方法，其特征在于，得到所述步骤7中的电器用电状态的状态序列在k+1时刻的后验概率密度函数的计算公式包括：根据带有噪声的观测值，结合观测方程(1)和状态转移方程(2)递归估计用电工作状态的后验概率密度P(x0:k|z1:k)，即通过已知的观测序列，去计算在此观测序列下出现的状态序列的后验概率密度函数，其中，x0:k＝{x0,x1,...,xk}表示0到k时刻系统所产生的状态序列，z1:k＝{z1,z2,...,zk}表示观测值序列，观测序列是在每个时刻观测到的输出的特征参数，状态序列则为在每一个时刻与观测序列一一对应的电器的状态；使用N个粒子构成的集合来表示系统的后验概率密度P(x0:k|z1:k)，其中，x0:k＝{x0,x1,...,xk}表示0到k时刻系统所产生的状态序列，，为相应的权重，且则K时刻的后验概率密度可用离散的加权样本近似为：其中，δ为引用的狄拉克函数；通过重要性采样选择权重当样本集由重要性采样函数q(x0:k|z1:k)采样得到时，则第i个样本的权重为：将重要采样函数分解为：q(x0:k|z1:k)＝q(xk|x0:k-1,z1:k)q(x0:k-1|z1:k-1)(11)将由q(x0:k-1|z1:k-1)得到的样本集和由q(xk|x0:k-1,z1:k)得到的样本集合并，获得新的样本集为了得到权重的更新方程，将后验概率密度表示为：将(11)(12)式代入到(10)式中，得到权重更新公式为：当q(xk|x0:k-1,z1:k)＝q(xk|xk-1,zk)，则重要性采样函数仅依赖xk-1和zk，权重修正为：后验概率密度P(xk|z1:k)为：其中，δ为引用的狄拉克函数。8.一种识别电器的用电状态的系统，其特征在于，所述系统包括：数据采集单元...

【专利技术属性】
技术研发人员：殷波，王燊，魏志强，王亭洋，朱治丞，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：山东,37