一种基于自适应关联规则挖掘的能源解聚合方法与流程

本发明涉及能源管理技术领域，具体涉及一种基于自适应关联规则挖掘的能源解聚合方法。

背景技术：

能源的解聚合是指在不增加新的测量设备的情况下，对家庭采集设备中聚合的能耗数据进行分析，解析出单个用电器的能耗情况，给出用电器级的能耗信息的方法。现有技术中关于能源解聚合算法主要存在如下问题：1、从智能采集设备或其他智能设备聚合的能耗数据中解析出单个用电器的耗能情况，需要增加额外的传感器或者其他测量设备，投入成本较高；2、在一个家庭或是商业建筑中作能源的解聚合时，需要提取用电器的特征如功率、电流、功率因子等，当提取的特征相同时如以功率做特征，出现相同功率用电器或是用电器组合时，不能很好的解析出用电器的能耗信息；3、在监测的所有用电器中，大功率的用电器工作时的波动情况往往会影响小功率用电器的识别，依次一般不对小功率用电器进行识别，认为小功率通电器对聚合总线上的数据影响较小，但是现在生活中小功率、低功率用电器越来越多，对小功率用电器的识别同样具有重要意义，且随着家用电器的增加计算复杂度也在增加。

技术实现要素：

针对现有技术中存在的缺陷，本发明的目的在于提供一种基于自适应关联规则挖掘的能源解聚合方法，能够很好的解析出用电器的能耗信息，在保证解析的准确度的同时降低计算复杂度。

为达到以上目的，本发明采取的技术方案是：

一种基于自适应关联规则挖掘的能源解聚合方法，该方法包括如下步骤：

S1，在采样时间内，采集设备按照一定的采样频率采集用电器的聚合能量数据，并对聚合能量数据预处理；

S2，根据用电器不同工作状态下的至少同一特征建立用电器状态特征数据库；

S3，根据用电器状态特征数据库，进行先验知识的学习，得到频繁项集；

S4，由频繁项集进行关联规则的挖掘，得到强关联规则。

在上述技术方案的基础上，还包括S5，在采样时间后，采集设备按照一定的采样频率采集到的聚合能量数据，使用S4的强关联规则进行解聚合，并根据电器状态特征数据库得到用电器的组合及工作状态。

在上述技术方案的基础上，先验知识的学习，具体步骤如下：

S31，根据采样时间内的聚合能量数据确定采集设备采集的所有用电器的数量和所有用电器的所有工作状态N，并根据所有用电器的所有工作状态构建所有的可能项集n，其中n为n≤N的自然数；

S32，计算所有的可能项集n的支持度，预设与可能项集n对应的频繁项集阈值；

S33，将所有的可能项集n的支持度与可能项集n对应的预设频繁项集阈值逐一做比较，若可能项集n的支持度大于预设阈值，则可能项集n为频繁项集n，反之，则为非频繁项集，其中，当n＝0时，即所有用电器的工作状态都为关闭状态，可能项集0为空集，可能项集0为非频繁项集；

S34，将所有的频繁项集n整合得到频繁项集。

在上述技术方案的基础上，每一可能项集n对应的频繁项集阈值均相等。

在上述技术方案的基础上，可能项集n是指从所有用电器的所有工作状态N中任意选n个状态，且n个状态分别属于n个不同的用电器。

在上述技术方案的基础上，由频繁项集进行关联规则的挖掘，得到强关联规则的步骤如下：

S41，计算频繁项集中每一种关联规则的规则可信度；

S42，设置可信度阈值，将每一种关联规则的规则可信度与可信度阈值做比较，若该关联规则的规则可信度小于可信度阈值，则判断该关联规则为弱关联规则，若大于等于可信度阈值，则判断该关联规则为强关联规则。

在上述技术方案的基础上，聚合能量数据预处理包括如下方法：

对聚合能量数据中的多个异常数据做删除操作；

对聚合能量数据中的单个异常数据用相邻时刻的上一时刻的聚合能量数据替代。

在上述技术方案的基础上，用电器的特征包括电压、电流、有功功率、无功功率、视在功率和功率因子。

与现有技术相比，本发明的优点在于：

(1)本发明的一种基于自适应关联规则挖掘的能源解聚合方法根据采样时间的历史数据进行先验知识的学习找到频繁项集和非频繁项集，由于非频繁星际对解聚合的影响较小，所以非频繁项集不进行关联规则的学习，减少了关联规则学习的计算复杂度，提高了解聚合的识别度；对频繁项集中可能出现的每种关联规则进行关联规则挖掘，找到强关联规则，利用强关联规则，对采样时间后的某时刻的聚合能量数据进行解聚合，找到该时刻最可能出现的用电器或者是用电器的组合，有效管理和解决家庭整体能耗，避开用点高峰期。且使用本发明的方法不需要增加额外的传感器或者测量设备，无需对现有设备或线路进行改装，成本低廉，实用性强，方便推广。

(2)本发明的一种基于自适应关联规则挖掘的能源解聚合方法在大功率影响下对小功率用电器进行识别，相较于不进行小功率用电器的识别的解聚合方法，且在用电器数量增加时，通过先验知识对频繁项集和强关联规则进行优化，自保证识别准确度的同时降低计算复杂度，提高用电器的识别效率。

附图说明

图1为本发明实施例中方法流程图。

图2为本发明实施例中先验知识学习的方法流程图。

具体实施方式

以下结合附图及实施例对本发明作进一步详细说明。

参见图1所示，本发明实施例提供一种基于自适应关联规则挖掘的能源解聚合方法，该方法包括如下步骤：

S1，在采样时间内，采集设备如电表按照一定的采样频率采集用电器的聚合能量数据，不同的采样设备的采样频率不同，并对聚合能量数据预处理，对聚合能量数据中的多个异常数据如数值型数据、空数据、负值数据等做删除操作，对聚合能量数据中的单个异常数据用相邻时刻的上一时刻的聚合能量数据替代。

S2，根据需要选择用电器不同工作状态下的一种特征或者多种特征建立用电器状态特征数据库，用电器的特征包括电压、电流、有功功率、无功功率、视在功率和功率因子，如已知电风扇具有四种不同的工作状态关闭状态、1档状态、2档状态和三挡状态，1档状态下电风扇的功率为20W，2档状态下电风扇的功率为30W，3档状态下电风扇的功率为40W，则此时用电器状态特征数据库就包括电风扇1档20W、电风扇2档30W和电风扇3档40W，以此类推，建立所有用电器状态特征数据库；

S3，根据用电器状态特征数据库，进行先验知识的学习，得到频繁项集，

S31，根据采样时间内的聚合能量数据确定采集设备采集的所有用电器的数量和所有用电器的所有工作状态N，并根据所有用电器的所有工作状态构建所有的可能项集n，其中n为n≤N的自然数，可能项集n是指从所有用电器的所有工作状态N中任意选n个状态，在同一时刻一种用电器只具有一种状态，n个状态分别属于n个不同的用电器，；

S32，计算所有的可能项集n的支持度，预设与可能项集n对应的频繁项集阈值，如计算所有的可能项集1的支持度，预设与可能项集1对应的频繁项集阈值，计算所有的可能项集2的支持度，预设与可能项集2对应的频繁项集阈值，以此类推，计算所有的可能项集n的支持度，预设与可能项集n对应的频繁项集阈值；

S33，将所有的可能项集n的支持度与可能项集n对应的预设频繁项集阈值逐一做比较，如将所有的可能项集1的支持度与可能项集1对应的频繁项集阈值做比较，将所有的可能项集2的支持度与其可能项集2对应的频繁项集阈值做比较，以此类推，将所有的可能项集n的支持度与可能项集n对应的预设频繁项集阈值做比较，若可能项集n的支持度大于预设阈值，则可能项集n为频繁项集n，所有的同一种可能项集n的预设频繁项集阈值的大小相同，但是不同种的可能项集n的预设频繁项集阈值的大小可以相同也可以不同，反之，则为非频繁项集，其中，当n＝0时，即所有用电器的工作状态都为关闭状态，可能项集0为空集，可能项集0为非频繁项集；

S34，将所有的频繁项集n整合得到频繁项集。

S4，由频繁项集进行关联规则的挖掘，得到强关联规则，由频繁项集进行关联规则的挖掘，得到强关联规则的步骤如下：

S51，计算频繁项集中每一种关联规则的规则可信度；

S52，设置可信度阈值，将每一种关联规则的规则可信度与可信度阈值做比较，若该关联规则的规则可信度小于可信度阈值，则判断该关联规则为弱关联规则，若大于等于可信度阈值，则判断该关联规则为强关联规则；

S5，在采样时间后的某时刻，采集设备按照一定的采样频率采集到的聚合能量数据，且采样设备采集的所有用电器和所有用电器的工作状态与采样时间内采样设备采集所有用电器和所有用电器的工作状态相同，使用S4的强关联规则进行解聚合，并根据电器状态特征数据库得到当前时刻用电器的组合及工作状态。

本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。