一种用户用电行为模式识别方法及系统与流程

本发明属于电力系统及自动化技术技术领域，具体涉及一种用户用电行为模式识别方法及系统。

背景技术：

随着智能测量和需求侧管理的发展，负荷分解要求的采样频率低，更适合现有的智能测量装置，因此成为最近非常流行的分解方法。所谓的低频数据，可以是每分钟采样一次的电流幅值、有功无功等数据，智能测量设备可以很好的满足这样的数据要求。随着工业制造业的升级，家用电器的种类越来越多，结构功能越来越复杂，这使得负荷分解变得更为困难。

技术实现要素：

本发明的目的在于提供一种用户用电行为模式识别方法及系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种用户用电行为模式识别方法及系统，包括以下步骤：

s1：单个电器负荷hmm模型的建立；

s2：基于dbscan聚类的hmm模型参数估计；

s3：家庭总的负荷模型fhmm的建立；

s4：基于fhmm模型对用户用电进行负荷分解。

进一步地，所述hmm模型的建立可以用dbscan聚类参数来描述，建立单个电器的hmm实际上就是利用观测序列，来估计三个矩阵参数。

进一步地，所述三个矩阵参数的估计方法如下：

s1：首先对输入的观测数据进行初步分析，使用自适应的方法计算dbscan的输入参数eps、minpts；

s2：接下来将观测数据、参数eps、minpts输入到dbscan算法中进行聚类，得到带标签的聚类结果，标签中数值为-1的是噪声点，剔除噪声点后，计算三个参数矩阵∏,a,e；

s3：最后返回hmm参数

进一步地，所述家庭总的负荷模型fhmm的建立同样可以由三个参数来描述，因总负荷是由多个用电负荷共同叠加的结果，具体如下所示；

∏表示初始状态概率，是由多个电器的初始状态共同决定的，即p(z1)＝p(s1¹,s1²,…s1^t)；

a还是状态转移矩阵，描述的是多个电器的前一状态zt-1转移到下一个状态zt的概率，p(zt|zt-1)＝p(st¹,st²...stⁿ|st-1¹,st-1²,…st-1ⁿ,)；

e表示状态的输出概率,在某一状态zt下表现出的总的输出的概率p((yt|zt))＝p((yt|st¹,st²...stⁿ))。

进一步地，所述基于fhmm模型进行用户用电的负荷分解是利用低频数据，在建立了家庭负荷的fhmm模型在供电入口处通过观测获得的电流或者功率数据，以得出该时段各个电器最有可能的运行状态zt＝{st¹,st²，...，stⁿ}，将用户用电负荷分解变成了一个求解最大概率的优化问题。

又一方面，本发明还提供了一种用户用电行为模式识别系统。

一种用户用电行为模式识别系统，包括输入观测序列y、hmm模型、观测序列分段y＝{y1,y2,…,yn}、对每段平整序列按照目标函数使用整数规划求解，以及返回隐含状态序列，最终得出每个电器的状态序列。

与现有技术相比，本发明的有益效果是：

1.利用低频数据基于fhmm模型的非侵入式分解方法,具有很强的抗干扰能力和很好的聚类效果，使得训练的hmm模型具有很高的准确性。

2.将负荷分解问题转化为求最大概率的优化问题，并使用整数规划的方法对优化问题进行求解，求解得到每种电器的运行状态序列，达到负荷分解的目的,具有很好的分解识别结果。

附图说明

图1为本发明基于dbscan的hmm模型参数估计的流程图。

图2为本发明基于fhmm模型的负荷分解流程图。

具体实施方式

如图1-2所示，一种用户用电行为模式识别方法，包括以下步骤：

s1：单个电器负荷hmm模型的建立；

s2：基于dbscan聚类的hmm模型参数估计；

s3：家庭总的负荷模型fhmm的建立；

s4：基于fhmm模型对用户用电进行负荷分解。

其中，hmm模型的建立可以用dbscan聚类参数来描述，建立单个电器的hmm实际上就是利用观测序列，来估计三个矩阵参数。

其中，三个矩阵参数的估计方法如下：

s1：首先对输入的观测数据进行初步分析，使用自适应的方法计算dbscan的输入参数eps、minpts；

s2：接下来将观测数据、参数eps、minpts输入到dbscan算法中进行聚类，得到带标签的聚类结果，标签中数值为-1的是噪声点，剔除噪声点后，计算三个参数矩阵∏,a,e；

s3：最后返回hmm参数

其中，家庭总的负荷模型fhmm的建立同样可以由三个参数来描述，因总负荷是由多个用电负荷共同叠加的结果，具体如下所示；

∏表示初始状态概率，是由多个电器的初始状态共同决定的，即p(z1)＝p(s1¹,s1²,…s1^t)；

a还是状态转移矩阵，描述的是多个电器的前一状态zt-1转移到下一个状态zt的概率，p(zt|zt-1)＝p(st¹,st²...stⁿ|st-1¹,st-1²,…st-1ⁿ,)；

e表示状态的输出概率,在某一状态zt下表现出的总的输出的概率p((yt|zt))＝p((yt|st¹,st²...stⁿ))。

其中，基于fhmm模型进行用户用电的负荷分解是利用低频数据，在建立了家庭负荷的fhmm模型在供电入口处通过观测获得的电流或者功率数据，以得出该时段各个电器最有可能的运行状态zt＝{st¹,st²，...，stⁿ}，将用户用电负荷分解变成了一个求解最大概率的优化问题。

其中，输入观测序列y、hmm模型、观测序列分段y＝{y1,y2,…,yn}、对每段平整序列按照目标函数使用整数规划求解，以及返回隐含状态序列，最终得出每个电器的状态序列。

本发明的工作原理及使用流程：该用户用电行为模式识别使用bdscan聚类算法训练单个负荷的hmm模型，具有很强的抗干扰能力和很好的聚类效果，使得训练的hmm模型具有很高的准确性；对于总负荷模型，因总负荷是由多个用电负荷共同叠加的结果，建立同样可以由三个参数的组合来描述的函数模型，最后在基于fhmm模型进行用户用电的负荷分解是利用低频数据，在建立了家庭负荷的fhmm模型在供电入口处通过观测获得的电流或者功率数据，以得出该时段各个电器最有可能的运行状zt＝{st1,st2，...，stn}，将用户用电负荷分解变成了一个求解最大概率的优化问题，进而求解得到每种电器的运行状态序列，达到负荷分解的目的,具有很好的分解识别结果。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。