一种识别电器的用电状态的方法和系统与流程

本发明涉及智能电表领域，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。

背景技术：

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。

本发明主要解决的问题是：对于一些复杂状态的电器进行用电状态的智能识别。

技术实现要素：

为了解决背景技术存在的对电器的复杂用电状态进行识别的问题，本发明提供一种方法：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。

本发明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。

根据本发明的另一方面，本发明提供一种识别电器的用电状态的系统，所述系统包括：

数据采集单元，其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；

特征提取单元，其基于数据采集单元采集的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；

隐马尔可夫模型构建单元，其用于构建电器用电工作状态隐马尔可夫模型，利用特征提取单元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；

电器用电状态识别单元，其结合基于隐马尔可夫模型构建单元中的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，系统的特征提取单元中所述的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，隐马尔可夫构型构建单元构建电器用电工作状态隐马尔可夫模型，利用特征提取单元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，在隐马尔可夫模型构建单元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，所述电器用电状态识别单元结合基于隐马尔可夫模型构建单元中的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是将要估计的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，电器用电状态识别单元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。

本发明所述的识别电器的用电状态的方法和系统通过构建隐马尔可夫模型，较好地描述了电器的用电过程，通过对构建的观测序列的训练和学习，确定了模型的最优参数，从而构建了识别电器用电状态的最优状态转移方程和观测方程，在此基础上，根据所述最优状态转移方程和观测方程，利用进化粒子算法，通过已知的观测序列，去计算在此观测序列下的状态序列的后概率密度函数，解决了一般粒子算法中样本退化的问题，其将人工免疫算法与粒子滤波算法结合，以增加粒子集的多样性较好地缓解了粒子滤波的退化现象并解决了粒子耗尽的问题，能够将最好的粒子用于后验概率密度的估计，极大地提高了识别电器的用电状态的准确性，为用户合理的规划用电的分配，减轻用电的浪费提供了可能。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1是本发明具体实施方式的识别电器的用电状态的方法的流程图；

图2是本发明具体实施方式的进化粒子算法的流程图；以及

图3是本发明具体实施方式的识别电器的用电状态的系统的结构图。

具体实施方式

现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

图1是本发明具体实施方式的识别电器的用电状态的方法的流程图。如图1所示，本发明所述的识别电器的用电状态的方法100从步骤101开始。

在步骤101，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电器的电压电流数据。

在步骤102，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。

优选地，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。

在步骤103，构建电器用电工作状态隐马尔可夫模型，利用步骤102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。

优选地，构建电器用电工作状态的隐马尔可夫模型，利用步骤102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；

优选地，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。

在步骤104，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。

图2是本发明具体实施方式的进化粒子算法的流程图。如图2所示，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的方法200从步骤201开始。

在步骤201，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。

在步骤202，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。

在步骤203，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；

在步骤204，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；

在步骤205，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；

在步骤206，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207。

在步骤207，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：

优选地，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。

图3是本发明具体实施方式的识别电器的用电状态的系统的结构图。如图3所示，本发明所提供的识别电器的用电状态的系统300包括数据采集单元301、特征提取单元302、隐马尔可夫模型构建单元303和电器用电状态识别单元304。

数据采集单元301，其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；

特征提取单元302，其基于数据采集单元301采集的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；

隐马尔可夫模型构建单元303，其用于构建电器用电工作状态隐马尔可夫模型，利用特征提取单元302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；

电器用电状态识别单元304，其结合基于隐马尔可夫模型构建单元303中的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。

优选地，系统的特征提取单元302中所述的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。

优选地，隐马尔可夫构型构建单元303构建电器用电工作状态隐马尔可夫模型，利用特征提取单元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。

优选地，在隐马尔可夫模型构建单元303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。

优选地，所述电器用电状态识别单元304结合基于隐马尔可夫模型构建单元303中的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的方法200从步骤201开始。

在步骤201，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。

在步骤202，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。

在步骤203，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；

在步骤204，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；

在步骤205，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；

在步骤206，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207。

在步骤207，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：

优选地，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。

通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该【装置、组件等】”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。